GPT 5.6 Sol refutó la conjetura de Maxwell de 1873

En pocas palabras: En 2026, GPT 5.6 Sol de OpenAI refutó la conjetura de Maxwell, abierta desde 1873. El modelo halló una configuración de cinco cargas eléctricas con 24 puntos de equilibrio, superando el máximo de 16 que fijaba la cota clásica. El contraejemplo ya está publicado en arXiv.

Un equipo de matemáticos usó GPT 5.6 Sol, el modelo de OpenAI, para tirar abajo la conjetura de Maxwell, un problema de electrostática abierto desde 1873. El modelo propuso una configuración de cinco cargas eléctricas puntuales que genera más puntos de equilibrio que los 16 permitidos por la cota clásica. El caso, que en inglés circula como gpt the maxwell conjecture, ya está publicado en arXiv.

La conjetura de Maxwell es una afirmación de física matemática que James Clerk Maxwell dejó anotada en su tratado de 1873: para n cargas eléctricas puntuales, el potencial electrostático tendría como máximo (n-1)² puntos de equilibrio aislados. En 2026, un contraejemplo con cinco cargas la refutó, porque aparecieron 24 puntos críticos donde la cota fijaba 16.

GPT es un modelo de lenguaje grande creado por OpenAI que utiliza redes neuronales transformer para generar texto, responder preguntas y realizar tareas de procesamiento de lenguaje natural.

¿Qué es la conjetura de Maxwell y cuándo fue propuesta?

La conjetura de Maxwell dice que n cargas eléctricas puntuales generan como máximo (n-1)² puntos de equilibrio en el espacio. James Clerk Maxwell, el físico escocés que unificó electricidad y magnetismo, la dejó anotada casi al pasar en su Tratado sobre electricidad y magnetismo de 1873. No la demostró. La tiró como observación y siguió de largo.

Durante más de un siglo nadie la probó ni la refutó. El problema es medio incómodo: mezcla electrostática con topología y geometría algebraica, y contar los puntos donde un campo vectorial en tres dimensiones se anula no es para nada trivial. Recién en 2007 los matemáticos Andrei Gabrielov, Dmitry Novikov y Boris Shapiro la pusieron en términos formales, en un trabajo con un título que lo dice todo (The Mystery of Point Charges), y ahí mostraron que ni siquiera estaba claro que la cantidad de equilibrios fuera finita para cualquier configuración.

O sea: 150 años sin respuesta. Y no por vagancia.

¿Cómo funciona el papel de GPT 5.6 Sol en la solución?

GPT 5.6 Sol, el modelo que OpenAI presentó en 2026 con foco en razonamiento matemático, no demostró nada solo: sugirió una idea. Cuando los investigadores le plantearon el problema, el modelo apuntó a una familia concreta de configuraciones de cargas donde la cota de Maxwell podía fallar, y señaló un caso con cinco cargas. Eso es lo que en inglés se busca hoy como gpt the maxwell conjecture. Esto se conecta con lo que analizamos en cómo funcionan los modelos GPT.

¿Y por qué le hicieron caso a una IA en un problema de siglo y medio? No por fe. Le hicieron caso porque la sugerencia era chequeable. El modelo no dijo “confiá en mí”, dio posiciones y cargas específicas que después se pueden meter en un software de cálculo simbólico y contar los puntos críticos uno por uno.

Ahí está la diferencia con las “alucinaciones” que todos sufrimos cuando le pedís a un modelo un dato y te inventa una cita que no existe. Una idea matemática concreta se verifica o se cae, no hay medias tintas (y esta se sostuvo). El aporte de la IA fue el olfato para proponer dónde mirar, algo que a un humano le podía llevar meses de intuición.

¿Qué son los puntos críticos en un campo electrostático?

Ponele que fijás cinco cargas eléctricas en distintos puntos de una habitación y soltás una partícula de prueba en el aire. En algunos lugares los tirones de todas las cargas se compensan y la partícula queda quieta. Esos son los puntos de equilibrio, o puntos críticos: lugares donde el campo eléctrico vale cero.

En términos formales, el potencial electrostático es una función que asigna un valor a cada punto del espacio, y los puntos críticos son donde su gradiente se anula. Hay de dos tipos. Los no degenerados son “limpios”, equilibrios bien definidos que se cuentan sin ambigüedad. Los degenerados son los molestos, casos borde donde el conteo se complica y donde, justamente, se esconden las sorpresas. La conjetura de Maxwell hablaba de la cantidad de estos puntos aislados, y ponía como techo (n-1)² para n cargas.

¿Cuál es el contraejemplo de las 5 cargas que refuta la conjetura?

El contraejemplo es una disposición particular de cinco cargas puntuales que produce 24 puntos de equilibrio aislados, ocho más que los 16 que Maxwell fijaba como máximo para cinco cargas. Con n igual a 5, la cota (n-1)² da 16. Encontrar una sola configuración que la supere alcanza para tumbar la conjetura entera, y eso es lo que pasó. Te puede servir nuestra cobertura de qué trae GPT 5.6 Sol en 2026.

Lo elegante del asunto es que refutar no exige un teorema general. Un contraejemplo concreto y verificable liquida la afirmación. Acá va cómo se comportaba la cota antes del golpe:

Cantidad de cargas (n)	Cota de Maxwell (n-1)²	Estado
2	1	Se cumple
3	4	Se cumple
4	9	Se cumple
5	16	Refutada: hay una configuración con 24 puntos críticos

Ojo con un detalle: que caiga en n igual a 5 no significa que la fórmula estuviera “cerca”. Significa que la cota como ley universal no vale, y punto.

¿Cómo verificaron Arathoon, Ball y Kvalheim el resultado de GPT?

Los tres matemáticos (Philip Arathoon, Nick Ball y Matthew Kvalheim) tomaron la configuración que sugirió el modelo y la verificaron a mano con software de cálculo simbólico, Mathematica y Maple, contando cada punto crítico y confirmando que eran 24 aislados. Después escribieron el paper y lo subieron a arXiv, donde queda expuesto para que cualquiera lo revise.

Y acá está la parte que conviene no perder de vista: agarrás la sugerencia de la IA, la traducís a ecuaciones exactas, la metés en Mathematica, resolvés el sistema de puntos críticos, chequeás que cada solución sea real y aislada, verificás que ninguno se te haya escapado por ser degenerado, y recién ahí, con todo cerrado, lo publicás. La IA propuso, los humanos probaron. La autoría matemática del resultado es de ellos, no del modelo.

Greg Brockman, cofundador de OpenAI, difundió el caso en X apenas salió, y el hilo en Hacker News se llenó de matemáticos discutiendo la validez de cada paso. ¿Alguien encontró un agujero en la verificación? Hasta ahora, no. Para más detalles técnicos, mirá técnicas avanzadas de prompting.

¿Qué otras conjeturas resolvió GPT 5.6 Sol en 2026?

Además del caso Maxwell, a GPT 5.6 Sol se le atribuyeron aportes en varios problemas abiertos durante 2026, aunque conviene tomarlo con pinzas. Según reportes de la comunidad, el modelo sugirió construcciones para un problema de combinatoria que Paul Erdős había planteado en 1946 y para un problema en estadística sobre control de falsos descubrimientos, este último en un rato corto de trabajo.

Eso sí: hubo ruido. A principios de 2026 varios anuncios de “IA que resuelve conjeturas” se desinflaron cuando resultó que algunos de esos problemas ya estaban resueltos, o que la contribución del modelo era mucho menor de lo publicitado. Por eso el caso Maxwell pega distinto: hay un paper, hay tres autores humanos que firman, hay verificación simbólica reproducible. La lección es simple. El anuncio no vale nada sin la prueba, y la prueba la siguen haciendo personas.

¿Qué implicaciones tiene este hallazgo para la física y la IA?

Para la física el impacto es acotado pero real: la cota de Maxwell se usaba como intuición para acotar cuántos puntos de equilibrio puede tener un sistema de cargas, y ahora sabemos que esa intuición falla. Nadie va a rediseñar un capacitor por esto, pero quien modele configuraciones de cargas ya no puede asumir el techo (n-1)² como verdad. Maxwell no se equivocó en su electromagnetismo, se equivocó en una conjetura lateral que dejó sin probar.

Para la IA la lectura es más jugosa. Un modelo aportó la chispa creativa en un problema donde el cuello de botella era humano: imaginar dónde buscar. Eso corre el debate de “¿la IA puede hacer matemática original?” a un terreno más fino: puede proponer, todavía no puede certificar sola. La colaboración humano-modelo, con la persona como verificador final, parece el formato que va a quedar por un buen tiempo.

Para equipos técnicos en Latinoamérica que quieran experimentar con estos modelos en investigación, el punto práctico es el de siempre: hace falta cómputo, cuentas con la API paga y, si vas a levantar servicios propios alrededor, infraestructura confiable. Si necesitás hosting o cloud en Argentina para montar tus herramientas alrededor de estos flujos, donweb.com es una opción local. El modelo es caro de correr a escala, y verificar cada sugerencia sigue siendo trabajo humano que no se automatiza gratis.

Errores comunes al leer esta noticia

• Creer que la IA “demostró” el teorema sola. No. GPT 5.6 Sol sugirió una configuración candidata. La demostración, el conteo y la validación los hicieron Arathoon, Ball y Kvalheim con Mathematica y Maple. La firma del paper es humana.
• Pensar que Maxwell se mandó un error de física. Tampoco. Su electromagnetismo sigue intacto. Lo que cayó fue una conjetura suelta sobre conteo de puntos de equilibrio, algo que él mismo dejó sin probar en 1873.
• Suponer que ahora cualquier conjetura cae con un prompt. Falso. Varios anuncios parecidos de 2026 se desinflaron al revisarlos. Sin verificación humana reproducible, una sugerencia de IA es solo una hipótesis, no un resultado.
• Confundir “24 puntos críticos” con un número aproximado. Son 24 puntos aislados contados de forma exacta con cálculo simbólico, no una estimación. Por eso alcanza para refutar la cota de 16.

Preguntas Frecuentes

¿Qué es la conjetura de Maxwell?

Es una afirmación que James Clerk Maxwell anotó en 1873: n cargas eléctricas puntuales generan como máximo (n-1)² puntos de equilibrio aislados en el espacio. Nunca la demostró, y se formalizó recién en 2007. En 2026 quedó refutada por un contraejemplo con cinco cargas. Complementá con los fundamentos de ChatGPT.

¿GPT 5.6 Sol resolvió el problema por sí solo?

No. El modelo de OpenAI sugirió una configuración de cargas donde la cota de Maxwell podía fallar. La verificación matemática completa la hicieron tres investigadores humanos con software de cálculo simbólico. La IA aportó la idea, no la demostración.

¿Qué significa que la conjetura de Maxwell sea falsa?

Significa que la fórmula (n-1)² no es un techo válido para la cantidad de puntos de equilibrio de un sistema de cargas. Con cinco cargas la cota daba 16 y se encontró una configuración con 24. La física de Maxwell no cambia, solo cae esa cota específica.

¿Quiénes verificaron el resultado?

Los matemáticos Philip Arathoon, Nick Ball y Matthew Kvalheim, usando Mathematica y Maple para contar y confirmar los 24 puntos críticos. El trabajo se publicó en arXiv (2607.27197) y quedó abierto a revisión de la comunidad.

¿Cambia esto cómo se hace matemática?

Marca un patrón donde la IA propone ideas y los humanos las verifican. Un modelo puede acortar la parte creativa de “dónde buscar”, pero la certificación de un resultado sigue dependiendo de personas y de pruebas reproducibles. Por ahora, la IA no reemplaza al matemático que firma.

Conclusión

Lo que cambió es concreto: una conjetura que aguantó 150 años cayó, y una IA tuvo algo que ver. Pero el mérito no es que GPT 5.6 Sol “piense” como un matemático, sino que sirvió para proponer un candidato verificable en un problema donde la intuición humana venía trabada. Arathoon, Ball y Kvalheim hicieron el trabajo pesado, y por eso el resultado se sostiene.

Si trabajás con estos modelos, la moraleja es doble. Aprovechá la IA para generar hipótesis que a solas no se te ocurrirían, y no publiques nada sin verificarlo con las mismas herramientas rigurosas de siempre. La chispa la puede dar el modelo. La prueba, todavía la ponés vos.

Fuentes

• arXiv (2607.27197) – Paper original con el contraejemplo a la conjetura de Maxwell
• OfficeChai – Cómo GPT 5.6 Sol ayudó a refutar la conjetura de 150 años
• Hacker News – Discusión técnica de la comunidad sobre el resultado
• ArxivNews – Cobertura del hallazgo y su verificación
• Greg Brockman (OpenAI) en X – Difusión del caso