Claude Mythos 5 projeta circuitos quânticos com até 12 vezes menos portas

A Anthropic publicou, em 16 de outubro, um estudo em que o modelo Claude Mythos 5 desenhou circuitos quânticos mais eficientes do que os melhores projetos já divulgados em vários problemas. Segundo o post da Anthropic, em alguns casos a melhoria foi de uma ordem de grandeza ou mais. O trabalho foi liderado por Andi Gu, do programa de bolsistas STEM da empresa, com mentoria de Alek Kemeny e colaboração de pesquisadores de Harvard e da QuEra Computing. Há também um artigo completo no arXiv.

Não é uma notícia para quem usa IA só para escrever e-mails. Mas ela mostra uma direção concreta: modelos que não apenas respondem perguntas, e sim propõem soluções, recebem uma nota automática e se corrigem sozinhos por horas, com pouca ajuda humana.

Como o experimento foi montado

De acordo com a Anthropic, o Claude recebeu descrições em linguagem comum de oito tarefas de projeto de circuitos quânticos, além de um avaliador automático. Esse avaliador conferia se cada circuito proposto estava correto e atribuía uma pontuação baseada em qubits multiplicados por portas, uma medida aproximada do tempo de execução. As tarefas cobriam química, otimização, simulação quântica, teoria dos números e computação numérica.

O modelo escrevia o código em Python, rodava, via a nota e revisava o projeto numa repetição contínua, sem que uma pessoa interviesse entre as rodadas. Essa receita, uma tarefa com resposta que pode ser verificada por máquina, é a mesma que vem sendo usada para agentes de programação, e a própria Anthropic reconhece que ela funciona melhor em problemas em que a correção é fácil de checar.

O que o Claude encontrou

O primeiro resultado destacado é a adição de pontos em curvas elípticas, uma operação central em criptografia. Depois de uma execução de 53 horas, o Claude propôs uma forma reversível de calcular uma etapa chamada divsteps, um método de inversão modular, sem guardar o histórico de ramificações. Numa família de projetos nova, um desenho usa 12% mais qubits, mas 17 vezes menos portas que o menor projeto anterior.

O segundo resultado é um decodificador usado em interferometria quântica decodificada (DQI). O Claude trocou o algoritmo de Euclides estendido pelo de Berlekamp-Massey e passou a reconstruir valores temporários em vez de armazená-los. A contagem de portas caiu cerca de 12 vezes em relação à construção anterior do Google, e a necessidade de memória no pior caso baixou de 665 qubits para 19.

Para definir o tamanho do registro de valores guardados, o modelo rodou 403 milhões de decodificações de amostra num simulador rápido. Concluiu que um único valor (19 qubits) bastava, com cerca de uma falha a cada 10 mil execuções, dentro do limite de erro permitido.

Como o modelo trabalhou

No caso do divsteps, a Anthropic conta que o Claude demonstrou identidades algébricas novas, derivou uma regra para recuperar a informação de ramificação a partir dos próprios números, validou o resultado numericamente e o formalizou na linguagem Lean, usada para verificar provas matemáticas. Ou seja, o resultado não ficou só no “parece funcionar”: passou por uma checagem formal.

Os pesquisadores também pediram que o modelo desenvolvesse várias abordagens qualitativamente diferentes ao mesmo tempo. A Anthropic relata duas fraquezas. O Claude foi conservador demais, desconfiando de ganhos que já estavam bem comprovados e conferindo duas ou três vezes o mesmo resultado. E tendeu a preferir métodos conhecidos em vez de ideias novas, o que a equipe contornou com a exploração em paralelo e com lembretes ocasionais para ampliar a busca.

O que ainda não foi provado

É importante separar o que a empresa afirma do que o público costuma entender. O post lembra que as estimativas para simular a molécula FeMoco caíram de cerca de 50 trilhões de portas Toffoli, em 2017, para cerca de 340 milhões, uma redução de aproximadamente 150 mil vezes. Segundo a Anthropic, quase toda essa queda veio de muitos grupos de pesquisa ao longo de oito anos, e não do Claude.

Projetar circuitos também é só uma parte da construção de um computador quântico tolerante a falhas. Os autores sugerem que a IA poderia, no futuro, otimizar em conjunto correção de erros, decodificação e hardware, mas tratam isso como especulação. Os números são da própria Anthropic e de um artigo ainda em divulgação, então vale esperar a revisão de outros grupos antes de tratá-los como definitivos.

Por que isso importa para você

Pouca gente no Brasil vai programar um computador quântico, mas o padrão por trás do estudo vale para qualquer trabalho com IA: quando existe um jeito automático de dizer se a resposta está certa, o modelo consegue iterar sozinho e chegar longe. É por isso que agentes de programação evoluem tão rápido, e é o caminho que tende a chegar a planilhas, relatórios e automações do dia a dia.

Na prática, para quem trabalha por conta própria ou toca um negócio, a lição é desenhar tarefas com um critério de conferência claro. Se você pede um relatório e define de antemão como checar números, fontes e formato, a ferramenta erra menos e você revisa mais rápido. Sem esse critério, o risco é o de sempre, que explicamos em como checar se a resposta da IA está certa.

Há ainda o recado de carreira. O modelo fez, em dias, um trabalho que normalmente ocuparia equipes de pesquisa por meses, mas dependeu de pessoas para formular o problema e interpretar o resultado. Esse é o desenho de futuro que já discutimos em como humanos e agentes de IA vão trabalhar juntos e em agentes de IA e o futuro do trabalho autônomo: quem sabe fazer a pergunta certa e validar a resposta ganha valor.

Um padrão que se repete na Anthropic

Esse não é o primeiro resultado científico recente atribuído à empresa. Na mesma semana, cobrimos como o Claude rastreou a origem das sementes das curvas NIST, um enigma de criptografia de décadas. Antes, a Anthropic já havia apresentado novas versões de seus modelos, como mostramos em o lançamento do Claude Fable 5.1 e Mythos 5.1.

O que une esses episódios é o mesmo método: dar ao modelo um problema difícil, um verificador automático e tempo para tentar. A empresa e seus concorrentes tendem a anunciar mais resultados desse tipo, porque são fáceis de medir e rendem manchetes.

O que observar daqui para frente

Três pontos merecem atenção. O primeiro é se outros grupos vão reproduzir os ganhos e confirmar as contagens de portas. O segundo é se a mesma abordagem aparece em produtos para o público, como agentes que revisam o próprio trabalho até passar numa checagem. O terceiro é o debate sobre criptografia: circuitos mais baratos para operações em curvas elípticas aproximam, em tese, o dia em que um computador quântico poderá quebrar esse tipo de proteção, o que reforça a discussão sobre migrar para criptografia resistente a ataques quânticos.

Por enquanto, não há mudança imediata para quem usa IA no trabalho. Mas o estudo é mais um indício de que a diferença entre ferramentas está migrando de “quem responde melhor” para “quem executa e se confere melhor”, e isso vale a pena acompanhar na hora de escolher onde investir seu tempo e seu dinheiro. Se está comparando assistentes, o guia ChatGPT, Claude ou Gemini: qual IA escolher ajuda a começar.