OpenAI publica 372 resultados de matemática de um modelo não lançado

A OpenAI publicou, na noite de terça-feira (6), 372 resultados que a empresa diz resolver ou avançar de forma substancial em grandes questões abertas de matemática e de ciência da computação teórica. Os arquivos foram colocados num repositório público no GitHub, segundo a reportagem da Scientific American, assinada por Joseph Howlett.

Os resultados vêm de um modelo interno que a OpenAI ainda não lançou. Um porta-voz da empresa afirmou que quase todos foram produzidos a partir de um único prompt dado a um único agente de IA, mas admitiu que alguns podem ter exigido várias tentativas. A empresa não divulgou os prompts usados.

O que a OpenAI está dizendo que conseguiu

Entre os resultados citados pela reportagem estão uma solução para a conjectura de Kakeya em quatro dimensões, melhorias em alguns algoritmos importantes e avanço em direção à hipótese de Riemann. São alegações da empresa: a própria OpenAI reconhece que muitos dos novos resultados ainda não são totalmente compreendidos pelos matemáticos que trabalham lá.

O contraste com o episódio anterior é grande. Cerca de um mês atrás, a empresa apresentou uma solução para um problema ligado às equações de Navier-Stokes, que veio de um enxame de 10 mil agentes e custou milhões de dólares em poder de computação. Agora, a mensagem é que um único agente, com um único prompt, produziu quase tudo. Se isso se confirmar, indica uma queda forte no custo de gerar esse tipo de resultado.

• Volume: 372 resultados publicados de uma vez.
• Origem: modelo interno, ainda não lançado ao público.
• Método declarado: quase todos a partir de um prompt para um agente.
• Verificação: muitos checados em Lean, mas ainda sem avaliação humana completa.

Como (e por que ainda não dá para confiar de olhos fechados)

Muitos dos resultados foram verificados em Lean, uma linguagem que valida a lógica de provas, o que torna provável que estejam corretos do ponto de vista formal. Mas a reportagem destaca que os matemáticos vão precisar de meses para saber se as provas trazem ideias novas e importantes ou se apenas combinam técnicas já conhecidas.

Andrew Sutherland, do MIT, disse que a alegação de que um único agente resolveu esses problemas deve ser tratada como não verificada até que o modelo seja lançado e os resultados possam ser reproduzidos. Segundo ele, é preciso "pedir os recibos". Daniel Litt, da Universidade de Toronto, tem outra leitura: para ele, ter acesso aberto a essas respostas deve ser bom para a matemática.

Terence Tao, um dos matemáticos mais conhecidos do mundo, já criticou publicamente a OpenAI e outros laboratórios de fronteira pelo ritmo "insano" de resultados gerados por IA. A reportagem não cita, porém, nenhuma nota coletiva de entidades de matemáticos sobre este lançamento específico, então esse ponto não deve ser dado como confirmado.

A transparência no centro da discussão

Depois da polêmica com o caso das equações de Navier-Stokes, a OpenAI anunciou em 21 de setembro a criação de um grupo consultivo independente de matemáticos. As recomendações do grupo pedem que as empresas publiquem o modelo, o prompt exato e o tempo de computação de cada resultado. A OpenAI diz que tenta seguir as diretrizes, mas que não está obrigada a elas, e neste lançamento divulgou apenas o tempo médio de computação e algumas estatísticas, sem os prompts.

A empresa afirma ainda que não vai desacelerar, porque esses problemas são um teste central para saber se sua IA está melhorando, e que trabalha para liberar o modelo o mais rápido e de forma responsável possível. A reportagem resume o dilema: publicar muitas provas sem explicação ajuda ou atrapalha mais a comunidade matemática do que segurar os resultados?

Esse não é o primeiro caso do tipo. Já cobrimos aqui quando a OpenAI disse que um modelo interno resolveu mais de 100 problemas de matemática em aberto e a série de artigos da Meta sobre problemas abertos com o Muse Spark. A tendência é de laboratórios competindo para mostrar capacidade de raciocínio em problemas difíceis.

Por que isso importa para você

Quase ninguém vai usar IA para provar a hipótese de Riemann, mas esse tipo de teste serve como termômetro de capacidade de raciocínio dos modelos. Quando um laboratório mostra avanço em matemática, costuma haver reflexo mais tarde em tarefas práticas: análise de planilhas, planejamento, código e agentes que executam trabalhos longos sem supervisão. Por isso vale acompanhar o tema, sem se deixar levar pelo entusiasmo.

A principal lição para quem usa IA no trabalho é a do "pedir recibos". Resultado impressionante divulgado pela própria empresa que o fez, sem o modelo disponível para teste, ainda não é um fato estabelecido. Isso vale para qualquer resposta de IA: confira antes de usar. O guia sobre alucinação de IA e como checar se a resposta está certa traz um método simples de verificação que serve para texto, números e citações.

Outro ponto prático é o custo. Se um único agente passa a entregar o que antes exigia milhares de agentes, a tendência é que tarefas complexas fiquem mais baratas e mais acessíveis também para pequenos negócios e profissionais autônomos. Quem quer entender como esses agentes devem mudar a rotina pode ler o texto sobre agentes de IA e o futuro do trabalho autônomo. E, enquanto o novo modelo não chega, o comparativo ChatGPT, Claude e Gemini: qual IA escolher ajuda a decidir com o que está disponível hoje.

O que observar a seguir

Três coisas definem o peso real do anúncio. A primeira é o lançamento do modelo: só com acesso aberto outros pesquisadores podem reproduzir a alegação de que bastou um prompt. A segunda é a avaliação humana dos resultados, que deve levar meses e dirá quantas dessas provas trazem ideias realmente novas. A terceira é a política de transparência: se a OpenAI passar a divulgar prompts e computação por resultado, como pede o grupo consultivo, a discussão ganha base mais sólida.