Principais destaques
- 722 manuscritos publicados: OpenAI colocou no GitHub resultados matemáticos produzidos por um modelo interno de ponta que ainda não foi lançado.
- 372 famílias de resultados: O material cobre 17 áreas, com destaque para computação teórica, combinatória, geometria algébrica e teoria dos números.
- Provas ainda precisam de revisão: Parte das demonstrações foi formalizada em Lean, mas o próprio repositório alerta que resultados não formalizados podem conter problemas.
A matemática acaba de ganhar um novo tipo de “caixa-preta” para abrir.
Na terça-feira, 6 de outubro, a OpenAI publicou 722 manuscritos matemáticos em um repositório público no GitHub. O material foi produzido por um modelo interno de inteligência artificial que a empresa descreve como um sistema de ponta, mas que ainda não foi apresentado oficialmente ao público.
Os trabalhos foram organizados em 372 famílias de resultados e abrangem 17 disciplinas matemáticas. Agora começa a parte menos espetacular, porém muito mais importante: matemáticos humanos terão de verificar se há descobertas genuinamente novas ali.
Não é só um monte de respostas de IA 🔎
O repositório reúne resultados em áreas bastante diferentes da matemática, incluindo ciência da computação teórica, combinatória, geometria algébrica e teoria dos números.
Entre os temas aparecem supostos resultados envolvendo:
• o expoente de irracionalidade de π;
• as conjecturas de Mahler;
• NP-dificuldade;
• o isomorfismo de fatores de grupos livres;
• as equações de Vlasov-Maxwell relativísticas.
A escala chama atenção. Em vez de apresentar uma única demonstração produzida por IA, a OpenAI decidiu liberar centenas de trabalhos de uma só vez.
🧩 A ideia é colocar tudo na mesa: a comunidade matemática agora pode examinar os manuscritos, tentar reproduzir as demonstrações e descobrir quais resultados realmente acrescentam algo ao conhecimento existente.
E o caso de Navier-Stokes? 🌊
A divulgação acontece cerca de um mês depois de outro anúncio controverso da empresa.
Em 8 de setembro, a OpenAI afirmou que o mesmo sistema interno havia demonstrado que escoamentos tridimensionais das equações de Navier-Stokes podem desenvolver singularidades em tempo finito.
O problema é particularmente importante porque Navier-Stokes está entre os Problemas do Milênio do Clay Mathematics Institute, uma lista de grandes desafios matemáticos para os quais há prêmios de US$ 1 milhão por solução.
Desde então, o anúncio vem provocando críticas relacionadas a créditos, transparência e à velocidade com que resultados matemáticos gerados por IA estão sendo apresentados como potenciais avanços.
💡 A questão agora não é apenas se a IA consegue produzir uma demonstração. É se matemáticos independentes conseguem confirmar que ela está correta e que há algo realmente novo por trás dela.
O GitHub também tem uma espécie de “etiqueta de cautela” ⚠️
A OpenAI publicou formalizações em Lean para muitas das demonstrações.
Para quem não acompanha matemática formal, a diferença é importante. Lean é uma linguagem usada para representar demonstrações de maneira que um computador possa verificar cada passo lógico.
Isso cria uma camada adicional de confiança.
Mas não resolve tudo.
Nem todos os manuscritos foram formalizados. O próprio README do repositório alerta que alguns dos resultados sem formalização podem ter problemas. O manifesto de formalização também classifica parte do material como “unchecked”, ou seja, ainda não verificado.
Isso significa que “publicado no GitHub” não equivale a “matematicamente comprovado”.
4.000 problemas, três horas por resultado ⏱️
A OpenAI afirma que o modelo tentou aproximadamente 4.000 problemas durante a avaliação.
Segundo a empresa, o resultado médio utilizou uma capacidade computacional equivalente a cerca de três horas de raciocínio do ChatGPT Pro.
É um número difícil de interpretar sem conhecer os custos internos da infraestrutura, e justamente aí existe outra lacuna.
A OpenAI não revelou:
• o custo total em dólares;
• a quantidade de tokens utilizada;
• o nome público do modelo.
Também foram publicados dez resumos abreviados do raciocínio produzido pelo sistema.
💻 O tamanho do experimento importa: mesmo sem saber quanto custou cada descoberta, a escala mostra uma tentativa de transformar a IA matemática em algo mais próximo de um pesquisador que explora centenas ou milhares de caminhos em paralelo.
Mas a OpenAI não seguiu todas as recomendações 📋
O lançamento foi estruturado, segundo a empresa, levando em conta recomendações do Advisory Group on Mathematics and Artificial Intelligence, grupo independente sediado no Institute for Advanced Study, em Princeton.
As recomendações foram divulgadas em 29 de setembro e incluem uma série de medidas de transparência.
Entre elas estão:
• divulgar o nome do modelo;
• publicar os prompts utilizados;
• informar o custo computacional de cada resultado;
• depositar os resultados em repositórios que não sejam controlados por laboratórios de IA.
A OpenAI não fez tudo isso.
A empresa não revelou os prompts nem os valores computacionais associados individualmente aos resultados. Também não apresentou um nome público para o modelo.
Um porta-voz disse à Scientific American que a OpenAI leva as diretrizes a sério, mas não está obrigada a segui-las.
Um prompt para centenas de resultados? 🤖
Há outro detalhe curioso.
Segundo o mesmo porta-voz, quase todos os resultados vieram de um único prompt fornecido a um único agente. Alguns trabalhos, porém, podem ter exigido várias tentativas.
Isso levanta uma questão interessante sobre como devemos interpretar esses resultados.
Se um único sistema consegue explorar milhares de problemas e produzir centenas de possíveis demonstrações, a vantagem da IA pode não estar apenas em “pensar melhor” do que um matemático humano.
Pode estar também em pensar em escala.
Um pesquisador pode passar semanas ou meses perseguindo uma ideia. Um sistema automatizado pode tentar milhares de abordagens durante uma avaliação e separar aquilo que parece promissor para posterior análise humana.
“Devemos pedir provas” 🧠
A reação da comunidade matemática está longe de ser unânime.
Andrew Sutherland, matemático do MIT, disse à Scientific American que é necessário exigir provas e que alegações de que determinados problemas foram resolvidos de primeira devem ser consideradas não verificadas até que o modelo seja lançado.
Daniel Litt, da Universidade de Toronto, adotou uma postura mais otimista.
“Para mim, isso vai ser uma coisa boa para a matemática”.
As duas posições não são necessariamente incompatíveis.
Uma tecnologia pode produzir resultados extremamente interessantes e, ao mesmo tempo, exigir um processo rigoroso de validação antes que qualquer descoberta seja considerada estabelecida.
O próximo passo é humano 👀
A própria OpenAI parece reconhecer que a publicação é apenas o começo.
A empresa afirmou que pretende financiar workshops e conferências para ajudar matemáticos a compreender os resultados produzidos pela IA. Também disse estar trabalhando para lançar o modelo de maneira responsável.
Isso cria uma situação inédita.
Em vez de pesquisadores usarem IA apenas para acelerar cálculos ou auxiliar na programação, existe agora uma coleção de centenas de possíveis contribuições matemáticas esperando por especialistas capazes de separar descobertas reais de erros sofisticados.
E essa separação pode levar meses.
A OpenAI colocou 722 artigos sobre a mesa. Agora começa a parte que nenhuma manchete pode resolver: descobrir quantos deles resistem quando outros matemáticos começam a mexer nas provas, linha por linha.
