A OpenAI anunciou três resultados em matemática, ciência da computação e física, todos atribuídos aos próprios modelos, e montou uma estrutura para que especialistas externos expliquem o material. A verificação independente ainda não terminou. A parte mais discutida, por enquanto, é o método.
As três descobertas que a OpenAI atribui aos seus modelos
O anúncio saiu em 26 de outubro, menos de um mês depois de a empresa ter publicado centenas de manuscritos de matemática de uma só vez.
Desta vez são três frentes. Na análise harmônica, uma prova da conjectura de suavização local de Sogge. Na teoria da complexidade, a refutação da hipótese do tempo exponencial. Na física, a prova de existência de certas teorias quânticas de campo interativas em quatro dimensões, incluindo a cromodinâmica quântica, a QCD, que descreve a força que mantém quarks e glúons juntos.
A OpenAI chama os três de descobertas. A palavra é dela. O que existe hoje é saída de modelo, formalização em Lean e um grupo de especialistas escalado para conferir. São coisas diferentes de um resultado aceito pela comunidade.
A conjectura de suavização local e o efeito dominó na análise harmônica
A conjectura foi proposta por Christopher Sogge em 1991 e trata do comportamento de ondas quando se concentram. Em linguagem simples: o pior momento de foco de uma onda é extremo, mas dura pouco. O valor médio ao longo do tempo é muito menor do que o pico.
Parece um detalhe de matemática aplicada. Não é. A conjectura implica outras duas, a de Kakeya e a de restrição de Stein, que estão entre os problemas centrais da análise. Em 2019, Guth, Wang e Zhang resolveram o caso bidimensional. Em 2025, Wang e Zahl fecharam a conjectura de Kakeya em três dimensões, trabalho que rendeu a Hong Wang uma medalha Fields.
Segundo a OpenAI, o modelo produziu uma prova em todas as dimensões, apoiada em uma equação diferencial parcial auxiliar nova. A saída do modelo foi gerada em 18 de outubro e formalizada em Lean no dia seguinte. O material está público no GitHub da empresa, em duas versões que qualquer pessoa pode abrir: o texto em linguagem natural e o código da prova.
A hipótese do tempo exponencial e por que derrubá-la é notícia
Esta é a parte que mexe com a ciência da computação como um todo. A hipótese do tempo exponencial (ETH, na sigla em inglês) é uma aposta sobre o custo de resolver problemas de satisfabilidade booleana, o SAT, primo próximo do problema P versus NP.
A hipótese diz, em resumo, que não existe algoritmo capaz de resolver esses problemas muito mais rápido do que a força bruta em casos gerais. Soa técnico, e é. Também é usada em centenas de artigos para derivar resultados de dureza condicional: se a ETH vale, então determinado problema não tem solução eficiente.
Se a ETH cai, parte dessa literatura perde o apoio. A OpenAI diz que seu sistema provou que a hipótese é falsa e que a prova foi verificada em Lean. O texto em linguagem natural saiu em 16 de outubro, a formalização no dia seguinte.
O grupo que vai conferir é formado por Russell Impagliazzo e Ramamohan Paturi, da UC San Diego, e Ryan Williams, do MIT. Impagliazzo e Paturi são dois dos autores que propuseram a hipótese, com Francis Zane, em 1999. É difícil imaginar arbitragem mais desconfortável para os três.
Física: a existência de teorias quânticas de campo com QCD
O terceiro resultado é o mais difícil de explicar sem jargão, e também o menos público. A OpenAI diz ter uma prova rigorosa de existência de teorias quânticas de campo interativas em quatro dimensões, com campos de gauge e férmions, incluindo a QCD e uma completude unificada do Modelo Padrão.
O grupo é liderado por David Gross, que dividiu o Nobel de Física de 2004, e inclui Michael Douglas, Arthur Jaffe, Igor Klebanov e Nikita Nekrasov. Esse grupo decidiu não publicar a saída bruta do modelo por enquanto. Vai escrever o próprio texto primeiro.
Duas ressalvas importantes vêm antes de qualquer conclusão. O resultado não trata de gravidade. E não é o Modelo Padrão completo, e sim a versão mais simples de uma teoria de grande unificação. O próprio Modelo Padrão não se estende a distâncias arbitrariamente curtas, o que limita o alcance da afirmação.
O que o Lean confirma e o que ele não confirma
Lean é um assistente de prova: um programa que checa, passo a passo, se cada inferência segue as regras da lógica. Se a formalização estiver correta, não há salto lógico escondido no meio do caminho.
Isso é muito. E é menos do que parece. Lean confirma que a prova é válida, não que o teorema seja interessante, nem que a comunidade entenda o argumento, nem que a ideia por trás seja nova. Matemáticos relataram que algumas dessas provas formalizadas são praticamente ilegíveis para consumo humano.
A distinção importa para o leitor. Verificado em Lean é uma garantia de correção formal, nada além disso. Não é um selo de aceitação acadêmica.
A nova política de publicação da OpenAI
A parte que talvez tenha mais consequência de longo prazo é o processo. A OpenAI diz que os manuscritos devem ser lidos como dado bruto de pesquisa e pediu que especialistas externos atuassem como organizadores.
Foram três estratégias diferentes. Na matemática, publicar a saída e deixar os pesquisadores se organizarem. Na computação, formar um grupo externo para explicar o resultado, com o material aberto para quem quiser conferir. Na física, formar o grupo e aceitar a decisão dele de segurar a publicação.
As colaborações seguem quatro princípios divulgados pela empresa: transparência, sem sigilo; nenhum crédito acadêmico para a OpenAI; reconhecimento para quem interpreta; independência, com participação voluntária e não remunerada. A empresa também prometeu US$ 5 milhões para a Simons Foundation apoiar projetos ligados ao tema.
Por que matemáticos desconfiam da forma, não só do conteúdo
A reação negativa tem história. Em 6 de outubro, a OpenAI publicou mais de 700 documentos de matemática de uma vez. A Association for Human Mathematics divulgou uma nota dizendo que soltar 700 arquivos não é demonstração de erudição, e sim de poder. Terence Tao, medalha Fields, compartilhou o texto e deu respaldo à crítica.
Há também um problema de sequência. Em setembro, o AGMAI, grupo consultivo de matemática e IA ligado à própria OpenAI, recomendou que empresas de IA não adotassem o modelo de liberar resultados primeiro para pessoas escolhidas a dedo. O anúncio de 26 de outubro faz exatamente isso, com a figura do organizador externo. A diferença é que agora o processo é declarado e os nomes são públicos.
No Hacker News, a discussão começou cética nas primeiras horas, com perguntas sobre detalhes que não estavam no material e sobre o volume de documentos. Não é prova de que os resultados estejam errados. É sinal de que a comunidade não vai aceitar a embalagem.
O que ainda falta para chamar isso de resultado científico
Falta a parte mais lenta: leitura, checagem de significado, replicação independente e publicação em veículo com revisão por pares. Nada disso tem atalho, e a formalização não substitui essa etapa.
O que mudou de fato é o fluxo de trabalho. Um laboratório agora pode produzir um candidato a teorema em um fim de semana e gastar meses discutindo o que ele quer dizer. A matemática não vive só de prova válida. Vive de entendimento, e entendimento é a parte que ainda não foi automatizada.
Se os grupos de Impagliazzo e de Gross confirmarem os resultados nos próximos meses, o debate sobre autoria e crédito vai ficar mais concreto. Até lá, a frase honesta é a que a própria OpenAI usou no comunicado: são dados brutos de pesquisa, e o trabalho de transformar isso em ciência está apenas começando.






