Avanços da IA da OpenAI em matemática: o que os resultados mais recentes significam

Em 6 de outubro de 2026, a OpenAI colocou 722 manuscritos de matemática no GitHub. Saídos de um modelo interno de fronteira ainda não lançado, eles cobrem álgebra, teoria dos números, topologia, ciência da computação teórica e lógica matemática — todos gerados em poucas semanas. A escala não tinha precedentes para a comunidade de pesquisa em relação a um sistema de IA.

Para entender por que isso é diferente de um simples score em benchmarks, vale dar um passo atrás. É o mesmo modelo que, semanas antes, afirmou resolver o Problema do Milênio de Navier-Stokes, resultado que sucedeu a façanha do Astra ao varrer, em um dia, dez problemas abertos com décadas de existência, em agosto. Cada um desses momentos levantou suas próprias questões. Mas o lançamento de 6 de outubro é diferente não só em escala, mas em natureza. A OpenAI está apresentando 722 manuscritos como contribuições reais para a literatura de pesquisa matemática — não respostas de benchmark, não soluções de competição.

Eu acompanho a investida da OpenAI em matemática desde o lançamento do Astra, em agosto, e este anúncio exige mais cuidado para ser destrinchado do que os anteriores. A seguir, vamos ver o que a IA de fato produziu, quais resultados se destacam, como funciona a verificação na prática e com o que os matemáticos estão preocupados.

O que a IA da OpenAI realmente conquistou?

A OpenAI direcionou um modelo interno de fronteira, ainda não lançado, para problemas abertos de pesquisa em matemática. O modelo não apenas se saiu bem em testes de competição. Ele produziu argumentos matemáticos estruturados como manuscritos, enviados ao GitHub junto com formalizações de provas em Lean e resumos do raciocínio do modelo.

Ter alta pontuação em benchmarks como AMC ou IMO mostra que uma IA lida bem com problemas engenhosos de competição. Produzir manuscritos que afirmam resolver questões em aberto de longa data em áreas ativas de pesquisa é outra história. As saídas estão sendo apresentadas como potenciais contribuições para o conhecimento matemático. Se resistem ao escrutínio é outra questão — e levará tempo para responder.

Quantos resultados matemáticos a OpenAI divulgou?

Você verá números diferentes nas reportagens, e eles não são contraditórios. Eles contam coisas distintas.

O repositório contém 722 manuscritos organizados em 372 famílias de resultados. Uma família agrupa trabalhos relacionados: um resultado principal ao lado de argumentos complementares, provas alternativas ou consequências derivadas. Assim, 372 famílias geram 722 manuscritos porque muitos resultados vêm com material de apoio. Dizer "centenas de resultados" é razoável; 372 é a contagem mais precisa de achados matemáticos distintos.

O README alerta que alguns resultados podem ter problemas, e a OpenAI diz que vai corrigir eventuais questões enquanto continua adicionando formalizações em Lean. Tenha esse ponto em mente, já que a cobertura tende a apresentar os números como mais definitivos do que a situação realmente é.

Em quais áreas da matemática a IA da OpenAI trabalhou?

O lançamento abrange cerca de 20 subcampos. Aqui vai um mapa geral do território, já que alguns desses campos podem ser menos familiares para um público técnico mas não matemático:

• Álgebra e teoria dos grupos estudam estruturas matemáticas formadas por operações e suas simetrias. É aqui que caem alguns dos resultados mais comentados.
• Teoria dos números trata das propriedades dos inteiros e dos números primos. A função zeta de Riemann, que codifica como os primos se distribuem, aparece em vários resultados.
• Topologia estuda propriedades que sobrevivem a deformações contínuas. A conjectura de Hodge (mais abaixo) fica no cruzamento entre topologia e geometria algébrica.
• Ciência da computação teórica faz perguntas fundamentais sobre computação: o que pode ser computado, com que eficiência e quais problemas resistem a algoritmos eficientes. O modelo da OpenAI produziu mais de 80 artigos só nessa área.
• Lógica matemática examina os fundamentos formais do próprio raciocínio matemático.

Quais são os maiores resultados?

Aqui é preciso cautela. Há uma diferença real entre um resultado que a IA gerou, uma prova checada no Lean, uma prova verificada por um matemático humano e um resultado que a comunidade reconhece, de forma independente, como um grande avanço. O pacote mistura essas quatro categorias.

Dito isso, vários resultados despertaram interesse genuíno de matemáticos independentes.

Função zeta de Riemann: uma nova região livre de zeros

A hipótese de Riemann continua em aberto. O modelo da OpenAI não a resolveu. O que ele teria estabelecido é uma nova região livre de zeros: mostrando que não existem zeros para Re(s) > 11/12. Esse tipo de resultado parcial é relevante em teoria analítica dos números porque regiões sem zeros restringem a distribuição de primos. O texto foi editado por humanos para legibilidade, tornando-o uma exceção notável ao processo de produção do restante dos manuscritos. Uma rechecagem independente do resultado quase-Riemann relacionado passou por uma inspeção inicial.

Conjectura da finitude direta de Kaplansky em característica dois

Irving Kaplansky conjecturou, décadas atrás, que anéis de grupo têm uma propriedade algébrica específica chamada finitude direta. O caso em característica dois era especialmente resistente. O modelo teria resolvido esse caso. Consta que há formalização em Lean disponível.

Isomorfismo de fatores de grupos livres

Isso diz respeito a álgebras de von Neumann, estruturas da análise funcional que codificam certas simetrias de sistemas quânticos. A questão de se fatores de grupos livres são todos isomorfos estava em aberto há décadas. O modelo afirma resolver uma conjectura de de la Harpe e Voiculescu, mostrando que as álgebras de von Neumann de grupos fundamentais de superfícies fechadas orientáveis de gênero ≥ 2 são fatores de grupo livre. Uma rechecagem independente foi aprovada.

Expoente de multiplicação de matrizes

Um dos resultados com maior impacto prático: o modelo teria estabelecido ω ≤ 2,25 sobre os números complexos, onde ω é o expoente de multiplicação de matrizes. Esse é o objeto matemático por trás da eficiência com que computadores conseguem multiplicar matrizes, problema com implicações reais para algoritmos em toda a ciência da computação. Vale notar para quem vem de finanças ou engenharia: a eficiência de multiplicação de matrizes sustenta praticamente todo cálculo numérico em escala.

Fórmula de Mézard–Parisi para vidros de spin diluídos

Física estatística encontra teoria das probabilidades: trata-se da energia livre de sistemas magnéticos desordenados. A fórmula de Mézard–Parisi era conjecturada, mas não totalmente provada no caso diluído.

Conjectura de Hodge para variedades abelianas CM

Um caso restrito de um dos sete Problemas do Milênio. A conjectura de Hodge pergunta se certas características topológicas de variedades algébricas podem sempre ser representadas algébrica­mente. O modelo teria estabelecido o resultado para variedades abelianas CM, uma classe específica e estruturada. Não é a conjectura de Hodge completa, que continua em aberto, mas um caso especial pelo qual matemáticos vinham trabalhando. Este resultado também foi marcado como exceção ao procedimento padrão de produção.

O resultado de magnetização espontânea para o ferromagneto de Heisenberg quântico e os limites quasipolinomiais para progressões aritméticas também chamaram a atenção de pesquisadores que avaliam o pacote, embora uma verificação independente abrangente deva levar bastante tempo.

Como a IA da OpenAI produziu os resultados?

A OpenAI publicou mais detalhes metodológicos do que em alguns lançamentos anteriores, embora o quadro ainda esteja incompleto.

Foram propostos ao modelo aproximadamente 4.000 problemas ao longo da avaliação. A maioria dos resultados veio de um procedimento fixo usando o mesmo modelo interno. Dois resultados se afastaram desse processo padrão: a região livre de zeros da zeta de Riemann e a conjectura de Hodge para variedades abelianas CM. Em média, cada resultado usou computação equivalente a cerca de três horas de "pensamento" do ChatGPT Pro. É uma boa referência — mas não significa que todo problema levou três horas. O número descreve o compute médio por resultado, não o tempo total decorrido ou o custo das tentativas fracassadas.

Para contexto, essa metodologia é bem mais sistemática do que as anteriores. Quando o Astra resolveu dez problemas abertos em agosto, cada solução teria custado cerca de US$ 2.000 em inferência. Antes disso, o sprint de Navier–Stokes consumiu 10.000 agentes em paralelo por 88 horas, a um custo estimado de US$ 22,5 milhões em compute total — uma abordagem de força bruta que gerou tanto um resultado quanto uma disputa séria de crédito. O lançamento de 6 de outubro parece menos um sprint e mais um programa de pesquisa sustentado: menor compute por resultado, escopo mais amplo, uma estrutura deliberada em torno de famílias de resultados relacionados.

A OpenAI divulgou resumos de raciocínio para 10 resultados, junto com estimativas de compute e estatísticas sobre problemas tentados. O Advisory Group on Mathematics and Artificial Intelligence pediu que se fosse além e se publicassem todos os prompts e cadeias completas de pensamento. Existe uma lacuna entre o que a OpenAI forneceu e o que parte da comunidade matemática gostaria de ver.

Como as provas matemáticas da OpenAI foram verificadas?

A verificação é provavelmente a parte mais consequente desta história. Vale ser preciso sobre as diferentes camadas envolvidas.

Formalização em Lean

Lean é uma linguagem de programação e assistente de provas que permite expressar demonstrações matemáticas de modo que um computador possa checá-las mecanicamente. Se uma prova passa no Lean, os passos lógicos são formalmente corretos dadas as premissas declaradas. Muitos dos 722 manuscritos têm formalizações em Lean, embora nem todos.

O que a verificação em Lean estabelece é a correção formal. Ela não garante que a formulação formal represente com precisão a questão matemática pretendida, que o resultado seja genuinamente inédito ou que o raciocínio seja significativo para matemáticos que queiram desenvolvê-lo adiante.

Verificação matemática humana

É aqui que o ritmo desacelera. Matemáticos ainda precisam determinar se a afirmação formal realmente captura o problema aberto que se propõe a abordar, se a técnica de prova é nova e se o resultado é inédito em relação à literatura existente. A teórica da complexidade Dana Moshkovitz descreveu os manuscritos como parecendo "algo escrito por alguém sob efeito de psicodélicos" e difíceis de ler sem ajuda de IA, ao mesmo tempo em que reconheceu que há muito a aprender com os resultados. Correção técnica combinada a uma exposição de difícil leitura cria trabalho real para verificadores humanos.

Revisão por pares e verificação independente

Publicar no GitHub não é revisão por pares. O conselho consultivo afirmou claramente que o lançamento representa "o começo, não a conclusão, do processo de entendimento humano e incorporação do trabalho ao conhecimento matemático". Com 722 manuscritos em 20 subcampos, uma avaliação independente abrangente é um projeto de anos.

Correção formal, compreensão matemática, ineditismo e importância científica são questões distintas. Uma prova verificada em Lean pode satisfazer a primeira sem resolver as demais.

Quanto da matemática foi realmente feito pela IA?

Não há uma resposta limpa.

Humanos escolheram ou formularam muitos dos problemas propostos ao modelo. A literatura matemática existente forneceu o contexto intelectual no qual a IA trabalhou. O modelo gerou os argumentos matemáticos. Pesquisadores humanos ajudaram a preparar manuscritos, e o Lean formalizou as provas. Então, "quem fez a matemática?" abrange uma cadeia de contribuições, não um único agente.

Alguns matemáticos levantaram uma preocupação mais aguda: a de que o modelo às vezes pode estar concluindo linhas de pesquisa humana já existentes, em vez de descobrir, de forma independente, uma abordagem inédita. Isso surgiu com força após a alegação sobre Navier–Stokes. O matemático Tristan Buckmaster, cujo próprio trabalho assistido por IA em equações relacionadas surgiu horas antes do anúncio da OpenAI, levantou sérias questões sobre crédito. Ele alegou que um ano de seu trabalho inédito, consciente ou não, orientou a direção do sprint da OpenAI; a empresa negou acesso a prompts privados ou pesquisas não publicadas. A disputa permanece sem solução. A mesma preocupação — sobre sobre quem de fato se apoia o alicerce intelectual de um resultado de IA — vale para o lançamento de outubro, mesmo quando nenhum pesquisador específico é mencionado.

O economista Joshua Gans propôs um bom enquadramento: a descoberta matemática tem três etapas. Escolher o problema, resolver o problema, entender e aplicar o resultado. A IA pode automatizar, cada vez mais, a etapa do meio. Isso não apaga a distinção entre contribuição humana e de máquina, mas redistribui onde o esforço se concentra.

Por que os matemáticos estão preocupados?

As preocupações não são uniformes. Seria impreciso dizer que a comunidade matemática simplesmente resiste à IA. Eis o que preocupa os críticos mais sérios.

O entendimento pode ficar atrás da descoberta

Quando um matemático produz uma prova, o processo geralmente gera ferramentas, intuições e insights que viram parte da cultura matemática. Quando um modelo produz uma prova correta porém opaca, o resultado existe sem esse entendimento ao redor. Terence Tao, que antes do anúncio de Navier–Stokes alertou explicitamente para o custo de oportunidade de transformar problemas abertos historicamente produtivos em momentos virais de benchmark, levantou a preocupação de que acumular respostas corretas sem entender como ou por que são verdadeiras prejudica a prática da matemática no longo prazo. Não é só uma questão estética.

Centenas de resultados são difíceis de revisar

A capacidade de revisão por pares da comunidade é finita. Quando uma IA gera pesquisa mais rápido do que a comunidade consegue avaliar, acumula-se um backlog que distorce como o conhecimento matemático se consolida. Um crítico descreveu o lançamento como "suspeitosamente no estilo Gish Gallop", inundando o campo com tantos manuscritos que erros podem ficar sem contestação por anos. Há precedente recente: o pacote de dez problemas de agosto do Astra ainda não foi totalmente revisado meses depois. Setenta e duas vezes esse volume é um desafio de outra ordem.

Pesquisas humanas existentes e crédito

Vários resultados se apoiam em trabalhos prévios específicos de pesquisadores nomeados. Como esse débito intelectual é representado está, de fato, em disputa. O episódio de Navier–Stokes tornou isso concreto: um pesquisador passou um ano em trabalho inédito que pode ter influenciado um sprint de IA milionário — e acabou respondendo a perguntas sobre sua carreira. As recomendações do grupo consultivo abordaram especificamente procedimentos de citação por esse motivo.

Modelos proprietários criam acesso desigual

O modelo que produziu esses resultados não está disponível publicamente. Acadêmicos que queiram trabalhar nesse nível de capacidade não têm as mesmas ferramentas que as equipes internas da OpenAI. As recomendações de 29 de setembro do grupo consultivo pediram explicitamente que laboratórios de IA deixem de testar problemas matemáticos avançados em modelos proprietários inacessíveis à comunidade de pesquisa mais ampla. A OpenAI reconheceu a recomendação, mas não a adotou integralmente.

A pesquisa matemática pode se concentrar dentro de laboratórios de IA

Se a fronteira da descoberta matemática exigir acesso a compute de ponta e a modelos proprietários, então as decisões sobre quais problemas importam e quais resultados ganham destaque podem, cada vez mais, ser tomadas dentro de um pequeno número de organizações privadas. Isso é muito diferente da estrutura histórica da matemática.

Essas são preocupações levantadas por membros da comunidade matemática — não conclusões fechadas —, e nem todos os matemáticos as compartilham no mesmo grau.

A nova abordagem da OpenAI para publicar matemática com IA

A OpenAI tomou algumas medidas para abordar as preocupações da comunidade, embora o grupo consultivo tenha pedido mais.

O material foi publicado no GitHub sob licença Apache-2.0, com protocolos de revisão. Versões anteriores permanecem acessíveis quando há correções. Cada manuscrito inclui um bloco BibTeX para citação. Muitas provas vêm acompanhadas de formalizações em Lean. A OpenAI publicou resumos de raciocínio para 10 resultados e estimativas de compute expressas em horas do ChatGPT Pro.

A OpenAI consultou o Advisory Group on Mathematics and Artificial Intelligence do Institute for Advanced Study ao longo deste lançamento. O grupo inclui Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) e outros — nove matemáticos proeminentes que atuam de forma independente e sem remuneração da OpenAI.

A posição do grupo é que o lançamento é um ponto de partida. Melanie Wood o descreveu como "o começo, não a conclusão, do processo de entendimento humano". O grupo pediu que a OpenAI divulgasse todos os prompts e cadeias completas de pensamento, usasse repositórios acadêmicos com identificadores persistentes e citáveis em vez do GitHub e apoiasse o desenvolvimento do entendimento humano por meio de instituições não controladas por laboratórios de IA. A OpenAI se comprometeu a trabalhar rumo a esses padrões. Ainda não os atendeu por completo.

O que a IA significa para o papel dos matemáticos?

A pergunta mais interessante não é se a IA substitui matemáticos. Não substitui, pelo menos ainda não — e possivelmente não nas partes que mais importam. A questão é como o trabalho matemático muda quando gerar provas fica dramaticamente mais barato.

Voltando ao esquema escolher → resolver → entender: se a IA cada vez mais assume a etapa de resolver, a expertise humana se torna mais valiosa nas pontas. Decidir quais problemas valem a pena, formular boas conjecturas, interpretar o que um resultado significa, conectar uma descoberta à matemática existente, aplicar achados em novos contextos. São fases em que o julgamento humano continua indispensável. Como destaquei no meu texto sobre os resultados de agosto do Astra, a habilidade de formular um bom problema e saber qual vale atacar é exatamente o que a IA ainda não consegue replicar. Essa observação só ficou mais relevante desde então.

O matemático Mehtaab Sawhney, que se juntou à OpenAI em 2026 após trabalhar na Columbia, observou que, à medida que a IA acelera a descoberta, o gargalo principal para matemáticos humanos está migrando de gerar provas para absorver e contextualizar a matemática gerada pela IA.

Quando gerar provas fica mais barato, muda onde está a escassez. O recurso escasso pode deixar de ser a capacidade de provar coisas e passar a ser a capacidade de escolher as coisas certas a provar e entender por que suas soluções importam.

Conclusão

O lançamento de 6 de outubro é melhor entendido como o passo mais recente de uma trajetória que vem acelerando ao longo do ano. Em agosto, o Astra resolveu dez problemas com décadas de idade em um único dia. Em setembro, um sprint de 88 horas com 10.000 agentes produziu uma alegação contestada, mas verificada em Lean, sobre a variante do Problema do Milênio de Navier–Stokes, junto com uma disputa de crédito não resolvida que expôs tensões reais entre IA e pesquisa independente. Agora, em outubro, o mesmo modelo de fronteira produziu 722 manuscritos em 20 subcampos em poucas semanas.

Alguns desses resultados — a região livre de zeros da zeta de Riemann, o limite para multiplicação de matrizes, o isomorfismo de fatores de grupos livres — já atraíram atenção séria de especialistas nessas áreas. Mas a contagem de manuscritos não é a história. O que importa é se resultados individuais se sustentam, se são genuinamente inéditos e se a comunidade consegue absorvê-los. A verificação em Lean estabelece correção formal, não entendimento matemático. Publicar no GitHub não é revisão por pares. Com 722 manuscritos, uma avaliação independente abrangente levará anos.

A área agora enfrenta uma pergunta inédita: não se a IA consegue resolver problemas difíceis de matemática, mas o que acontece quando ela pode produzir pesquisa matemática mais rápido do que os humanos conseguem avaliar. Se gerar provas ficar barato o suficiente para inundar a literatura, o recurso escasso deixa de ser gerar respostas e passa a ser escolher as perguntas certas e entender por que essas respostas importam. Isso muda o que a matemática exige dos matemáticos. Não é o fim do trabalho.