A hipótese que caiu

Em 16 de outubro, um modelo interno da OpenAI encontrou o que nenhum matemático ou cientista da computação conseguia há décadas: um contraexemplo para a Hipótese do Tempo Exponencial (ETH), uma conjectura formulada em 1984 que se tornou um dos pilares invisíveis da teoria da complexidade computacional. Em 25 de outubro, o resultado foi verificado no Lean — a linguagem de prova formal que tem se mostrado imbatível na validação automática — e publicado em repositórios públicos. Menos de 24 horas depois, a Anthropic anunciou seu próprio resultado independente, também refutando a ETH.

A notícia ecoou como uma bomba no campo acadêmico. A ETH não é apenas mais uma conjectura solta em algum canto da teoria dos grafos. É uma afirmação sobre o custo mínimo de tempo para resolver problemas fundamentais de complexidade, incluindo o famoso problema 3-SAT (satisfatibilidade booleana com cláusulas de três variáveis). Se a ETH é verdadeira — e durante 42 anos, a comunidade inteira operou como se fosse — então nenhum algoritmo pode resolver 3-SAT em tempo subexponencial. Se é falsa, como ambas as empresas afirmam, então a barreira que separava problemas "facilmente decididamente difíceis" de problemas "talvez resolúveis" se dissolve.

O que a ETH dizia

A Hipótese do Tempo Exponencial, proposta em sua forma padrão por Russell Impagliazzo e Ramamohan Paturi em 1998, diz o seguinte: para o problema 3-SAT com n variáveis, qualquer algoritmo determinístico precisa, no pior caso, de tempo proporcional a 2^(cn) para alguma constante c > 0. Em termos mais palpáveis, isso significa que à medida que o número de variáveis cresce, o tempo de computação cresce de forma tão explosiva que, para instâncias suficientemente grandes, mesmo os melhores computadores do mundo ficariam presos para sempre.

A implicação prática é imensa. A ETH serve como alicerce para centenas de resultados de "dificuldade fina" (fine-grained complexity) em áreas que vão de biologia computacional a bancos de dados, de geometria computacional a teoria dos grafos. Muitos desses resultados afirmam: "se o problema X não pode ser resolvido mais rápido que t, então o problema Y também não" — e toda a cadeia de deduções repousa na ETH. Se a hipótese cai, não significa automaticamente que esses resultados estão errados. Significa que as provas que dependem dela precisam ser reexaminadas.

A resposta das duas empresas

O que tornara a história ainda mais extraordinária foi a velocidade com que Anthropic respondeu. A equipe da Anthropic, liderada pelo matemático Levent Alpöge, publicou em 27 de outubro sua própria refutação da ETH, baseada no trabalho de um modelo interno da empresa. A diferença entre os dois resultados — e entre os estilos das duas equipes — tornou-se um caso de estudo sobre como a descoberta científica pode ser acelerada por agentes autônomos.

A OpenAI adotou uma abordagem diferente. Ao invés de apenas publicar o resultado, a empresa solicitou formalmente que os próprios criadores da ETH — Impagliazzo, Paturi e Ryan Williams, do MIT — organizassem uma investigação independente. O grupo recebeu acesso completo às provas, tanto na versão em linguagem natural quanto na formalização Lean, e anunciou em 26 de outubro que estaria conduzindo uma análise aberta e independente.

A Anthropic, por sua vez, publicou o artigo em um repositório público (hexagonmath.org) e o colocou em revisão por pares tradicional. O trabalho do modelo Anthropic era diferente no detalhe técnico, mas convergia para a mesma conclusão: a ETH, na sua forma padrão, é falsa.

Por que os cientistas estão cautelosos

A reação da comunidade científica foi de espanto contido. Gary Marcus, pesquisador independente de IA, chamou o resultado de "um desenvolvimento potencialmente enorme" — mas também lembrou que refutar a ETH não prova automaticamente que P = NP. São afirmações diferentes, e uma lacuna substancial permanece entre elas. A ETH é uma afirmação sobre a taxa exata de crescimento do tempo de execução; a conjetura P vs NP é sobre se toda solução verificável em tempo polinomial também pode ser encontrada em tempo polinomial.

Joshua Fonseca Rivera, pesquisador de segurança de IA na Anthropic, resumiu o sentimento: "pode ser que tenhamos subestimado as capacidades dos sistemas computacionais". Mas ele também enfatizou a necessidade de verificação independente. A verificação pelo Lean confirma que a prova formal é válida — mas isso não encerra a questão. Um artigo publicado em 26 de outubro, disponível no arXiv (arxiv.org/pdf/2610.08144), argumenta que as provas escritas por IA, quando traduzidas para Lean, podem conter ambiguidades semânticas que o verificador automático não detecta.

Ryan Williams, o matemático do MIT envolvido na revisão, foi mais direto: "Se as conclusões da OpenAI se provarem corretas, os cientistas da computação terão que levar a possibilidade de P = NP um pouco mais a sério". Mas ele também afirmou publicamente que não acreditava que a ETH fosse verdadeira desde antes do anúncio — o que sugere que o resultado pode ser mais uma confirmação do que uma surpresa radical.

O contexto mais amplo: IA resolvendo problemas de Milênio

Esta não foi a única afirmação científica da OpenAI nas últimas semanas. Em setembro, a empresa anunciou que havia utilizado 10.000 agentes de IA durante 88 horas para atacar o Problema de Navier-Stokes — um dos Seis Problemas do Milênio do Clay Mathematics Institute, com prêmio de US$ 1 milhão. O resultado, embora controverso quanto à autoria (o matemático Tristan Buckmaster alegou que a OpenAI o havia superado antes que pudesse publicar seu próprio trabalho), marcou a primeira vez que um sistema de IA resolveu um problema aberto de verdade na matemática.

Em maio de 2026, o mesmo modelo havia quebrado uma conjectura de 80 anos de Paul Erdős sobre a distância planar entre pontos — um resultado que matemáticos humanos consideraram "um momento sísmico para a capacidade matemática da IA". E no mesmo mês de outubro, a OpenAI anunciou que seus modelos haviam produzido uma prova rigorosa da existência da teoria de Yang-Mills em quatro dimensões, outra parte de um Problema do Milênio.

A sequência de resultados levanta uma pergunta que a comunidade científica não consegue ignorar: se um sistema de IA consegue refutar conjecturas, resolver problemas de Milênio e produzir provas verificáveis em múltiplas áreas — matemática, física teórica, ciência da computação —, qual é o próximo campo que a IA vai desarmar?

O que vem agora

A OpenAI comprometeu-se a financiar uma conferência para discutir as implicações da refutação da ETH e doou US$ 5 milhões à Fundação Simons para apoiar workshops e conferências sobre resultados de IA. O grupo liderado por Impagliazzo, Paturi e Williams prometeu publicar um relatório com seu veredito.

Enquanto isso, o impacto já se fez sentir. Artigos que dependiam da ETH como base para resultados de dureza computacional estão sendo revistos. Grupos de pesquisa em geometria computacional e teoria dos grafos já anunciaram que estão reexaminando suas suposições. E, no campo da criptografia — onde a dificuldade de certos problemas é a base de toda a segurança digital —, a notícia gerou um desconforto que nenhum especialista consegue quantificar ainda.

A pergunta que fica é: se a IA consegue refutar hipóteses fundamentais com a mesma facilidade com que antes resolvia equações diferenciais, o que resta para os matemáticos humanos descobrir — e o que isso significa para o futuro da investigação científica como um todo?

Fontes: WIRED, Scientific American, The Decoder

✓ Fontes independentes cruzadas e verificadas antes da publicação