Duas das maiores empresas de inteligência artificial do planeta — OpenAI e Anthropic — anunciaram nesta semana que seus modelos internos de IA produziram resultados que refutam a Hipótese do Tempo Exponencial (ETH, na sigla em inglês), uma conjectura proposta em 1999 que serviu como alicerce para décadas de pesquisa em complexidade computacional. Se a alegação se confirmar, trata-se de um resultado que exigiria uma revisão completa de centenas de artigos científicos e de livros didáticos sobre algoritmos.
A história começou em 16 de outubro, quando um modelo da OpenAI encontrou o que a empresa descreve como uma refutação da ETH. No dia seguinte, a equipe da empresa formalizou o argumento usando o Lean, um assistente de prova formal amplamente utilizado por matemáticos. Em 26 de outubro, a OpenAI publicou um comunicado em seu blog anunciando os resultados e, horas depois, a Anthropic divulgou um resultado paralelo e independente, creditado a "Claude (Anthropic)", que encontrara o algoritmo central sem qualquer intervenção humana no mesmo dia 16.
O que é a Hipótese do Tempo Exponencial
A Hipótese do Tempo Exponencial é uma conjectura sobre o problema SAT (Boolean Satisfiability Problem, ou Problema de Satisfatibilidade Booleana), amplamente considerado o problema mais fundamental da teoria da complexidade computacional. O problema SAT pergunta se existe uma atribuição de valores verdade para as variáveis de uma fórmula lógica que torne a fórmula inteira verdadeira. Para fórmulas na forma normal conjuntiva (CNF), o problema correspondente — o 3-SAT — é NP-completo, o que significa que, se algum algoritmo puder resolvê-lo em tempo polinomial, então P = NP.
A ETH vai além da pergunta binária "P versus NP" e faz uma afirmação mais específica: ela propõe que o 3-SAT exige tempo exponencial — ou seja, que não existe nenhum algoritmo capaz de resolver o problema em tempo subexponencial, que cresce como 2^o(n), onde o(n) é qualquer função que cresce mais rápido que c^k·n para alguma constante k. Em termos práticos, a ETH estabelece um "chão" sob o tempo exponencial, uma fronteira de dificuldade computacional que a comunidade científica assumiu como verdadeira há três décadas.
Fedor Fomin, da Universidade de Bergen na Noruega, disse ao New Scientist que a descoberta o deixou "surpreso". "Seria necessário uma revisão completa de várias áreas de algoritmos", afirmou, observando que um livro didático que escreveu sobre o tema se tornaria obsoleto caso o resultado se confirme.
Como os modelos chegaram ao resultado
Segundo a OpenAI, seu modelo produziu um procedimento determinístico que conta exatamente as atribuições satisfatórias de fórmulas CNF de largura fixa usando tempo subexponencial e espaço polinomial. A empresa publicou uma formalização em Lean no GitHub e descreveu o trabalho como parte de três descobertas científicas anunciadas simultaneamente — as outras duas abordavam análise harmônica e teoria quântica de campos.
A Anthropic, por sua vez, afirmou que seu modelo Claude identificou o "algoritmo central" sem qualquer entrada humana. Pesquisadores da Anthropic subsequentemente ajudaram a melhorar a apresentação do resultado, que também inclui uma formalização em Lean disponível em um repositório público.
Ambas as empresas datam a descoberta central em 16 de outubro. A coincidência temporal levanta perguntas sobre se os dois modelos seguiram abordagens semelhantes — ou se a natureza do problema torna certo caminho de investigação inevitável quando se tem um sistema de raciocínio matemático suficientemente poderoso.
A reação da comunidade científica
A comunidade acadêmica reagiu com cautela. O pesquisador de complexidade computacional Richard Williams, do MIT, que havia criticado publicamente a prática da OpenAI de "despejos de provas" anteriores como um "ataque DDoS contra matemáticos", concordou em colaborar com as empresas de fronteira para interpretar os novos resultados. Ele pediu à OpenAI que financiasse uma conferência sobre o tema, argumentando que "você precisa entender, além dos algoritmos, o que devem ser os fundamentos que tínhamos antes."
Levent Alpöge, matemático da Anthropic, sugeriu inicialmente que a OpenAI poderia estar baseando suas soluções em trabalho pré-existente. Horas depois de publicar, a Anthropic anunciou seu próprio resultado independente — o que, em vez de confirmar a especulação de plágio, reforçou a independência da descoberta.
A própria equipe de criadores da ETH — incluindo Russell Impagliazzo e Ramamohan Paturi, da Universidade da Califórnia em San Diego, que publicaram a hipótese original em 1999 — lidera um grupo de trabalho para examinar as provas. A OpenAI publicou uma carta aberta pedindo feedback de cientistas interessados e propondo discutir as normas em torno de contribuições de IA ao trabalho acadêmico.
Por que isso importa (se for verdadeiro)
A ETH não é apenas uma conjectura abstrata. Ela foi usada em centenas de artigos como base para "limites inferiores condicionais" — afirmações sobre quão difíceis certos problemas são que dependem de outras suposições. Se a ETH for refutada, muitas dessas conclusões se tornam inúteis e precisam ser reconstruídas a partir do zero.
O impacto se estenderia além da teoria pura. Algoritmos de criptografia, otimização, verificação formal e aprendizado de máquina frequentemente assumem que certos problemas não podem ser resolvidos mais rapidamente do que tempo exponencial. Se houver algoritmos subexponenciais para o 3-SAT, isso questiona não apenas a complexidade teórica, mas a segurança prática de protocolos que dependem da dificuldade computacional.
O que torna este caso diferente de outros alegados "avanços" de IA na matemática é a existência de uma prova verificável em máquina. Em vez de apenas descrever um algoritmo em linguagem natural — o que já gerou resultados contestados — ambas as empresas disponibilizaram formalizações no Lean, o que permite que qualquer pesquisador verifique cada passo logicamente. Isso acelera o processo de revisão em comparação com provas manuscritas tradicionais que poderiam levar meses ou anos para serem examinadas.
Ainda assim, o processo está longe de estar concluído. Como observado pelo John D. Cook em seu blog, "o status de P = NP ainda é desconhecido: embora o 3-SAT não leve tempo exponencial, ainda leva mais do que tempo polinomial, até onde se sabe". Refutar a ETH não prova automaticamente que P = NP — apenas que o 3-SAT é mais fácil do que se pensava. A fronteira entre tempo subexponencial e tempo polinomial permanece intacta.
O que esperar nos próximos dias
A comunidade está agora em um período de verificação intensiva. O grupo liderado pelos criadores originais da ETH deve produzir um veredito nas próximas semanas. A OpenAI já pediu que a comunidade financie uma conferência dedicada ao tema. Enquanto isso, centenas de pesquisadores em complexidade computacional estão revisando as formalizações do Lean.
Independentemente do resultado final, este episódio já mudou a forma como a comunidade pensa sobre o papel da inteligência artificial na descoberta científica. Pela primeira vez, dois dos maiores laboratórios do setor anunciaram resultados independentes sobre o mesmo problema fundamental — e ambos atribuíram a descoberta central a seus modelos, não a humanos. Se a ETH for refutada, será um feito humano no sentido tradicional (os teoremas ainda foram formulados e verificados por pessoas), mas uma conquista sem precedentes no papel da IA como parceira de pesquisa teórica.
Fontes: TechCrunch, Progressive Robot, New Scientist, OpenAI Blog, John D. Cook
✓ Fontes independentes cruzadas e verificadas antes da publicação
