Em 16 de outubro de 2026, dois modelos de inteligencia artificial de laboratorios rivales chegaram independentemente à mesma conclusão: uma hipótese matemática que serviu de alicerce para a ciência da computação teórica por quase três décadas estava errada. Doze dias depois, no dia 26 de outubro, OpenAI e Anthropic anunciaram publicamente o que poderia ser um dos resultados mais significativos na teoria da complexidade computacional desde a formulação original do problema P versus NP.
A Hipótese do Tempo Exponencial (ETH, na sigla em inglês) foi proposta em 1999 por Russell Impagliazzo e Ramamohan Paturi, da Universidade da Califórnia em San Diego, com Francis Zane. Em termos simples, a hipótese afirma que não existe um algoritmo capaz de resolver o problema clássico 3-SAT em tempo subexponencial — isto é, mais rápido do que 2 elevado a um expoente proporcional ao número de variáveis, à medida que esse número cresce. O problema 3-SAT, que consiste em determinar se existe uma combinação de valores verdade para as variáveis de uma fórmula lógica que torne toda a expressão verdadeira, é NP-completo. Isso significa que, se alguém encontrasse um algoritmo polinomial para ele, teria resolvido automaticamente todos os problemas em NP — o famoso P = NP.
A ETH foi muito mais modesta que P = NP. Em vez de afirmar que o problema é intratavelmente difícil, ela sugeria apenas que a melhoria sobre a busca exaustiva seria limitada. Mesmo os melhores algoritmos conhecidos antes de 2026, como o algoritmo de ramificação de Monien e Speckenmeyer (1985), resolviam 3-SAT em tempo proporcional ao número áureo φ elevado ao número de variáveis — melhor que força bruta, mas ainda exponencial. A hipótese tornou-se a base para centenas de artigos que estabeleciam limitações computacionais condicionais em áreas tão diversas quanto teoria dos grafos, biologia computacional, bancos de dados e geometria computacional.
Quando a OpenAI anunciou sua descoberta, a reação da comunidade foi imediata e intensa. Ryan Williams, professor do MIT especializado em complexidade computacional, organizou um grupo de exame independente que inclui os próprios autores da ETH — Impagliazzo e Paturi — além de si mesmo. No mesmo dia, a equipe publicou uma carta aberta pedindo escrutínio público do resultado. Williams, que anteriormente havia descrito o método de despejo de provas da OpenAI como um ataque DDOS contra os matemáticos, concordou em colaborar desta vez, mas deixou claro: nossa participação não deve ser tomada como certificação da afirmação. Um resultado desta magnitude exige escrutínio independente e cuidadoso.
O que a OpenAI alegou
Segundo o anúncio da OpenAI, um de seus modelos internos produziu uma refutação natural da ETH em 16 de outubro. Na manhã seguinte, a prova foi verificada no Lean — um assistente de demonstração de teoremas que verifica demonstrações matemáticas de forma independente, linha por linha. A empresa publicou tanto o texto gerado pelo modelo quanto a formalização Lean no GitHub.
A abordagem combinava esparsificação (decompor fórmulas arbitrárias em subproblemas menores), substituição espectral (aproximação de operadores via autovalores) e interpolação racional (reconstrução de funções booleanas a partir de pontos amostrados). O resultado final, segundo a OpenAI, é um algoritmo determinístico que, para todo ε maior que 0, resolve 3-SAT em tempo C_ε vezes 2 elevado a εn — tecnicamente subexponencial.
Horas depois, a Anthropic publicou seu próprio trabalho, intitulado A 2^o(n) Time Algorithm for 3-SAT, com Claude Anthropic listado como autor. O modelo Claude research utilizou 14 milhões de tokens de saída para descobrir o algoritmo central, sem ajuda humana direta na fase de descoberta. A equipe de pesquisadores da Anthropic ajudou apenas a refinar a apresentação. O que chamou a atenção foi que a demonstração da Anthropic também tratava do problema de contagem de soluções, não apenas da decisão.
Ambas as equipes chegaram à mesma conclusão de forma independente, no mesmo dia — o que, segundo analistas, sugere que os modelos de fronteira de diferentes laboratórios agora possuem habilidades comparáveis para pesquisa teórica original. Os detalhes dos argumentos, no entanto, diferem: cada equipe usou métodos distintos e produziu formalizações Lean separadas, verificadas por verificadores independentes.
O que isso significa — e o que não significa
A questão crucial é que, até o momento, nenhuma das demonstrações passou por revisão por pares. Ambas foram verificadas por Lean, o que dá confiança mecanicista significativa, mas não elimina a possibilidade de que existam lacunas sutis na lógica. O grupo de Williams e Impagliazzo está organizando uma conferência dedicada para examinar o trabalho.
Mesmo que confirmadas, as consequências práticas são quase nulas. A Anthropic explicitamente afirma que seu algoritmo só supera a busca exaustiva em fórmulas com mais de aproximadamente 10^(10.000) variáveis — um número astronômico que nunca aparecerá em qualquer problema prático. Para resolver satisfabilidade em bancos, chips ou otimização logística, nada muda amanhã.
Do ponto de vista teórico, porém, as implicações são enormes. A ETH sustenta centenas de resultados condicionais em complexidade algorítmica. Se cair, muitos desses resultados precisarão ser reavaliados. Bart Jansen, da Universidade Tecnológica de Eindhoven, descreveu o trabalho como ingenioso, espetacular e impressionante — mas também humilhante. Realmente faz você pensar sobre o futuro da matemática, dos algoritmos e da academia.
Leslie Goldberg, da Universidade de Oxford, sintetizou: assumindo que seja confirmado, este é um avanço enorme. Ao mesmo tempo, adverte que o resultado não resolve P = NP: desmentir a ETH não prova que P = NP, apenas que a prova condicional de que P diferente de NP baseada na ETH não funciona. A barreira para P = NP permanece.
A crise da matemática assistida por IA
A descoberta da ETH veio acompanhada de outras duas alegações publicadas pela OpenAI em 26 de outubro: a demonstração da conjectura de local smoothing (que, se confirmada, resolveria a conjectura de Kakeya em todas as dimensões) e um trabalho sobre teoria quântica de campos que toca no problema do milhão do Millennium sobre a existência da teoria de Yang-Mills. O físico Nobel David Gross lidera um grupo externo que examinou o trabalho de física e decidiu não liberá-lo publicamente enquanto prepara sua própria versão.
A abordagem da OpenAI de publicar descobertas em série — mais de 700 artigos matemáticos em 6 de outubro — já havia gerado críticas. Williams chamou o despejo anterior de DDOS attack on mathematicians. Desta vez, a empresa mudou o formato: criou grupos de trabalho por disciplina, abriu dados brutos e concordou em financiar conferências. Foi uma melhoria, mas não resolve a questão fundamental: quando uma IA produz um resultado original, quem é o autor? Como a academia valida descobertas geradas por modelos treinados em literatura existente?
O matemático da Anthropic, Levent Alpöge, sugeriu publicamente que a OpenAI estava se baseando em trabalho pré-existente. Se confirmado, isso levantaria questões ainda mais delicadas sobre a autenticidade da contribuição da IA. A própria Anthropic cita o trabalho da OpenAI em seu artigo, o que sugere que a equipe conhecia a descoberta rival antes de publicar a sua — o que explica a proximidade temporal.
O que observar
O caminho agora é o escrutínio acadêmico. O grupo de Williams vai examinar as provas do Lean linha por linha, procurar por lacunas e testar se a lógica se sustenta em casos marginais. Se as demonstrações forem confirmadas, a teoria da complexidade computacional precisará de revisão completa — centenas de papers reavaliados, livros-texto que se tornarão obsoletos. Se forem refutadas, o resultado servirá como estudo de caso sobre os limites atuais da capacidade de raciocínio formal de modelos de linguagem.
Em última análise, o que impressiona não é necessariamente a refutação da ETH em si, mas o fato de que a ETH foi posta em xeque por uma IA. Pela primeira vez, um sistema artificial produz uma descoberta teórica verificável em um dos campos mais abstratos da matemática. Se a prova se sustentar, não será o fim da complexidade computacional — será o início de uma nova era em que o conhecimento humano avança não por um único gênio, mas por máquinas que pensam em padrões que os humanos ainda não conseguiram enxergar.
Fontes: TechCrunch, New Scientist, Vanda Team
✓ Fontes independentes cruzadas e verificadas antes da publicação
