Abonito. Se você acompanhou o calendário de publicações científicas da OpenAI nos últimos meses, este anúncio de 26 de outubro de 2026 não foi surpresa — apenas o capítulo seguinte de uma narrativa que já vinha se desenhando desde o lançamento massivo de 722 manuscritos em 6 de outubro.
Desta vez, porém, a OpenAI não publicou apenas os resultados brutos. A empresa anunciou uma nova metodologia de validação que envolve especialistas externos — apelidados de "pastores" — para ajudar a interpretar, contextualizar e explicar os outputs dos seus modelos internos às comunidades acadêmicas relevantes. E o que foi descoberto é substancial o suficiente para justificar o esforço.
Matemática: a conjectura do suavizamento local em todas as dimensões
O primeiro resultado reside na área de análise harmônica. Em 1991, o matemático Christopher Sogge propôs a conjectura do suavizamento local, que descreve o comportamento de ondas à medida que se tornam concentradas. A ideia central é que os extremos de focalização devem ser de curta duração: em tempos típicos aleatórios, a quantidade de focalização é sempre muito menor do que no pior caso.
Esse é um padrão familiar em toda a matemática — o que pode acontecer no pior caso é mais extremo do que o observado após a média. E porque o fenômeno conjecturado é tão fundamental, tem implicações de amplo alcance em toda a análise matemática. A conjectura de Sogge implica, por exemplo, a conjectura de Kakeya e a conjectura de restrição de Stein.
Desde 2019, quando Guth, Wang e Zhang provaram o suavizamento local em duas dimensões espaciais, e 2025, quando Wang e Zahl resolveram a conjectura de Kakeya em três dimensões, o mistério permanecia: seria possível generalizar para todas as dimensões?
A resposta da OpenAI foi sim, e a demonstração é baseada numa equação diferencial parcial inédita. Os modelos da empresa produziram uma prova completa da conjectura do suavizamento local em toda dimensão espacial igual ou superior a dois, resolvendo simultaneamente a conjectura de Kakeya e a conjectura de restrição de Stein em todas as dimensões. O output foi obtido em 18 de outubro de 2026 e formalizado em Lean no dia seguinte — o mesmo sistema de verificação de provas que a OpenAI já utilizou na publicação de 6 de outubro.
A decisão de liberar o output diretamente para avaliação da comunidade matemática, sem intermediários, reflete a estratégia testada anteriormente e a confiança da empresa no trabalho. Não por acaso: a própria equipe de consultores matemáticos da OpenAI (AGMAI) recomendou em 25 de outubro que resultados de IA sejam publicados em repositórios acadêmicos abertos, com provas formalizadas em Lean, informações sobre como os problemas foram selecionados e financiamento para pesquisadores dedicados a entendê-los.
Ciências da computação: a hipótese do tempo exponencial é falsa
O segundo resultado é talvez o mais radical. A Hipótese do Tempo Exponencial (ETH) é uma conjectura sobre a complexidade computacional da satisfatibilidade booleana — um problema profundamente ligado à famosa questão P vs. NP. Desde sua proposição por Impagliazzo, Paturi e Zane em 1999, a ETH tem sido amplamente considerada verdadeira e utilizada em centenas de artigos para derivar resultados de dureza computacional condicional.
Se a prova da OpenAI se confirmar, a ETH é falsa. O modelo produziu um algoritmo determinístico que conta exatamente as atribuições satisfatórias de fórmulas CNF de largura fixa em tempo subexponencial e espaço polinomial. O caso 3-SAT desse resultado refutaria diretamente a ETH.
O mais notável não é apenas o resultado em si, mas a resposta da comunidade. A própria OpenAI reconheceu a sensibilidade: centenas de trabalhos em teoria dos grafos, biologia computacional, bancos de dados e geometria computacional dependem da ETH como premissa. Por isso, a empresa adotou uma abordagem diferente: em vez de simplesmente publicar o resultado, solicitou que três especialistas liderassem uma verificação independente.
Russell Impagliazzo e Ramamohan Paturi — os mesmos pesquisadores que originalmente propuseram a ETH em 1999 — junto com Ryan Williams (MIT), formarão um grupo de trabalho para examinar e explicar a prova. Impagliazzo e Paturi foram entre os primeiros a reconhecer que, se a prova se sustentar, será necessário reavaliar suposições fundamentais em teoria da complexidade.
O grupo já solicitou que a OpenAI tornasse os materiais públicos imediatamente, antes mesmo de completar a análise. O resultado e a formalização em Lean serão lançados no GitHub na segunda-feira seguinte, permitindo que a comunidade de teoria da complexidade se manifeste em tempo recorde.
O que a refutação da ETH não significa — e isso é importante — é que automaticamente entregaremos algoritmos mais rápidos para problemas computacionais existentes. A prova teórica abre a porta, mas transformar avanços teóricos em melhorias práticas exigirá pesquisa significativa.
Física: a existência da cromodinâmica quântica
O terceiro resultado, e talvez o mais ambicioso, reside na física teórica. A OpenAI afirma ter produzido uma prova de existência matematicamente rigorosa de certas teorias quânticas de campo interagentes contendo campos de gauge e férmions em quatro dimensões — o que inclui a Cromodinâmica Quântica (QCD) e uma conclusão unificada do Modelo Padrão da física de partículas.
O trabalho se baseia na abordagem de Balaban na teoria quântica de campos construtiva e inclui, como subproblema, uma prova da existência da teoria pura de Yang-Mills — que é parte do problema do Prêmio Millennium do Clay Mathematics Institute. O Modelo Padrão descreve a interação de partículas subatômicas fundamentais para três das quatro forças fundamentais, exceto a gravidade.
A prova de Yang-Mills foi produzida pelo modelo em 9 de setembro de 2026, e a de QCD em 18 de setembro. A OpenAI adiou o lançamento até que a formalização em Lean fosse concluída, o que ocorreu em 16 de outubro de 2026.
David Gross — que compartilha o Prêmio Nobel de Física de 2004 pelo trabalho sobre liberdade assintótica em teorias de Yang-Mills, a propriedade-chave que fundamenta a existência destas teorias como objetos matematicamente rigorosos — liderará um grupo de pastores incluindo Michael Douglas, Arthur Jaffe (que co-formulou o problema do Prêmio Millennium com Witten), Igor Klebanov e Nikita Nekrasov.
A OpenAI não liberou o material de física completa — algo que a empresa reconhece como potencialmente problemático, já que impede a verificação independente pelo corpo científico. Em vez disso, o grupo de Gross preparará sua própria conta e explicação, sob os quatro princípios da colaboração: transparência, ausência de crédito acadêmico, reconhecimento dos contribuidores e um quarto princípio que a empresa ainda não divulgou publicamente.
O que muda: o modelo de publicação científica
O mais interessante talvez não sejam os resultados em si, mas a estrutura que a OpenAI propôs para validá-los. A empresa reconheceu abertamente que "escolher pastores iniciais necessariamente molda quem se envolve primeiro e cria assimetria de informação" — um trade-off que nenhuma estrutura de peer review anterior havia articulado com tanta clareza.
Os princípios da colaboração incluem transparência total (sem acordos de confidencialidade, liberdade para discutir e publicar conclusões), ausência de crédito acadêmico (a OpenAI não busca crédito pelos resultados), e reconhecimento formal dos pesquisadores que auxiliam na compreensão e contextualização. O grupo de pastores também será responsável por assegurar que o trabalho credite adequadamente pesquisadores, técnicas e ideias que ele utiliza.
A Simons Foundation anunciou recentemente uma contribuição de US$ 15 milhões — dos quais US$ 5 milhões vindos diretamente da OpenAI — para ajudar matemáticos a navegar na era da IA, um sinal de que o ecossistema financeiro da ciência básica está começando a responder à velocidade com que modelos de IA estão produzindo resultados que antes levavam décadas para serem alcançados.
A pergunta que fica é se este novo modelo de "pastoreio" acadêmico conseguirá escalar para além de especialistas já previamente conectados, ou se acabará por reproduzir, como tantas outras inovações em ciência aberta, as mesmas assimetrias de acesso que busca evitar.
Fontes: OpenAI, The Verge, The Next Web, Interesting Engineering
✓ Fontes independentes cruzadas e verificadas antes da publicação
