OpenAI divulga três resultados científicos e aposta em revisão externa

OpenAI divulga três resultados científicos e coloca a verificação no centro

A OpenAI anunciou em 26 de outubro de 2026 três novos resultados científicos nas áreas de matemática, ciência da computação e física, e adotou revisão com especialistas externos nos trabalhos de computação e física, segundo o Canaltech. A divulgação ocorreu menos de um mês após a empresa publicar centenas de manuscritos produzidos com inteligência artificial e retirar três deles por causa de um erro de sinal que invalidava os principais argumentos. O episódio transforma a pergunta que CTOs e líderes de P&D fazem sobre IA generativa: não é só quanto ela acelera, mas quanto do que ela produz sobrevive à checagem.

O que a OpenAI apresentou em matemática, computação e física

Na matemática, a OpenAI afirma ter demonstrado a conjectura da suavização local de Sogge, que trata de como as oscilações das ondas se comportam em determinadas regiões do espaço. Segundo a OpenAI, a prova vale para espaços com duas ou mais dimensões e resolve problemas matemáticos em aberto, incluindo a Conjectura de Kakeya e as estimativas de restrição de Stein. A pesquisa foi publicada no GitHub com a prova formalizada em Lean, linguagem usada para verificar demonstrações matemáticas de forma mecânica, conforme o Canaltech.

Na ciência da computação, a IA produziu uma prova que, se estiver correta, refutaria a Hipótese do Tempo Exponencial (ETH), ideia usada há décadas para explicar por que certos problemas computacionais são difíceis de resolver rapidamente. O trabalho apresenta um algoritmo que conta todas as combinações possíveis que atendem às regras de uma fórmula lógica e inclui o 3-SAT, problema que consiste em descobrir se existe uma combinação de respostas verdadeiras ou falsas capaz de satisfazer todas as condições da fórmula. Segundo a OpenAI, o método faz esse cálculo em menos tempo do que o esperado para problemas desse tipo e usa uma quantidade controlada de memória. A verificação está sendo organizada por um grupo independente liderado por Russell Impagliazzo, Ramamohan Paturi e Ryan Williams.

Na física, a OpenAI afirma ter provado matematicamente que certas teorias quânticas de campos interagentes em quatro dimensões existem. O trabalho inclui a Cromodinâmica Quântica (QCD), teoria que descreve a força responsável por manter quarks e glúons unidos, e uma conclusão que unifica o Modelo Padrão da física de partículas. A análise é acompanhada por um grupo de especialistas externos liderado pelo físico David Gross, com participação de Michael Douglas, Arthur Jaffe, Igor Klebanov e Nikita Nekrasov. Os dados completos do trabalho ainda não foram divulgados, segundo o Canaltech.

Por que a revisão externa virou o ponto central da divulgação

A mudança de processo responde a críticas sobre o grande volume de pesquisas produzidas com IA e a dificuldade de verificar se suas conclusões estão corretas. Os especialistas convidados, chamados de “shepherds”, acompanham a análise dos resultados em ciência da computação e física, de acordo com o Canaltech.

O histórico recente explica a cautela. Em 7 de outubro de 2026, três manuscritos foram retirados depois que pesquisadores encontraram um erro de sinal que invalidava os principais argumentos dos trabalhos sobre classes de Weil e a conjectura de Hodge. A OpenAI também corrigiu outros 14 manuscritos, segundo a reportagem.

O próprio modelo de revisão, porém, é contestado. O painel consultivo de matemática AGMAI recomendou que empresas de IA não escolham pesquisadores específicos para receber descobertas antecipadamente. Segundo o grupo, essa prática pode dar acesso privilegiado a alguns acadêmicos, associar a reputação de pesquisadores a provas ainda não verificadas e favorecer determinadas análises. O painel defende que os laboratórios publiquem os trabalhos em repositórios acadêmicos abertos, com provas formalizadas em Lean, e recomenda transparência na escolha dos problemas de pesquisa e financiamento para a verificação independente dos resultados.

O que líderes de P&D devem exigir antes de escalar IA na pesquisa

Como análise editorial, e não como afirmação da OpenAI ou do Canaltech, três critérios ajudam a separar produtividade de resultado confiável em times que usam modelos generativos em pesquisa aplicada.

O primeiro é exigir artefato verificável, não narrativa. Um resultado matemático formalizado em Lean, ou um algoritmo descrito de forma reproduzível, permite checagem por terceiros; um relatório em texto pede fé. O contraste entre a prova publicada no GitHub e os dados de física ainda não divulgados ilustra a diferença de maturidade entre as três frentes.

O segundo é definir quem revisa e sob quais regras. A crítica do AGMAI à escolha de revisores específicos vale também para o ambiente corporativo: auditoria interna conduzida por quem encomendou o estudo tem valor limitado. Vale documentar conflito de interesse, critério de seleção do revisor e o que acontece quando o resultado não se sustenta.

O terceiro é orçamentar a verificação como etapa do projeto, e não como cortesia. O caso do erro de sinal que derrubou três manuscritos e obrigou a correção de outros 14 mostra que o custo de checagem não desaparece quando a geração fica mais rápida. Se a adoção interna avança sem esse orçamento, o passivo apenas se acumula.

Para times que já operam agentes com autonomia, o padrão de falha silenciosa é conhecido: agentes de IA que contornam restrições e modelos que omitem ações do próprio relatório já foram registrados. A revisão externa anunciada pela OpenAI caminha na direção oposta a esse comportamento, mas ainda depende de os dados completos serem publicados.

O que está confirmado até aqui é o desenho do processo: três resultados divulgados em 26 de outubro de 2026, revisão por shepherds em computação e física, prova matemática formalizada em Lean e, no caso da física, dados completos ainda não divulgados. Para empresas que usam IA em decisões técnicas, o aprendizado prático é que a velocidade de geração só se converte em vantagem quando existe um caminho declarado de verificação. Se a sua equipe precisa definir esse caminho antes de ampliar o uso de IA em pesquisa e produto, a conversa pode começar por aqui.