Em setembro, a OpenAI afirmou que um modelo de fronteira ainda não divulgado havia resolvido mais de 100 problemas em aberto de longa data em grande parte da matemática. À medida que a expectativa crescia, o recém-formado Grupo Consultivo sobre Matemática e Inteligência Artificial instou os laboratórios a publicar prontamente por meio de canais acadêmicos estabelecidos, divulgar modelos, prompts e capacidade computacional, e evitar transformar resultados em marketing.¹

Na terça-feira, a OpenAI divulgou 722 manuscritos, organizados em 372 famílias de descobertas relacionadas. A empresa forneceu protocolos de revisão de artigos e de citação por meio de um repositório no GitHub, juntamente com resumos do raciocínio, estimativas de capacidade computacional e estatísticas sobre os problemas tentados. Disse que o resultado médio consumiu o equivalente a três horas de raciocínio do ChatGPT Pro.¹

Executivos da OpenAI apresentaram a divulgação como parte de um projeto científico maior. Greg Brockman chamou-a de um movimento “rumo à aceleração da descoberta científica e à melhoria da qualidade de vida para todos”.Greg Brockman (gdb)² Só o volume impressionou observadores: centenas de provas geradas por um modelo ainda não divulgado sugerem que a matemática poderia seguir a programação rumo a um mundo em que as máquinas já não são uma novidade, mas uma força de trabalho em áreas especializadas.³

Mas o entusiasmo foi acompanhado por alarme. Pesquisadores ainda questionam se os resultados são genuinamente originais ou dependem fortemente de contribuições humanas anteriores, e se uma enxurrada de artigos produzidos por máquinas pode ser avaliada de forma significativa. Stephen Wolfram resumiu a objeção entre qualidade e quantidade: “Você pode produzir facilmente um trilhão de teoremas. O problema é que a maioria desses teoremas não será algo com que alguém se importe.”³

A desconfiança não é meramente filosófica. Anúncios anteriores da OpenAI já haviam provocado alegações envolvendo trabalhos não publicados, apropriação de prioridade e divulgação insuficiente sobre as origens dos dados de treinamento. Críticos temem que um laboratório de IA rico possa avançar rapidamente por problemas que pesquisadores passaram carreiras perseguindo, sem as normas acadêmicas que regem atribuição e verificação. Um professor descreveu a conduta como o “tipo de coisa que os matemáticos geralmente não farão”.⁴

Até a resposta mais ampla na internet refletiu essa cautela: Elon Musk amplificou uma publicação que insistia: “Não, a IA não acabou de resolver as equações de Navier-Stokes.”Elon Musk (elonmusk)⁵ A nova divulgação pode ser um marco técnico extraordinário; se ela se tornará uma contribuição confiável para a matemática continua sendo uma questão humana.