Cocriador do ChatGPT, Liam Fedus diz que, após 722 manuscritos da OpenAI, a IA precisa ir para o laboratório

A OpenAI publicou de uma só vez no GitHub 722 manuscritos de matemática, que cobrem 17 áreas: da teoria dos números e da geometria à ciência da computação teórica e à física matemática. Parte dos trabalhos vem acompanhada de provas formais em Lean, que o computador verifica de forma mecânica. Segundo a empresa, todos os textos foram escritos por um modelo frontier interno, que ainda não foi lançado. Poucos dias depois, a OpenAI retirou alguns manuscritos. Nesse contexto, Liam Fedus, um dos criadores do ChatGPT, formula uma tese: depois da matemática, a IA precisa ir para o laboratório.

O que exatamente foi publicado

A escala é incomum. Um matemático costuma escrever dezenas de artigos ao longo da carreira; aqui, centenas de textos em diferentes ramos da ciência surgiram de uma vez. O que os une é o autor, que não é uma pessoa, mas um modelo não publicado.

O que se sabe pelo anúncio:

• os 722 manuscritos foram colocados em um único pacote no GitHub;
• eles cobrem 17 áreas da matemática e de campos próximos;
• parte dos trabalhos tem provas formais em Lean, verificadas sem participação humana;
• a fonte é um modelo interno da OpenAI, sem lançamento público;
• alguns manuscritos foram removidos do repositório depois.

O trecho disponível do material não informa os motivos da retirada, então ainda é cedo para tirar conclusões sobre a qualidade dos trabalhos removidos. O fato em si, porém, mostra outra coisa: com volumes assim, a seleção e a verificação se tornam uma tarefa à parte.

Por que a matemática foi primeiro

A matemática é conveniente para a IA por um motivo: a resposta pode ser verificada a baixo custo. A prova passa no Lean ou não passa. Para o aprendizado por reforço, esse é um sinal quase ideal, porque o modelo recebe uma avaliação honesta, sem especialistas e sem o custo do mundo real. Por isso, foi justamente aqui que os sistemas rapidamente chegaram a resultados que antes exigiam nível profissional.

Esse ambiente conveniente tem um limite. Um manuscrito sem verificação formal continua sendo um texto que um especialista precisa ler. Centenas de artigos de uma vez significam centenas de horas de revisão. Os trabalhos com provas em Lean resolvem o problema apenas para os resultados que foi possível formalizar.

O laboratório como próximo campo de provas

A tese de Fedus faz sentido quando se olha para a trajetória dele. De acordo com dados públicos, ele deixou a OpenAI e fundou a Periodic Labs, startup que constrói sistemas de IA para física, química e ciência dos materiais. A aposta é que o modelo deve receber feedback de experimentos reais, e não apenas de texto e de verificadores formais.

No laboratório, a verificação é cara. A síntese de um material leva horas ou dias, a medição exige equipamento, e o ruído nos dados não desaparece só porque o modelo é inteligente. Em compensação, o resultado não pode ser contestado: a amostra tem a propriedade desejada ou não tem. Se a matemática mostrou que a IA consegue produzir provas em fluxo contínuo, o laboratório testa se ela consegue produzir, também em fluxo contínuo, descobertas verificáveis.

O trecho disponível do material não traz detalhes da entrevista em si, por isso não resumimos os argumentos específicos de Fedus. O título, no entanto, indica a direção: o gargalo se desloca da geração de ideias para a velocidade e o custo de verificá-las.

O que acompanhar daqui para frente

Para quem acompanha o setor, três referências são úteis.

1. O destino dos manuscritos. Quantos trabalhos matemáticos independentes vão confirmar e quantos mais serão retirados. É a melhor medida da confiabilidade do modelo interno. 2. O lançamento do modelo. Se a OpenAI o lançar, ficará claro até que ponto os resultados são reproduzíveis fora da infraestrutura interna. 3. Laboratórios automatizados. Ciclos recorrentes de "hipótese, experimento, atualização do modelo" em ciência dos materiais vão mostrar se o sucesso em ambiente formal se transfere para o ambiente físico.

Para as equipes que desenvolvem produtos com LLM, a conclusão é prática: o valor de um modelo cresce onde existe um verificador rápido e barato. Pode ser o Lean, testes em código, um simulador ou um robô no laboratório. O pipeline deve ser construído a partir da verificação, e não da geração.