OpenAI afirma que IA refutou hipótese ETH de 1999 e entregou a verificação a especialistas
A OpenAI afirmou que seu modelo refutou a hipótese do tempo exponencial (ETH), uma suposição antiga segundo a qual problemas como o 3-SAT não podem ser resolvidos muito mais rápido do que por uma busca quase completa. É como um cofre com mil combinações: acreditava-se que não havia atalho além da força bruta, mas a IA teria encontrado uma saída. A verificação ficará a cargo de Impagliazzo, Paturi e Williams, e o texto com a prova em Lean está disponível no GitHub. Por enquanto, trata-se de uma afirmação da empresa, e ela só deve ser levada a sério após a checagem externa.
Processado por IA de The Verge; editado por Hamidun News
Menos de um mês depois da publicação em massa de centenas de manuscritos com "soluções para problemas antigos", a OpenAI anunciou três novas descobertas "importantes": em matemática, ciência da computação e física. A mais compreensível para um engenheiro é a afirmação de que o modelo refutou a hipótese do tempo exponencial (ETH). Essa hipótese foi proposta em 1999 e muitos a consideravam verdadeira.
A novidade do lançamento também está em a empresa ter envolvido especialistas externos, que ela chama de "pastores" (shepherds): eles orientam a verificação. O problema que isso tenta resolver é familiar para quem já trabalhou com LLMs: o modelo produz um resultado longo e convincente mais rápido do que as pessoas conseguem entender se ele está correto.
O que é a ETH e o que a OpenAI afirmou
Imagine um gerenciador de pacotes que precisa escolher versões compatíveis entre centenas de bibliotecas, ou um escalonador que distribui tarefas sob condições do tipo "se A, então não B". Esses quebra-cabeças se reduzem ao problema clássico 3-SAT: é preciso atribuir valores "sim/não" para que um conjunto de condições lógicas seja satisfeito. A ETH é a suposição de que, no pior caso, não há como evitar a busca exaustiva, cujo tempo cresce exponencialmente com o tamanho do problema.
Segundo a OpenAI, o modelo obteve um algoritmo determinístico que calcula com exatidão o número de atribuições satisfatórias para fórmulas CNF de largura fixa. Ele roda em tempo subexponencial (ou seja, claramente mais rápido que o crescimento exponencial) e com memória polinomial. No caso do 3-SAT, a empresa afirma que isso refuta a ETH. Se a conclusão for confirmada, trabalhos construídos sobre essa premissa também precisarão ser revistos.
Os outros dois resultados parecem menos verificáveis por enquanto. Em matemática, segundo a OpenAI, o modelo provou a conjectura de suavização local para ondas em todas as dimensões a partir de dois. Dela decorrem a conjectura de Kakeya e a conjectura de restrição de Stein. Vale lembrar que Hong Wang, da Universidade de Nova York, recebeu a Medalha Fields há alguns meses pela solução da conjectura de Kakeya em três dimensões. Aqui, a saída do modelo foi publicada sem edições, como no lançamento de 6 de outubro, e os pesquisadores são convidados a interpretar as explicações por conta própria.
Na física, trata-se de uma "prova matematicamente rigorosa da existência" de algumas teorias quânticas de campos com campos de calibre e férmions em quatro dimensões, incluindo a cromodinâmica quântica (QCD) e a "completude unificada" do Modelo Padrão. O texto completo não foi publicado. O trabalho será acompanhado por um grupo liderado por David Gross, que inclui Michael Douglas, Arthur Jaffe, Igor Klebanov e Nikita Nekrasov.
Como funciona a verificação
Na área de computação, a OpenAI indicou um grupo de trabalho independente: Russell Impagliazzo e Ramamohan Paturi, da Universidade da Califórnia em San Diego (que faziam parte do grupo que propôs a ETH), e o professor Ryan Williams, do MIT. A pedido do grupo, o texto escrito pela IA e a prova em Lean foram imediatamente publicados no GitHub. Lean é um sistema no qual a prova é escrita de modo que um programa verifique cada passo. Para desenvolvedores, essa é uma lógica familiar: o resultado de um modelo deve vir acompanhado de um artefato verificável, como código com testes, e não apenas de um texto convincente.
Junto com o lançamento, foi publicada uma carta aberta à comunidade com três perguntas:
- quais regras devem valer para o acesso antecipado aos resultados de IA, a divulgação de conflitos de interesse e o uso de materiais não publicados;
- como reconhecer as contribuições, tanto pela descoberta em si quanto pela verificação, correção, simplificação e explicação;
- como apoiar estudantes e pesquisadores para que mantenham a capacidade de duvidar dos resultados e de propor algo novo.
Onde a abordagem é controversa
A própria empresa reconhece que a escolha dos "pastores" pode gerar problemas. O conselho de consultores matemáticos AGMAI, reunido pela própria OpenAI, escreveu no dia anterior: "recomendamos que as empresas de IA não adotem" a prática de entregar resultados primeiro a indivíduos. Os motivos citados são acesso desigual, reputação emprestada e seleção enviesada. O conselho propôs outra ordem: publicar os resultados em repositórios científicos com provas em Lean, declarar como as questões foram escolhidas e financiar quem tem competência para analisar os resultados.
Na prática, a OpenAI usa um formato que seus próprios consultores acabaram de não recomendar. Isso não significa que os resultados estejam errados, mas também é cedo para considerá-los confirmados: há afirmações da empresa, arquivos no GitHub e uma verificação prometida por grupos independentes. Na física, sequer existe o texto completo.
O que isso significa para quem trabalha na prática
Para quem desenvolve produtos com IA, a lição é simples: o gargalo migrou da geração para a verificação. Se o modelo entrega resultados mais rápido do que as pessoas conseguem checá-los, o principal custo passa a ser a verificação. O material não traz dados sobre custos computacionais, portanto não é possível avaliar a economia dessas descobertas. O mais sensato é acompanhar o caso da ETH: a prova está escrita em Lean, e isso representa o primeiro teste sério de se um resultado atribuído à IA resiste à análise externa.
- 21 de nov. de 2026OpenAI GPT-6 Cyber encontrou cerca de 35 falhas no iPhone, no Mac e em outros dispositivos da Apple
- 21 de nov. de 202622 agentes Claude passaram seis semanas atrás de respostas sobre buracos negros e resolveram dois problemas
- 21 de nov. de 2026Google vai separar o armazenamento de chats do treinamento do Gemini: dá para recusar sem perder o histórico
- 21 de nov. de 2026Apple dá a usuários do macOS 27.3 beta 2 como limitar o acesso de agentes de IA aos arquivos do Mac
Perguntas frequentes sobre a notícia
O que é a ETH e o que a OpenAI afirmou?
Imagine um gerenciador de pacotes que precisa escolher versões compatíveis entre centenas de bibliotecas, ou um escalonador que distribui tarefas sob condições do tipo "se A, então não B". Esses quebra-cabeças se reduzem ao problema clássico 3-SAT: é preciso atribuir valores "sim/não" para que um conjunto de condições lógicas seja satisfeito. A ETH é a suposição de que, no pior caso, não há como evitar a busca exaustiva, cujo tempo cresce exponencialmente com o tamanho do problema.
Como funciona a verificação?
Na área de computação, a OpenAI indicou um grupo de trabalho independente: Russell Impagliazzo e Ramamohan Paturi, da Universidade da Califórnia em San Diego (que faziam parte do grupo que propôs a ETH), e o professor Ryan Williams, do MIT. A pedido do grupo, o texto escrito pela IA e a prova em Lean foram imediatamente publicados no GitHub. Lean é um sistema no qual a prova é escrita de modo que um programa verifique cada passo.
Onde a abordagem é controversa?
A própria empresa reconhece que a escolha dos "pastores" pode gerar problemas. O conselho de consultores matemáticos AGMAI, reunido pela própria OpenAI, escreveu no dia anterior: "recomendamos que as empresas de IA não adotem" a prática de entregar resultados primeiro a indivíduos. Os motivos citados são acesso desigual, reputação emprestada e seleção enviesada.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.