Epoch AI: 14 problemas que ninguém resolveu (ainda)

Lembra dos bons tempos em que a gente zombava das redes neurais que não conseguiam somar dois números de três dígitos sem alucinar? Esses tempos acabaram oficialmente. Saímos em ritmo acelerado da era do "olha que engraçado o robô escrevendo poemas" para a era do "olha o algoritmo tentando decifrar os fundamentos do universo".

Em meados de 2024, o GPT-4 ainda tropeçava em problemas de ensino médio; no fim de 2025, os novos modelos já resolviam questões de olimpíada com facilidade. Mas olimpíadas ainda são problemas com respostas conhecidas. Os pesquisadores da Epoch AI decidiram que era hora de parar de entregar colas às redes neurais e lançaram o FrontierMath: uma lista de 14 problemas que absolutamente ninguém no planeta resolveu.

A proposta do FrontierMath é testar a capacidade da IA de gerar conhecimento genuinamente novo. Não são exercícios de livro didático que poderiam estar no conjunto de treinamento. Cada um dos quatorze problemas foi formulado por um pesquisador em atividade, cada um passou pela tentativa de pelo menos dois profissionais de alto nível, e qualquer um deles mereceria publicação em uma revista científica de ponta. Não há dicas na internet nem algoritmos prontos. São "pontos cegos" no mapa da matemática contemporânea, que mentes humanas ignoraram ou simplesmente não conseguiram superar por décadas.

Vale olhar os detalhes para entender o tamanho do desafio. Um dos problemas envolve o grupo de Mathieu M23. Matemáticos adoram simetrias, mas os grupos esporádicos são uma espécie de "monstros matemáticos" que não se encaixam em nenhuma família geral.

Para a maioria deles, os pesquisadores já encontraram polinômios com os grupos de Galois correspondentes, mas o M23 continua sendo o último bastião, uma lacuna em uma linha de pesquisa que já dura anos. Encontrar esse polinômio significa fechar um capítulo inteiro da álgebra. Outro problema só parece mais simples à primeira vista: criar um algoritmo que determine se um nó pode ser desatado com um único movimento.

Os topólogos chamam isso de "unknotting number igual a um". É uma questão fundamental da topologia de baixa dimensão que, até hoje, não tem resposta clara.

Por que isso importa justamente agora? A indústria de IA chegou a um ponto em que simplesmente aumentar o volume de dados já não traz saltos explosivos de qualidade. Ensinamos os modelos a imitar a fala humana e compilar o conhecimento existente, mas ainda esperamos o momento em que uma rede neural fará uma descoberta científica. Se um modelo resolver pelo menos um desses problemas, isso irá além de um mero "feito tecnológico". Será um resultado científico completo, que chegará a uma revista com revisão por pares pelo valor da própria solução, e não pelo hype em torno da IA. Estamos falando da transformação da IA de um buscador avançado em um colega pesquisador de fato.

A ligação com eventos anteriores é clara. Depois que os modelos passaram a vencer em massa testes como MATH ou GSM8K, ficou evidente que precisávamos de novas ferramentas de medição. O FrontierMath é uma tentativa de encontrar a fronteira onde termina a memória e começa a inteligência. O desafio vale para OpenAI e Anthropic, e também para todo o conceito de escalonamento. Agora não basta ter o maior cluster de GPUs: é preciso um algoritmo capaz de raciocínio lógico profundo em condições de total incerteza. É um teste de resistência para todas as promessas de "IA forte" ou AGI.

O que isso significa para nós? Estamos à beira de um cenário em que a IA pode se tornar a chave, por meio da matemática, para problemas de ciência dos materiais, criptografia ou física quântica. Se uma rede neural der conta da teoria dos nós ou dos grupos de Mathieu, ela poderá projetar novas moléculas ou otimizar cadeias logísticas em um nível inacessível aos humanos. Isso significará que finalmente temos uma ferramenta mais inteligente do que nós nas áreas abstratas mais complexas. E a ironia é que talvez nem entendamos de imediato como exatamente a IA chegou à solução, mas o resultado vai mudar nossa realidade física.

O principal: o FrontierMath é o chefão final para a geração atual de redes neurais. Um hipotético GPT-5 ou Claude 4 vai conseguir superar essa barreira, ou teremos de esperar por arquiteturas fundamentalmente novas?