No dia 20 de maio de 2026, um modelo de raciocinio da OpenAI fez algo que nenhum matematico havia conseguido em quase oito decadas: refutou a conjectura da distancia unitaria planar, um problema aberto proposto pelo matematico hungaro Paul Erdos em 1946. A descoberta, verificada de maneira independente por matematicos de Princeton e outras universidades, foi publicada como preprint e imediatamente reconhecida como um dos resultados mais surpreendentes da matematica computacional dos ultimos anos.
O feito e notavel nao apenas pelo resultado matematico em si, mas pelo que ele revela sobre a natureza atual dos modelos de linguagem de grande escala: nao sao mais ferramentas de suporte a pesquisa, mas potenciais colaboradores originais capazes de gerar provas autonomas em matematica avancada.
O problema que resistiu 80 anos
Para entender a magnitude da descoberta, e preciso conhecer o problema. Em 1946, Paul Erdos – considerado um dos matematicos mais prolixos do seculo 20, com mais de 1.500 artigos publicados ao longo da vida – propus a seguinte questao: qual e o numero maximo de pares de pontos a distancia unitaria que se pode ter em um conjunto de n pontos no plano?
Em termos mais simples: se voce marcar n pontos em uma folha de papel e quiser que o maximo possivel de pares de pontos esteja exatamente a distancia 1 um do outro, como seria o padrao ideal de distribuicao? Por quase 80 anos, a intuicao dos matematicos apontava para grades quadradas regulares como a solucao mais eficiente. Essa intuicao resistiu a dezenas de tentativas de prova ou refutacao.
O limite conhecido, estabelecido por Spencer, Szemeredi e Trotter em 1984, afirmava que o numero maximo de pares unitarios cresce como n elevado a um mais um terco. O problema de Erdos perguntava se isso era otimo ou se existiam configuracoes ainda melhores. A crenca dominante era que nao – que as grades quadradas eram, essencialmente, o melhor que se podia fazer.
Como o modelo da OpenAI resolveu o problema
O modelo da OpenAI abordou o problema usando ferramentas de teoria algebraica de numeros para construir uma configuracao de pontos que supera o limite das grades quadradas. Em vez de tentar provar que as grades sao otimas – o que seria confirmar a conjectura – o modelo buscou construir contraexemplos: configuracoes concretas de pontos com mais pares unitarios do que qualquer grade.
A abordagem e tecnicamente sofisticada. O modelo utilizou estruturas algebricas especificas – construcoes em corpos de numeros algebraicos – para montar conjuntos de pontos com propriedades de distancia cuidadosamente controladas. O resultado foi uma familia de configuracoes que cresce de forma polinomialmente maior do que o que as grades quadradas permitem, refutando diretamente a intuicao de Erdos.
Will Sawin, professor de matematica em Princeton, publicou em 20 de maio de 2026 um artigo no qual formalizou o resultado e mostrou que o coeficiente delta da melhoria e de pelo menos 0,014 – um numero pequeno em termos absolutos, mas matematicamente relevante por demonstrar que existe margem de melhoria alem do que se acreditava possivel.
O que torna esse resultado diferente de outros “feitos de IA”
Nos ultimos anos, a imprensa de tecnologia se acostumou a relatos de IA resolvendo “problemas matematicos complexos” – mas muitos desses relatos envolvem ferramentas de busca formal que percorrem espacos de prova pre-definidos ou sistemas treinados especificamente para um tipo de problema. O caso da conjectura de Erdos e diferente por varias razoes.
Primeiro, o modelo nao foi treinado especificamente para este problema. Ele aplicou raciocinio geral sobre matematica para navegar em um espaco de possibilidades muito aberto, sem um roteiro claro de como proceder. Segundo, o resultado nao e uma prova formal verificavel por computador no sentido tradicional – e uma construcao matematica que exigiu a verificacao critica de especialistas humanos. Terceiro, o modelo chegou a uma conclusao que contradiz a intuicao predominante na comunidade matematica, o que e muito mais dificil do que confirmar o que ja se suspeitava.
Thomas Bloom, matematico que revisou o resultado, contextualizou a descoberta como “uma mudanca na intuicao sobre o problema” – o tipo de avanco que reorienta como os pesquisadores pensam sobre o espaco de solucoes, mesmo que a prova final ainda precise ser refinada.
Implicacoes para a pesquisa matematica e cientifica
O resultado da OpenAI abre uma discussao importante sobre o papel dos modelos de IA na pesquisa matematica. Por decadas, computadores foram usados para verificar provas – a prova do Teorema das Quatro Cores, em 1976, foi o marco inaugural desse uso. Mais recentemente, sistemas como o Lean e o Coq permitem que matematicos escrevam provas que sao verificadas formalmente por computador.
O que o modelo da OpenAI fez e diferente: ele nao verificou uma prova humana, nem percorreu um espaco de busca pre-definido. Ele gerou uma ideia matematica nova em resposta a um problema aberto. Se isso pode ser reproduzido de forma sistematica, as implicacoes vao muito alem da matematica.
A OpenAI afirmou que capacidades similares poderiam acelerar a pesquisa em biologia, fisica, ciencia dos materiais e medicina – areas onde existem dezenas de problemas abertos cujo progresso dependeria de saltos de intuicao do tipo que o modelo demonstrou no caso de Erdos. A empresa descreveu o resultado como exemplo de como modelos de fronteira podem funcionar como “colaboradores originais” em pesquisa cientifica, nao apenas como assistentes.
Cautela necessaria: o que isso nao significa
E importante nao extrapolar o resultado alem do que os fatos suportam. O modelo da OpenAI resolveu um problema especifico de geometria combinatoria – um dominio altamente estruturado e com criterios de correcao claros. Isso nao significa que a IA pode, hoje, resolver qualquer problema aberto de matematica ou ciencia.
Problemas como a hipotese de Riemann, os problemas do Milenio ou a conjectura de Collatz envolvem estruturas de complexidade muito diferente, e nao ha evidencias de que os modelos atuais estejam proximo de resolve-los. O que o caso Erdos demonstra e que, para uma classe especifica de problemas – aqueles que se beneficiam de busca ampla em espacos combinatorios e de aplicacao criativa de ferramentas algebraicas – os modelos de raciocinio avancados ja atingiram um nivel que merece atencao da comunidade matematica.
O matematico Fields-medalist Terence Tao, que comentou o resultado em seu blog, foi cauteloso mas reconheceu a relevancia: “Este e o tipo de avanco que nos obriga a revisar nossas suposicoes sobre o que a IA pode fazer em matematica. Nao e AGI, mas e definitivamente algo que precisamos levar a serio.”
O que esperar nos proximos meses
A OpenAI indicou que planeja disponibilizar acesso ampliado ao modelo de raciocinio utilizado na descoberta atraves da API, com potencial integracao ao ChatGPT para usuarios de niveis superiores de assinatura. Pesquisadores ja estao mapeando outros problemas abertos em combinatoria, teoria dos grafos e teoria dos numeros que podem ser atacados com abordagens similares.
O resultado da conjectura de Erdos pode marcar o inicio de uma nova fase na relacao entre matematica e inteligencia artificial – uma fase em que os modelos nao apenas ajudam matematicos a escrever e verificar provas, mas contribuem com insights originais para o avanco do conhecimento. Se essa tendencia se confirmar, as proximas decadas da matematica serao diferentes de tudo o que veio antes.
Fonte: OpenAI – An OpenAI model has disproved a central conjecture in discrete geometry
