OpenAI afirma prova do Navier-Stokes e divide matemáticos hoje

Matemática

OpenAI apresenta prova automatizada do problema de Navier-Stokes, gerando debate intenso na comunidade científica.

Leia também: Agentes de IA invadem sistemas de empresas na Índia em testes

A OpenAI colocou a comunidade de matemática pura em ebulição ao divulgar, em setembro, uma potencial prova do problema de Navier-Stokes problem, um dos problemas do milênio, escrita em 166 páginas de código Lean e produzida com cerca de 10 mil instâncias de modelo de linguagem; desde então, matemáticos afirmam que a empresa erra ao dizer que segue um método clássico e nem entende bem o que sua própria inteligência artificial fez.

Matemáticos dizem que abordagem da OpenAI é outra

No anúncio, a OpenAI afirmou que a prova seguiria a linha de ataque proposta pelos espanhóis Diego Córdoba e Luis Martínez-Zoroa. A leitura detalhada por especialistas, porém, leva a outra conclusão. Para Gonzalo Cao-Labora, matemático da EPFL, as semelhanças são de superfície.

“Quando você vai aos detalhes, é uma abordagem diferente”, diz Cao-Labora. A crítica mira o coração da narrativa da empresa: ao reivindicar parentesco com uma técnica conhecida, a OpenAI sugeria continuidade com a literatura existente, enquanto parte da comunidade vê um caminho distinto, ainda pouco explicado em linguagem humana.

O texto da prova está formalizado em Lean, linguagem de verificação lógica que checa cada passo do argumento, mas não o torna imediatamente legível para matemáticos sem tradução adicional. Desde a divulgação, o Clay Mathematics Institute passou a revisar o material, num processo que pode levar meses ou anos antes de qualquer reconhecimento formal.

Disputa sobre ideias e autoria

A polêmica ganhou um segundo eixo ainda antes da publicação. Tristan Buckmaster, matemático da Universidade de Nova York, acusou a OpenAI de ter se apoiado em trabalhos que ele e Levent Alpöge, da Anthropic, haviam conduzido com modelos públicos de linguagem.

A empresa negou ter usado dados de Buckmaster, mas a contestação escancara um problema novo em pesquisas assistidas por IA: a rastreabilidade das ideias em sistemas de linguagem treinados em massa. Para Camillo De Lellis, do Institute for Advanced Study, a natureza de “caixa-preta” desses modelos torna “praticamente impossível” saber com certeza quais fontes influenciaram a solução que emergiu.

A incerteza sobre a genealogia das ideias se soma à dúvida central: ainda não há consenso se o argumento apresentado de fato resolve o problema de Navier-Stokes nas condições exigidas para o prêmio do milênio.

O que é o problema de Navier-Stokes problem?

O problema de Navier-Stokes problem é um dos sete problemas do milênio, propostos pelo Clay Mathematics Institute, e trata da existência e suavidade das soluções das equações de Navier-Stokes, que modelam o fluxo de fluidos como ar e água em três dimensões ao longo do tempo. Em termos práticos, é a questão de saber se essas equações fundamentais sempre têm soluções bem-comportadas ou se podem “explodir” em singularidades imprevisíveis.

Resolver o problema significa estabelecer, com prova rigorosa, se essas equações se comportam de modo estável em todas as situações relevantes ou se há cenários em que o modelo físico quebra. O Clay oferece um prêmio milionário para quem apresentar uma demonstração aceita pela comunidade matemática — algo que, historicamente, exige escrutínio prolongado.

IA em enxame, custo astronômico e pouco entendimento

No lado tecnológico, a OpenAI usou uma estratégia de força bruta em escala inédita para a matemática: cerca de 10 mil instâncias de modelo rodaram por aproximadamente 88 horas, processando 130 bilhões de tokens para chegar à possível solução de Navier-Stokes. A empresa descreve esse arranjo como um sistema multiagente, em que vários modelos colaboram e competem para construir argumentos.

Mesmo por dentro da operação, porém, não há clareza sobre o que essa “multidão” de agentes efetivamente fez. “Ninguém realmente sabe o que essa enorme multidão de agentes contribuiu para o resultado”, admite Noam Brown, pesquisador da própria OpenAI.

Testes controlados para comparar, por exemplo, o desempenho de 10 mil agentes contra o de 1 mil seriam necessários para medir ganhos concretos, mas quase impraticáveis pelo custo computacional. “É praticamente impossível dizer qual vantagem concreta 10.000 agentes têm sobre 1.000”, afirma Brown.

Segundo ele, menos de 10% do sucesso pode ser atribuído ao sistema multiagente. O peso maior estaria no modelo base em si, capaz de manter linhas de raciocínio longas e trabalhar em paralelo. Na prática, o projeto serviu mais como demonstração de força computacional do que como estudo controlado da melhor arquitetura para descoberta matemática.

Entenda o contexto

Modelos de linguagem vêm ganhando espaço em matemática por auxiliar em conjecturas, explicar provas e até gerar esboços de demonstrações. A aposta da OpenAI foi dar um salto: usar inteligência artificial não só como assistente, mas como protagonista na resolução de um problema aberto de altíssimo prestígio.

O uso de Lean como linguagem de saída responde à exigência de rigor formal: uma prova aceita por assistentes de verificação automática reduz o risco de erros humanos em argumentos que podem ocupar centenas de páginas. O custo é a legibilidade: transformar um código formal de 166 páginas em uma narrativa matematicamente compreensível exige um trabalho adicional que ainda não foi feito de forma ampla.

Dump no GitHub irrita comunidade

A tensão aumentou em outubro, quando a OpenAI publicou em um repositório no GitHub cerca de 400 resultados adicionais, em formato de “lote” de provas e argumentos formais. Em vez de comemoração, a iniciativa gerou incômodo.

Para muitos matemáticos, despejar centenas de resultados de uma só vez, sem contextualização detalhada nem revisão tradicional, passa a mensagem de que bastaria gerar provas em massa para produzir conhecimento, o que é visto como desvalorização do trabalho de compreensão, exposição e checagem independentes que caracteriza a pesquisa em matemática.

O volume de material também pressiona a capacidade da academia de avaliar tudo com o cuidado necessário. Na prática, poucos grupos conseguem acompanhar cada resultado, o que alimenta o temor de que provas potencialmente importantes passem despercebidas — ou, no extremo oposto, de que argumentos falhos circulem com o selo informal de uma grande empresa de IA.

Rigor, ética e o futuro da pesquisa com IA

O Clay Mathematics Institute segue revisando a prova de Navier-Stokes da OpenAI, sem prazo definido para um veredito. Até lá, a solução permanece em um limbo: ao mesmo tempo um feito técnico impressionante em termos de computação e um objeto cercado de dúvidas sobre originalidade, método e interpretação.

O caso expõe questões que vão além de um único problema matemático. Há disputas de propriedade intelectual, com Buckmaster e outros pesquisadores cobrando clareza sobre como dados e ideias circularam entre academia, empresas e modelos treinados em larga escala. Há, também, um debate sobre transparência: quanto de uma prova gerada por IA precisa ser explicado em linguagem humana para ser considerada compreendida?

Para empresas que veem na IA uma ferramenta para acelerar descobertas em ciência, o episódio funciona como alerta. A OpenAI conseguiu mostrar que modelos de linguagem, rodando em enxames de milhares de agentes, podem formalizar argumentos complexos em sistemas como Lean. Mas a reação da comunidade indica que, sem rigor na atribuição de ideias, sem clareza sobre o papel da máquina no resultado e sem integração com os rituais de validação da ciência, a distância entre um feito de engenharia e um avanço aceito no conhecimento matemático continua grande.

Fonte: matéria original