OpenAI publica 372 provas matemáticas feitas por IA e acende debate sobre ensino de matemática

A OpenAI publicou, em 7 de outubro de 2026, um conjunto de 372 resultados matemáticos produzidos por um modelo de fronteira interno (frontier model, o termo usado para a versão mais avançada de IA de uma empresa num dado momento), segundo reportagem do The Decoder. Cada resultado deveria resolver um problema matemático em aberto ou avançar bastante em direção a uma solução.

A lista inclui melhorias em algoritmos de computador usados no dia a dia e avanços relacionados à hipótese de Riemann, um dos problemas não resolvidos mais famosos da matemática (ele trata de como os números primos se distribuem, e segue sem prova completa há mais de 160 anos). Em vez de submeter os resultados a revistas acadêmicas com revisão por pares, a OpenAI colocou tudo num repositório público no GitHub, com histórico de revisões e citações.

Como a IA chegou lá, segundo a empresa

Segundo a OpenAI, quase todos os 372 resultados vieram de um único prompt (a instrução de texto dada ao modelo) enviado a um único agente de IA, embora alguns tenham exigido mais de uma tentativa. Em média, cada resultado consumiu cerca de três horas de computação no modo ChatGPT Pro Thinking, a camada de raciocínio mais cara disponível na assinatura paga do ChatGPT.

O contraste chama atenção: a mesma linha de modelos já havia produzido uma solução para um problema da equação de Navier-Stokes (que descreve o movimento de fluidos e tem aplicação em engenharia e meteorologia), mas aquele resultado exigiu um enxame de 10 mil agentes trabalhando em paralelo e milhões de dólares em computação. Essa solução segue em revisão formal há semanas, de acordo com a empresa.

Verificar não é o mesmo que entender

Muitas das 372 provas vêm acompanhadas de formalizações em Lean, uma linguagem de programação criada para checar provas matemáticas passo a passo de forma automática, sem depender de um matemático lendo linha por linha. A OpenAI diz que mais formalizações estão a caminho, porque o volume de resultados gerados por IA pode facilmente superar a capacidade da comunidade matemática de revisar tudo manualmente.

Aqui está o ponto que interessa a quem ensina: o Lean garante que os passos lógicos de uma prova estão corretos, mas não diz nada sobre se o resultado é relevante, original ou interessante. É a mesma distinção que qualquer professor de matemática já enfrenta na correção de uma lista de exercícios. Um aluno pode chegar à resposta certa, verificada por um gabarito ou por uma calculadora, sem ter entendido por que o caminho funciona. Verificação formal resolve a parte da correção, não a parte da compreensão.

A OpenAI também publicou detalhes de metodologia, como resumos do processo de raciocínio do modelo, estatísticas de quantos problemas ele tentou e estimativas de custo computacional. A empresa consultou o Grupo Consultivo sobre Matemática e Inteligência Artificial do Institute for Advanced Study, que inclui o medalhista Fields Timothy Gowers, e seguiu parcialmente as recomendações públicas do grupo: não divulgou os prompts usados e só compartilhou o custo médio de computação, não o custo de cada problema individualmente. A empresa deixou claro, porém, que o grupo pode opinar sobre como os resultados são comunicados, mas não sobre se ou com que velocidade eles são produzidos.

A comunidade matemática está dividida

A reação da comunidade acadêmica variou de entusiasmo a frustração, segundo o The Decoder. Num movimento recente, 25 ganhadores da medalha Fields (a mais alta honraria da matemática mundial) assinaram uma carta aberta intitulada "A Severe Misalignment of AI in Mathematics" (em português, algo como "Um grave desalinhamento da IA na matemática"), alertando para uma desconexão profunda entre os objetivos da indústria de IA e os da matemática enquanto campo de conhecimento.

Para esses matemáticos, resolver problemas é apenas uma ferramenta e um indicador do objetivo real, que é a compreensão conceitual e a geração de ideias novas. Produzir em massa afirmações matematicamente verdadeiras, argumentam, pode destruir terreno fértil para descobertas futuras em vez de alimentar o avanço do conhecimento, com efeitos que se espalhariam para outras áreas da ciência.

Gowers já havia alertado que, em uma ou duas décadas, a literatura matemática pode crescer de forma descontrolada sem que sobre nenhuma comunidade humana capaz de realmente compreendê-la. Terence Tao, outro medalhista Fields citado na reportagem, acrescentou que a formação de jovens matemáticos precisa dar ênfase ao lado humano do trabalho e limitar com rigor o uso de ferramentas de IA, para que a aprendizagem genuína e a compreensão real sobrevivam a essa transição.

O que muda para quem ensina e aprende matemática no Brasil

Essa discussão, travada entre medalhistas Fields e uma das maiores empresas de IA do mundo, desce direto para a sala de aula brasileira, da graduação em matemática e computação ao ensino médio técnico.

Para coordenadores de curso, o episódio é um bom gatilho para revisar critérios de avaliação em disciplinas de lógica, cálculo e provas formais. A pergunta que a carta dos 25 medalhistas levanta (o resultado correto substitui o entendimento?) é a mesma que qualquer coordenador já faz ao decidir se uma prova vale pela resposta final ou pelo raciocínio escrito.

Para professores, o repositório da OpenAI no GitHub pode virar material de estudo, não de cola: analisar como uma prova gerada por IA é estruturada, comparar com a formalização em Lean e discutir em turma o que falta nela (contexto, intuição, conexão com outros resultados) é um exercício concreto de pensamento crítico sobre o que a IA faz bem e o que ainda depende do raciocínio humano.

Para estudantes de matemática e computação, vale explorar o Lean como ferramenta de aprendizagem de lógica formal, já usada em cursos de ciência da computação em universidades no Brasil. Mas o alerta de Tao serve como lembrete direto: usar IA para chegar à resposta mais rápido não substitui o treino de construir o argumento sozinho, que é o que forma, de fato, um matemático ou um programador capaz de resolver problemas novos.

O episódio ainda não tem desfecho. A OpenAI prometeu financiar workshops e conferências para discutir como interpretar resultados gerados por IA, mas não recuou do ritmo de produção que motivou a carta dos 25 medalhistas. Enquanto isso, o repositório segue público e cresce, e a régua de quem decide o que conta como conhecimento matemático novo está, pela primeira vez, sendo puxada por uma empresa de tecnologia, não pela comunidade acadêmica.

Fonte: The Decoder