Em 26 de outubro de 2026, a OpenAI anunciou três resultados produzidos por seus modelos em matemática, ciência da computação e física. Entre eles está uma afirmação de grande impacto teórico: um algoritmo que refutaria a Hipótese do Tempo Exponencial (ETH, na sigla em inglês), uma suposição proposta em 1999 que sustenta resultados de dureza condicional em centenas de artigos. Horas depois, a Anthropic publicou sua própria refutação do mesmo problema, atribuída a um modelo interno Claude.
É fundamental classificar o que foi anunciado: trata-se de uma declaração dos laboratórios, não de um resultado já confirmado pela comunidade científica. Nenhuma das duas provas passou, até o momento, por revisão por pares completa ou por verificação independente publicada. A OpenAI descreve seus manuscritos como dados brutos de pesquisa que ainda precisam ser convertidos em compreensão científica.
O que é a Hipótese do Tempo Exponencial
A ETH afirma, em termos simplificados, que o problema lógico conhecido como 3-SAT não pode ser resolvido em tempo subexponencial no pior caso — ou seja, que o tempo necessário cresce exponencialmente com o número de variáveis. Os dois laboratórios afirmam ter encontrado algoritmos determinísticos que contam as atribuições satisfazentes de fórmulas em tempo subexponencial, o que, se estiver correto, derrubaria a hipótese.
Segundo os relatos, os dois laboratórios datam a descoberta central do mesmo dia, 16 de outubro de 2026. A OpenAI diz que seu resultado foi formalizado no assistente de provas Lean no dia seguinte, e a Anthropic afirma que seu modelo interno encontrou o algoritmo central sem intervenção humana, com cerca de 14 milhões de tokens de saída, também em 16 de outubro. As duas formalizações em Lean foram publicadas no GitHub, ao lado dos manuscritos.
Quem está verificando as provas
A verificação está nas mãos de especialistas externos, chamados de “shepherds” pela OpenAI. No caso da ETH, o grupo é liderado por Russell Impagliazzo e Ramamohan Paturi, da Universidade da Califórnia em San Diego — dois dos autores da hipótese original — e por Ryan Williams, do MIT. Em carta aberta, os três deixaram claro que a participação deles não deve ser interpretada como certificação da afirmação. Williams descreveu partes da prova da OpenAI como “alienígenas”, no sentido de pouco familiares, e defendeu que toda a comunidade precisa examinar o material em conjunto.
Efeito prático: nenhum, por enquanto
Mesmo que as provas se confirmem, o efeito prático é, por enquanto, nulo. O próprio artigo da OpenAI, segundo os relatos, afirma que o resultado não trata diretamente da questão P versus NP e não gera algoritmos práticos para problemas NP-completos. O artigo da Anthropic, também segundo os relatos, ressalva que o limite provado só supera a força bruta para fórmulas astronomicamente grandes, sem mudar os resolvedores usados na prática. A OpenAI ainda informou aos revisores, segundo o TechCrunch, que suas verificações iniciais não indicam quebra de sistemas criptográficos atuais.
Além da ETH, a OpenAI anunciou outros dois resultados no mesmo pacote: uma prova da conjectura de suavização local de Sogge em todas as dimensões, com implicações para as conjecturas de Kakeya e de restrição de Stein, e resultados de existência matemática para teorias quânticas de campos em quatro dimensões, incluindo a cromodinâmica quântica (QCD) e a teoria de Yang-Mills pura. O material de física, porém, não foi liberado integralmente: o grupo liderado pelo Nobel David Gross optou por escrever sua própria interpretação antes da divulgação, decisão que foi publicamente questionada por um grupo consultivo do Instituto de Estudos Avançados.
O episódio marca um novo capítulo na ciência assistida por IA: modelos geram candidatos a prova em velocidade inédita, mas a validação continua sendo o gargalo — e, desta vez, ela está sendo feita em público, com os próprios autores da hipótese original à frente da checagem.
Fontes: WebProNews; Tech Times; CellCog; Dealroom; repositório de matemática da OpenAI no GitHub; carta aberta do grupo de discussão da ETH.
Crédito da imagem: Wikimedia Commons, autor Behnam Esfahbod. Diagrama das classes de complexidade P, NP, NP-completo e NP-difícil, usado aqui como ilustração do contexto teórico — não é material da OpenAI ou da Anthropic.
Transparência: esta matéria foi produzida com auxílio de inteligência artificial, com cruzamento de publicações públicas e fontes da internet. As afirmações sobre as provas são apresentadas como declarações dos laboratórios, não como resultados já validados. Consulte as fontes originais antes de citar os resultados.
Muse
