OpenAI lança blog de ciência e publica definição do Modelo Padrão em rede feita com GPT-6 Astra

A OpenAI lançou em 15 de novembro de 2026 um blog de ciência voltado a pesquisadores, e abriu a publicação com um trabalho de física teórica: o físico Nathaniel Craig, da Universidade da Califórnia em Santa Bárbara e cientista visitante da OpenAI, propõe uma definição candidata do Modelo Padrão em rede — um reticulado que representa o espaço-tempo — construída com a ajuda do modelo GPT-6 Astra. O trabalho é um preprint de outubro, preparado com o auxílio da Astra.

O que o blog vai publicar

Segundo o anúncio, o blog vai reunir três tipos de material: resultados científicos novos da OpenAI, de colaboradores e da comunidade; orientações práticas sobre o uso dos modelos em computação científica, análise de dados, revisão de literatura e planejamento de experimentos; e relatos em primeira pessoa de pesquisadores sobre como a IA está mudando suas áreas. Os textos sobre métodos prometem mostrar abordagens que outros pesquisadores possam adaptar — incluindo como conferir o trabalho feito com IA e onde cada método falha.

Como pano de fundo, a OpenAI cita resultados recentes: em setembro, um sistema interno da empresa produziu uma prova sobre o problema da existência e da suavidade de Navier-Stokes; no início de outubro, vieram resultados matemáticos, incluindo um avanço sobre a quase-hipótese de Riemann; e, em biologia, pesquisadores da PerturbAI e do Scripps Research usaram milhares de agentes com o GPT-Rosalind para analisar dados experimentais de milhões de células do cérebro de camundongos em 32 minutos.

Um problema aberto há mais de 50 anos

O Modelo Padrão descreve as partículas elementares conhecidas e três das quatro forças fundamentais — a força forte, a fraca e o eletromagnetismo — com um acordo extraordinário entre teoria e experimento. Mas há um problema de fundo, aberto há mais de 50 anos: dar à teoria uma definição não perturbativa, que não dependa de tratar as interações como pequenas correções. A teoria de perturbações funciona bem quando as correções diminuem a cada termo, mas falha onde as interações são essenciais — como na massa do próton, que vem sobretudo do movimento e das interações dos quarks e glúons dentro dele.

Uma saída promissora é discretizar o espaço-tempo em uma rede de pontos, a chamada rede (lattice), o que permite definir a teoria de forma rigorosa em um dado espaçamento e colocá-la no computador para calcular previsões diretamente. A abordagem já rendeu avanços na compreensão da força forte, incluindo o cálculo da massa do próton a partir de primeiros princípios. Mas o Modelo Padrão é uma teoria quiral: a força fraca trata férmions canhotos e destros de forma diferente. Ao colocar um férmion canhoto na rede, as regras mais naturais produzem um parceiro destro que ninguém pediu — o problema da duplicação, formalizado pelo teorema de Nielsen-Ninomiya, de 1981. Por isso uma definição completa do Modelo Padrão em rede seguia em aberto.

O que Craig e a Astra propuseram

A ideia de Craig foi representar os campos de força da rede em uma sucessão de redes cada vez mais finas e comparar os estados de férmions permitidos entre duas redes vizinhas: somando essas diferenças, recupera-se a correção de fase na rede original. A prova mostra que a correção é a certa em torno de cada laço permitido, depende sobretudo dos campos próximos e não muda com a descrição matemática escolhida. Segundo Craig, o GPT-6 Astra foi essencial para transformar a estratégia em uma construção: sugeriu a forma certa de levar os campos de força para redes mais finas, mostrou que as comparações convergiriam para uma resposta definida e assumiu a liderança no desenvolvimento da prova detalhada. Três especialistas em teoria de campo em rede — Maarten Golterman, Andreas Kronfeld e Yigal Shamir — revisaram a prova e fizeram perguntas que ajudaram Craig a ganhar confiança no resultado.

O preprint, intitulado “A Gauge-Invariant Measure for Lattice Chiral Fermions” e submetido ao arXiv em 6 de outubro de 2026 (arXiv:2610.09093), tem 123 páginas. Ele resolve uma peça que faltava há mais de 25 anos: a prescrição de fase para o Modelo Padrão completo — Martin Lüscher já havia resolvido o problema para teorias mais simples, como uma versão quiral do eletromagnetismo, mas o alinhamento para o Modelo Padrão inteiro permanecia aberto. O trabalho de Craig não chegou sozinho: em menos de quatro semanas, três artigos sobre o mesmo problema apareceram, incluindo abordagens de Stephen Hsu e de Edward Witten.

O que ainda falta provar

Apesar do avanço, o próprio Craig é enfático: o resultado é uma definição candidata, muito mais uma resposta em princípio do que uma resposta na prática. Falta o diálogo científico entre especialistas para decidir se a construção tem todas as propriedades desejadas, e ainda há muito trabalho para torná-la útil em simulações realistas de rede. O próximo passo que Craig está investigando, com o GPT-6 Astra, é se a construção satisfaz a positividade de reflexão em espaçamento finito — uma condição que ajuda a conectar os cálculos em rede a uma teoria quântica em que as probabilidades são conservadas.

Também segue em aberto a definição da teoria de interação no espaço-tempo contínuo. Craig aponta como peça que faltava a prova recente da OpenAI sobre a existência da teoria de Yang-Mills — da qual as forças forte e fraca são exemplos —, que permitiu provar a existência da teoria de Yang-Mills unificada mais simples que inclui os campos de gauge e os férmions do Modelo Padrão. Em resumo: é um passo documentado e revisado por especialistas, mas ainda uma proposta — não uma conclusão científica assentada nem uma ferramenta pronta para simulações.

O GPT-6 Astra é o mesmo modelo no centro de outra aposta da OpenAI: a empresa reorganizou sua equipe de robótica para apostar em modelos gerais como o Astra no controle direto de robôs.

Imagem: diagrama com três redes cada vez mais finas, mostrando a correção de fase dos férmions. Crédito: Nathaniel Craig / GPT-6 Astra, via OpenAI.

Fontes

Nota de transparência: esta matéria foi produzida com auxílio de inteligência artificial, a partir de publicações públicas e fontes da internet, e revisada editorialmente. Consulte as fontes originais para confirmar as informações.

Por Muse