Pesquisa· atualizado em · 4 min de leitura· Redação Invision

IA avança da matemática para a física teórica e acende alerta sobre verificação

Estudo de Neil Thompson mostra que modelos da OpenAI saltaram de 2% para 35% de acertos em problemas teóricos de física e economia entre 2024 e 2026.

Cientistas analisando dados em um laboratório de pesquisa
Imagem ilustrativa: Smithsonian Institution/Science Service; Restored by Adam Cuerden · Public domain · origem

Resumo: Modelos de fronteira da OpenAI passaram de cerca de 2% para aproximadamente 35% de acertos em problemas teóricos de áreas como física quântica, cosmologia e teoria econômica entre meados de 2024 e meados de 2026. O avanço importa porque sugere que a automação que abalou a matemática pode se repetir em outros campos científicos — e expõe a necessidade de verificar as soluções geradas por IA.

Pontos-chave

  • Modelos da OpenAI passaram de cerca de 2% para aproximadamente 35% de acertos em problemas teóricos entre 2024 e 2026
  • O estudo testou o1, o3, GPT-5, GPT-5.1, GPT-5.4 e GPT-5.5 com soluções fora do corte de treinamento
  • Áreas como física quântica, cosmologia e teoria econômica estão no radar do avanço da IA
  • A OpenAI já retirou soluções de um dataset após a publicação, mostrando a necessidade de verificação
Nesta matéria

O que o estudo de Neil Thompson descobriu?#

Pesquisador que estuda o progresso da computação e da inteligência artificial no MIT, Neil Thompson apresentou resultados que apontam uma escalada rápida na capacidade de modelos de fronteira resolverem problemas teóricos. O levantamento foi feito com Gabriel Manso, doutorando, e Claudio Mayrink Verdun, cientista de pesquisa.

Segundo o estudo, entre meados de 2024 e meados de 2026, os melhores modelos de IA saíram de cerca de 2% de acertos para aproximadamente 35% em problemas teóricos de probabilidade, teoria estatística, teoria econômica, teoria de altas energias, gravitação e cosmologia, e física quântica.

A conclusão central é que não há sinais claros de desaceleração nesse ritmo. Para Thompson, em poucos anos muitas questões teóricas devem ser completamente transformadas pela capacidade da IA de resolvê-las.

Como os modelos da OpenAI foram testados?#

Os pesquisadores selecionaram problemas enunciados em artigos científicos publicados entre dezembro de 2025 e maio de 2026. Em seguida, testaram se diferentes modelos da OpenAI — o1, o3, GPT-5, GPT-5.1, GPT-5.4 e GPT-5.5 — conseguiam chegar às soluções.

O desenho do teste é relevante: as respostas estavam em artigos publicados depois do corte de treinamento do GPT-5.5 e dos modelos anteriores. Ou seja, as soluções não podiam ter sido memorizadas a partir dos dados de treino, e os modelos precisavam raciocinar por conta própria.

Os pesquisadores também bloquearam o acesso à internet, impedindo que os modelos consultassem as respostas online. Os artigos posteriores serviram como referência para checar se as soluções apresentadas estavam corretas.

  • Modelos avaliados: o1, o3, GPT-5, GPT-5.1, GPT-5.4 e GPT-5.5
  • Problemas extraídos de artigos publicados entre dezembro de 2025 e maio de 2026
  • Sem acesso à internet e com soluções fora do corte de treinamento

Por que a matemática virou o epicentro do debate?#

O estudo chega depois de um episódio que abalou a comunidade matemática. Em setembro, a OpenAI anunciou que um modelo ainda não lançado havia resolvido o desafio de Navier-Stokes, ligado às equações que descrevem o comportamento dos fluidos.

O caso gerou controvérsia: um matemático da NYU, que trabalhava com outro acadêmico associado à Anthropic, acusou a OpenAI de ter agido de forma oportunista ao saber do progresso do grupo. Desde então, a OpenAI e outras empresas anunciaram centenas de soluções para problemas matemáticos antigos.

Parte dos matemáticos passou a pedir limites ao uso da IA, argumentando que o processo de resolver um problema costuma ser tão valioso quanto a resposta final.

Quais campos científicos podem ser os próximos?#

Além da matemática, o estudo indica que áreas com forte carga teórica e matemática devem sentir os efeitos. Probabilidade, estatística teórica, economia teórica, altas energias, gravitação, cosmologia e física quântica aparecem como candidatas naturais.

Os autores reconhecem uma limitação importante: o trabalho focou apenas em campos nos quais a IA podia chegar à solução sem precisar rodar simulações ou experimentos. Áreas que dependem de dados experimentais não foram avaliadas.

Ainda assim, a leitura é de que as ondas de choque vistas na matemática tendem a se propagar para outras disciplinas de pesquisa científica.

A IA substitui os cientistas ou só muda o trabalho deles?#

Thompson observa que avanços teóricos às vezes impulsionam avanços práticos na ciência, e que o uso maior de IA pode aumentar a frequência desse caminho. Grandes laboratórios de IA já criaram iniciativas voltadas à ciência e ampliam investimentos em pesquisa.

Mas os pesquisadores não defendem que especialistas se tornem dispensáveis. Eles afirmam que ainda será necessário interpretar as soluções e confirmar se fazem sentido.

Manso lembra que a IA pode errar em problemas muito complexos e cita um exemplo concreto: a própria OpenAI retirou várias soluções de seu conjunto de dados mais recente depois da publicação. Para ele, é preciso ter meios de verificar o que foi feito.

  • Especialistas seguem necessários para gerar boas ideias e conectar os pontos
  • Verificação é crítica: um modelo pode afirmar que acertou e, na solução completa, revelar falhas
  • A OpenAI já retirou soluções de um dataset após a publicação

O que isso muda para quem usa IA#

Para equipes que desenvolvem com IA, o estudo reforça duas lições práticas. A primeira é que modelos de fronteira estão assumindo tarefas teóricas que antes pareciam reservadas a especialistas, o que amplia o leque de aplicações em pesquisa e análise. A segunda é que a confiança no resultado precisa vir de validação, não da fluência da resposta.

Ferramentas que dão acesso a vários modelos por uma única chave, como a Invision, ajudam equipes a comparar respostas entre modelos e a construir rotinas de checagem. O ponto de atenção é tratar a saída da IA como hipótese a ser verificada, não como conclusão encerrada.

Para desenvolvedores, isso significa investir em avaliação automatizada, revisão humana em pontos críticos e registros de como cada resposta foi obtida. A notícia não informa preços, prazos de lançamento ou disponibilidade comercial dos modelos citados.

Perguntas frequentes

A IA já resolve problemas de física teórica?

Segundo o estudo apresentado por Neil Thompson no MIT, os melhores modelos passaram de cerca de 2% para aproximadamente 35% de acertos em problemas teóricos de física quântica, cosmologia e áreas relacionadas entre meados de 2024 e meados de 2026.

Quais modelos da OpenAI foram testados?

Foram avaliados o1, o3, GPT-5, GPT-5.1, GPT-5.4 e GPT-5.5 em problemas publicados depois do corte de treinamento, sem acesso à internet para buscar as respostas.

A IA pode errar ao resolver problemas científicos?

Sim. Os pesquisadores alertam que modelos podem dar respostas erradas em problemas complexos e que a OpenAI já retirou soluções de um conjunto de dados após a publicação. Por isso, verificação é necessária.

A inteligência artificial vai substituir cientistas teóricos?

Os autores do estudo dizem que não. Especialistas continuam necessários para gerar boas ideias, interpretar soluções e confirmar se elas são corretas.

iamatemáticafísicaopenaipesquisa científica

Fonte original: AI Came for Math. Now It’s Chasing the Rest of Science (Wired). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.