OpenAI publica 722 manuscritos de matemática escritos por IA; matemáticos reagem

A IA consegue produzir pesquisa matemática mais rápido do que os humanos conseguem verificá-la com segurança.

A mudança central não é que a matemática tenha sido automatizada, mas que produzir pesquisa plausível em escala está se tornando algo separável de validá-la.

O que isso significa. Em 6 de outubro, a OpenAI publicou 722 manuscritos agrupados em 372 famílias de resultados, gerados predominantemente por um modelo interno ainda não lançado depois de tentar cerca de 4.000 problemas. A OpenAI estima que cada resultado consumiu, em média, computação equivalente a três horas de raciocínio do ChatGPT Pro. O repositório inclui formalizações no Lean para alguns resultados e resumos abreviados do raciocínio: openai.com e github.com.

O catálogo inicial já tinha caído para 719 manuscritos depois de três retiradas em 7 de outubro. Um erro de sinal invalidou um argumento em um manuscrito e uma construção usada por dois manuscritos dependentes. A OpenAI também informou ter corrigido outros 14 manuscritos: github.com. O episódio demonstra tanto o potencial da IA para a pesquisa quanto o perigo de tratar volume de publicação como descoberta verificada.

A verificação precisa fazer parte do resultado. O Lean consegue verificar mecanicamente demonstrações formalizadas, mas um manuscrito sem formalização ainda precisa de escrutínio matemático. Além disso, a verificação formal depende de especificar corretamente o teorema e as hipóteses relevantes. A própria documentação do repositório reconhece que alguns resultados não formalizados podem conter problemas: github.com e lean-lang.org.

O grupo independente Advisory Group on Mathematics and Artificial Intelligence diz explicitamente que a publicação inicia, e não conclui, o processo de incorporar trabalhos gerados por IA ao conhecimento matemático. O grupo também argumenta que os matemáticos precisam manter a liberdade de formular as próprias perguntas e que o acesso a ferramentas de pesquisa e a recursos computacionais importa: agmai.org.

Crédito e incentivos. O risco imediato é que pesquisadores passem meses perseguindo por conta própria problemas já tratados em experimentos inacessíveis com IA, ou que suas contribuições fiquem difíceis de distinguir do trabalho gerado por máquina. Reportagens sobre a divulgação descrevem preocupações com programas de pesquisa interrompidos e com matemáticos em início de carreira: businessinsider.com. O crédito matemático deve distinguir quem formulou o problema, quem desenvolveu o argumento, quem o verificou e quem escreveu ou revisou a exposição. Sistemas de IA não podem assumir responsabilidade acadêmica no lugar de autores humanos.

O que deve acontecer agora?

• Matemáticos: priorizar a replicação independente dos resultados mais relevantes, examinar as dependências entre manuscritos, publicar correções abertamente e guardar registros datados das contribuições. Não presumir que um resultado é verdadeiro ou falso só porque foi produzido por IA.
• Estudantes: aprender a escrever demonstrações e a fazer verificação formal junto com a exploração assistida por IA. Tratar o que o modelo produz como conjectura ou demonstração candidata até que seja verificado.
• Periódicos: exigir declarações explícitas de uso de IA, autoria humana responsável, materiais de apoio reproduzíveis e distinção clara entre afirmações verificadas formalmente e afirmações revisadas de forma independente. Criar procedimentos rápidos de correção para resultados dependentes.
• Laboratórios de IA: lançar modelos acessíveis ou oferecer acesso equivalente para pesquisa e documentar prompts e métodos o suficiente para permitir a replicação. Também devem indicar o status de verificação artigo por artigo, publicar mapas de dependências, financiar a verificação independente e manter históricos de versões duradouros.

A necessidade dessas salvaguardas está de acordo com as recomendações de setembro da AGMAI. Elas pedem explicitamente que os laboratórios de IA parem de testar problemas matemáticos avançados em modelos proprietários indisponíveis para a comunidade científica em geral: agmai.org.

O que acontece a seguir? O desfecho mais provável no curto prazo é um fluxo de pesquisa misto: a IA gera resultados candidatos, os humanos determinam sua relevância e correção, e os assistentes de provas formais cuidam cada vez mais das partes verificáveis. A medida decisiva não será quantos manuscritos um modelo escreve, mas quantos resistem ao escrutínio independente e se tornam conhecimento matemático útil.

1. openai.com
2. github.com
3. github.com
4. github.com
5. agmai.org
6. agmai.org
7. businessinsider.com
8. unite.ai
9. lean-lang.org
10. openai.com
11. developers.openai.com

IA produziu 719 demonstrações matemáticas em massa; ninguém fora da OpenAI consegue testar as afirmações ainda

O que aconteceu. Em 6 de outubro de 2026, a OpenAI publicou 722 manuscritos em 372 famílias em github.com/openai/math, sob a licença Apache-2.0 (unite.ai). Eles vieram de um modelo interno sem nome que recebeu cerca de 4.000 problemas. Cada resultado usou, em média, cerca de três horas de computação de nível ChatGPT Pro (github.com). Cerca de 42% dos resultados principais estão formalizados no Lean (github.com), e cerca de metade foi divulgada sem confirmação (retractionwatch.com). Em 7 de outubro, a OpenAI retirou três artigos porque um +1 deveria ser -1. O erro derrubou 'Algebraicity of Weil classes on split abelian eightfolds' e dois artigos que dependiam dele. A OpenAI também revisou outros 14 manuscritos (retractionwatch.com, implicator.ai). O catálogo agora lista 719 manuscritos (github.com).

O que isso significa. 1) A parte difícil da matemática agora é verificar resultados, não produzi-los. Um lote desse tamanho supera a capacidade de qualquer revisão humana. As retiradas mostram que resultados não verificados por computador podem falhar, e que as erratas versionadas no GitHub passam a fazer parte do registro (github.com). O Lean prova apenas o enunciado do jeito que foi digitado. Uma pessoa ainda precisa confirmar que o enunciado formal corresponde à conjectura real (letsdatascience.com). 2) Quem está de fora não consegue reproduzir o trabalho. Os prompts, o nome do modelo e a computação usada por problema continuaram em sigilo (letsdatascience.com). Andrew Sutherland, do MIT, disse que afirmações de que o modelo resolveu problemas de primeira devem ser tratadas como não verificadas até que o modelo seja lançado (letsdatascience.com). 3) O crédito está em disputa. O README traz apenas citações em BibTeX e não tem política de autoria (github.com). A afirmação da OpenAI sobre Navier–Stokes, em setembro, já tinha gerado uma disputa por crédito (letsdatascience.com). 4) A comunidade está dividida. O grupo consultivo ligado ao IAS (AGMAI) pediu aos laboratórios que depositem os resultados em arquivos que nenhum laboratório controle, que divulguem prompts, tempo e custo, e que relatem as tentativas fracassadas. Também disse que 'não endossamos' testes feitos em modelos inacessíveis (unite.ai). A Association for Human Mathematics chamou a divulgação de 'uma demonstração de poder' e pediu aos matemáticos que parem de trabalhar com a OpenAI (retractionwatch.com).

O que vem a seguir. Espere mais erratas, mais provas no Lean e provavelmente mais retiradas. A OpenAI prometeu as três coisas (retractionwatch.com). A empresa também diz que está trabalhando para 'lançar de forma responsável' o modelo, mas não deu data (unite.ai). Segundo relatos, o modelo ainda está em treinamento (aiweekly.co). Outros laboratórios provavelmente vão fazer afirmações em massa parecidas, e as brigas sobre regras de divulgação vão ficar mais acirradas.

O que fazer agora.

• Matemáticos: escolher resultados da própria área e auditá-los, ou formalizá-los no Lean. Cada resultado confirmado ou derrubado é um dado real. Dar crédito aos humanos que corrigem ou verificam uma demonstração. Muitos desses problemas agora estão 'reivindicados', não resolvidos.
• Estudantes: usar o repositório para aprender. Verificar se cada enunciado no Lean corresponde de fato ao teorema, ler os resumos de raciocínio e praticar a busca de erros. Saber verificar demonstrações virou uma habilidade valiosa.
• Periódicos e arXiv: exigir o nome do modelo, os prompts, a computação usada e o status de formalização de qualquer resultado produzido por IA. Financiar a verificação como uma frente própria da revisão por pares e manter visíveis as versões retiradas.
• Laboratórios de IA: seguir a AGMAI integralmente. Isso significa usar um arquivo neutro com DOIs e publicar os prompts e a computação de cada resultado, as tentativas fracassadas e os critérios de seleção. Dar acesso a pesquisadores independentes para que possam replicar o trabalho e financiar a verificação humana que as próprias divulgações criam (unite.ai).

1. unite.ai
2. github.com
3. retractionwatch.com
4. implicator.ai
5. letsdatascience.com
6. aiweekly.co

Em 6 de outubro de 2026, a OpenAI publicou um repositório público no GitHub (openai/math) com 722 manuscritos matemáticos (depois reduzidos a 719) organizados em 372 famílias de resultados. Todos foram produzidos por um único modelo interno de ponta ainda não lançado. O modelo recebeu cerca de 4.000 problemas, e cada resultado aceito usou, em média, o equivalente em computação a cerca de três horas de raciocínio do ChatGPT Pro. Só uma minoria dos resultados principais veio acompanhada de formalizações no Lean (inicialmente ~162 manuscritos; depois relatados como ~42 % dos resultados principais). A OpenAI avisou que alguns resultados não formalizados poderiam conter problemas e se comprometeu a corrigi-los rapidamente. Um dia depois, retirou três manuscritos, porque um erro de sinal invalidou um argumento central e dois artigos dependentes, e revisou outros catorze. A divulgação foi apresentada como trabalho de avaliação do modelo, orientado por consultas ao grupo independente Advisory Group on Mathematics and Artificial Intelligence (AGMAI), sediado no Institute for Advanced Study. A AGMAI, porém, declarou depois que seu papel não era um endosso do processo nem um julgamento sobre o impacto dos resultados.

O episódio demonstra que modelos de ponta conseguem gerar, em pouco tempo, grandes volumes de resultados candidatos para problemas em aberto em matemática, ciência da computação teórica e áreas afins. Também expõe a distância entre a geração e os processos tradicionais de verificação, exposição, citação, contextualização e crédito. O Lean oferece garantias verificáveis por máquina para o subconjunto formalizado. Mesmo assim, as demonstrações formalizadas exigem escrutínio humano para confirmar que o enunciado no Lean corresponde ao resultado matemático alegado e que a exposição em volta é compreensível. O rápido aparecimento de um erro, a taxa incompleta de formalização e a escala gigantesca geraram ampla preocupação de que a comunidade estivesse sendo obrigada a peneirar "lixo" ou a lidar com uma tática de "inundar o campo". Críticos, incluindo a Association for Human Mathematics (cuja declaração foi amplificada por Terence Tao), descreveram a publicação simultânea de mais de 700 arquivos como uma demonstração de poder, e não de erudição, e pediram aos matemáticos que parem de colaborar com a OpenAI. A AGMAI e outros ressaltaram que a divulgação pública é apenas um primeiro passo rumo à compreensão humana.

No curto prazo, a comunidade vai continuar auditando o repositório: vão surgir mais formalizações no Lean, novos erros ou revisões virão à tona, e alguns resultados serão absorvidos ou descartados. A OpenAI disse que vai financiar oficinas e melhorar a exposição, as citações e a transparência em divulgações futuras. Periódicos, servidores de preprints e comissões de contratação terão de decidir como tratar manuscritos gerados por IA sem autoria humana clara, sem formalização completa ou sem o contexto convencional da literatura. Estudantes e pesquisadores vão ganhar novas ferramentas, mas também correr o risco de investir esforço em resultados que depois se revelem falhos ou impossíveis de interpretar.

Os matemáticos devem priorizar a verificação independente das afirmações de maior valor, exigir dados transparentes sobre a seleção de problemas e os fracassos e insistir que o status de formalização e a correspondência entre linguagem natural e Lean sejam claramente indicados. Os estudantes devem tratar os manuscritos como rascunhos não verificados até que se forme um consenso na comunidade. Os periódicos devem criar políticas explícitas para trabalhos gerados por IA (autoria, reprodutibilidade, exigências de formalização). Os laboratórios de IA devem lançar os modelos ou ferramentas suficientes para uma reavaliação independente, publicar resultados negativos e alinhar melhor seus protocolos de divulgação às diretrizes da comunidade antes de gerar novos lotes grandes.

1. github.com
2. openai.com
3. unite.ai
4. github.com
5. retractionwatch.com
6. nature.com
7. theverge.com
8. scientificamerican.com
9. agmai.org
10. ahmath.org
11. openai.com

Em 6 de outubro de 2026, a OpenAI publicou no repositório público openai/math, no GitHub, sob a licença Apache-2.0, 722 manuscritos organizados em 372 famílias, produzidos por um modelo interno de ponta ainda não lançado. O modelo recebeu cerca de 4.000 problemas, e cada resultado usou em média cerca de três horas de computação de raciocínio do ChatGPT Pro. Muitos manuscritos têm formalizações no Lean, mas só 162 tinham os resultados principais formalizados no lançamento. O README avisa que alguns resultados não formalizados podem ter problemas e que a verificação será feita em etapas.

Em 7 de outubro, o histórico do repositório registrou três retiradas. Um erro de sinal em 'Algebraicity of Weil classes on split abelian eightfolds' invalidou um argumento de cancelamento de traço de estabilização e a construção usada por dois artigos dependentes. Os três agora aparecem como retirados, com avisos sobre a lacuna. Outros catorze manuscritos foram revisados com reparos nas demonstrações, e mais 13 foram atualizados para citar as edições revisadas. O catálogo agora lista 719 manuscritos em 372 famílias, com cerca de 42% dos resultados principais formalizados (300/719).

As reações foram duras. A cobertura da imprensa registra que matemáticos se assustaram com a escala. Uma carta coletiva disse que publicar mais de 700 arquivos de uma vez 'não é uma demonstração de erudição, mas uma demonstração de poder'. A Association for Human Mathematics (AHM), presidida pelo medalhista Fields Terence Tao, acusou a OpenAI de violar normas fundamentais e pediu aos matemáticos que parem de trabalhar com ela. A AHM argumenta que os matemáticos não pediram esse trabalho e que a divulgação em massa sobrecarrega a verificação.

Para a matemática, isso significa que, pela primeira vez em grande escala, a produção de teoremas se desvincula da compreensão humana. O recurso escasso deixa de ser resolver e passa a ser verificar, explicar e integrar. O Lean deixa de ser um complemento opcional e se torna infraestrutura epistêmica necessária. Os resultados agora existem em três estados: verificados por máquina, legíveis por humanos mas não formalizados, e pistas de pesquisa.

A forma como os resultados são produzidos, verificados e creditados precisa mudar. A produção agora é uma curadoria automatizada: propor milhares de problemas e filtrá-los por relevância em famílias. A verificação precisa de histórico público versionado, identificadores persistentes e selos de status em níveis, em vez da escolha binária entre publicar ou não. O crédito é incerto: os blocos BibTeX listam o manuscrito, mas não o prompt, o custo nem os editores humanos. O Grupo Consultivo sobre Matemática e IA do IAS, consultado pela OpenAI, fez uma série de recomendações aos laboratórios. Pediu que depositem os resultados em repositórios que nenhum laboratório controle e publiquem o nome do modelo, os prompts, a cadeia de raciocínio resumida, o tempo e o custo. Pediu também que formalizem o máximo possível, expliquem os critérios de seleção e as taxas de fracasso e não usem as divulgações como marketing. Por fim, recomendou financiar oficinas, escolas de verão e livros de divulgação por meio de organizações sem fins lucrativos, com acesso equitativo aos modelos.

O que deve vir a seguir: mais retiradas e revisões e um mutirão da comunidade para ampliar a cobertura no Lean. Também devem surgir reescritas explicativas em estilo humano, como no caso do modelo da Anthropic, em que pesquisadores foram pagos para traduzir uma ideia-chave da IA. E há as oficinas financiadas que a OpenAI diz que vai realizar.

O que fazer agora: matemáticos — fazer a triagem por família e status no Lean, evitar a corrida para reivindicar resultados, organizar grupos de leitura para transformar demonstrações estranhas em ideias que possam ser ensinadas; estudantes — aprender Lean 4 e a questionar os resumos de raciocínio, mas manter a formação clássica para a intuição; periódicos e arXiv — exigir a divulgação da origem em IA, da computação e do nível de verificação, manter o histórico de versões acessível, proteger-se contra a raspagem em massa para treinamento; laboratórios de IA — seguir a AGMAI, publicar prompts e raciocínio resumido, compartilhar acesso equitativo, financiar o trabalho de compreensão, evitar despejos-surpresa de 700 arquivos e coordenar uma divulgação responsável.

1. unite.ai
2. github.com
3. github.com
4. aiweekly.co
5. glonce.com
6. davidborish.com

Divulgação em massa de manuscritos de matemática gerados por IA pela OpenAI provoca debates sobre verificação e equidade.

A OpenAI publicou no GitHub 722 manuscritos de matemática gerados por IA, organizados em 372 famílias. Com isso, a pesquisa matemática deixa de ser um trabalho de criação no ritmo humano e passa a enfrentar um enorme gargalo de verificação. Como o trabalho foi produzido por um modelo interno ainda não lançado e só uma parte foi verificada no Lean, os matemáticos se veem diante de um volume sem precedentes de preprints não verificados. Isso desafia as noções tradicionais de crédito, revisão por pares e propriedade intelectual humana.

Para a matemática, isso significa uma enxurrada de possíveis descobertas que pode sobrecarregar a capacidade humana de avaliação, a menos que venha acompanhada de assistentes de provas formais. Na produção e no crédito, a atribuição de autoria fica nebulosa, o que levanta a questão de como creditar um sistema proprietário que não foi lançado.

O que vem a seguir provavelmente será uma corrida de matemáticos independentes para verificar formalmente ou refutar os preprints restantes, junto com uma reação institucional crescente contra o controle proprietário do raciocínio matemático avançado.

Matemáticos e estudantes devem usar linguagens de provas formais como o Lean para verificar de forma independente o que as máquinas produzem. Os periódicos precisam endurecer os padrões para submissões feitas com ajuda de IA e exigir verificação formal sempre que possível. Os laboratórios de IA devem adotar práticas de ciência aberta: compartilhar os modelos por trás dos resultados ou firmar parcerias transparentes antes de inundar repositórios públicos com afirmações técnicas não verificadas.

1. unite.ai
2. github.com
3. retractionwatch.com