A humanidade demorou 80 anos a não conseguir resolver um problema. A OpenAI demorou o tempo de treinar um modelo. Não estamos a falar de uma calculadora melhorada — estamos a falar de uma máquina que teve uma ideia original sobre um dos problemas favoritos de Paul Erdős, o matemático mais prolífico do século XX, e construiu uma demonstração que os especialistas verificaram, validaram e elogiaram. Pode não parecer, mas o que aconteceu em maio de 2026 é um daqueles dias que vão aparecer nos livros de história da ciência.
O problema é enganadoramente simples. Se colocares n pontos num plano, quantos pares de pontos podem estar exatamente à distância 1 um do outro? É a pergunta que Paul Erdős fez em 1946 e que deu origem à «conjectura de Erdős sobre distâncias unitárias» (Erdős unit distance conjecture). Durante oitenta anos, os matemáticos acreditaram que as construções em grelha quadrada — aquelas que qualquer estudante desenha num papel quadriculado — eram essencialmente a melhor solução possível. Estavam errados. E quem lhes mostrou o erro foi um modelo de IA.
No dia 20 de maio de 2026, a OpenAI anunciou que um dos seus modelos internos de raciocínio tinha refutado a conjectura. O modelo produziu uma família infinita de exemplos que melhoram o resultado conhecido de forma polinomial — e fê-lo autonomamente, sem ser treinado especificamente para matemática, sem ser scaffolded para procurar estratégias de demonstração, sem ser direcionado para o problema das distâncias unitárias em particular. Fez parte de uma avaliação mais ampla sobre problemas de Erdős. O modelo simplesmente resolveu um.
Pela primeira vez, uma máquina teve uma ideia original sobre um problema matemático que os humanos não conseguiram resolver em 80 anos. O que parece ficção científica é real desde maio de 2026.
O Problema que Parecia Fácil (e Não Era)
O problema das distâncias unitárias é um dos mais conhecidos da geometria combinatorial. Está descrito no livro de 2005 Research Problems in Discrete Geometry como «possivelmente o problema mais conhecido (e mais simples de explicar) da geometria combinatorial». Noga Alon, mathematician de Princeton, descreve-o como «um dos problemas favoritos do Erdős». Erdős ofereceu mesmo um prémio monetário para quem o resolvesse. O prémio nunca foi reclamado.
O que torna o problema tão difícil é que a resposta intuitiva — a grelha quadrada — parecia óbvia, mas ninguém conseguia provar que era a melhor possível. O modelo da OpenAI mostrou que não é. A demonstração usa ferramentas sofisticadas de teoria algébrica de números aplicadas a uma questão geométrica elementar. É um trabalho elegante, engenhoso, e surpreendente — adjetivos que normalmente reservamos para matemáticos humanos de topo.
Paul Erdős (1913–1996), um dos matemáticos mais prolíficos da História, propôs o problema das distâncias unitárias em 1946. Foi preciso esperar 80 anos — e a resposta não veio de um humano, mas de um modelo de IA.
O que os Matemáticos Disseram
Não há dúvida de que a solução do problema das distâncias unitárias é um marco na matemática feita por IA.
— Tim Gowers — Medalha Fields, no paper de acompanhamento
Tim Gowers não é qualquer um. É uma das mentes matemáticas mais respeitadas do mundo, e recebeu a Medalha Fields — o equivalente ao Nobel da matemática — em 1998. Quando Gowers diz que um resultado é um marco, a comunidade ouve. E não foi o único. Arul Shankar, um dos principais teóricos de números da atualidade, escreveu no mesmo paper: «Na minha opinião, este artigo demonstra que os modelos de IA atuais vão além de meros ajudantes dos matemáticos humanos — são capazes de ter ideias originais e engenhosas, e de as levar até ao fim».
Daniel Litt, professor na Universidade de Toronto, foi ainda mais longe: «Este é o primeiro exemplo de um resultado produzido autonomamente por uma IA que acho entusiasmante por si só, e não como indicador do que está para vir». A diferença é subtil mas importante: Litt está a dizer que, até agora, os resultados de IA em matemática eram curiosidades interessantes — promessas de um futuro melhor. Este resultado é o futuro.
Como é que Isto Aconteceu?
O modelo que resolveu o problema não foi um sistema desenhado especificamente para matemática. Foi um modelo de raciocínio generalista — o mesmo tipo de arquitetura que alimenta o ChatGPT, mas treinado para pensar mais fundo e durante mais tempo. A OpenAI estava a testar as capacidades do modelo num conjunto de problemas de Erdős quando este, inesperadamente, produziu uma demonstração completa.
Isto é o que torna o resultado tão significativo. Se um sistema especializado em matemática — treinado com milhões de problemas e soluções, com arquitetura especificamente desenhada para demonstrações — resolvesse o problema, já seria impressionante. Mas foi um modelo generalista. O mesmo tipo de sistema que pode escrever um email, resumir um documento ou sugerir código de repente mostrou que também pode fazer investigação matemática de ponta.
O modelo que resolveu o problema não foi treinado especificamente para matemática — foi um modelo de raciocínio generalista, capaz de ter ideias originais sobre problemas que nunca viu antes.
O que Isto Significa para o Futuro
Há três implicações que merecem atenção. A primeira é que a IA está a progredir na matemática a um ritmo muito superior ao esperado. Há três anos, os LLMs (Large Language Models) mal conseguiam resolver problemas de aritmética. No ano passado, começaram a ter sucesso em competições de matemática do ensino secundário. Este ano, resolveram um problema que estava em aberto há 80 anos. A curva não é linear — é exponencial.
A segunda implicação é que a demonstração não introduziu técnicas genuinamente novas, como nota o artigo da Ars Technica que acompanhou o anúncio. O modelo aplicou ideias existentes de vários subcampos da matemática de forma inteligente e original. É o que um bom matemático humano faz. Mas, e este «mas» é importante, o modelo não se limitou a combinar receitas — escolheu as ferramentas certas para o problema certo, algo que requer compreensão profunda.
A terceira implicação é a mais perturbadora: se um modelo generalista consegue fazer isto sem ser treinado especificamente para o efeito, o que acontece quando começarmos a treinar modelos especificamente para fazer investigação matemática? Ou para fazer investigação em física, química, biologia? É provável que nos próximos anos vejamos uma aceleração sem precedentes na descoberta científica — não porque os humanos se tornaram mais inteligentes, mas porque passaram a ter ferramentas que pensam com eles.
Feito por humanos — Portugal Binário
💬 Comentários
Nenhum comentário ainda. Sê o primeiro a comentar!