Um impasse que atravessa mais de 25 anos da física teórica pode ter encontrado sua solução com apoio de um modelo de linguagem. O GPT-6 Astra, da OpenAI, ajudou a converter em construção matemática funcional uma estratégia que o físico Nathaniel Craig não conseguia comprovar por inteiro — e o resultado, se confirmado, destrava um problema de 50 anos no estudo das partículas elementares.

Craig lidera o grupo de teoria de partículas da Universidade da Califórnia em Santa Bárbara (UCSB) e é membro permanente do Kavli Institute for Theoretical Physics da mesma instituição. Ele apresentou o método no blog da OpenAI e em um artigo no formato preprint — versão preliminar, ainda sem revisão por pares concluída.

O gargalo que travava a conta

Boa parte do que se sabe sobre o Modelo Padrão — a teoria que descreve as partículas conhecidas e as forças fundamentais — vem de simulações em rede, ou lattice: uma grade computacional que substitui o contínuo do espaço-tempo por pontos discretos para permitir cálculo numérico. Foi por esse caminho, por exemplo, que a massa do próton pôde ser obtida a partir de primeiros princípios.

O problema surge na tentativa de colocar a teoria inteira nessa grade. A força fraca, responsável por certos tipos de decaimento radioativo, trata partículas de mão esquerda e de mão direita de forma diferente. Em redes simples, essa assimetria gera partículas fantasmas indesejadas. Os férmions de sobreposição — classe especial de partículas de rede — conseguem filtrá-las, mas ninguém acertava o ajuste de fase desses filtros há mais de 25 anos.

A contribuição do modelo

A saída de Craig consistia em comparar redes progressivamente mais finas para calibrar essa fase. Faltava demonstrar que o método valia em todos os casos necessários. O GPT-6 Astra completou a lacuna: transformou o raciocínio em construção operacional e assumiu a liderança da prova detalhada.

Três especialistas em teoria de campos em rede — Maarten Golterman, Andreas Kronfeld e Yigal Shamir — revisaram o material e levantaram questionamentos que, segundo Craig, aumentaram a confiança no resultado. O próprio autor, porém, trata o feito como ponto de partida, e não de chegada: afirma que ainda há bastante trabalho até que simulações realistas se tornem viáveis.

A esteira de avanços em matemática

O caso da física não é isolado. Desde janeiro de 2026, uma sequência de resultados colocou modelos de IA no centro de problemas abertos da matemática.

DataAvançoDetalhe
Maio de 2026Refutação da conjectura de distância unitária de Erdős, da OpenAIPrimeira prova de IA considerada digna do principal periódico da área
Dias depoisAlphaProof Nexus, do Google DeepMindResolveu 9 dos 353 problemas abertos de Erdős por algumas centenas de dólares
Outubro de 2026AlphaProof NexusResultados passaram por revisão por pares
Setembro de 2026Prova de 166 páginas sobre Navier-Stokes, da OpenAIClay Mathematics Institute afirmou que o problema aparentemente fora resolvido; análise segue em curso

O caso Navier-Stokes é o mais sensível dos quatro. A prova continua sob revisão, e matemáticos já manifestaram dúvidas sobre o grau de compreensão que a própria OpenAI teria do que submeteu. O ambiente na comunidade é de sentimentos mistos: reconhecimento da capacidade das ferramentas e cautela com a velocidade dos anúncios.

O que isso significa para o investidor

Nenhuma dessas provas altera, hoje, o fluxo de caixa de uma companhia listada na B3. O que muda é a leitura sobre produtividade em pesquisa. Se modelos conseguem atacar problemas que consumiram décadas de trabalho especializado, o custo marginal de certas descobertas cai — e o gargalo se desloca para validação, revisão por pares e engenharia.

Para quem acompanha o setor de tecnologia, o sinal relevante é o da demanda por capacidade computacional e por modelos de raciocínio de ponta. O episódio também desenha uma divisão de trabalho: a máquina propõe e detalha, o especialista humano audita. Na física, foram os revisores que apontaram fragilidades; na prova de 166 páginas, é a revisão pendente que segura a conclusão. Enquanto o selo final não vem, esses anúncios devem ser tratados como pipeline técnico, não como resultado consolidado.