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.
| Data | Avanço | Detalhe |
|---|---|---|
| Maio de 2026 | Refutação da conjectura de distância unitária de Erdős, da OpenAI | Primeira prova de IA considerada digna do principal periódico da área |
| Dias depois | AlphaProof Nexus, do Google DeepMind | Resolveu 9 dos 353 problemas abertos de Erdős por algumas centenas de dólares |
| Outubro de 2026 | AlphaProof Nexus | Resultados passaram por revisão por pares |
| Setembro de 2026 | Prova de 166 páginas sobre Navier-Stokes, da OpenAI | Clay 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.

