A alegação da OpenAI sobre a prova de Navier–Stokes, explicada

As equações de Navier–Stokes descrevem como se movem fluidos como a água e o ar. São centrais para a dinâmica de fluidos, a engenharia e a física, mas os matemáticos ainda não tinham uma compreensão analítica completa do seu comportamento em três dimensões.

A versão do Prémio do Milénio pergunta, grosso modo, se condições iniciais suaves conduzem sempre a soluções suaves para todo o tempo futuro, ou se as equações podem “explodir” — produzindo uma singularidade em que uma quantidade, como a velocidade, se torna infinita. O Clay Mathematics Institute designou o problema como um dos sete Problemas do Prémio do Milénio em 2000, cada um associado a um prémio de $1 milhão. Antes deste anúncio, apenas a conjectura de Poincaré tinha sido resolvida entre os sete, como resume a Wikipedia.

A alegação da OpenAI, conforme relatada pela Quanta Magazine, é que agentes de IA autónomos a correr num modelo interno encontraram uma singularidade nas equações tridimensionais de Navier–Stokes. A Quanta relata que o trabalho usou cerca de 10.000 agentes, que os agentes encontraram uma demonstração ao fim de 88 horas e que outro modelo de IA formalizou o resultado em Lean depois de mais 17 horas. Os agentes trocaram quase 5 milhões de mensagens, e Sébastien Bubeck, da OpenAI, estimou o custo computacional em vários milhões de dólares, segundo a Quanta.

A MIT Technology Review relata que a OpenAI diz não tencionar reclamar o prémio de $1 milhão. Segundo a Wikipedia, o contraexemplo ainda não foi verificado por matemáticos externos nem pelo Clay Mathematics Institute.

Este último ponto importa. Uma formalização em Lean é um sinal forte, mas não é o mesmo que aceitação pela comunidade. A Quanta observa que as demonstrações formais podem estabelecer que uma afirmação decorre dentro do assistente de demonstração, enquanto os matemáticos ainda precisam de verificar que a afirmação formalizada é logicamente equivalente à alegação matemática que se pretendia provar.

As equações diferenciais descrevem relações entre quantidades em mudança. Na mecânica de fluidos, as equações de Navier–Stokes combinam velocidade, pressão, viscosidade, forças externas e conservação de massa. São suficientemente fáceis de escrever em notação padrão, mas o seu comportamento a longo prazo pode ser extremamente difícil de compreender.

A dificuldade central não é saber se os engenheiros conseguem simular fluidos. Conseguem, constantemente. A questão é se as equações matemáticas idealizadas têm garantia de se comportar bem nas condições especificadas pelo problema do Prémio do Milénio.

Uma singularidade significaria que as equações preveem uma rutura: alguma parte do fluido evolui para um estado matemático impossível. Como explica a Quanta, isto não implica uma falha prática imediata na engenharia do mundo real, porque os fluidos reais são feitos de moléculas e átomos, e não de contínuos perfeitamente suaves. Mas, enquanto matemática, mostraria que as equações idealizadas têm um comportamento mais surpreendente do que muitos esperavam.

O problema também está ligado à turbulência, um dos fenómenos mais difíceis da física. A Wikipedia descreve a turbulência como um dos maiores problemas por resolver na física, apesar da sua importância na ciência e na engenharia. Uma demonstração de blowup não “resolveria a turbulência” no sentido prático, mas reformularia o que os matemáticos sabem sobre as equações por detrás dela.

A controvérsia centra-se na relação entre o trabalho da OpenAI e o trabalho de Buckmaster e Alpöge.

A Quanta relata que o anúncio da OpenAI surgiu cerca de 12 horas depois de Buckmaster anunciar resultados com Alpöge em problemas estreitamente relacionados. O trabalho deles usou vários modelos de IA, incluindo modelos da OpenAI. A MIT Technology Review relata que Buckmaster e Alpöge tinham trabalhado durante quase um ano no problema e que Buckmaster publicou uma demonstração que mostra que uma versão simplificada das equações de Navier–Stokes pode falhar.

Tanto o trabalho da OpenAI como o trabalho de Buckmaster–Alpöge parecem apoiar-se numa abordagem associada a Diego Córdoba e Luis Martínez-Zoroa. A Quanta diz que ambas as equipas dependeram fortemente do trabalho de Córdoba e Martínez-Zoroa, que desenvolveram uma estratégia que se afastava dos métodos que a maioria dos matemáticos estava a usar. A MIT Technology Review cita Javier Gómez-Serrano, professor de matemática na Brown University, a dizer que esta abordagem era uma de várias consideradas promissoras para o problema.

A OpenAI reconheceu, segundo a MIT Technology Review, que a equipa foi inspirada a abordar o problema depois de ouvir um rumor sobre os esforços de Buckmaster e Alpöge. A disputa é sobre se os modelos ou funcionários da OpenAI tiveram acesso ao trabalho de Buckmaster e Alpöge, treinaram com ele ou beneficiaram dele de alguma outra forma.

A MIT Technology Review relata que Buckmaster publicou um documento que descreve interações com funcionários da OpenAI. Segundo o relato de Buckmaster, os funcionários da OpenAI apresentaram duas possibilidades. Buckmaster e Alpöge poderiam publicar o seu trabalho e a OpenAI publicaria a sua solução de Navier–Stokes no dia seguinte, ou Buckmaster poderia trabalhar com a OpenAI num artigo sobre Navier–Stokes que excluísse Alpöge da autoria por causa da sua afiliação à Anthropic. A MIT Technology Review também relata que a OpenAI negou que os seus funcionários ou agentes tenham acedido às transcrições de Buckmaster e Alpöge.

Estas são alegações graves, mas o registo público está incompleto. A postura correta é separar a alegação matemática da disputa de atribuição. A demonstração pode estar correta enquanto o processo continua eticamente contestado. Ou a demonstração pode falhar em revisão enquanto as questões de atribuição continuam a importar.

Lean é um assistente de demonstração: um sistema para expressar afirmações matemáticas e verificar que cada passo decorre de regras formais. Em matemática de alto risco, isso pode eliminar uma grande classe de erros. Também pode tornar demonstrações geradas por IA mais fáceis de auditar, porque a demonstração não é apenas prosa; é lógica formal executável.

É por isso que o componente em Lean é importante. Se a formalização for sólida e corresponder à afirmação pretendida sobre Navier–Stokes, o resultado torna-se muito mais difícil de descartar como uma alucinação fluente. Para quem constrói IA, esta é a diferença entre um modelo que escreve raciocínio plausível e um sistema que produz artefactos que outro programa consegue verificar.

Mas o Lean não resolve todos os problemas de confiança. Não estabelece prioridade. Não revela como a demonstração foi encontrada. Não explica se dados privados, transcrições ou ideias não publicadas influenciaram a pesquisa. E não substitui o papel da comunidade matemática na interpretação da importância da demonstração.

Esta distinção deve soar familiar a quem constrói produtos de IA. Outputs estruturados, testes, evals e verificações formais podem tornar os sistemas mais fiáveis, mas não respondem por si só a questões de governação. Se um agente de IA pode chamar ferramentas, inspecionar logs, reutilizar contexto privado ou coordenar-se com outros agentes, o sistema precisa de limites e trilhos de auditoria tanto quanto precisa de capacidade bruta.

Essa é uma das razões pelas quais o trabalho multiagente é um problema de engenharia, não apenas um truque de prompting. Esteja a desenhar agentes de investigação ou workflows de negócio, as perguntas práticas são semelhantes: que agentes podem ver que contexto, que ferramentas podem chamar, onde acontecem os handoffs e o que fica registado? Essas escolhas de design importam em agentes de IA muito antes de os riscos chegarem ao território dos Prémios do Milénio.

O detalhe operacional mais marcante é a escala. A Quanta relata cerca de 10.000 agentes, 88 horas de pesquisa, mais 17 horas para formalização e quase 5 milhões de mensagens entre agentes. A MIT Technology Review relata que a OpenAI disse que a execução custou milhões de dólares.

Essa escala não está ao alcance da maioria dos grupos académicos. Sugere um futuro possível em que o progresso matemático de fronteira depende de modelos internos, orçamentos privados de computação e infraestrutura de agentes concentrados dentro de algumas empresas de IA.

A MIT Technology Review enquadra isto como um ponto de viragem para a matemática: se grandes problemas em aberto puderem ser atacados por enxames privados de agentes, as normas de colaboração académica podem ficar sob pressão. Os matemáticos aprendem muitas vezes com tentativas falhadas, resultados parciais e caminhos errados. Se isso acontecer dentro de sistemas privados e nunca se tornar público, a área pode obter respostas sem o percurso partilhado que tradicionalmente cria novas ferramentas e subáreas.

A Quanta cita o matemático de Princeton Charles Fefferman, que escreveu a descrição oficial do problema para o Clay Institute, a dizer que ficou entusiasmado por o problema ter sido resolvido e a identificar Córdoba e Martínez-Zoroa como os heróis da história. Essa atribuição é uma correção útil. Mesmo que o passo final tenha sido automatizado, o gosto de investigação — escolher uma direção promissora — veio de trabalho matemático humano construído ao longo de anos.

Para quem constrói, a lição não é “use mais agentes”. É que os sistemas agênticos amplificam a qualidade do espaço de pesquisa que lhes é dado. Modelos melhores e orçamentos maiores ajudam, mas a formulação do problema, a seleção de contexto, o acesso a ferramentas e os ciclos de verificação continuam a determinar se o sistema explora território útil ou queima computação.

Se está a encaminhar trabalho por vários modelos, o mesmo princípio aplica-se em menor escala. Use o melhor modelo para a tarefa, mas não trate a escolha do modelo como o sistema inteiro. O workflow envolvente — retrieval, restrições, verificações, aprovações e logs — é de onde vem a fiabilidade. Por outras palavras, a capacidade vem de todo o workflow, não da escolha num leaderboard.

A primeira coisa a acompanhar é a validação matemática. Matemáticos externos e o Clay Mathematics Institute precisarão de tempo para avaliar se a demonstração está correta, se a formalização em Lean corresponde à alegação pretendida e como o resultado se encaixa no trabalho anterior.

A segunda é a atribuição. Os relatos públicos da OpenAI, de Buckmaster, de Alpöge e de matemáticos externos ainda não formam um registo assente. As perguntas centrais são factuais: a que tiveram acesso os agentes ou funcionários da OpenAI, com que treinaram, o que sabiam e quando o souberam?

A terceira é se isto se torna um modelo. Se laboratórios de IA de fronteira puderem apontar enormes enxames de agentes a problemas famosos por resolver, seguir-se-ão mais anúncios. Alguns serão limpos. Alguns serão disputados. Alguns falharão em revisão. As áreas afetadas precisarão de normas para crédito, divulgação, computação privada e reivindicações de prioridade assistidas por IA.

Para quem constrói com IA fora da matemática pura, a mensagem é suficientemente clara: a capacidade está a mover-se para sistemas, não para prompts isolados. Agentes, ferramentas, model routing e verificação estão a tornar-se a unidade de trabalho. As equipas que lidarem bem com proveniência e revisão estarão numa posição melhor do que as equipas que apenas perseguem outputs maiores.

Continuaremos a acompanhar a história da verificação e da atribuição à medida que se desenvolve. Se quer notícias de IA com o contexto técnico intacto, pode subscrever a newsletter da LIA.

• A OpenAI afirma que agentes de IA autónomos encontraram uma singularidade nas equações tridimensionais de Navier–Stokes e produziram uma formalização em Lean.
• O resultado ainda não foi verificado por matemáticos externos nem aceite pelo Clay Mathematics Institute.
• Uma demonstração em Lean pode reduzir muitos erros de verificação de demonstrações, mas os revisores ainda precisam de confirmar que a afirmação formal corresponde à alegação matemática pretendida.
• O anúncio está entrelaçado com uma disputa de atribuição que envolve trabalho de Tristan Buckmaster, Levent Alpöge, Diego Córdoba e Luis Martínez-Zoroa.
• A escala relatada da execução evidencia uma lacuna de recursos entre laboratórios de IA de fronteira e a maioria dos grupos académicos.
• Para quem constrói IA, o episódio mostra que os agentes precisam de proveniência, trilhos de auditoria, ciclos de verificação e limites claros, não apenas de mais computação.

Esta secção responde às perguntas práticas por detrás da alegação da OpenAI sobre Navier–Stokes: as respostas abaixo cobrem o anúncio, o papel do Lean e as partes que ainda precisam de revisão independente. Também separa os riscos matemáticos da disputa de atribuição em torno do trabalho.

A OpenAI diz ter uma solução gerada por IA, mas a alegação ainda precisa de revisão matemática externa e de avaliação pelo Clay Mathematics Institute.

Segundo as reportagens citadas, a OpenAI afirma que os seus agentes encontraram uma singularidade nas equações tridimensionais de Navier–Stokes e que outro modelo formalizou o resultado em Lean.

O Lean consegue verificar que cada passo formal decorre das regras, o que torna a demonstração mais difícil de descartar como prosa plausível. Os matemáticos ainda precisam de verificar que a afirmação formalizada corresponde à alegação pretendida sobre Navier–Stokes.

A disputa diz respeito a saber se o trabalho da OpenAI beneficiou de investigação assistida por IA de Tristan Buckmaster e Levent Alpöge sem o devido crédito. A OpenAI negou que os seus funcionários ou agentes tenham acedido às transcrições deles, segundo a MIT Technology Review.

Não. Uma demonstração de blowup reformularia a compreensão matemática das equações por detrás do movimento dos fluidos, mas não resolveria diretamente a turbulência enquanto problema prático de engenharia.