OpenAI valida prova de física quântica gerada por inteligência artificial

Uma equipe de especialistas nomeada pela OpenAI concluiu a verificação de uma demonstração matemática gerada por inteligência artificial que valida premissas fundamentais da física de partículas. A conquista aborda a célebre teoria quântica de Yang-Mills, servindo como base crucial para o Modelo Padrão.

Assim como diversas produções analíticas geradas por sistemas computacionais, esta demonstração apresenta grande complexidade e extensão excessiva para a compreensão humana imediata. Para evitar a repetição de um episódio ocorrido em outubro, quando a companhia lançou um volume massivo de mais de 700 provas automáticas em um único dia, a empresa escalou o renomado físico teórico norte-americano David Gross para liderar um comitê de supervisão.

“We update the progress of our committee in shepherding the LLM [large language model] produced result”, declarou o grupo em um comunicado divulgado em 9 de novembro, antecipando suas conclusões. A validação atesta que o resultado obtido “proves the existence of pure Yang-Mills theory according to the problem statements which are standard in physics and mathematics.”

Na noite de 10 de novembro, Gross e os quatro acadêmicos selecionados publicaram um documento detalhando o funcionamento do processo, acompanhado pela confirmação de checagem formal na linguagem de programação Lean. Contudo, essa estratégia de curadoria gerou atritos com recomendações de transparência defendidas por grupos consultivos ligados à OpenAI, além de desagradar matemáticos que criticam o modelo por considerá-lo uma barreira restritiva desnecessária.

“I’m happy the shepherds are releasing the Lean proof, finally, so we can see what the result is. And I hope, in the future, the AI labs will share their results widely with the community”, pontua Scott Armstrong, matemático da Universidade de Nova York. “This review can be done more efficiently and quickly in the open.”

O desafio do prêmio milenar

A demonstração da OpenAI ataca o chamado “problema de Yang-Mills”, integrado ao grupo de cinco questões restantes dos “Problemas do Prêmio do Milênio”, estabelecidos pelo Instituto Clay de Matemática em 2000. A resolução bem-sucedida de qualquer um desses enigmas concede uma premiação de 1 milhão de dólares, embora decifrar Yang-Mills traga um impacto ainda maior ao organizar inconsistências matemáticas da física moderna.

O Modelo Padrão permanece como o constructo científico mais testado e bem-sucedido da história, antecipando com precisão fenômenos gerados em colisões de partículas no Grande Colisor de Hádrons da CERN, próximo a Genebra. Apesar disso, nenhum pesquisador havia conseguido condensar seus princípios em premissas lógicas elementares — os axiomas — para comprovar sua solidez matemática.

O desafio do milênio de Yang-Mills divide-se em duas etapas. A primeira consiste em provar a “existência” da teoria que sustenta o Modelo Padrão, indicando sua construção por caminhos matemáticos válidos. A segunda fase, de natureza quantitativa e consideravelmente mais complexa, exige demonstrar o surgimento de uma grandeza física essencial chamada “lacuna de massa” (mass gap) a partir das equações de Yang-Mills.

No final de outubro, a OpenAI revelou que seu modelo resolveu a primeira parte do problema, superando temporariamente uma colaboração pública em andamento entre um matemático e um funcionário da Anthropic, concorrente da empresa. A etapa referente à lacuna de massa continua em aberto.

Próximos passos e escrutínio global

O relatório elaborado pelo comitê possui extensão enxuta e não esgota a compreensão profunda de como o modelo de linguagem estruturou a demonstração. Os próprios membros admitiram essa limitação ao relatar que recorreram à inteligência artificial para auxiliar na interpretação técnica. “We used OpenAI’s Astra [model] to assist with the digestion of the supplied Lean code”, escreveram na avaliação. “We do not claim to fully understand the proof yet.”

Com a disponibilização pública da prova e do código Lean para análise minuciosa, especialistas de todo o mundo ganham autonomia para utilizar seus próprios recursos computacionais na engenharia reversa e na interpretação detalhada do material.