OpenAI anuncia que modelo Astra resolveu 10 problemas de matemática abertos há décadas — e o custo foi de apenas US$ 2.000

Em 1º de agosto de 2026, a OpenAI anunciou que uma versão interna de seu modelo de próxima geração ainda não lançado, o Astra, produziu dez novos resultados em matemática e ciência da computação teórica — cada um deles resolvendo problemas que estavam abertos há pelo menos uma década, e a maioria por muito mais tempo . A empresa publicou um manuscrito de 249 páginas e disponibilizou certificados de prova formais no sistema Lean 4 no GitHub, sob uma licença Apache 2.0 . A OpenAI afirmou que o custo em tokens para gerar todas as dez soluções foi de aproximadamente US$ 2.000, com base nas taxas da API Sol . O anúncio gerou tanto entusiasmo pelos resultados quanto ceticismo em relação à sua apresentação e limitações .

Os problemas específicos que o Astra resolveu

De acordo com o relatório da OpenAI, os resultados abrangeram oito áreas e incluíram provas, contraexemplos e limites melhorados :

• Grupos não sóficos — A primeira construção explícita que prova a existência de grupos não sóficos, encerrando uma questão central em teoria dos grupos que resistia a progresso desde que o conceito de socidade foi introduzido por Mikhail Gromov em 1999 .
• Conjectura da rigidez de Connes — Refutou uma conjectura de longa data em álgebras de von Neumann .
• Empacotamento de esferas em altas dimensões — Novos limites superiores para o empacotamento de esferas em dimensões além daquelas já resolvidas .
• Três problemas propostos por Paul Erdős — Resolveu três problemas combinatórios abertos do cânone de Erdős, incluindo o problema nº 183 sobre números de Ramsey multicoloridos .
• Resultados adicionais — Novos resultados em repetição paralela quântica, o problema do vetor mais próximo em criptografia de reticulados, complexidade de circuitos aritméticos, códigos binários e esféricos, e a conjectura de volume de Ehrhart .

Como a OpenAI verificou as soluções

A OpenAI não se baseou apenas na saída do modelo. Cada resultado foi acompanhado por um certificado de prova formal no Lean 4 — um arquivo de prova verificável por computador que qualquer leitor pode verificar de forma independente em um laptop . O Lean é um assistente de provas que verifica cada passo lógico, dos axiomas à conclusão, detectando lacunas, erros de tipo e inconsistências . A OpenAI publicou todos os arquivos Lean publicamente no GitHub, e a contagem de "sorry" — indicando passos não comprovados — é zero para todas as dez provas .

No entanto, vários comentaristas observaram que a verificação formal tem limites importantes: o Lean pode confirmar que uma declaração formal segue de suas definições formais, mas não pode certificar que um resumo de comunicado de imprensa reflete com precisão o teorema formal, que as definições formais correspondem ao problema pretendido pela comunidade matemática, ou que a novidade e o enquadramento histórico do resultado estão corretos . Especialistas ainda precisam auditar a fidelidade das declarações, as definições, as reduções e a ponte entre o informal e o formal .

O custo: US$ 2.000 em tokens

A OpenAI divulgou que o custo total de computação para gerar todas as dez soluções foi de aproximadamente US$ 2.000 em custos de token, com base na taxa da API Sol . Esse valor é um preço equivalente ao da API apenas para os tokens de busca de soluções — exclui tentativas fracassadas, execuções de exploração paralela e o poder computacional interno gasto na busca antes de chegar a um certificado . Em comparação, o estipêndio anual de um único estudante de doutorado em matemática em uma universidade de ponta pode exceder US$ 50.000, tornando a eficiência de custo o aspecto mais marcante do anúncio para muitos observadores .

Críticas e ceticismo

A comunidade matemática e pesquisadores de IA levantaram vários pontos de cautela:

• Comunidade matemática dividida — A avaliação dos resultados permanece mista. Alguns pesquisadores alertam que, embora os certificados Lean comprovem a correção formal, eles não garantem que os resultados sejam significativos, surpreendentes ou corretamente enquadrados como soluções para os problemas abertos pretendidos .
• Gary Marcus (cientista cognitivo) argumentou que "o sucesso em matemática é um caso especial" e que a expertise em um domínio não implica habilidade geral de raciocínio. Ele listou oito equívocos comuns, alertando contra a generalização excessiva do resultado para toda a ciência .
• "Quem verifica as provas de IA?" — Observadores levantaram a questão em aberto de como auditar a matemática gerada por IA quando o raciocínio é opaco. Não há um método acordado para avaliar se o resultado de um modelo de caixa-preta é uma reconstrução não creditada de trabalhos conhecidos .
• Falta de revisão por pares e transparência — O anúncio veio logo após a "Declaração de Leiden" em junho de 2026, na qual matemáticos criticaram as empresas de IA por ignorarem a revisão por pares com comunicados de imprensa . A OpenAI não lançou o modelo Astra publicamente, não forneceu um modelo card (cartão de modelo) nem divulgou a taxa de falhas por trás do valor de US$ 2.000 .
• Comparação com o Google DeepMind — Céticos notaram que alegações anteriores de IA em matemática (por exemplo, AlphaGeometry do DeepMind) enfrentaram escrutínio posterior, pedindo cautela antes de declarar uma mudança de paradigma .

Implicações mais amplas

• Democratização da pesquisa — O custo de US$ 2.000 sugere um futuro onde pequenas equipes ou até mesmo indivíduos podem usar IA para fazer contribuições genuínas de pesquisa que antes exigiam anos de expertise humana .
• Crise da cultura de verificação — O campo agora enfrenta uma necessidade urgente de padrões acordados sobre como avaliar, atribuir e revisar por pares provas geradas por IA quando o modelo é uma caixa-preta proprietária .
• Controle comercial da matemática — Se a descoberta matemática de fronteira se tornar dependente do acesso por API a modelos proprietários, a infraestrutura central de pesquisa se desloca de instituições públicas para empresas privadas .
• Novo marco para a capacidade da IA — Ao contrário de resolver problemas de competição fixos (por exemplo, IMO ou MATH), o Astra produziu resultados genuinamente novos de problemas abertos que avançaram a fronteira do conhecimento, elevando a barra para o que significa "IA fazer matemática" . Thomas Bloom, matemático da Universidade de Manchester, chamou os resultados de "grande notícia", mas também rejeitou a ideia de que a IA está substituindo matemáticos, observando que a IA se baseia em mais de um século de teoria matemática e foi construída por matemáticos .