GPT-5.6 Sol Ultra da OpenAI Resolve Conjectura Matemática de 50 Anos

O modelo de raciocínio mais recente da OpenAI, o GPT-5.6 Sol Ultra, teria alcançado um avanço na teoria dos grafos ao resolver uma conjectura matemática que permanecia em aberto desde a década de 1970. Ao aproveitar uma persistência computacional extrema e uma arquitetura multiagente, o modelo produziu uma prova completa em menos de uma hora.

Resolvendo o Mistério da Teoria dos Grafos

A conjectura em questão aborda uma questão fundamental na teoria dos grafos: se um conjunto de ciclos pode ser encontrado em qualquer rede de vértices e arestas que percorra cada aresta individual exatamente duas vezes. Embora matemáticos tenham encontrado soluções parciais para casos específicos nas últimas cinco décadas, uma prova geral permanecia esquiva.

Thomas Bloom, matemático da Universidade de Manchester, descreveu a prova como "curta, elementar e que poderia ter sido descoberta nos anos 1980". Curiosamente, a solução não exigiu a invenção de teorias matemáticas inteiramente novas; em vez disso, ela sintetizou de forma inteligente ferramentas existentes e estruturas matemáticas conhecidas.

O Poder da Persistência de Máquina

Surge uma questão crítica: se a matemática era "elementar", por que os humanos não conseguiram resolvê-la por 50 anos? Bloom sugere que a solução exigiu uma pequena e contraintuitiva reviravolta no raciocínio. Matemáticos humanos frequentemente seguem caminhos lógicos que, quando falham, levam à conclusão de que o problema é insolúvel.

Em contraste, o GPT-5.6 Sol Ultra exibe um nível de "persistência de máquina". Ele não sofre o viés cognitivo do desânimo. Em vez disso, o modelo explora continuamente variações mínimas na lógica e na rotulagem até que um caminho bem-sucedido seja identificado. Essa capacidade de realizar força bruta em permutações lógicas sem o "dar de ombros da derrota" permitiu que a IA contornasse os bloqueios mentais que estagnaram os pesquisadores humanos.

Engenharia de Prompt Avançada e Arquitetura Multiagente

O sucesso do Sol Ultra não foi apenas resultado de inteligência bruta, mas de uma engenharia de prompt altamente sofisticada. Para garantir que o modelo não recorresse ao padrão "eu não sei", os pesquisadores utilizaram uma série de diretrizes estritas:

• Suposição Forçada: O prompt obrigou o modelo a assumir que uma prova completa existe, impedindo-o de afirmar que a conjectura não foi resolvida.
• Isolamento de Informação: O modelo foi proibido de pesquisar na internet para verificar se o problema já havia sido resolvido.
• Testes Adversários Multiagentes: Foi utilizado um sistema de 64 agentes. Muitos foram mantidos "no escuro" sobre qual abordagem lógica estava funcionando para garantir o raciocínio independente, enquanto agentes adversários escrutinavam as provas candidatas em busca de erros específicos, como caminhos fechados identificados incorretamente.

O Debate sobre Criatividade e Citação de IA

O avanço reacendeu o debate sobre se os LLMs são verdadeiramente "criativos" ou apenas recombinadores sofisticados de conhecimento existente. Bloom observou que as ideias centrais da prova remontam a um artigo de 1983 de Bermond, Jackson e Jaeger. Ele criticou a OpenAI por não citar este trabalho anterior, observando que artigos gerados por IA frequentemente utilizam estratégias existentes sem a devida atribuição.

Embora a comunidade científica ainda esteja aguardando a verificação matemática completa, este evento sinaliza uma mudança no cenário da IA. Modelos de IA em larga escala estão sendo cada vez mais implantados para atacar problemas científicos em aberto, potencialmente descobrindo soluções que estiveram ao alcance humano o tempo todo.

Principais Conclusões

• Persistência sobre Complexidade: A IA resolveu um problema de longa data não inventando uma nova matemática, mas aplicando teorias existentes com um nível de variação lógica incansável de que os humanos carecem.
• Restrições Estritas Geram Resultados: O uso de prompts "adversários" e a proibição de buscas na internet forçaram o modelo a encontrar uma solução em vez de fornecer uma resposta padrão de "não resolvido".
• O Desafio da Atribuição: O incidente destaca uma preocupação crescente na pesquisa de IA em relação à falta de citação adequada quando os modelos recombinam literatura científica existente.