Imagine um problema tão difícil que os melhores matemáticos do mundo tentaram resolver por quase um século. Agora imagine que 10.000 agentes de IA, trabalhando em paralelo durante 88 horas, afirmam ter encontrado a resposta. Foi exatamente isso que a OpenAI anunciou em 8 de setembro de 2026: uma suposta solução para o Problema do Milênio de Navier-Stokes, um dos sete desafios matemáticos que valem US$ 1 milhão cada.

A notícia explodiu no Hacker News com mais de 700 pontos e virou o assunto mais comentado da semana no mundo tech. Mas antes de sair comemorando, vale entender o que realmente foi provado, o que ainda está em aberto e por que uma briga feia por crédito está ofuscando o feito.

O que raios é o Problema de Navier-Stokes?

As equações de Navier-Stokes descrevem como fluidos (líquidos e gases) se movem. Elas são usadas em tudo: simulação de clima, aerodinâmica de aviões, fluxo sanguíneo, até renderização de fumaça em games. Você já viu aqueles efeitos de água realistas em jogos? Navier-Stokes por baixo dos panos.

O problema é que ninguém conseguiu provar, matematicamente, se essas equações sempre se comportam “bem” em três dimensões. Mais especificamente: se você começa com um fluido suave e aplica forças suaves, o fluido vai continuar suave para sempre? Ou em algum momento ele pode “explodir”, ou seja, desenvolver uma singularidade onde a velocidade vai para o infinito?

Em duas dimensões, o problema já foi resolvido: fluidos 2D sempre se comportam bem. Mas em 3D? Ninguém sabia. E isso importa porque simulações numéricas de fluidos são aproximações. Se as equações podem explodir, nossas simulações podem estar fundamentalmente erradas em certos cenários.

O Clay Mathematics Institute colocou esse problema na lista dos sete Problemas do Milênio em 2000, com um prêmio de US$ 1 milhão para quem resolver. Até semana passada, ninguém tinha conseguido.

O que a OpenAI afirma ter provado

A OpenAI publicou um manuscrito de 165 páginas com uma prova de que, sim, as equações de Navier-Stokes podem desenvolver singularidades em tempo finito. Em termos técnicos: existe um fluido inicialmente em repouso que, quando submetido a uma força externa suave, eventualmente “explode” (a velocidade se torna ilimitada) enquanto a energia cinética total permanece finita.

O mecanismo por trás é chamado de vortex stretching. Pense em um redemoinho que vai se comprimindo e girando cada vez mais rápido. A prova descreve vórtices se espiralizando para dentro até atingir um ponto singular, num loop de feedback que nem a viscosidade do fluido consegue conter.

Os números por trás da prova

Para colocar em perspectiva: 130 bilhões de tokens é mais ou menos equivalente a escrever toda a Wikipedia em inglês umas 40 vezes. E isso num período de 88 horas.

O modelo que ninguém conhece

A OpenAI declarou que usou “um modelo significativamente mais capaz que o GPT-6 Astra” para gerar a prova. Ou seja, um modelo que ainda não foi lançado publicamente.

A formalização em Lean (uma linguagem de programação que verifica cada passo lógico de uma prova matemática) foi feita pelo GPT-6 Astra, o modelo que o público já conhece. Mas o trabalho pesado de descobrir a prova ficou com o modelo misterioso.

Isso levanta uma questão incômoda: como a comunidade científica pode verificar um resultado se a ferramenta que o produziu não está disponível? A OpenAI publicou o código Lean no GitHub, o que permite verificação mecânica dos passos lógicos. Mas reproduzir a descoberta da prova é outra história.

# O repositório com a formalização em Lean está disponível em:
# github.com/openai/NavierStokesAndEuler
#
# Para verificar localmente:
git clone https://github.com/openai/NavierStokesAndEuler
cd NavierStokesAndEuler
lake build

Calma: o que foi provado vs. o que não foi

Aqui é onde a coisa fica sutil, e a maioria da cobertura jornalística errou feio.

A OpenAI provou o blow-up para Navier-Stokes forçado. Ou seja, com uma força externa aplicada ao fluido. Isso é diferente do problema “clássico” do Milênio, que pergunta sobre fluidos sem forças externas (ou com condições iniciais específicas).

O Clay Mathematics Institute reconhece que o problema forçado faz parte dos “subproblemas” oficiais (especificamente os problemas C e D na formulação original). Então, se a prova resistir ao escrutínio, a OpenAI pode sim estar elegível ao prêmio. Mas a aceitação formal está longe de acontecer.

A briga pelo crédito que ninguém queria ver

E aqui o drama começa.

Tristan Buckmaster, matemático da NYU, e Levent Alpöge, pesquisador da Anthropic (sim, a concorrente da OpenAI), vinham trabalhando há meses numa prova relacionada: o blow-up para equações de Euler forçadas. O paper deles, de 112 páginas, foi desenvolvido com assistência de IA e também formalizado em Lean.

A OpenAI diz que ouviu um rumor sobre o progresso deles em 1º de setembro e, a partir daí, redirecionou recursos para atacar o problema de Navier-Stokes. Em 88 horas, chegou ao resultado. Em 6 de setembro, a OpenAI contatou Buckmaster e Alpöge para propor um anúncio conjunto.

Aí o clima azedou.

Segundo Buckmaster, Sébastien Bubeck (da OpenAI) fez duas propostas:

1. Os dois grupos publicam em dias consecutivos, com a OpenAI vindo depois.
2. Buckmaster escreve sozinho o resultado de Navier-Stokes, dando crédito ao modelo interno da OpenAI, mas sem Alpöge como coautor, porque, segundo Bubeck, era “chato” que ele trabalhasse na Anthropic.

“Propuseram que eu escrevesse o paper sozinho, creditando um modelo anônimo da OpenAI, e removesse o Alpöge da autoria.” — Tristan Buckmaster, NYU

A OpenAI nega a versão. Bubeck disse que tentou coordenar uma publicação conjunta e que Buckmaster recusou. Publicou troca de mensagens como evidência. Mas o estrago já estava feito: a manchete virou “OpenAI acusada de roubar descoberta de US$ 1 milhão”.

Um detalhe que poucos notaram

Tem outra questão delicada que a maioria das reportagens ignorou. A OpenAI admitiu que “não pode descartar que dados de uso anonimizados tenham ajudado a melhorar seus modelos”. Traduzindo: se Buckmaster e Alpöge usaram ferramentas da OpenAI (como o Codex) durante suas pesquisas, é possível que fragmentos do trabalho deles tenham sido ingeridos no treinamento do modelo que depois “resolveu” o mesmo problema.

A OpenAI chama isso de improvável. Buckmaster chama de inaceitável. A comunidade acadêmica está, compreensivelmente, em pânico.

O treinamento do novo modelo começou em 28 de agosto, dias antes do rumor. Coincidência ou não, a timeline é desconfortável.

O que Terence Tao disse

Quando Terence Tao comenta, o mundo da matemática para pra ouvir. O medalhista Fields, considerado o maior matemático vivo, avaliou a abordagem e identificou “enormes dificuldades técnicas” no caminho escolhido pela OpenAI.

Importante: Tao avaliou a direção da pesquisa, não o manuscrito final. Ele não endossou nem rejeitou o resultado específico. Mas o fato de Tao reconhecer que o caminho é legítimo (ainda que difícil) dá um mínimo de credibilidade ao trabalho.

Stan Palasek, de Princeton, levantou uma objeção técnica: a perda de energia viscosa pode sobrecarregar o mecanismo de crescimento em instabilidades de frequência amplamente separadas. Em bom português: pode ter um furo no argumento quando você tenta remover a dependência da força externa.

10.000 agentes: como funciona na prática

O sistema da OpenAI não é um modelo único pensando sozinho. São 10.000 instâncias de um modelo de IA trabalhando em paralelo, cada uma explorando diferentes abordagens, técnicas e sub-problemas. Eles trocam mensagens entre si, compartilham descobertas intermediárias e convergem para soluções promissoras.

Pense nisso como um enxame de pesquisadores: enquanto um grupo tenta provar um lema específico, outro verifica se uma abordagem alternativa funciona, e um terceiro traduz resultados parciais para a linguagem formal Lean.

Em etapas intermediárias, um grupo menor de 100 agentes resolveu o problema de Euler não-forçado (um resultado que, por si só, já seria publicação relevante). A versão completa de Navier-Stokes forçado exigiu a artilharia pesada.

A formalização em Lean aconteceu em 17 horas adicionais, executada pelo GPT-6 Astra. Essa é a parte que qualquer pessoa pode verificar: o código está no GitHub, e se o Lean aceita a prova, os passos lógicos estão corretos. O que não significa necessariamente que a interpretação matemática está certa (a formalização pode estar correta mas provando algo diferente do que se afirma), mas é um nível de rigor sem precedentes para uma descoberta matemática desse porte.

O que muda para devs

Ok, mas por que um desenvolvedor deveria se importar com equações diferenciais parciais? Alguns pontos práticos:

Simulações de fluidos vão melhorar. Se o resultado se confirmar, simulações CFD (Computational Fluid Dynamics) vão precisar de ajustes. Saber que singularidades podem acontecer muda como escrevemos solvers numéricos: é preciso detectar e tratar esses cenários.

O paradigma “enxame de agentes” funciona. 10.000 agentes coordenados resolvendo um problema impossível em 88 horas é uma demonstração brutal de onde a IA multi-agente está chegando. Se isso funciona para matemática, funciona para engenharia, código, design de sistemas.

Lean está se tornando mainstream. A formalização de provas em Lean deixou de ser nicho acadêmico. Se a maior descoberta matemática da década foi verificada em Lean por uma IA, todo projeto de software com requisitos de correção formal deveria prestar atenção.

O custo de computação assusta. Milhões de dólares para uma prova. Isso não é democrático. Estamos entrando numa era onde descobertas científicas podem ser compradas por quem tem mais GPUs. Isso tem implicações enormes para a academia e para startups.

O elefante na sala: IA como autora

Se a prova for aceita pelo Clay Mathematics Institute, quem recebe o prêmio de US$ 1 milhão? A OpenAI já disse que não pretende reivindicar. Mas a pergunta filosófica permanece: uma IA pode ser autora de uma prova matemática?

O precedente é relevante para toda a indústria. Se aceitarmos que agentes de IA podem produzir trabalho científico original, as regras de autoria acadêmica, propriedade intelectual e atribuição de crédito precisam ser reescritas.

E tem mais: se a OpenAI usou (mesmo que indiretamente) trabalho não publicado de Buckmaster e Alpöge para treinar o modelo, estamos diante de um novo tipo de “plágio” que nenhum framework ético atual consegue endereçar.

Verificação: o que falta

A prova não está “aceita” por ninguém. O que temos é:

1. Um manuscrito de 165 páginas publicado
2. Uma formalização em Lean disponível no GitHub
3. Nenhuma verificação independente reproduzida até agora
4. Nenhum peer review formal completado
5. Objeções técnicas levantadas por matemáticos de Princeton e EPFL

Gonzalo Cao-Labora, da EPFL, pediu que a equipe reporte os bounds nas derivadas dos resíduos das equações, algo que não estava no manuscrito original. Resíduos pequenos podem coexistir com erros grandes nas derivadas, o que invalidaria o resultado.

A comunidade matemática está analisando. Provas desse calibre levam meses, às vezes anos, para serem verificadas. O fato de estar em Lean acelera o processo, mas não o torna instantâneo.

E a Anthropic nisso tudo?

A ironia é quase poética. Levent Alpöge trabalha na Anthropic, a empresa por trás do Claude. Sua pesquisa com Buckmaster usa ferramentas de IA (incluindo, possivelmente, modelos da própria OpenAI) para fazer matemática de ponta.

A competição entre OpenAI e Anthropic, que já era intensa no campo de modelos de linguagem, agora transbordou para a matemática pura. E a pergunta que fica: se pesquisadores da Anthropic estavam perto da solução, o Claude poderia ter chegado lá primeiro com os mesmos recursos computacionais?

Ninguém sabe. Mas a corrida está oficialmente aberta.

O que vem pela frente

Se a prova sobreviver ao escrutínio, o impacto vai além da matemática. Estamos falando de:

• A primeira solução de um Problema do Milênio por IA
• Um novo paradigma onde enxames de agentes fazem pesquisa científica
• Uma crise existencial na comunidade acadêmica sobre autoria e crédito
• Novos frameworks necessários para propriedade intelectual de descobertas por IA

A história de Navier-Stokes ainda está sendo escrita. A prova pode ter furos. A briga por crédito pode se resolver. Mas uma coisa é certa: o dia em que 10.000 agentes de IA sentaram para resolver um problema de 90 anos marca um antes e depois na relação entre inteligência artificial e ciência.

A pergunta não é mais “IAs podem fazer matemática?”. É “o que acontece quando elas fazem melhor que nós?”.

Fonte de inspiração: On the Navier-Stokes Millennium Prize Problem (OpenAI, setembro 2026)