GPT-5 como ferramenta de exploração de provas: o que o resultado de Ernest Ryu sobre o NAG realmente mostra

A pergunta de 40 anos sobre a estabilidade do NAG

O problema que Ryu enfrentou é específico e antigo. O método Nesterov Accelerated Gradient, introduzido por Yurii Nesterov em 1983, acelera a convergência ao calcular o gradiente de uma função num ponto de "antecipação" em vez do ponto atual. Pesquisadores observaram por décadas que esse impulso extra tornava os algoritmos muito mais rápidos sem desestabilizá-los — mas ninguém tinha produzido uma prova explicando o motivo.

Ryu, que passou 15 anos em matemática aplicada e teoria de otimização, já tinha tentado isso antes com colegas e falhado. Sua intuição dizia que a resposta podia ser simples; só faltava alguém encontrar o caminho. Esse ponto de partida importa: era um problema que ele já entendia profundamente, não algo que o modelo descobriu ou definiu.

O fluxo de trabalho: gerar, descartar, verificar numa conversa nova

A mecânica descrita pela OpenAI é a parte mais fácil de replicar. Em cerca de doze horas distribuídas em três dias, Ryu testou quase uma dezena de abordagens. O GPT-5 propunha direções — muitas erradas, algumas inesperadas — e ele avaliava cada uma rapidamente, abandonando becos sem saída e indo atrás de qualquer coisa promissora.

Dois hábitos chamam atenção. Primeiro, o GPT-5 "costumava produzir argumentos que pareciam plausíveis, mas não se sustentavam sob análise", então Ryu verificava cada passo do cálculo pessoalmente. Segundo, ao pedir ao modelo que revisasse o próprio trabalho, ele teve mais sucesso começando uma conversa nova em vez de continuar na mesma — alimentando os resultados em conversas limpas para evitar que os erros se acumulassem.

O ponto de virada veio quando o GPT-5 sugeriu reestruturar as equações que governam o NAG. A sugestão não estava correta como foi escrita, mas Ryu reconheceu ali uma característica estrutural relevante, desenvolveu-a rigorosamente por conta própria e usou perguntas direcionadas para testar sua viabilidade. Essa linha de raciocínio se tornou a espinha dorsal da prova que ele escreveu.

No que o modelo foi bom, e no que não foi

A OpenAI é incomumente franca sobre os limites. O GPT-5 "não estava inventando novas ferramentas e princípios matemáticos"; estava usando ferramentas já existentes e trazendo equações e ideias de artigos ligeiramente fora da especialidade de Ryu. Ele não conseguiu montar uma prova completa por conta própria, embora, nas palavras de Ryu, "vários dos passos-chave que acabaram sendo decisivos foram sugeridos pelo GPT-5".

O ponto forte descrito é a busca exaustiva: propor e descartar variações rapidamente, e importar ferramentas de subáreas vizinhas — um trabalho cognitivamente exaustivo para um humano. O ponto fraco descrito é a confiabilidade. O valor do modelo estava na velocidade de exploração, não na correção, e essa velocidade só valeu a pena porque havia um especialista descartando caminhos ruins em tempo real.

A variável esquecida: persistência, não só prova

Ryu estima que o trabalho poderia ter levado semanas num ritmo focado — mas diz que isso nunca teria acontecido. "Depois de três dias tentando duro, eu teria desistido", disse ele. Matemáticos decidem constantemente se abandonam um problema e seguem para outro.

Mas com o GPT-5, ele teve a sensação de estar progredindo rapidamente, o que o manteve motivado. Na visão dele, isso criou uma mudança psicológica: o fluxo constante de novas ideias fez o problema parecer alcançável por mais tempo do que normalmente pareceria.Montana Labs

Essa é uma afirmação mais sutil do que "a IA resolveu um problema matemático". A contribuição da ferramenta foi, em parte, emocional — um suprimento constante de novas direções que mudou o cálculo de Ryu sobre quando desistir. Para equipes avaliando o valor da IA em pesquisa, esse efeito sobre a persistência humana é real, mas difícil de medir e fácil de exagerar.

A decisão sobre autoria estabelece o precedente que este caso realmente representa

A implicação específica aqui é como Ryu escolheu creditar o modelo. Ele deliberadamente não listou o GPT-5 como coautor, concluindo que foi usado como ferramenta. Mas o citou no título e no resumo do artigo e explicou suas contribuições ao longo do texto, depois escreveu a prova final e a narrativa no estilo tradicional, ele mesmo.

Ele apresentou isso como um estudo de caso para matemáticos clássicos, e essa apresentação é o ponto central: para convencer os céticos, ele seguiu a convenção acadêmica existente em vez de inventar novas categorias de crédito. O preprint é público e passará por 12 a 18 meses de revisão por pares, então o veredito da área ainda está pendente.

Para equipes aplicadas, a lição duradoura é a divisão de trabalho que Ryu impôs — o modelo para amplitude e velocidade, o humano para julgamento, verificação e responsabilidade — não a manchete de que um problema com décadas de idade foi resolvido. O resumo dele foi direto: "Se você quiser que o modelo falhe, ele vai falhar." O resultado dependeu de alguém capaz de perceber a diferença.