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

A questão de 40 anos sobre a estabilidade do NAG

O problema que Ryu enfrentou é restrito 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. Investigadores observaram durante décadas que este momento adicional tornava os algoritmos drasticamente mais rápidos sem os desestabilizar — mas ninguém tinha produzido uma prova que explicasse o porquê.

Ryu, que passou 15 anos em matemática aplicada e teoria de otimização, já tinha tentado isto antes com colegas e falhado. A sua intuição dizia-lhe que a resposta podia ser simples; simplesmente ainda não se tinha encontrado o caminho. Este enquadramento é importante: tratava-se de um problema que ele já compreendia profundamente, não um que o modelo tenha descoberto ou definido.

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

A mecânica que a OpenAI descreve é a parte mais transponível. Em cerca de doze horas ao longo de 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 perseguindo tudo o que parecesse promissor.

Destacam-se dois hábitos. Primeiro, o GPT-5 "produzia frequentemente argumentos que pareciam plausíveis mas não resistiam a uma inspeção mais atenta", pelo que Ryu verificava ele próprio cada passo de cálculo. Segundo, ao pedir ao modelo para verificar o seu próprio trabalho, descobriu que tinha mais sucesso começando uma conversa nova em vez de continuar na mesma — introduzindo os resultados em conversas limpas para evitar a acumulação de erros.

O ponto de viragem surgiu quando o GPT-5 sugeriu reestruturar as equações que regem o NAG. A sugestão não estava correta tal como formulada, mas Ryu reconheceu nela uma característica estrutural relevante, desenvolveu-a rigorosamente por conta própria e usou perguntas específicas para testar a sua viabilidade. Essa linha de raciocínio tornou-se a espinha dorsal da prova que redigiu.

Aquilo em que o modelo era bom, e aquilo em que não era

A OpenAI é invulgarmente franca sobre as limitações. O GPT-5 "não estava a inventar novas ferramentas e princípios matemáticos"; estava a utilizar os já existentes e a extrair equações e ideias de artigos ligeiramente fora da especialidade de Ryu. Não conseguia montar uma prova completa por si só, apesar de, nas palavras de Ryu, "vários dos passos-chave que acabaram por ser decisivos terem sido sugeridos pelo GPT-5".

O ponto forte descrito é a busca exaustiva: propor e descartar variações rapidamente, e importar ferramentas de subáreas próximas — um trabalho cognitivamente extenuante para um humano. O ponto fraco descrito é a fiabilidade. O valor do modelo estava na velocidade de exploração, não na correção, e essa velocidade só compensou porque havia um especialista de domínio a eliminar em tempo real os caminhos errados.

A variável esquecida: persistência, não apenas prova

Ryu calcula que o trabalho poderia ter demorado semanas a um ritmo concentrado — mas diz que isso nunca teria acontecido. "Depois de três dias a tentar com empenho, eu teria desistido", afirmou. Os matemáticos decidem constantemente se abandonam um problema e avançam para outro.

Mas com o GPT-5, teve a sensação de estar a progredir rapidamente, o que o manteve motivado. Na sua perspetiva, isto criou uma mudança psicológica: o fluxo constante de ideias novas fez o problema parecer alcançável por mais tempo do que aconteceria de outro modo.Montana Labs

Esta é uma afirmação mais subtil do que "a AI resolveu um problema de matemática". O contributo da ferramenta foi, em parte, emocional — um fornecimento constante de novas direções que alterou o cálculo de Ryu sobre quando desistir. Para equipas que avaliam o valor da AI na investigação, este efeito sobre a persistência humana é real, mas difícil de medir e fácil de exagerar.

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

A implicação específica aqui é a forma como Ryu decidiu atribuir crédito ao modelo. Deliberadamente, não incluiu o GPT-5 como coautor, concluindo que tinha sido usado como ferramenta. Mas nomeou-o no título e no resumo do artigo e explicou os seus contributos ao longo do texto, escrevendo depois a prova final e a narrativa em estilo tradicional por conta própria.

Ele enquadrou isto como um caso de estudo para matemáticos clássicos, e esse enquadramento é o essencial: para convencer os céticos, seguiu a convenção académica existente em vez de inventar novas categorias de crédito. O preprint é público e enfrenta 12 a 18 meses de revisão por pares, pelo que o veredito da área ainda está pendente.

Para equipas aplicadas, a lição duradoura é a divisão de trabalho que Ryu impôs — o modelo para a amplitude e a velocidade, o humano para o julgamento, a verificação e a responsabilização — e não a manchete de que um problema com décadas foi resolvido. O seu próprio resumo foi direto: "Se quiser que o modelo falhe, ele falhará." O resultado dependeu de alguém capaz de distinguir a diferença.