OpenAI resolve problema matemático de 80 anos ao refutá-lo

OpenAI afirma que seu modelo de raciocínio não treinado especificamente disproveu a conjectura de Erdős sobre distâncias unitárias, resolvendo um problema de geometria discreta de 1946.
O problema pergunta: com n pontos em um plano, quantos pares podem ficar exatamente a uma unidade de distância?
O estudo aponta famílias infinitas de conjuntos de pontos com ao menos n^(1+δ) pares a distância unitária, superando a antiga conjectura de Erdős.
Pesquisadores externos publicaram observações de acompanhamento que validam a construção; Will Sawin mostrou mais de n^(1,014) pares para conjuntos grandes.
A importância é mostrar um teste mais sólido de raciocínio de IA do que benchmarks, já que uma prova precisa passar pela verificação de especialistas.

OpenAI afirmou ter resolvido, de modo inovador, um problema matemático com 80 anos ao demonstrar que a conjectura de Erdős sobre distâncias unitárias é falsa. O feito envolve um modelo de raciocínio interno da empresa, ainda não liberado publicamente. A leitura inicial aponta que o modelo encontrou uma família infinita de arranjos de pontos com mais pares a exatamente uma distância do que a melhor construção conhecida até então.

A equipe não utiliza apenas técnicas tradicionais; a prova recorre a teoria algébrica dos números e estruturas como torres de campos e a teoria de Golod-Shafarevich. Especialistas externos revisaram a evidência, reforçando a veracidade da construção apresentada. A comunidade acadêmica analisa o impacto dessa abordagem no rigor de demonstrações assistidas por IA.

Detalhes da confirmação

OpenAI disse que a prova veio de um modelo de raciocínio geral, não de um sistema específico para o problema. A demonstração aponta que existem conjuntos de pontos com pelo menos n elevado a 1+δ pares em distância unitária, superando a cota anterior de Erdős, que era próxima de crescimento linear.

Relevância e contexto

Matemáticos Princetoniano envolvido na discussão destacou que o resultado expande consideravelmente o conjunto de soluções possíveis e serve como referência para avaliações futuras de raciocínio assistido por IA. O episódio é visto como um teste mais sólido de capacidade de raciocínio da IA do que benchmarks tradicionais, que podem favorecer acasos.