Modelos de IA saltam de 2% para 35% de acerto em problemas teóricos de ciência, segundo estudo do MIT

O salto que o MIT mediu

Um estudo conduzido por Neil Thompson, pesquisador do MIT que estuda o progresso da computação e da inteligência artificial↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →, mediu quanto os modelos da OpenAI evoluíram em resolver problemas teóricos fora da matemática pura. Entre meados de 2024 e meados de 2026, a taxa de acerto em problemas de probabilidade, teoria estatística, teoria econômica, teoria de altas energias, gravitação e cosmologia, e física quântica saltou de cerca de 2% para cerca de 35%, segundo a reportagem da Wired.

Thompson apresentou os dados numa palestra no MIT e não poupou o tom de alerta.

Em poucos anos, esperamos que boa parte das questões teóricas seja totalmente transformada pela capacidade da IA de resolvê-las.

Within just a few years, we expect a lot of theory questions to be totally transformed in terms of AI's ability to do them.Neil Thompson, pesquisador do MIT

O estudo foi feito em parceria com Gabriel Manso, doutorando, e Claudio Mayrink Verdun, cientista pesquisador, ambos do laboratório de Thompson no MIT.

Como o teste foi montado para não deixar a IA colar

A metodologia é o ponto mais relevante para quem trabalha com modelos no dia a dia: os pesquisadores pegaram problemas publicados em artigos científicos postados entre dezembro de 2025 e maio de 2026, depois do corte de treinamento dos modelos testados. Na prática, isso significa que nenhum modelo podia ter visto a resposta durante o treino.

Os modelos avaliados foram o1, o3, GPT-5, GPT-5.1, GPT-5.4 e GPT-5.5, todos da OpenAI. O acesso à internet foi bloqueado durante os testes, o que impediu qualquer modelo de simplesmente buscar a solução publicada online. Os artigos originais serviram como gabarito ("ground truth") para conferir se a resposta gerada batia com a solução real.

O recorte do estudo também importa: os pesquisadores escolheram áreas em que o modelo podia chegar à resposta raciocinando, sem precisar rodar simulação ou experimento físico. É um universo controlado, mas é exatamente o tipo de tarefa que hoje já aparece em pipelines de pesquisa com Python↳Python56 conteúdosVSCode + Python + Alexa: Desenvolva e teste skills para alexa localmente com pythonDev (Back & Front) · out 2025Dominando decoradores em Python: um guia completo com exemplosDev (Back & Front) · jan 2025Desenvolvimento de software: diferenças entre Python, JavaScript e JavaGestão Dev & TI · nov 2024Ver tudo em Dev (Back & Front) →, notebooks e agentes que encadeiam etapas de cálculo.

A crise que já tinha estourado em matemática pura

O contexto por trás do estudo é a onda que atingiu a matemática pura. No mês de setembro de 2026, a OpenAI anunciou que um modelo ainda não lançado havia resolvido um problema de décadas conhecido como Navier-Stokes, sobre as equações que descrevem o comportamento de fluidos em movimento. O episódio gerou controvérsia depois que um matemático da NYU, que trabalhava com outro acadêmico ligado à Anthropic no mesmo problema, acusou a OpenAI de ter avançado sobre o trabalho deles assim que soube do progresso da dupla.

Desde então, a OpenAI e outros laboratórios anunciaram centenas de soluções a problemas matemáticos de longa data, o que a Wired descreve como uma espécie de crise no campo. Parte da comunidade matemática pediu limites ao uso de IA nesse tipo de trabalho, argumentando que o processo de chegar à resposta costuma ser tão valioso quanto a resposta em si.

Um detalhe que passou quase despercebido: a própria OpenAI retirou várias soluções do seu conjunto de resultados depois da publicação, porque elas não se sustentavam numa checagem mais cuidadosa.

Por que isso interessa a quem programa, não só a quem faz física teórica

O leitor que só lida com stack de produto pode achar que gravitação e cosmologia estão longe do seu dia a dia. Mas o padrão descrito no estudo é idêntico ao que já se vê em copilotos de código e agentes que escrevem funções inteiras: o modelo produz uma resposta fluente, com aparência de solução correta, e a tarefa que sobra para o humano é auditar.

Manso, coautor do estudo, resume o problema de forma que qualquer dev que já revisou um pull request gerado por IA vai reconhecer.

Ainda vamos precisar de pessoas para gerar boas ideias que conectem os pontos. Também precisamos de formas de verificar o que foi feito, porque é muito fácil um modelo te dizer que esta é a resposta certa, e quando você olha a solução inteira, começa a perceber que talvez não seja.

We are still going to need people to generate good ideas to connect the dots. We also need ways to verify what was done, because it's very easy for a model to tell you 'this is the right answer,' and when you look at the entire solution, you start to see maybe it is not.Gabriel Manso, doutorando no MIT

Para times de engenharia e pesquisa aqui no Brasil que usam Python como linguagem padrão de computação científica, em bibliotecas como NumPy, SciPy e SymPy, o recado é direto: ferramentas de IA generativa já conseguem propor demonstrações e cálculos que antes exigiam um teórico sênior, mas a camada de verificação (testes, revisão por pares, reprodução independente) não encolheu. Ela só mudou de lugar: de "verificar se a pessoa calculou certo" para "verificar se o modelo não inventou um passo".

O que ainda está em aberto

Thompson nota que avanços teóricos às vezes puxam avanços práticos na ciência, e que mais uso de IA pode significar mais progresso acontecendo por essa via. Vários pesquisadores de IA já fundaram laboratórios dedicados a IA para ciência, e os grandes laboratórios de IA estão ampliando pesquisa científica, incluindo esforços para que modelos conduzam experimentos reais, não só análise teórica.

O estudo de Thompson, Manso e Verdun cobriu um recorte deliberadamente limitado: áreas em que dá para chegar à resposta só raciocinando, sem simulação ou bancada de laboratório. Falta saber se o mesmo salto de 2% para 35% se repete em campos que dependem de experimento físico, onde o modelo não pode simplesmente "pensar" até a resposta.

Para quem constrói as ferramentas que vão rodar essas verificações, seja num notebook Jupyter, num pipeline de CI que roda provas formais ou num agente que audita saídas de outro agente, o próximo ciclo de trabalho não é ensinar o modelo a resolver mais problemas. É construir a infraestrutura que confere se ele resolveu certo.

Fonte: Wired