Experimentos iniciais para acelerar a ciência com o GPT‑5

A ciência molda tudo, desde a saúde humana até a produção de energia, da segurança nacional à nossa compreensão do universo. Se a IA puder acelerar a ciência — reduzindo o tempo necessário para gerar novas ideias ou para passar de uma ideia a um resultado testado — os benefícios se multiplicam em toda a sociedade.

Mas o ritmo da inovação continua sendo uma limitação. Mesmo quando existe uma boa ideia, transformá-la em um produto ou tratamento pode levar anos. Em uma pesquisa recente⁠(abre em uma nova janela), 60% das pessoas nos EUA disseram que os avanços científicos e médicos chegam até elas muito lentamente; 73% disseram que precisamos de maneiras melhores de acelerar as descobertas; e 69% identificaram a liderança científica como uma das principais prioridades nacionais.

Hoje, estamos lançando “Experimentos iniciais de aceleração científica com GPT‑5⁠(abre em uma nova janela)”, um artigo escrito em coautoria com colaboradores de universidades e laboratórios nacionais, incluindo Vanderbilt, UC Berkeley, Columbia, Oxford, Cambridge, Lawrence Livermore National Laboratory e The Jackson Laboratory. A obra reúne estudos de caso iniciais em matemática, física, biologia, ciência da computação, astronomia e ciência dos materiais, nos quais o GPT‑5 ajudou pesquisadores a sintetizar resultados conhecidos de uma maneira inovadora, realizar revisões bibliográficas robustas, acelerar cálculos complexos e até mesmo gerar novas provas de proposições não resolvidas. O artigo também documenta as limitações. Nosso objetivo é fornecer à comunidade uma visão clara do que esses sistemas podem e não podem fazer atualmente em ambientes de pesquisa.

Esses estudos de caso mostram como, nas mãos de especialistas, o GPT‑5 está acelerando as descobertas científicas e por que essa aceleração é importante:

• Biologia: Em um estudo liderado pela Dra. Derya Unutmaz, cientistas passaram meses tentando explicar uma mudança intrigante nas células imunológicas humanas. O GPT‑5 identificou o provável mecanismo em minutos a partir de um gráfico não publicado e sugeriu um experimento que provou isso. Essa velocidade poderia ajudar os pesquisadores a entender as doenças mais rapidamente e a desenvolver tratamentos melhores.
• Matemática: Em outro caso, os pesquisadores Mehtaab Sawhney e Mark Sellke estavam lidando com um problema em aberto de décadas, originalmente proposto por Paul Erdős. Eles estavam presos na etapa final, e o GPT‑5 contribuiu com uma nova ideia sobre como um número ímpar quebra o padrão, o que os ajudou a concluir a demonstração. Avanços como este fortalecem os fundamentos matemáticos nos quais muitos algoritmos e técnicas de segurança se baseiam.
• Algoritmos e otimização: Os pesquisadores Sébastien Bubeck e Christian Coester estavam testando se um método comum de tomada de decisão usado em robótica e roteamento era tão confiável quanto se supunha. O GPT‑5 encontrou um novo exemplo claro que demonstra que o método pode falhar e também melhorou um resultado clássico em otimização, a matemática usada para descobrir a melhor maneira de resolver um problema. Esse tipo de avanço ajuda os engenheiros a entender melhor os sistemas de tomada de decisão usados em robótica, roteamento e outras aplicações do mundo real.

A missão da OpenAI for Science é acelerar a descoberta científica: ajudar os pesquisadores a explorar mais ideias, testar hipóteses mais rapidamente e descobrir informações que, de outra forma, levariam muito tempo. Fazemos isso combinando modelos de vanguarda com as ferramentas, fluxos de trabalho e colaborações certas.

Trabalhamos em estreita colaboração com pesquisadores de instituições acadêmicas, da indústria e de laboratórios nacionais. Essas colaborações nos ajudam a entender onde os modelos são úteis, onde falham e como integrá-los ao processo científico — desde a revisão da literatura e a geração de provas até a modelagem, a simulação e o planejamento experimental.

Nossa abordagem combina duas crenças complementares. Ferramentas científicas especializadas, como motores de simulação, bancos de dados de proteínas e sistemas de álgebra computacional, são essenciais para a eficiência e a precisão. Ao mesmo tempo, a ampliação dos modelos de fundamentos continua a desbloquear novas capacidades de raciocínio: conectar ideias entre diferentes áreas, esboçar provas, propor mecanismos e navegar por grandes literaturas conceitualmente, em vez de por palavras-chave. Onde existirem ferramentas especializadas, queremos utilizá-las; onde for necessário raciocínio geral, construímos modelos projetados para lidar com ele. Ambos os caminhos se reforçam mutuamente.

Os avanços mais significativos vêm das equipes formadas por humanos e IA. Os cientistas definem a agenda: eles definem as perguntas, escolhem os métodos, criticam as ideias e validam os resultados. O GPT‑5 contribui com amplitude, velocidade e a capacidade de explorar muitas direções em paralelo.

Utilizar o GPT‑5 de forma eficaz é uma habilidade. Os pesquisadores aprendem como formular perguntas, quando questionar, como dividir problemas em etapas e o que validar de forma independente. Trabalho produtivo muitas vezes parece diálogo — pesquisador e modelo iterando até que uma direção promissora surja ou a ideia seja descartada

Com base nesses estudos iniciais, o GPT‑5 parece ser capaz de encurtar partes do fluxo de trabalho de pesquisa quando usado por especialistas. Não executa projetos nem resolve problemas científicos de forma autônoma, mas pode ampliar a área de exploração e ajudar os pesquisadores a chegarem mais rapidamente a resultados corretos.

• Uma capacidade emergente é a pesquisa bibliográfica conceitual. O GPT‑5 consegue frequentemente identificar relações mais profundas entre ideias e recuperar material relevante em diferentes idiomas e fontes menos acessíveis. Os pesquisadores relatam ter encontrado referências, conexões e teses que desconheciam anteriormente.
• Em matemática e ciência da computação teórica, onde a estrutura é explícita e os ciclos de retroalimentação são rápidos, o GPT‑5 é especialmente útil. Matemáticos usaram o GPT‑5 para gerar esboços de provas viáveis em minutos, transformando um trabalho que, de outra forma, poderia levar dias ou semanas. Nos domínios da física e da computação, o modelo pode propor transformações simplificadoras ou apontar para estruturas análogas em outros campos.
• Em biologia e outras ciências empíricas, o modelo pode propor mecanismos e conceber experimentos para validar essas hipóteses em laboratório.

Já ultrapassamos o ponto em que os modelos apenas resumem o conhecimento existente. Agora, as contribuições iniciais do GPT‑5 podem auxiliar significativamente os pesquisadores sob a supervisão de especialistas. O ritmo de melhoria sugere o potencial para uma aceleração ainda maior à medida que as capacidades e as ferramentas evoluem.

Esses estudos de caso são ilustrações selecionadas de situações em que o GPT‑5 se mostrou útil; não constituem uma amostra sistemática e não abrangem toda a gama de modos de falha. A supervisão de especialistas continua sendo essencial. O GPT‑5 pode, por vezes, alucinar citações, mecanismos ou provas que parecem plausíveis; pode ser sensível a problemas de estruturação e aquecimento; por vezes, não percebe subtilezas específicas do domínio; e pode seguir linhas de raciocínio improdutivas se não for corrigido. Essas são áreas de pesquisa ativa, e estamos trabalhando com colaboradores para medir e mitigar essas falhas à medida que aprimoramos os sistemas futuros.

Em conjunto, esses estudos iniciais mostram que o GPT‑5 está começando a ajudar em novos tipos de trabalho científico. O modelo não é autônomo, mas nas mãos de especialistas pode ajudar a provar teoremas, redescobrir e ampliar estruturas, revelar conexões entre áreas de conhecimento e gerar mecanismos e experimentos para que os cientistas os validem.

Observamos também uma trajetória em que esses sistemas melhoram com mais tempo e poder computacional. Se o GPT‑5 puder ajudar de forma significativa com algumas questões de pesquisa em 20 minutos, esperamos resultados mais profundos quando os modelos puderem passar horas ou dias raciocinando sobre um problema. Aliado à presença de cientistas de renome mundial, isso aponta para a possibilidade de uma mudança radical na produtividade científica ao longo do tempo.