Em 16 de outubro, a Anthropic publicou resultados de um experimento em que Claude Mythos 5 ajudou a redesenhar oito circuitos quânticos. Em algumas tarefas, os projetos usaram menos operações e menos qubits do que as melhores versões publicadas até então. O trabalho chama atenção porque o modelo não ficou só explicando conceitos: propôs circuitos, recebeu notas de um avaliador automático e tentou melhorar as próprias propostas.
O que foi feito
A equipe descreveu em linguagem comum o que cada circuito precisava calcular. Um programa externo verificava se a resposta estava correta e atribuía uma pontuação com base nos recursos usados. Claude propunha uma versão, recebia o resultado e tentava novamente, sem intervenção humana entre as rodadas. O estudo cobriu tarefas ligadas a química, otimização, simulação física, teoria dos números e computação numérica, segundo o relato da Anthropic, publicado em 16 de outubro.
Um exemplo foi o projeto de um circuito para uma etapa usada em cálculos com curvas elípticas. Circuitos quânticos precisam ser reversíveis: em geral, não podem simplesmente apagar os registros intermediários como um programa comum. A solução encontrada por Claude inferia parte desse histórico a partir dos valores que já estavam no circuito, reduzindo a necessidade de qubits extras. Para um componente de outro algoritmo, a Anthropic relata uma redução de 12 vezes no número de portas em relação à construção anterior.
Por que importa
O resultado aponta para uma forma concreta de usar IA em pesquisa: quando uma tarefa pode ser descrita como código, conferida por um verificador e comparada por uma medida objetiva, o modelo pode explorar alternativas em ciclos rápidos. Isso não significa que a IA substitua especialistas. Neste trabalho, pesquisadores definiram os problemas, construíram a avaliação e examinaram os resultados.
A ideia também conversa com desafios além da computação quântica. Em processos de trabalho, um agente pode gerar opções e testar cada uma contra critérios claros. Mas esse método só é confiável quando o verificador mede o que realmente importa. Uma pontuação simples pode premiar uma solução que parece eficiente, mas falha fora dos casos cobertos pelos testes.
O que ainda falta
Os ganhos são em projetos de circuitos e estimativas de recursos, não uma demonstração de que esses cálculos já foram executados em um computador quântico físico. A própria Anthropic ressalta que as máquinas atuais têm limitações de escala e são sensíveis a erros. Transformar circuitos melhores em aplicações úteis ainda depende de avanços em hardware, correção de erros e outros componentes.
Para quem acompanha IA, a novidade vale menos como promessa de computadores quânticos “para amanhã” e mais como evidência de que modelos podem contribuir para trabalho científico especializado quando há um ciclo de validação sólido. A pergunta prática continua sendo: o que o modelo fez, como foi verificado e quais condições ainda impedem aplicar o resultado?
