O post que a OpenAI publicou sobre GPT-5.6 Sol e computação quântica não é sobre um programa de acesso amplo pra laboratórios de pesquisa — é o relato de um caso específico. Beatriz Yankelevich, aluna de pós-graduação do MIT Engineering Quantum Systems Group (EQuS), usou o Codex com GPT-5.6 Sol pra automatizar a calibração de rotina de um chip com seis qubits desacoplados — quatro de frequência fixa, dois ajustáveis. No estudo de caso, a equipe relata 40 medições-alvo nos quatro qubits de frequência fixa; em quatro delas, pesquisadores intervieram para melhorar o resultado. Isso corresponde a 36 de 40 medições sem essa intervenção (90% neste experimento específico), não a uma taxa geral de sucesso de agentes. A fonte é um estudo de caso técnico coassinado por pesquisadores do MIT e da OpenAI; os números descrevem um único chip e um fluxo específico de calibração.
O que a calibração de qubit envolve, na prática
Antes de um qubit supercondutor virar algo útil pra rodar um algoritmo, ele precisa passar por uma sequência de medições interdependentes: identificar a frequência de transição de cada qubit, calibrar os pulsos de controle e leitura, e estimar quanto tempo o qubit mantém informação quântica antes de decoerer. É trabalho repetitivo, sensível a ruído, e tradicionalmente feito manualmente por quem opera o experimento.
No caso documentado pela OpenAI, o agente identificou ressonadores de leitura numa faixa entre 7,2920 e 7,7520 GHz, e mediu tempos de coerência específicos — cerca de 32,1 microssegundos de relaxação de energia num dos qubits, e 59,27 e 60,37 microssegundos em outros dois. Em um dos testes de operação estendida, o agente rodou um loop monitorado por 12 horas seguidas, completando 200 medições ao longo de uma varredura de fluxo magnético sem supervisão constante.
Onde funcionou bem, e onde não
O padrão que aparece no caso é claro: qubits de frequência fixa — mais previsíveis, com menos variáveis pra ajustar — foram onde o agente teve melhor desempenho autônomo. Os dois qubits ajustáveis do chip exigiram bem mais intervenção humana, porque envolvem mais parâmetros interdependentes pra acertar ao mesmo tempo. Dados fracos ou ambíguos — sinal de baixa qualidade, leitura ruidosa — também continuaram precisando de julgamento humano pra interpretar.
Isso não é “IA substitui físico experimental”. É mais estreito e, por isso, mais crível: trabalho de calibração repetitivo e bem definido em hardware previsível é exatamente o tipo de tarefa onde automação por agente tende a funcionar — e o caso publicado documenta isso com número real, não com “os pesquisadores estão usando” genérico.
O que o post original tinha errado
Vale marcar a diferença: a versão anterior deste texto descrevia isso como um “programa de pesquisa” aberto, com acesso concedido a “instituições” mediante avaliação de caso de uso, e falava de treinamento do modelo especificamente em bibliotecas como Qiskit e Cirq — nenhum desses detalhes aparece no material publicado pela OpenAI sobre esse caso. O que existe, documentado, é um experimento específico, com uma pesquisadora nomeada, um chip com especificação conhecida, e números de medição reais. Preferi reportar o que dá pra verificar a citar o que soa plausível.
