Richard Drury/Getty Images
If you're still using the same password for everything, it might finally be time to get on that.
While the major cybersecurity vulnerabilities that OpenAI agents helped expose on Wednesday primarily impact the owners and operators of websites, it could also give hackers the opportunity to hijack your personal information, researchers said.
"Be extra careful visiting ANY web site in the next few days," Changpeng Zhao, the cofounder of cryptocurrency platform Binance, said on X.
OpenAI said on Wednesday that researchers using its AI models uncovered two "critical" flaws in the infrastructure of PHP, a popular open-source programming language used on about 70% of the world's websites.
Because digital commerce websites, for instance, can store personal shopper information in PHP systems, that information would be accessible to a bad actor exploiting the web provider's system if that provider hasn't updated it.
The National Security Administration warned that hackers using one of the PHP exploits could "steal sensitive data, disrupt services, or move deeper into a network."
"Even if you yourself are not building software and that's not where your core business is, a lot of your life does depend on companies that depend on those systems," Madeline Lawrence, cofounder of Aikido Security, an application security platform, told Business Insider on Thursday.
"And they could be deeply, deeply vulnerable," she added. She said that one day after the disclosure, cybersecurity platform Cloudflare reported millions of attempts to exploit the vulnerability.
If you do own a website, PHP has released updates it says will help shield websites from hackers. Instructions for applying those updates are available on PHP's homepage.
For everyone else, here are a few tips cybersecurity researchers say you can use to protect your info.
"You can ask your claude code to audit what on your laptop is out of date and needs updating," Peter Wildeford, head of policy at the AI Policy Network, a bipartisan nonprofit that advocates for safety guardrails and federal oversight, added in a post on X.
PSA: in light of recent cyberattacks and vulnerabilities, I recommend everyone:
— Peter Wildeford🇺🇸🚀 (@peterwildeford) October 21, 2026
* use a good password manager (1Password) and do not duplicate passwords
* use two factor auth for everything important (not via sms!! Google Authenticator or better yet YubiKey)
* Auto-updates on,…
Though Lawrence called the vulnerability "very severe," she cautioned against people running to close their bank accounts to protect themselves.
"Assume that if you're getting a notification that your data has been leaked," she said. "Take action on that because you could have credentials or information floating around the dark web."
Durante séculos, a matemática avançou no ritmo do pensamento humano. Alguns problemas exigiram décadas de tentativas até que alguém encontrasse uma resposta. Outros seguem sem solução.
Agora, a inteligência artificial desafia essa lógica. A OpenAI, dona do ChatGPT, revelou este mês que um modelo de IA foi submetido a 4 mil problemas matemáticos e conseguiu resolver 377 deles — incluindo questões que especialistas tentavam desvendar há anos.
A companhia divulgou os resultados num repositório no GitHub, com descobertas em áreas como teoria dos números, topologia, lógica matemática, álgebra e ciência da computação teórica. De acordo com a empresa, cada um dos 377 resultados consumiu, em média, recursos computacionais equivalentes a três horas de processamento do ChatGPT Pro.
Parte da comunidade científica reagiu mal ao anúncio. Isso por conta do que esse processo representa para a matemática — uma atividade que, historicamente, dependeu de anos de trabalho, intuição e investigação humana.
A inteligência artificial já demonstra capacidade de avançar em questões que desafiam especialistas com anos de experiência, levantando uma pergunta sobre o futuro do próprio campo de estudo: se as máquinas conseguem encontrar soluções em uma escala inigualável para os humanos, o que sobra para a matemática?
Para Fábio Tal, professor do Departamento de Matemática Aplicada do Instituto de Matemática, Estatística e Ciência da Computação da USP (Universidade de São Paulo), os resultados representam uma transformação profunda na maneira de produzir matemática. Ele acredita que, mesmo que as demonstrações ainda precisem ser revisadas, o avanço da IA não deve ser subestimado.
“A coisa é muito impactante, muito forte e vai trazer transformações muito importantes na matemática”, afirma.
A avaliação é compartilhada pelo especialista em IA e colunista da CNN Brasil Álvaro Machado Dias.
“O que a OpenAI divulgou aponta para um horizonte em que resolver problemas matemáticos em aberto deixa de ser trabalho humano. Isso pesa mais do que qualquer um dos resultados tomado isoladamente”, diz.
Uma das principais questões levantadas pelos especialistas é a diferença entre resolver um problema e compreender o que a resposta significa. Isso porque, na matemática, a investigação não se resume ao resultado.
É justamente esse processo que preocupa Fábio Tal. Segundo o matemático, a resolução de um problema costuma ser parte de uma investigação mais ampla, que ajuda os pesquisadores a formarem uma linha de raciocínio, encontrar ferramentas para lidar com problemas e produzir conhecimento.
“Enquanto o problema era o foco, ele não era o objetivo. E a IA está meio tratando todos os problemas como se fossem objetivos”, afirma Tal.
Para ele, a produção em grande escala pode dificultar a compreensão dos resultados. A comunidade matemática precisa não apenas verificar se as demonstrações estão corretas, mas também descobrir como elas se relacionam com o que já existe, se apresentam técnicas realmente novas e quais outras questões podem ajudar a resolver.
O volume de material produzido pela OpenAI dificulta esse trabalho. Tradicionalmente, uma demonstração matemática complexa pode levar anos para ser revisada por especialistas. Agora, os pesquisadores se deparam com centenas de resultados divulgados de uma só vez.
Na avaliação de Álvaro Machado Dias, a dificuldade de medir a importância das descobertas não é uma novidade na matemática. A diferença está na velocidade e na quantidade de material que precisa ser analisado.
“O que se tornou diferente foi a proporção entre o conteúdo que entra e o número de gente capaz de julgar: uma comunidade dimensionada para absorver um gotejamento de provas recebeu, num único dia, um volume que levaria anos para digerir”, diz.
O especialista ressalta que a dimensão do avanço não significa que todos os resultados tenham a mesma importância científica. A OpenAI poderia selecionar problemas que a tecnologia tem maior chance de apresentar resultados expressivos, e esses problemas nem sempre correspondem às prioridades da comunidade matemática.
Nesse caso, o desafio é transformar a produção da IA em conhecimento que possa ser compreendido, debatido e aproveitado por pesquisadores humanos. Sem esse esforço, a resolução da IA pode até estar certa, mas seu impacto na ciência seguirá limitado.
Antes de incorporar os resultados ao conhecimento matemático, os pesquisadores precisam verificar se as demonstrações estão corretas.
Uma das ferramentas utilizadas nesse processo é o Lean, que verifica resultados e a lógica por trás da resolução. Ela ajuda a conferir a consistência de uma demonstração, mas não substitui a avaliação científica.
Fábio Tal explica que a revisão tradicional depende de especialistas capazes de acompanhar os argumentos apresentados em um artigo, identificar falhas e verificar se cada etapa está devidamente justificada.
O matemático diz que a comunidade já começou a examinar os resultados produzidos pela IA, mas ainda não há uma avaliação definitiva. Inclusive, erros já apareceram e devem continuar aparecendo nessa correção.
A própria divulgação da OpenAI reconhece que alguns resultados ainda podem apresentar problemas. A empresa afirma que pretende corrigir eventuais falhas e financiar workshops, conferências e programas voltados à compreensão das descobertas produzidas pela IA.
Isso não elimina a dimensão do avanço. Para Tal, mesmo depois das correções, o conjunto poderá representar um volume de descobertas superior ao que pesquisadores humanos conseguiriam produzir no mesmo período.
“Eles [empresas de IA] estão fazendo coisas que a gente não estava conseguindo fazer antes com a IA. Eu acho que vai mudar muito como é feito matemática ou como se entende o fazer matemática”, defende.
Machado também destaca que a verificação formal não encerra o trabalho dos matemáticos. É necessário compreender o que cada resultado acrescenta à área, quais conhecimentos anteriores foram utilizados e quais novas perguntas podem surgir a partir das demonstrações.
Se a inteligência artificial agora consegue resolver em pouco tempo problemas que antes eram desafios para pesquisadores em formação, uma das consequências mais imediatas pode aparecer nas universidades.
Fábio Tal chama a atenção para o papel do erro no aprendizado da matemática. Durante um mestrado ou doutorado, um estudante recebe um problema, testa caminhos, identifica falhas e constrói as habilidades necessárias para conduzir pesquisas mais complexas.
“Você aprendia muito em matemática errando. O jeito de se aprender em matemática não é só acertando, é você tentar, errar e descobrir porque deu errado. E faz isso tantas vezes até a hora que você consegue entender porque a coisa funciona de certo jeito e consegue chegar no próximo lugar”, afirma.
Nesse processo, o estudante desenvolve ferramentas próprias e uma intuição que poderá utilizar em pesquisas futuras. A possibilidade de recorrer a um modelo capaz de encontrar imediatamente uma solução muda as condições desse aprendizado.
“Algo precisa ser feito para pegar esse tipo de produção [por parte da IA] e transformar em conhecimento, e não só resolução de problemas”, diz Tal.
A questão não é apenas se os alunos poderão usar inteligência artificial, mas como aprenderão a trabalhar com ela sem abrir mão da capacidade de compreender e defender os resultados que apresentam como seus.
Para o matemático, a responsabilidade do pesquisador permanece mesmo quando uma demonstração é produzida com auxílio de uma máquina. Quem assina um artigo precisa entender o que está sendo afirmado e ser capaz de sustentar seus argumentos.
Álvaro Machado Dias amplia o problema para a própria estrutura da profissão. Se a resolução de problemas se tornar uma atividade automatizada, a formação de novos matemáticos poderá perder parte de sua justificativa tradicional.
“O problema é que não será preciso gente o suficiente nesses espaços para justificar a formação na área”, afirma.
Até que ponto os resultados representam descobertas originais da inteligência artificial ou apenas uma combinação de conhecimentos já produzidos por matemáticos humanos?
Para Fábio Tal, a matemática sempre avançou a partir da combinação de ideias anteriores. Uma descoberta raramente surge do nada: pesquisadores utilizam conceitos, técnicas e demonstrações desenvolvidos por outras pessoas para construir novos resultados.
A diferença da IA, segundo ele, está na capacidade dos modelos de reunir conhecimentos de áreas distintas em uma velocidade que não seria possível para um pesquisador individual.
Já para Machado, a criatividade da máquina tem uma característica diferente da humana. Em vez de depender da própria intuição, os sistemas podem rodar diversas combinações em paralelo até encontrar uma que funcione.
Para ele, a máquina testa alternativas que um matemático dificilmente conseguiria explorar individualmente. A descoberta pode surgir de uma combinação bem-sucedida, sem que exista um pesquisador humano.
Mesmo com o avanço dos modelos, Fábio Tal identifica atividades que continuarão sendo importantes para os pesquisadores: verificar as demonstrações, traduzir os resultados para outros humanos e, principalmente, escolher quais perguntas merecem ser investigadas.
No entanto, ele evita estabelecer uma fronteira definitiva entre as capacidades humanas e as da inteligência artificial, justamente pelo ritmo de avanço da IA.
Para Álvaro Machado, a escolha das perguntas também revela uma assimetria entre empresas de inteligência artificial e pesquisadores independentes.
Semanas antes da resolução dos 377 problemas matemáticos, a OpenAI já havia revelado que sua IA resolveu a equação de Navier-Stokes, considerado o “Problema do milênio”. Segundo o especialista, a desenvolvedora decidiu concentrar esforços no problema depois de saber que dois matemáticos estavam próximos de um avanço.
A OpenAI negou ter acessado os dados produzidos pelos pesquisadores.
A possibilidade de automatizar parte da pesquisa matemática coloca a comunidade diante de um dilema. De um lado, há o potencial de ampliar as fronteiras do conhecimento e chegar a resultados que levariam anos para serem encontrados por humanos. De outro, existe o risco de que a velocidade da produção ultrapasse a capacidade de compreender as descobertas e de formar novos pesquisadores.
Para Fábio Tal, tentar impedir o uso da tecnologia não parece ser uma solução. O desafio é encontrar maneiras responsáveis de incorporá-la ao trabalho científico, preservando a capacidade de entender os resultados e desenvolver novas perguntas.
O matemático também reconhece que o objetivo da área não pode ser simplesmente garantir que humanos continuem sendo melhores do que as máquinas em resolver problemas. Ele avalia que, se a inteligência artificial permitir descobrir mais sobre o mundo, abrir mão desses avanços apenas para preservar o processo tradicional de pesquisa pode significar deixar de produzir conhecimento.
O desafio, então, se torna adaptar instituições, métodos de pesquisa e formação profissional à nova realidade.
Brasil está entre os países que mais usam inteligência artificial
Lev Radin/Pacific Press/LightRocket via Getty Images
Kevin O'Leary's data center company has a message for analysts who doubt its enormous AI ambitions: You're not seeing the whole picture.
Paul Palandjian, CEO of O'Leary Digital, pushed back on a Bernstein Research assessment that put the firm near the bottom of the data center industry's credibility rankings. In an emailed response to Business Insider, he detailed land agreements, water applications and licensing, engineering work, and funding that he said the analysis overlooks.
"Scrutiny during this cycle is fair," Palandjian wrote. He added, "A score built from announced-capacity data ranks every pre-construction project low on construction progress by definition, and it cannot see confidential work."
His response gets at a central question in the AI building boom: How much weight should investors give the work that happens before data center construction begins?
Paul Palandjian/O'Leary Digital
Bernstein examined thousands of data center projects using data from the tracking firm Aterio, assessing factors such as construction progress, electricity availability, and industry experience. Its analysis concluded that only about 35% of announced data center capacity in the US will get built.
O'Leary Digital received a credibility score of 0.35 out of 5. Bernstein estimated that 489 megawatts of its announced 15-gigawatt pipeline would materialize, roughly 3%. The analysts grouped it with ambitious newcomers described as "bragawatts."
Palandjian said the 15-gigawatt figure represents the full build-out of two campuses in Utah and Alberta over several years.
"We would rather be judged on milestones than on a model," he wrote.
Palandjian's clearest distinction concerns electricity, one of the biggest obstacles facing data center developers.
"We are not in an interconnection queue," he wrote, referring to the waiting lists for connections to the electricity grid.
Instead, both campuses are designed to generate all their electricity on-site, he said, with direct access to natural gas pipelines and supplies. That's what the industry calls "behind the meter": producing power at the facility rather than relying on an electricity utility to supply it from the grid.
In Utah, Palandjian said the Military Installation Development Authority had approved and executed a 30-year development agreement naming O'Leary Digital as master developer of the project area.
About 11,000 acres are under binding agreements, he said. Master planning, ground studies, and laser-based land surveying have finished at both sites, and the company filed an engineered Utah water application in late September, he added.
In Alberta, about 13,000 acres are under a binding agreement, and a water license for 6 million cubic meters a year has been granted, Palandjian said. He also said that both sites are away from densely populated residential communities.
On money, Palandjian said his firm has capital for both pre-development and advancing the project toward key milestones. He did not specify a funding amount or say the entire build-out was financed.
He said that the engineering, power, and construction firms working with the company, and the global banks advising it, provide evidence of its ability to deliver.
"With that team, every critical part of the project is being worked through, gaps are identified early, and we are closing them to raise our probability of success," he wrote.
Palandjian said that while O'Leary Digital is young, its team has decades of experience in real estate, power, and infrastructure.
Bernstein's skepticism does not mean every newcomer will fail.
"It's not that all of these guys are sort of terrible and not going to deliver, but we just have lower confidence because we don't know them," analyst Madison Rezaei said.
With Palandjian's update, now we know a bit more.
Sign up for the AI Insider newsletter here. Reach out to me via email at abarr@businessinsider.com
Several Google DeepMind employees have resigned in recent weeks over the company's Pentagon contract signed earlier this year that allows its AI technology to be used in classified settings.
The post Google Deepmind Employees Resign in Protest over AI Deal with Trump’s Pentagon appeared first on Breitbart.
Login