Em setembro, a OpenAI publicou aquilo que apresentou como uma solução para o problema de existência e regularidade de Navier–Stokes, uma das questões matemáticas associadas aos Problemas do Milênio. Além da exposição da demonstração, a empresa disponibilizou uma formalização em Lean, sistema capaz de verificar provas matemáticas dentro de uma estrutura lógica formal. Segundo a OpenAI, seu sistema chegou ao resultado depois de poucos dias de trabalho distribuído entre agentes de inteligência artificial.
Três dias depois, o Clay Mathematics Institute, instituição responsável pelos Problemas do Milênio, reagiu de maneira ao mesmo tempo receptiva e cautelosa. Declarou que o problema parecia ter sido resolvido e afirmou compartilhar o entusiasmo da comunidade matemática diante do anúncio. Mas também lembrou que a avaliação do resultado e a atribuição de crédito seguiriam um processo deliberadamente lento.
A diferença entre essas duas velocidades ajuda a revelar uma questão maior.
Até recentemente, boa parte da discussão pública sobre inteligência artificial estava concentrada em sua capacidade: quais tarefas os modelos conseguem executar, que profissões podem ser afetadas, até onde esses sistemas conseguem raciocinar. Quando uma IA começa a produzir resultados que podem constituir descobertas científicas, porém, surge uma segunda pergunta.
Não basta saber se ela encontrou uma resposta.
É preciso saber o que acontece depois que a resposta aparece.
Uma resposta pode existir antes de ser reconhecida
A própria OpenAI ampliou consideravelmente a escala de suas alegações. A empresa afirmou que um novo modelo interno havia resolvido, além de Navier–Stokes, mais de cem problemas matemáticos em aberto de longa data. Até o momento, esse número precisa ser tratado exatamente pelo que é: uma afirmação da empresa. O anúncio não apresenta a relação completa desses problemas acompanhada das respectivas demonstrações.
O caso Navier–Stokes oferece uma situação diferente porque já existe material técnico público que pode ser examinado. Há uma demonstração apresentada pela OpenAI, uma formalização em Lean e uma manifestação externa relevante do Clay Mathematics Institute. Mesmo assim, a instituição ainda não trata o processo como encerrado.
Suas próprias regras ajudam a entender por quê. Para que uma solução de um Problema do Milênio seja considerada formalmente, ela deve ser publicada em um veículo qualificável, pelo menos dois anos precisam transcorrer desde essa publicação e o resultado deve alcançar aceitação geral na comunidade matemática internacional.
Isso não significa que uma demonstração só se torne verdadeira depois que matemáticos concordem com ela.
Uma prova correta não passa a ser correta porque uma instituição a reconheceu. A legitimidade científica opera em outro plano: cria as condições pelas quais um resultado pode ser examinado por outras pessoas, confrontado com o conhecimento existente, atribuído corretamente e incorporado a um corpo de conhecimento compartilhado.
Produzir uma resposta e transformá-la em conhecimento reconhecido são processos relacionados. Não são o mesmo processo.
O que existe entre descobrir e incorporar conhecimento
Essa distinção costuma ficar menos visível quando pensamos na ciência como uma sequência de grandes descobertas. A narrativa pública frequentemente termina no momento em que alguém encontra uma solução.
Na prática, esse momento abre outra etapa.
A comunidade precisa verificar se o argumento é consistente. Precisa compreender quais ideias foram utilizadas, localizar relações com trabalhos anteriores, avaliar se existe realmente novidade, determinar a importância do resultado e estabelecer a quem cabe o crédito pelas contribuições envolvidas.
Em junho, antes do anúncio da OpenAI sobre Navier–Stokes, a International Mathematical Union já havia endossado a Leiden Declaration on Artificial Intelligence and Mathematics. O documento surgiu justamente da preocupação com os efeitos da IA sobre a produção matemática e defende princípios como transparência, possibilidade de verificação independente, responsabilidade sobre resultados produzidos com ferramentas automatizadas e atenção explícita à atribuição das ideias utilizadas.
Há algo importante nessa reação.
A preocupação não é apenas verificar se as máquinas produzem respostas corretas. É preservar um sistema no qual outras pessoas consigam entender de onde um resultado veio, analisá-lo criticamente e avaliar sua relação com aquilo que já era conhecido.
Essa infraestrutura raramente chama tanta atenção quanto a descoberta em si. Mas é ela que transforma um resultado isolado em algo que uma comunidade consegue usar, ensinar, contestar e desenvolver.
Verificar uma prova não resolve todas as perguntas
A própria matemática oferece uma possibilidade particularmente interessante para a inteligência artificial porque parte do problema de verificação pode ser formalizada.
No caso apresentado pela OpenAI, a demonstração de Navier–Stokes também foi convertida para Lean. Um assistente de prova desse tipo permite verificar formalmente se uma construção respeita as regras lógicas do sistema em que foi expressa. A tecnologia pode, portanto, ampliar de maneira relevante a capacidade de conferir argumentos complexos. A própria OpenAI informa que a formalização e a verificação em Lean integraram o processo posterior à obtenção da solução.
Seria tentador concluir que isso resolve o problema da validação.
Mas correção lógica é apenas uma das perguntas que uma descoberta científica produz.
Ainda é preciso determinar se o resultado é realmente novo. Compreender quais trabalhos anteriores permitiram que ele fosse construído. Avaliar sua importância dentro do campo. Identificar que novas questões ele abre. Estabelecer se conceitos ou estratégias utilizados por outros pesquisadores foram adequadamente reconhecidos.
A Leiden Declaration explicita justamente essa diferença. O documento reconhece o papel das formalizações, mas também alerta para dificuldades na passagem entre representações computacionais e humanas e insiste em transparência, verificabilidade independente, atribuição e responsabilidade.
A inteligência artificial pode, naturalmente, começar a participar também dessas atividades. Sistemas futuros podem ajudar a revisar literatura, comparar demonstrações, localizar conexões e acelerar parte do próprio processo de validação.
Por isso, a questão não precisa ser formulada como oposição entre máquina e julgamento humano.
O ponto é mais preciso: verificar que uma resposta é formalmente consistente não encerra todas as perguntas necessárias para compreender o que aquela resposta significa dentro da ciência.
Quando a origem das ideias também importa
Essa distinção se torna mais relevante quando entra em cena a atribuição.
O anúncio da OpenAI sobre Navier–Stokes foi acompanhado por uma controvérsia envolvendo pesquisadores que também trabalhavam em problemas relacionados e utilizavam ferramentas de inteligência artificial. A discussão levantou dúvidas sobre a possibilidade de ideias compartilhadas em interações com sistemas de IA influenciarem posteriormente outros processos de pesquisa. A Nature documentou essa controvérsia sem estabelecê-la como evidência de apropriação indevida.
A OpenAI, por sua vez, afirma ter investigado o episódio e concluído que os prompts de Tristan Buckmaster ao Codex nos dois meses anteriores ao anúncio não poderiam ter influenciado o sistema utilizado, inclusive por meio do treinamento.
Não há, portanto, base pública suficiente para concluir que houve apropriação indevida dessas ideias.
O interesse desse episódio está menos em estabelecer uma acusação do que em revelar uma nova dificuldade.
Na pesquisa tradicional, a procedência de uma ideia pode ser reconstruída por artigos, conversas, citações, apresentações e colaborações. Esse sistema nunca foi perfeito, mas existe uma expectativa de que contribuições relevantes possam ser identificadas e reconhecidas.
Sistemas de IA tornam essa reconstrução potencialmente mais complexa.
Um modelo pode operar sobre grandes quantidades de conhecimento, combinar estratégias diferentes e gerar soluções cuja genealogia intelectual não é imediatamente evidente. Se essas ferramentas também mantêm interações individuais com pesquisadores, a questão sobre a origem das ideias ganha outra dimensão.
A Nature também tratou o episódio editorialmente como um problema de atribuição e defendeu maior cooperação entre empresas de IA e comunidade científica para proteger o crédito intelectual.
Isso acrescenta uma exigência ao futuro da ciência mediada por inteligência artificial.
Não basta construir sistemas melhores para encontrar respostas. Talvez seja necessário construir mecanismos melhores para explicar como essas respostas foram produzidas.
O novo gargalo pode aparecer depois da descoberta
Há uma razão adicional para esse problema ganhar importância agora: escala.
A OpenAI relata que seu esforço utilizou sistemas de agentes coordenados em múltiplos problemas matemáticos e consumiu grande volume de computação. Agora, a empresa afirma que o novo modelo interno já produziu soluções para mais de cem problemas abertos.
Novamente, a validade individual desses mais de cem resultados ainda precisa ser estabelecida. Mas a própria possibilidade de produzir candidatos a descobertas nessa escala cria uma situação diferente daquela em que um pesquisador ou um grupo publica ocasionalmente uma nova demonstração.
A capacidade de gerar pode crescer mais rapidamente do que a capacidade de examinar.
Hoje, a avaliação científica depende de especialistas que precisam ler argumentos, compreender suas implicações, compará-los com literatura anterior e discutir seu significado. Essas atividades consomem tempo porque não consistem apenas em conferir se uma sequência lógica contém erros.
O manifesto A Severe Misalignment of AI in Mathematics, publicado em setembro e assinado por matemáticos de destaque, parte justamente dessa preocupação. Seus autores reconhecem o avanço das capacidades dos modelos, mas argumentam que reduzir o progresso matemático à resolução de problemas como benchmark pode prejudicar dimensões mais amplas da disciplina, relacionadas à compreensão, ao desenvolvimento de ideias e à própria comunidade de pesquisa.
O caso atual sugere, portanto, a possibilidade de um novo gargalo.
Durante anos, a limitação esteve em encontrar respostas para determinados problemas. Se sistemas automatizados começarem a produzir respostas em grande escala, parte da dificuldade pode migrar para outro ponto: decidir quais resultados merecem atenção, quais estão corretos, quais realmente são novos e como devem ser incorporados ao conhecimento existente.
Não há razão para concluir que a ciência será incapaz de acompanhar esse movimento. Os próprios sistemas de IA podem acelerar etapas da revisão, da formalização e da análise de literatura.
Mas a questão institucional aparece antes mesmo de sabermos qual será o equilíbrio final.
A infraestrutura ao redor da máquina
Um sinal dessa mudança está surgindo fora dos próprios modelos.
O Institute for Advanced Study registra atualmente o Advisory Group on Mathematics and Artificial Intelligence. O grupo foi criado para aconselhar empresas de IA sobre sua interação com a pesquisa matemática e com a comunidade da área, incluindo a apresentação e divulgação responsável de resultados. Também se propõe a funcionar como um possível canal de comunicação entre matemáticos e a indústria de inteligência artificial.
A OpenAI anunciou sua colaboração com esse grupo ao comunicar os mais de cem resultados que afirma ter produzido.
É cedo para saber se estruturas desse tipo funcionarão, se serão suficientes ou se se tornarão permanentes.
Seu surgimento, porém, é significativo.
Quando uma transformação tecnológica começa a exigir novas formas de mediação entre empresas, especialistas e instituições, a mudança já não está acontecendo apenas dentro da tecnologia. Ela começa a reorganizar o ambiente ao redor dela.
Esse talvez seja um dos aspectos menos visíveis da atual corrida por sistemas científicos de inteligência artificial.
A atenção naturalmente se concentra no modelo capaz de resolver um problema histórico. Mas, se sistemas começarem a produzir descobertas em volume crescente, a infraestrutura responsável por examinar essas descobertas poderá se tornar tão importante quanto a infraestrutura responsável por produzi-las.
O problema depois da resposta
A inteligência artificial não elimina a diferença entre descobrir e legitimar. Até aqui, parece torná-la mais evidente.
Uma empresa pode desenvolver o sistema, fornecer capacidade computacional e publicar um resultado. Um assistente formal pode verificar sua consistência lógica. Especialistas podem examinar o argumento. Outros pesquisadores podem confrontá-lo com trabalhos anteriores. Instituições podem estabelecer critérios para seu reconhecimento.
Nenhum desses elementos substitui completamente os outros.
Isso ajuda a responder à pergunta inicial.
Quando uma IA produz uma descoberta, sua legitimidade não depende de uma única autoridade capaz de declarar que o resultado passou a constituir conhecimento. Ela emerge de um processo distribuído de verificação, transparência, atribuição, interpretação e reconhecimento.
Empresas de inteligência artificial podem ocupar uma posição cada vez mais importante dentro desse processo porque passam a participar diretamente da produção de resultados. Isso não significa, porém, que controlem sozinhas aquilo que será reconhecido como ciência.
O deslocamento mais interessante pode estar exatamente aí.
Durante a primeira fase da corrida pela inteligência artificial, boa parte da inovação esteve em construir máquinas capazes de responder perguntas que antes exigiam trabalho intelectual humano.
Se a produção de descobertas começar a ser automatizada em escala, uma parte importante da próxima inovação talvez esteja em outro lugar: nas instituições, procedimentos e tecnologias capazes de transformar aquilo que essas máquinas produzem em conhecimento que outras pessoas possam compreender, verificar e confiar.
