Em apenas 88 horas, com apoio de modelos de IA, a OpenAI anunciou ter solucionado um dos Problemas do Milênio, que desafiava a comunidade matemática há quase um século. Como ficam, agora, os tempos e movimentos da ciência?
Há algumas semanas, a OpenAI anunciou uma proposta de solução para um dos Problemas do Milênio. O sistema empregado no trabalho sobre o problema de Navier-Stokes não está disponível ao público. Segundo a própria empresa, trata-se de um modelo interno, descrito como significativamente mais capaz que o GPT-6 Astra, e uma versão treinada depois entrou em operação no meio do esforço. Enquanto o acesso às ferramentas de IA segue se disseminando na academia, os recursos de ponta empregados nas pesquisas mais ambiciosas permanecem restritos a poucos laboratórios.
Segundo o relato da empresa, o modelo mobilizou cerca de 10 mil agentes simultâneos e chegou ao resultado em 88 horas, enquanto a formalização e a verificação consumiram outras 17, estas com o GPT-6 Astra. Pesquisadores humanos escolheram formulações do problema e redirecionaram recursos ao longo do caminho. A própria OpenAI registra que mais da metade das tarefas bem-sucedidas de quatro a oito horas nos últimos seis meses envolveu ao menos uma intervenção humana.
O anúncio, para ser considerado cientificamente válido, exigirá avaliação da comunidade matemática. As regras do Clay Mathematics Institute pedem publicação em veículo qualificado e, a partir dela, ao menos dois anos durante os quais a solução precisa alcançar aceitação geral e sobreviver ao escrutínio da comunidade global. Esse prazo, portanto, mede o tempo de que a matemática precisa para entender em profundidade o que surgiu. O Instituto afirmou que o problema “foi aparentemente resolvido” e que a avaliação seguirá um processo “deliberadamente sem pressa”.
O novo fluxo e o pouco tempo gasto impressionam. Ainda é cedo, porém, para tratar isso como o processo de pesquisa que se imporá daqui para frente, até porque seria necessário conhecer também as tentativas malsucedidas e o que custaram, e não apenas os sucessos.
A hipótese que interessa para pensar a aplicação de IA à ciência é a de que a vantagem de acesso se acumula. O caso Navier-Stokes mostra o mecanismo funcionando. Um laboratório usa seus modelos internos para conduzir experimentos que ajudam a desenvolver a geração seguinte e incorpora as melhorias antes que cheguem ao mercado, como aconteceu quando a versão mais nova substituiu a anterior no meio do trabalho.
Pesquisadores de fora, que são a quase totalidade dos acadêmicos, seguirão recebendo sistemas cada vez melhores, mas, certamente, defasados ao menos uma geração de quem trabalha diretamente nesses laboratórios.
Há um indício desse mecanismo nos dados divulgados pela própria OpenAI: em agosto, seu braço de pesquisa utilizava 3,1 jornadas de agentes para cada jornada humana – a “jornada”, neste caso, refere-se a uma medida que corresponde a tempo de trabalho equivalente a jornadas de oito horas. Além disso, a empresa registrou aumento do número de experimentos, embora reconheça que a disponibilidade de poder computacional também havia crescido. Continua difícil, portanto, isolar o ganho científico atribuível aos agentes.
Esse é o estado da arte em 2026, mas a velocidade da difusão de novos modelos de pesos abertos pode mudar parcialmente esse cenário. Esses modelos, boa parte deles de origem chinesa, vêm reproduzindo em meses capacidades que eram exclusivas de laboratórios fechados, e a capacidade de ponta de um ano costuma estar disponível comercialmente no ano seguinte. Enquanto isso, um ciclo de pesquisa acadêmica, da pergunta ao artigo publicado, costuma levar anos.
Se se concretizar, essa defasagem trará sérios prejuízos, pois a pesquisa está voltada para a fronteira do conhecimento e, por consequência, o resultado precisa sair antes que outro grupo chegue nele (como, por exemplo, quando há desafios globais que rendem prêmio, publicação de primeira linha e financiamento).
O aproveitamento científico dessa capacidade depende do que vem depois da geração dos resultados – o que também já virou tema do estudo científico “AI in Science: Early Insights”, assinado por Google ATLAS, Google DeepMind e MIT FutureTech. Esse projeto reúne registros de uso do Gemini e um inventário de modelos especializados, e inclui uma pesquisa com 637 cientistas dos Estados Unidos e do Reino Unido. Os entrevistados relataram economia média de 6,9 horas por semana com IA. Certamente muito útil (quem não gostaria de ter algumas horas livres adicionadas em sua semana?), mas não exatamente transformador.
No mesmo levantamento, 41% disseram ter acumulado mais hipóteses não testadas, contra 25% que viram esse estoque diminuir. Entre os que economizaram tempo, 46% gastam mais de um quarto dele conferindo o que as ferramentas produziram.
O achado conversa com o experimento controlado da METR (sobre o qual comentei em artigo outro dia), no qual desenvolvedores experientes levaram 19% mais tempo para concluir tarefas reais com acesso a ferramentas de IA, e terminaram o teste convencidos de que tinham sido 20% mais rápidos.
Na pesquisa, assim como na produção de código, o novo gargalo está na revisão. A título de exemplo, na pesquisa farmacêutica, gerar mais compostos plausíveis aumenta a fila de testes, que continuam caros, demorados e dependentes de humanos. Presumivelmente, o trabalho de verificar e integrar os novos conhecimentos a cada área da ciência crescerá nos próximos anos.
Terence Tao e outros 24 medalhistas Fields assinaram, poucos dias depois do anúncio da OpenAI, uma declaração firmando que os objetivos das empresas de IA e os da comunidade matemática estão gravemente desalinhados. Vale lembrar que os problemas propostos a estudantes também têm função formativa, já que resolver uma questão e aprender a pesquisar por meio dela são feitos relacionados, mas com consequências distintas para a continuidade da ciência (uma é um fim em si mesmo, enquanto a outra é o que pavimenta o caminho para novos pesquisadores).
A OpenAI, aliás, já respondeu a parte das reações da comunidade científica: em 21 de setembro, a empresa anunciou a criação de um grupo consultivo sobre matemática e IA, sediado no Institute for Advanced Study, na Universidade de Princeton, com nove matemáticos independentes (e não remunerados). Vale lembrar que a empresa foi acusada publicamente, por dois matemáticos que estavam trabalhando no mesmo problema, de ter se aproveitado indevidamente dos avanços desenvolvidos por eles.
As 88 horas do resultado da OpenAI e os dois anos de escrutínio que o Instituto Clay exige vêm de calendários que se originaram de circunstâncias muito diferentes.
Em um futuro próximo, uma premissa a acompanhar (e verificar!) será que a maior distância entre os pesquisadores vinculados aos laboratórios de ponta e o resto da academia estará no tempo que cada um leva para validar seus resultados, e não apenas na restrição ou tempestividade de acesso aos modelos de ponta.
Outro tema relevante será quanto do esforço de pesquisa de uma instituição vai para verificar output de máquina, e quantos pesquisadores essa instituição ainda consegue formar com competência para continuar fazendo essa verificação no futuro. Realisticamente, esses dois números revelarão mais sobre a posição de um país na ciência da próxima década do que o volume de poder computacional que o país e suas instituições conseguirem contratar.
Para continuar navegando como visitante, vá por aqui.
Nenhum cadastro foi encontrado. Verifique os dados inseridos!
Cadastre-se grátis, leia até 5 conteúdos por mês,
e receba nossa newsletter diária.
Já recebe a newsletter? Ative seu acesso
Pronto! Só falta um passo.
Clique no link do e-mail que enviamos para retornar aqui e começar a ler seus 5 conteúdos exclusivos.
Se você já recebe nossas newsletters,
preencha seu e-mail que lhe mandaremos instruções
VoltarOpa! Parece que este e-mail não está cadastrado ainda. Tente novamente ou, se quiser fazer um novo cadastro, clique aqui.
Este e-mail que escolheu já está cadastrado.
Se ele é seu e você já tem uma senha, faça login para prosseguir com a assinatura. Se não tiver ainda ativado seu acesso, clique aqui para criar sua senha, logar e continuar o processo de assinatura.
