Um fim de semana atacando dois problemas abertos
O cientista de dados Sean Moran descreve, em um ensaio na Towards Data Science, um experimento pessoal que ilustra uma mudança profunda na pesquisa matemática. Em um único fim de semana, usando o modelo GPT-5.6 Sol, agentes paralelos, programas de aritmética exata e o assistente de provas Lean, ele atacou dois problemas difíceis — e saiu com resultados opostos.
O primeiro alvo, a matriz de Hadamard de ordem 668, resistiu a todas as rotas tentadas. É, segundo o catálogo da Epoch AI, a menor ordem para a qual ninguém sabe se uma solução existe. O segundo, o problema de Maxwell, rendeu um candidato a prova: um argumento convencional completo, verificações exatas em entradas selecionadas e uma formalização parcial em Lean.
O padrão por trás do experimento
Moran enxerga nesse fim de semana a confirmação de uma tese que vem desenvolvendo em textos anteriores: a inteligência artificial tornou a experimentação muito mais barata que a compreensão. Em vez de um único modelo e um verificador simbólico, ele usou um ecossistema de agentes que propõem construções, geram verificadores, criticam argumentos e traduzem ideias entre representações matemáticas.
O autor nota que esse ciclo — propor um experimento, implementá-lo, avaliar o resultado e usar essa avaliação para gerar um experimento melhor — é exatamente o que Jeff Dean, do Google, descreveu recentemente para ciência e engenharia ao fundar a Discoveryloop. A diferença é que, no caso da matemática, o “laboratório” é feito de aritmética exata, solucionadores de restrições e assistentes de prova.
Experimentos baratos, conhecimento caro
A conclusão central do ensaio cabe em uma frase: experimentos ficam baratos; conhecimento, não. Produzir rotas candidatas se tornou muito mais rápido, mas provar, compreender, estabelecer novidade e obter revisão independente continuam sendo obrigações separadas — e nenhuma delas ficou mais barata.
Isso desloca o gargalo da pesquisa. Se modelos podem gerar mais conjecturas, candidatos a prova e contraexemplos do que humanos conseguem ler, o problema deixa de ser produzir matemática e passa a ser decidir o que merece atenção. Moran argumenta que será preciso um “mapa” confiável do conhecimento — com atribuição correta, status de verificação e registro das rotas que falharam.
O debate sobre crédito e responsabilidade
O ensaio conecta o experimento a uma discussão mais ampla sobre o futuro da disciplina. Timothy Gowers, medalhista Fields, propõe que quem digere e explica um resultado gerado por IA pode merecer mais crédito do que quem produziu o primeiro rascunho. A Declaração de Leiden alerta que técnicas automatizadas produzem argumentos plausíveis, porém não confiáveis, difíceis de distinguir de provas corretas. E Catherine Chu, no texto “Mathematicians need to act”, defende regras para atribuição e responsabilidade diante do uso de modelos.
Para Moran, a matemática pode ser a primeira ilustração de uma transição mais ampla, que afeta fusão, medicina, cibersegurança e ciência dos materiais. À medida que a IA automatiza o ciclo experimental, o desafio deixa de ser gerar resultados e passa a ser construir as instituições capazes de julgar quais deles são confiáveis.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
