Crédito: Mixvale.com.br
Cientistas renomados alertam para os riscos que a capacidade acelerada de resolução de problemas matemáticos por sistemas de inteligência artificial representa para a formação de novos talentos e para a profundidade do conhecimento científico. A crítica, levantada pelos professores Steven Strogatz e Alex Townsend, da Universidade Cornell, surge após anúncios da OpenAI sobre avanços automatizados em desafios históricos, incluindo o famoso problema das equações de Navier-Stokes.
A discussão ganhou peso significativo com a adesão de 27 laureados com a Medalha Fields, o mais alto reconhecimento na matemática, a uma carta aberta. Este documento condena o que chamam de uso predatório das ferramentas de automação. Entre os signatários está Terence Tao, professor da Universidade da Califórnia em Los Angeles (UCLA), que comparou a abordagem das companhias de tecnologia a uma “mineração excessiva”, capaz de esgotar questões fundamentais que tradicionalmente impulsionam o progresso científico.
O tema ganhou maior visibilidade depois que a empresa de inteligência artificial divulgou ter superado, em apenas 88 horas, uma complexa barreira teórica que perdurava por quase um século. Conforme um relatório técnico da companhia, um conjunto de agentes identificou o desenvolvimento de uma singularidade em tempo finito nas equações de Navier-Stokes, um pilar da mecânica dos fluidos estabelecido no século XIX.
Em um artigo divulgado em 22 de setembro de 2026 e amplamente repercutido na última quinta-feira (1), Strogatz e Townsend classificaram a rapidez dos experimentos corporativos como um ponto de inflexão na maneira como o conhecimento é produzido. “Neste ano, os modelos de inteligência artificial vêm desvendando problemas matemáticos em aberto, um após o outro, com uma eficácia surpreendente. A intensidade aumentou no início de setembro, quando a OpenAI empregou 10.000 agentes para o problema de Navier-Stokes, resolvendo-o em meras 88 horas”, declararam os pesquisadores de Cornell.
Em sua defesa, a empresa estabeleceu um conselho consultivo independente, sediado no Instituto de Estudos Avançados (IAS), em Princeton, que conta com a participação de especialistas como o medalhista Fields Martin Hairer. Contudo, a própria comunicação corporativa da OpenAI limitou o escopo dessa iniciativa, deixando claro que o conselho não influencia as operações diárias de testes. “O grupo não terá a responsabilidade de nos orientar sobre como estabelecer o ritmo do nosso progresso interno em matemática”, afirmou a companhia.
A importância da contemplação gradual na matemática é defendida por meio de exemplos históricos, onde a compreensão teórica profunda resultou em aplicações transformadoras no cotidiano e na medicina avançada. No início dos anos 2000, os matemáticos Emmanuel Candès, Terence Tao e David Donoho conceberam a detecção comprimida, provando que sinais e imagens físicas possuem estruturas matemáticas intrínsecas que dispensam a coleta de todos os pontos de dados possíveis para manter a clareza do resultado final. Esse é um exemplo crucial de como a inovação humana, baseada na compreensão conceitual, pode gerar soluções que impactam diretamente a vida das pessoas, algo que a mera automação de resultados pode não replicar.
Essa inovação analítica permitiu uma reengenharia significativa na tecnologia de exames de ressonância magnética hospitalares, conforme demonstrado posteriormente pelos especialistas Michael Lustig e John Pauly. Graças a esse método matemático, exames pediátricos que antes demandavam oito minutos de imobilização e sedação passaram a ser concluídos em cerca de um minuto, com a criança totalmente consciente. Isso ilustra claramente que a aplicabilidade prática e o benefício público de uma fórmula dependem intrinsecamente do entendimento conceitual prévio desenvolvido pelos pesquisadores.
Para os matemáticos aplicados, se um sistema automatizado entrega apenas um resultado final, sem detalhar as etapas intermediárias ou oferecer garantias teóricas que possam ser generalizadas, a capacidade da ciência de transpor um princípio abstrato para outras áreas da engenharia e do diagnóstico médico é comprometida. A ausência de “como” o problema foi resolvido impede a replicação e a expansão do conhecimento.
Apesar da declaração da desenvolvedora sobre a resolução do problema de Navier-Stokes, a solução ainda não obteve reconhecimento oficial nem certificação do Clay Mathematics Institute, que lançou o desafio no ano 2000. Paralelamente, Tristan Buckmaster, professor da Universidade de Nova York, expressou publicamente dúvidas sobre a possibilidade de materiais preliminares de sua equipe de pesquisa terem sido incorporados pelo sistema Codex durante seu treinamento.
A lista completa dos mais de 100 desafios matemáticos de longa data que a OpenAI afirma ter superado ainda não foi divulgada integralmente, nem submetida à avaliação por pares em publicações científicas independentes. A comunidade acadêmica aguarda a disponibilização dos relatórios detalhados para examinar a exatidão das provas e a originalidade das soluções apresentadas pelos modelos autônomos.
