*Por Gabriel Cunha, especialista de Inteligência Artificial da Oracle
Durante séculos, uma parte importante do progresso científico esteve limitada por uma restrição bastante humana: nossa capacidade de formular hipóteses, testar possibilidades e encontrar soluções para problemas complexos. A inteligência artificial começa a alterar essa equação. E talvez uma das consequências mais interessantes dessa mudança seja justamente uma inversão de papéis: em algumas áreas, produzir conhecimento pode deixar de ser o principal gargalo. O desafio será conseguir compreendê-lo.
Um episódio recente ajuda a dimensionar essa mudança. Em setembro, a OpenAI apresentou uma solução para o problema de existência e suavidade das equações de Navier-Stokes, um dos sete Problemas do Milênio estabelecidos pelo Clay Mathematics Institute. A questão matemática atacada pelo trabalho, relacionada ao comportamento de fluidos em três dimensões, permanecia sem solução havia cerca de 90 anos.
Segundo a OpenAI, os agentes chegaram à solução cerca de 88 horas depois do início do trabalho. Só nessa investigação, trocaram 2,7 milhões de mensagens e produziram aproximadamente 130 bilhões de tokens de saída. A formalização e a verificação da demonstração em Lean, sistema utilizado para verificar provas matemáticas, consumiram outras 17 horas. O resultado ainda está sujeito ao escrutínio da comunidade científica e não representa, por si só, a concessão do prêmio do Clay Mathematics Institute.
Os números impressionam menos pelo volume computacional em si do que pelo que revelam sobre a escala na qual passamos a explorar problemas científicos. Sistemas de IA permitem investigar um volume de hipóteses e caminhos que muda a dimensão desse trabalho. Em determinadas áreas, o desafio começa a deixar de ser apenas encontrar respostas e passa também por entender, verificar e transformar essa produção em conhecimento.
Essa transformação já é particularmente visível na matemática e na ciência da computação. Não por acaso. São campos em que existe algo extremamente valioso para sistemas de inteligência artificial: a possibilidade de verificar resultados de maneira objetiva. Um software pode ser executado e testado, enquanto uma demonstração matemática pode ser submetida a regras formais para determinar se está correta. São ambientes nos quais ciclos de tentativa, erro e verificação podem ser repetidos em enorme escala.
A velocidade dessa evolução fica ainda mais evidente na Olimpíada Internacional de Matemática. Em 2024, AlphaProof e AlphaGeometry 2, sistemas desenvolvidos pelo Google DeepMind, resolveram quatro dos seis problemas da competição e alcançaram 28 dos 42 pontos possíveis, desempenho equivalente ao de um medalhista de prata. Naquele momento, os problemas precisavam ser traduzidos manualmente para uma linguagem matemática formal, e algumas soluções exigiram até três dias de computação.
Um ano depois, uma versão avançada do Gemini Deep Think resolveu cinco dos seis problemas, chegou a 35 dos 42 pontos e alcançou o nível de medalha de ouro. Mais importante: o sistema trabalhou diretamente com os enunciados em linguagem natural e produziu as demonstrações dentro do limite de 4,5 horas da competição. Os resultados foram avaliados segundo os critérios da própria IMO.
Essa evolução aponta para uma mudança importante na própria dinâmica da produção científica. Até agora, estávamos acostumados a pensar na inteligência artificial principalmente como uma ferramenta que ajuda pesquisadores a trabalhar mais rápido. Aos poucos, porém, surge uma possibilidade diferente: sistemas capazes de explorar tantas alternativas e produzir tantas demonstrações, verificações e caminhos possíveis que a capacidade humana de acompanhar essa produção se torna limitada. Nesse cenário, escassez e abundância trocam de lugar: se antes o recurso escasso era encontrar uma nova solução, ele poderá passar a ser a capacidade de selecionar quais descobertas importam, verificar seu significado e traduzi-las para que outros pesquisadores consigam compreendê-las e utilizá-las.
Essa transformação já entrou no debate entre os próprios matemáticos. Terence Tao, um dos nomes mais importantes da matemática contemporânea, publicou neste ano o ensaio Mathematics in the age of AI, baseado em sua palestra no International Congress of Mathematicians de 2026. No trabalho, Tao discute como a matemática pode se desenvolver diante da evolução de ferramentas de IA capazes de participar de tarefas cada vez mais sofisticadas de pesquisa.
Isso não significa que o cientista perde relevância. Para trabalhar na fronteira do conhecimento com esses sistemas, continua sendo necessário saber quais perguntas fazer. Problemas científicos complexos exigem conhecimento especializado para formular hipóteses, estabelecer restrições e reconhecer quais resultados merecem investigação. Podemos, portanto, entrar em uma era na qual temos acesso a mais conhecimento do que somos capazes de absorver, e quanto maior a capacidade das máquinas de explorar o desconhecido, maior pode se tornar a importância de pessoas capazes de dar contexto ao que elas encontram.
Esse fenômeno também ajuda a entender por que o impacto da IA não ocorrerá na mesma velocidade em todas as ciências. Matemática e computação oferecem ciclos de verificação relativamente rápidos e reproduzíveis. Biologia, química e medicina enfrentam outra realidade: uma hipótese sobre um sistema biológico pode exigir experimentos físicos, acompanhamento de organismos, ensaios e processos regulatórios. Mesmo que uma IA produza milhares de hipóteses promissoras, a realidade material continua impondo limites à velocidade com que podemos testá-las.
Isso provavelmente fará com que vejamos velocidades diferentes de aceleração científica. Áreas altamente verificáveis digitalmente tendem a avançar primeiro. Em outras, a transformação dependerá também da evolução de simulações, laboratórios automatizados e ambientes experimentais capazes de aproximar a velocidade da validação física da velocidade da geração de hipóteses.
A discussão mais interessante sobre inteligência artificial, portanto, talvez não seja se as máquinas substituirão cientistas. Uma questão mais relevante é o que acontece quando a capacidade de explorar o desconhecido cresce mais rapidamente do que nossa capacidade de compreendê-lo. Durante muito tempo, a ciência sofreu com a escassez de respostas. A inteligência artificial pode nos colocar diante de um problema muito diferente: a abundância delas. Nesse mundo, saber explicar, selecionar e transformar descobertas em conhecimento útil pode se tornar tão importante quanto descobrir.
O post Quando descobrir deixa de ser o problema: o novo gargalo da ciência na era da IA apareceu primeiro em Startups.
