A inteligência artificial entrou na matemática por uma porta curiosa: tropeça em contas simples, mas já produz resultados convincentes em problemas abstratos de pesquisa. A demonstração recente da OpenAI, com dez avanços em matemática e ciência da computação teórica, provocou admiração, desconfiança e uma pergunta incômoda: se máquinas resolvem problemas que ocuparam matemáticos por décadas, qual será o papel de quem ainda está aprendendo a formulá-los?
Por que a IA consegue resolver matemática avançada, mas erra contas básicas?
A IA avançou na matemática abstrata porque esses problemas exigem conexões e raciocínio verificável, não apenas contagem, soma ou multiplicação.
Os modelos continuam falhando em aritmética elementar, datas, horários e outras tarefas que parecem triviais para qualquer pessoa. O velho exemplo de contar as letras “r” em “strawberry” já foi corrigido, embora permaneça como uma pequena peça de folclore da era dos modelos desajeitados. A dificuldade não desapareceu; apenas mudou de endereço. Matemática não é uma disciplina única, assim como biologia vai da observação de animais à bioquímica celular. Um sistema pode ser ruim em contar e, ao mesmo tempo, competente em manipular estruturas abstratas.
Em muitos artigos acadêmicos, quase não aparecem números. O trabalho está em reconhecer padrões, transportar métodos de uma área para outra e construir uma sequência lógica que possa ser conferida. Modelos recentes parecem ter atingido uma massa crítica nessas capacidades, como já ocorreu com escrita e programação. O resultado é uma inteligência de bordas irregulares: forte onde há regras e verificação, fraca onde falta intuição geométrica ou entendimento do mundo. É uma ferramenta poderosa, mas não um matemático universal. Ainda.
O que a OpenAI afirmou ter descoberto com o modelo Astra?
A OpenAI afirmou que o modelo Astra produziu dez avanços relevantes em áreas como teoria dos jogos quânticos e empacotamento de esferas.
A empresa publicou uma coleção de resultados acompanhada por várias centenas de páginas de documentação. Entre os temas citados estão problemas em matemática e ciência da computação teórica, incluindo o empacotamento de esferas em dimensões superiores a três. Pesquisadores ouvidos na apuração consideraram os resultados impressionantes: uma pessoa que resolvesse qualquer um daqueles problemas provavelmente fortaleceria muito sua carreira acadêmica; alguém que resolvesse os dez pareceria quase inacreditável.
O impacto veio também da escolha dos problemas. Não eram quebra-cabeças artificiais, mas questões que matemáticos reconhecem e vêm estudando há anos. A publicidade, contudo, simplificou a história ao sugerir que não havia progresso recente em nenhuma das frentes. Um dos próprios artigos mencionava trabalhos anteriores de dois pesquisadores, e a formulação foi alterada discretamente depois. A crítica sobre atribuição é legítima, mas a leitura dos artigos não indica uma tentativa clara de plágio. Parece mais um caso de comunicado promocional inflado — vício antigo, agora com GPU.
Os resultados são verificáveis e podem ser repetidos?
Os resultados parecem matematicamente consistentes porque especialistas os examinaram e parte das provas foi formalizada na linguagem Lean.
Há uma diferença importante entre repetir um experimento e verificar uma prova. Na ciência experimental, reproduzir condições semelhantes ajuda a confirmar um resultado; na matemática, uma demonstração válida basta, desde que cada passo e cada premissa resistam à inspeção. O problema prático é que essas provas são altamente especializadas. Poucas pessoas no mundo terão disposição e conhecimento para ler centenas de páginas sobre áreas distintas, e o modelo responsável pelo trabalho não foi liberado para testes independentes.
Lean ajuda a reduzir essa zona de sombra. A linguagem permite codificar demonstrações e submetê-las a uma checagem formal de rigor. Especialistas das áreas envolvidas disseram que os resultados parecem legítimos, mas ainda resta saber quantas tentativas foram necessárias para chegar aos dez casos publicados. A OpenAI não informou esse número. Também não está claro quanto da descoberta veio do modelo, quanto veio da orientação de matemáticos contratados e quais problemas foram escolhidos por razões científicas ou comerciais. A prova pode estar correta; a escala do método continua em aberto.
A IA ameaça a formação e o futuro dos matemáticos?
A ameaça mais imediata não é o desaparecimento da matemática, mas a perda de problemas formativos e de caminhos claros para estudantes e pesquisadores.
Matemáticos em início de carreira costumam aprender enfrentando problemas difíceis, desenvolvendo intuição e descobrindo ferramentas no percurso. Se uma IA resolver essas questões antes que um doutorando termine sua pesquisa, o padrão para uma tese de quatro anos passa a ser um alvo móvel. James Maynard, medalhista Fields, resumiu o dilema: não basta encontrar um problema que a IA não resolve hoje; seria preciso encontrar um que ela ainda não resolva daqui a quatro anos. Isso não é apenas ansiedade profissional. É uma mudança na arquitetura da formação.
Além disso, resolver uma questão não esgota seu valor. Em matemática, a consequência mais fértil costuma ser o que nasce depois da solução: uma técnica nova, uma conexão inesperada ou um campo inteiro de pesquisa. O receio é que a IA “corte o mato” dos problemas existentes sem abrir trilhas novas, deixando uma paisagem perfeitamente aparada e intelectualmente estéril. A matemática popularizada costuma lembrar o Último Teorema de Fermat, não a resposta de algum anônimo catalogado. As perguntas persistem porque geram imaginação; respostas, sozinhas, são apenas marcos.
A IA vai democratizar a matemática ou concentrar poder?
A IA pode ampliar o acesso à pesquisa matemática, mas também concentra capacidade em laboratórios com dinheiro, computação e especialistas.
Há relatos de estudantes talentosos produzindo trabalhos de nível avançado com assistência de modelos, algo que talvez não conseguissem fazer sozinhos. Essa possibilidade interessa especialmente a pesquisadores fora dos centros tradicionais. Porém, a democratização tem uma pegadinha conhecida: acesso gratuito raramente significa acesso ao melhor desempenho. A OpenAI estimou cerca de US$ 2 mil em custos para produzir os dez resultados, valor que não inclui toda a infraestrutura, os pesquisadores e as tentativas descartadas. Para uma área acostumada a um quadro-negro, essa conta pesa.
O entusiasmo também esbarra no lixo editorial. Matemáticos relatam receber trabalhos gerados ou assistidos por IA e pedidos para verificar supostas descobertas de autores que não têm formação para conferir as próprias provas. Isso aumenta o custo humano da filtragem. A Declaração de Leiden expressa a resistência de profissionais que não querem ver sua disciplina transformada em vitrine publicitária. Eles talvez não controlem a propaganda dos laboratórios, mas controlam algo mais valioso: a distinção entre demonstração, promessa e slogan.
O avanço em matemática prova que a IA dominará outras áreas?
O avanço em uma parte da matemática não prova domínio geral, mas confirma uma trajetória de expansão que merece ser acompanhada sem euforia.
Gary Marcus lembrou o caso do Watson, da IBM: vencer no Jeopardy! não transformou automaticamente o sistema em uma máquina para curar câncer. O argumento continua sólido. Êxito em uma área não garante competência em todas as outras, nem sequer em todos os problemas da própria área. Matemática avançada oferece condições especialmente favoráveis: problemas autocontidos, regras explícitas e respostas que podem ser formalmente verificadas. Física, direito e medicina carregam contexto, ambiguidade, responsabilidade e mundo real — esse pacote não cabe inteiro numa prova em Lean.
Ainda assim, descartar o avanço seria tão preguiçoso quanto anunciar a singularidade a cada comunicado de imprensa. A capacidade dos modelos vem se ampliando, e novas áreas entram no alcance deles em ritmos diferentes. O ponto decisivo não é saber se a IA “resolveu a matemática”, frase boa para manchete e ruim para pensar. É descobrir se ela continuará produzindo ferramentas que humanos compreendem, criticam e usam para formular perguntas melhores. Por enquanto, os matemáticos estão impressionados, preocupados e sem mapa. A crise é real justamente porque a resposta ainda não é.
