A inteligência artificial vai revolucionar a ciência após mudar a matemática?

O ano de 2026 ficará marcado na história como o período em que a inteligência artificial transformou profundamente a matemática, levantando o questionamento se a ciência será a próxima área a sofrer essa disrupção. Em março, durante a reunião anual da Sociedade Americana de Física, o físico teórico Matthew Schwartz fez um alerta aos colegas: a inteligência artificial fará muitas pesquisas científicas, portanto é preciso ficar atento. Na época, a previsão do professor da Universidade de Harvard foi recebida com ceticismo e deboche por muitos físicos na plateia, que consideravam a declaração alarmista e otimista demais em relação às capacidades dos algoritmos.

No entanto, avisos como esse perderam o ar exagerado nos meses seguintes. Especialistas assistiram com espanto e apreensão a uma série de avanços impulsionados por inteligência artificial que provocaram uma crise existencial na matemática. Em maio, modelos da OpenAI, guiados por humanos, refutaram uma conjectura de longa data formulada pelo lendário matemático Paul Erdős. Em agosto, em meio a controvérsias, sistemas resolveram com eficácia o problema de Navier-Stokes, um dos maiores enigmas da matemática. Já em outubro, a OpenAI lançou 722 pré-publicações geradas por inteligência artificial sobre cerca de 370 problemas em aberto, incluindo uma solução parcial para a hipótese de Riemann.

Enquanto os matemáticos enfrentam um futuro no qual a inteligência artificial automatiza etapas fundamentais na resolução de provas, o cenário para os cientistas ainda permanece nebuloso.

O avanço das ferramentas na física e na neurociência

Atualmente, cientistas utilizam sistemas automatizados para programar e, cada vez mais, para realizar análises de dados. No entanto, em relação a resultados verdadeiramente inéditos, o cenário é diferente. “Eu não consigo citar um resultado que seja uma percepção profunda da física ainda”, afirma Schwartz, que também atua como consultor da Anthropic, empresa criadora da família de modelos Claude. “Isso é um limite fundamental ou apenas as ferramentas ainda não estão prontas? Tenho quase certeza de que as ferramentas ainda não estão prontas.”

Apesar disso, a tecnologia evolui em ritmo acelerado. No final de outubro, a OpenAI e a Anthropic anunciaram avanços independentes em um problema complexo que fundamenta a matemática do Modelo Padrão da física de partículas. No mesmo mês, uma avaliação separada concluiu que os modelos mais recentes obtiveram desempenho quase perfeito na solução de problemas de física teórica em nível de pós-graduação — quebra-cabeças que um especialista levaria um dia para decifrar.

Em meio a essa transformação, pesquisadores expressam divergências sobre o que a tecnologia será capaz de realizar. “No momento, todos estão tentando descobrir para onde a inteligência artificial vai, e os cientistas não estão sozinhos nisso”, diz Mark Histed, neurocientista do Instituto Nacional de Saúde Mental dos Estados Unidos. “Há muita incerteza.”

Os limites da automação científica

Há quatro anos, os grandes modelos de linguagem (LLMs) enfrentavam dificuldades para somar números de dois dígitos, tornando um marco significativo quando passaram a ser aprovados em testes de matemática do ensino fundamental. Diferente de calculadoras, eles não possuem métodos programados para a aritmética básica. Agora, a situação se inverteu: os modelos mais populares produzem textos medianos, mas entregam proezas sobre-humanas de raciocínio quantitativo.

Essa progressão vertiginosa é explicada em parte pela natureza da matemática, que possui soluções exatas. As ferramentas também aproveitam softwares de verificação de provas, como a linguagem Lean, capaz de confirmar formalmente a veracidade de um resultado. “Nas ciências, não temos um verificador desse tipo”, pontua N. M. Anoop Krishnan, engenheiro que estuda inteligência artificial no Instituto Indiano de Tecnologia de Délhi.

Os sistemas atuais se destacam quando dispõem de dados abundantes e validados. Treinados com boa parte do conhecimento científico digitalizado, eles fornecem explicações detalhadas sobre qualquer tema, mas isso não substitui o conhecimento prático humano. Bons cientistas dependem de sutilezas que raramente aparecem em literatura revisada por pares, como resultados negativos e intuições desenvolvidas no processo científico.

Além disso, a existência de um mundo físico real impõe barreiras. Projetar um material em simulação computacional não substitui sintetizá-lo no mundo real, segundo Krishnan. Leslie Schoop, química física da Universidade de Princeton e consultora da Anthropic, ressalta que prever estruturas complexas sem vias analíticas ainda desafia os algoritmos atuais.

O fator caos na neurociência

Em áreas como a neurociência, Histed aponta que o principal obstáculo não é a falta de inteligência dos algoritmos, mas a escassez de dados biológicos de alta qualidade e a própria complexidade do cérebro. Sistemas caóticos, como o clima da Terra e a atividade neural, possuem limitações fundamentais de previsibilidade a longo prazo.

Mesmo diante das incertezas, pesquisadores continuam testando os limites da tecnologia. Schwartz relata que tem utilizado modelos avançados para acelerar a resolução de problemas em áreas variadas, desde a história geológica da atmosfera terrestre até dados sobre manchas solares.

“Minha esposa odeia inteligência artificial. E muitas pessoas odeiam. É assustador, impessoal, desumano e está invadindo quem nós somos”, reflete Schwartz. “Mas, como cientista, eu simplesmente não posso deixar de usar as melhores ferramentas disponíveis para resolver problemas.”