A inteligência artificial está acelerando a resolução de problemas matemáticos, mas a quantidade de demonstrações geradas começa a ultrapassar a capacidade dos pesquisadores de examiná-las, explicá-las e incorporá-las ao conhecimento científico. O alerta é de Terence Tao, vencedor da Medalha Fields e professor da Universidade da Califórnia em Los Angeles (UCLA), em entrevista publicada pelo The New York Times em 16 de outubro.
Para Tao, o problema não está apenas em verificar se uma demonstração está correta. Uma descoberta matemática também precisa ser compreendida, discutida com outros especialistas e relacionada a resultados anteriores. Uma prova válida não se transforma automaticamente em conhecimento útil para a comunidade científica.
Tradicionalmente, pesquisadores dedicavam anos à resolução de problemas e, durante esse processo, desenvolviam métodos, interpretações e conexões que poderiam orientar trabalhos posteriores. Com sistemas de IA capazes de produzir demonstrações em grande escala, essas etapas passaram a avançar em velocidades diferentes.
O resultado é um acúmulo de pesquisas que exigem trabalho humano adicional para se tornarem compreensíveis. Tao questiona especialmente situações em que empresas apresentam resultados gerados por IA sem disponibilizar pesquisadores preparados para explicá-los, responder a dúvidas ou participar das discussões acadêmicas necessárias.
A mudança também ameaça a trajetória de jovens matemáticos. Projetos desenvolvidos durante anos podem perder sua originalidade após a publicação de resultados semelhantes por sistemas de IA, comprometendo oportunidades de reconhecimento e progressão acadêmica. Para pesquisadores em início de carreira, o impacto pode ser particularmente difícil de absorver.
Comunidade começa a discutir novas regras para publicar pesquisas
A preocupação já está provocando propostas concretas de mudança na publicação científica.
Em 17 de outubro, o matemático Shaoming Guo divulgou no blog de Tao uma iniciativa para criar uma revista acadêmica com critérios diferentes dos tradicionais. A proposta estabelece a compreensão dos resultados acima da prioridade de apresentar uma demonstração primeiro.
Outro requisito previsto é a verificação formal das demonstrações com Lean, uma ferramenta capaz de conferir a consistência lógica de provas matemáticas. A combinação busca atender a duas necessidades distintas: garantir o rigor dos resultados e incentivar explicações que permitam sua utilização por outros pesquisadores.
O próprio Tao defendeu uma reformulação mais ampla da atividade matemática durante uma palestra intitulada Math 2.0, apresentada no Instituto de Tecnologia da Califórnia (Caltech) em 9 de outubro. Sua proposta é que ferramentas de IA contribuam não apenas para resolver problemas, mas também para preservar a capacidade da comunidade de desenvolver e transmitir conhecimento.
A posição de Tao não representa uma rejeição à inteligência artificial. Ele utiliza essas ferramentas em suas próprias pesquisas e reconhece seu potencial para acelerar cálculos, consultar literatura científica e explorar abordagens matemáticas.
A divergência está no que deve ser considerado um avanço científico. Enquanto as ferramentas tornam a produção de demonstrações cada vez mais rápida, atividades como explicar métodos, formar novos pesquisadores e construir teorias continuam exigindo atenção.
Para Tao, a matemática precisa adaptar seus critérios de reconhecimento a essa nova realidade, evitando que a quantidade de problemas resolvidos se torne mais importante do que a compreensão produzida.
