Pesquisa científica na era da IA: o dilema da validação

A OpenAI anunciou, em 26 de outubro de 2026, três resultados produzidos por seus modelos internos em matemática, ciência da computação e física. Desta vez, a abordagem foi diferente: em vez de despejar centenas de manuscritos na comunidade acadêmica como fez em 6 de outubro, a empresa contratou especialistas externos — que chamou de "pastejadores" (shepherds) — para orientar a divulgação de cada descoberta. A resposta não foi o alívio esperado. Em vez disso, revelou-se um conflito mais profundo sobre quem tem direito de acessar, interpretar e validar conhecimento científico produzido por máquinas.

O que foi descoberto

Os três resultados são substanciais. Em análise harmônica, a OpenAI afirma ter provado a conjectura de local smoothing de Sogge (1991) em todas as dimensões espaciais — um resultado que, se válido, implicaria versões das conjecturas de Kakeya e de restrição de Stein, ampliando descobertas anteriores limitadas a contextos mais restritos. A empresa aponta um marco em duas dimensões (2019) e outro na conjectura de Kakeya em três dimensões (2025) como antecedente.

Em complexidade computacional, o modelo encontrou uma desprova para a Hipótese do Tempo Exponencial (ETH) — uma suposição amplamente utilizada na teoria da computação que afirma que problemas de satisfatibilidade com fórmulas booleanas fixas não podem ser resolvidos em tempo subexponencial. O resultado foi formalizado em Lean no dia 17 de outubro.

Em física teórica, a OpenAI afirma ter produzido uma prova de existência para teorias quânticas de campos em quatro dimensões, incluindo cromodinâmica quântica (QCD) e teoria de Yang–Mills pura. Diferente dos dois primeiros, o resultado de física ainda não foi liberado.

O novo modelo de "pastejadores"

A OpenAI adotou três estratégias de divulgação distintas. Para o resultado de matemática, publicou a saída gerada pela IA (incluindo manuscritos em linguagem natural e códigos em Lean) e deixou que a comunidade de pesquisadores organizasse suas próprias tentativas de interpretação. Para a ciência da computação, a empresa convocou um grupo externo para explicar o resultado formalizado. Para a física, a divulgação foi adiada: a OpenAI deferiu ao grupo de especialistas externos a decisão sobre como e quando tornar os materiais acessíveis.

Esse modelo híbrido foi apresentado pela empresa como uma evolução em resposta às críticas da comunidade acadêmica. Na coletiva de 6 de outubro, quando liberou 722 manuscritos de matemática gerados por IA — alguns alegando soluções para problemas abertos —, a reação foi imediata e negativa. Acadêmicos apontaram que resultados não revisados por pares, liberados em massa, criaram sobrecarga para comunidades já exaustas. O próprio Simons Foundation respondeu com um esforço conjunto de US$ 15 milhões (com participação da Anthropic e da OpenAI) para criar capacidade de análise.

Desta vez, a OpenAI diz que está experimentando. Mas os especialistas não estão convencidos.

A crítica dos pesquisadores

Constantin Kogler, do Instituto de Estudos Avançados de Princeton, elogiou a redução de volume — três resultados em vez de 722 — mas questionou a lógica de selecionar manualmente quais cientistas teriam acesso privilegiado aos resultados antes do restante da comunidade. "Eu estou bem com eles liberando os problemas como fizeram hoje", disse Kogler, mas acrescentou que a divulgação pública deveria, em tese, significar acesso aberto para qualquer pesquisador examinar o trabalho.

Andreas Karch, da Universidade do Texas em Austin, foi mais longe: permitir que grandes laboratórios escolham seus próprios revisores cria uma concentração anti-saúde de poder. Para Karch, as provas ou os outputs subjacentes deveriam ser tornados públicos imediatamente, independentemente de haver também um grupo consultivo externo formado.

O Advisory Group on Mathematics and Artificial Intelligence — grupo que a OpenAI havia prometido consultar — emitiu um alerta na véspera do anúncio. O grupo afirmou que o acesso seletivo precoce é desnecessário, arrisca seleção enviesada e atrasos, empresta as reputações dos especialistas escolhidos e deveria ser evitado em favor de repositórios acadêmicos abertos, provas formais, detalhes claros de seleção de problemas e apoio à verificação mais ampla. No dia seguinte ao anúncio, o grupo pediu que a OpenAI publicasse sem demora os outputs em linguagem natural e em Lean por trás dos resultados de Yang–Mills e QCD.

O paradoxo do controle

Há algo peculiar neste debate. A OpenAI está produzindo resultados que a comunidade científica classifica como potenciais breakthroughs — avanços que poderiam reescrever manuais de matemática, refutar hipóteses fundamentais da computação teórica e confirmar teorias centenárias da física. E, ao mesmo tempo, a empresa está restringindo o acesso a esses resultados por meio de um processo de validação controlado por ela mesma.

O paradoxo não é novo. Desde que modelos de IA começaram a produzir resultados científicos plausíveis — o caso de AlphaFold para a dobra de proteínas, em 2021, sendo o exemplo mais bem-sucedido —, a questão de como validar descobertas geradas por máquina se tornou central. O que diferencia a situação atual é a escala: a OpenAI não está produzindo um único resultado notável. Está produzindo continuamente resultados que, pelo menos formalmente, parecem corretos.

A Ironia: a própria ferramenta que permite à OpenAI produzir esses resultados — modelos capazes de raciocínio formal em matemática e física — é a mesma que torna a validação tradicional mais necessária do que nunca. Se um modelo consegue escrever provas que parecem corretas para especialistas limitados, por que confiaríamos em um processo de verificação ainda mais limitado?

A comunidade acadêmica já demonstrou que consegue lidar com volumes massivos de preprints — o arXiv é a prova disso. O problema não é a quantidade, mas a qualidade e a legitimidade do processo. E um processo no qual uma empresa privada seleciona quem pode validar seus próprios resultados soa menos como ciência e mais como marketing.

Fontes: The Verge, HyperAI, MLQ News

✓ Fontes independentes cruzadas e verificadas antes da publicação