A IA está avançando da prova matemática para uma teoria científica mais ampla
Os sistemas de inteligência artificial estão começando a demonstrar progresso mensurável em questões teóricas de áreas além da matemática, segundo uma pesquisa discutida pelo pesquisador do MIT Neil Thompson. A análise sugere que os ganhos de capacidade que agora causam impacto em partes da matemática podem se estender à probabilidade, estatística, economia, teoria de altas energias, gravitação, cosmologia e física quântica.
A descoberta não significa que a IA tenha substituído os cientistas ou que possa conduzir de forma independente um programa moderno de pesquisa. O estudo se concentrou em uma tarefa mais restrita, mas relevante: resolver problemas teóricos cujas respostas foram posteriormente estabelecidas em artigos de pesquisa. Nesses campos, os pesquisadores constataram uma forte melhora nas taxas de sucesso dos modelos mais avançados entre meados de 2024 e meados de 2026.
Essa trajetória importa porque o trabalho teórico frequentemente fornece a linguagem, os modelos e as previsões dos quais a ciência experimental depende. Se os pesquisadores puderem usar a IA de maneira confiável para explorar partes desse trabalho, o efeito poderá ser sentido não apenas em cálculos individuais, mas também no ritmo e na organização da investigação científica.
De uma pequena parcela dos problemas para mais de um terço
O estudo de Thompson, realizado com Gabriel Manso e Claudio Mayrink Verdun, testou uma série de modelos da OpenAI em problemas extraídos de artigos de pesquisa publicados entre dezembro de 2025 e maio de 2026. O grupo examinou modelos como o1, o3, GPT-5, GPT-5.1, GPT-5.4 e GPT-5.5.
Nas áreas teóricas incluídas na avaliação, os melhores sistemas passaram de uma taxa de acerto de cerca de 2% em meados de 2024 para aproximadamente 35% em meados de 2026. Isso ainda está longe de representar competência universal, e não significa que toda resposta aparentemente correta seja confiável. Mas a escala do aumento é notável: uma ferramenta que raramente acerta pode ser apenas uma curiosidade, enquanto uma capaz de fazer contribuições substanciais em um benchmark pode se tornar parte da prática cotidiana de pesquisa.
Os pesquisadores projetaram a avaliação para reduzir uma preocupação central nos testes com modelos de linguagem: se o sistema está simplesmente reproduzindo material encontrado durante o treinamento. Os problemas vieram de artigos publicados antes que as soluções relevantes aparecessem em publicações posteriores, e as soluções publicadas serviram como referência de verdade. O acesso à internet foi bloqueado durante os testes, de modo que os sistemas não podiam recuperar uma resposta na web.
Essa configuração não elimina todas as limitações da avaliação baseada em benchmarks. Ainda assim, busca distinguir a resolução de problemas de uma simples consulta ou memorização. O resultado do estudo, portanto, é uma evidência de que os modelos testados conseguiram gerar soluções para pelo menos algumas questões cujas respostas não estavam disponíveis em seu material de treinamento acessível.
Um resultado delimitado, não um substituto científico geral
O escopo do trabalho é importante. A equipe se concentrou em campos nos quais os modelos poderiam abordar problemas sem executar simulações ou realizar experimentos físicos. Grande parte da ciência não pode ser reduzida apenas ao raciocínio simbólico. Trabalho de laboratório, projeto de instrumentos, observação de campo, coleta de dados, simulação e replicação continuam sendo partes essenciais da descoberta de como o mundo funciona.
Mesmo em disciplinas fortemente teóricas, uma solução correta não é o mesmo que uma contribuição de pesquisa útil. Os cientistas precisam avaliar pressupostos, escolher questões relevantes, interpretar resultados e determinar se um argumento proposto resiste ao escrutínio. Esses são processos tanto sociais quanto técnicos, que envolvem revisão por pares, debate e evidências cumulativas.
Ainda assim, as áreas escolhidas para o estudo não são periféricas. Probabilidade e estatística moldam a inferência em toda a ciência e a indústria. A teoria econômica influencia políticas e análises de mercado. Física de altas energias, cosmologia e física quântica são campos nos quais o raciocínio abstrato pode ser central para avançar uma questão antes que ela chegue a um detector, telescópio ou equipamento de laboratório.
Se a IA se tornar capaz de lidar com uma parcela maior do trabalho rotineiro ou intermediário nessas áreas, o efeito imediato poderá ser desigual. Os pesquisadores poderão usá-la para gerar abordagens candidatas, verificar derivações, explorar formulações alternativas ou acelerar análises iniciais. O valor desses usos dependerá da verificação. Um caminho rápido para uma conclusão errada pode desperdiçar tempo com a mesma eficácia de um cálculo lento.
O precedente da matemática está moldando as expectativas
A nova avaliação chega enquanto a matemática já enfrenta demonstrações muito visíveis da capacidade da IA. A OpenAI anunciou recentemente que um modelo ainda não lançado havia resolvido um grande desafio de longa data envolvendo as equações de Navier-Stokes, que descrevem o movimento dos fluidos. O episódio gerou controvérsia e ressaltou que alegações extraordinárias em matemática e IA exigem uma análise independente cuidadosa.
Para Thompson, a implicação mais ampla é que as disciplinas teóricas podem estar se aproximando de um período em que o papel da IA mudará rapidamente. Ele espera que muitas questões teóricas sejam transformadas em poucos anos pelo que os sistemas conseguem fazer. A base dessa expectativa é a linha de tendência do estudo, e não uma prova de que qualquer área específica será totalmente automatizada.
O futuro mais plausível no curto prazo é colaborativo, e não solitário: cientistas definindo agendas e padrões, enquanto sistemas de IA assumem uma parcela crescente da exploração de problemas. Isso poderia ampliar o acesso a ferramentas analíticas sofisticadas, mas também tornar mais valiosa a capacidade de validar trabalhos gerados por máquinas. As instituições de pesquisa terão de decidir como reconhecer contribuições, formar estudantes e preservar a expertise independente necessária para identificar erros sutis.
O que observar a seguir
- Se os ganhos de desempenho persistirão em problemas recém-criados, e não apenas em avaliações retrospectivas.
- Com que frequência as soluções geradas pelos modelos continuarão corretas após revisão especializada e verificação formal.
- Se os sistemas poderão contribuir de forma útil quando forem necessárias simulações, experimentos ou dados especializados.
- Como os grupos científicos adaptarão práticas de autoria, formação e controle de qualidade à medida que a IA se tornar uma ferramenta regular de pesquisa.
O estudo não estabelece que a IA se tornará o método padrão para resolver problemas de teoria científica. Ele mostra, porém, por que essa possibilidade passou a ser levada a sério. Em menos de dois anos, os sistemas mais avançados testados passaram de resolver uma pequena fração das questões selecionadas para resolver mais de um terço. Para disciplinas construídas em torno de raciocínio difícil, essa é uma mudança que merece atenção.
Este artigo baseia-se em uma reportagem da Wired. Leia o artigo original.
Originally published on wired.com
