IA começa a atuar como pesquisadora científica autônoma, aponta estudo - resenha crítica

Boa parte da pesquisa em matemática, em física e em economia não depende de laboratório. São os chamados problemas teóricos: questões que alguém resolve com dedução, cálculo e demonstração, sem precisar rodar experimentos nem simulações. É justamente nessa fatia da ciência que a inteligência artificial deixou de ser usada como ferramenta de resposta rápida e passou a ser testada como método de pesquisa.

O assunto chega a quem está de fora por um caminho indireto. Neil Thompson, pesquisador do MIT que estuda o progresso da computação, observa que avanços teóricos às vezes impulsionam avanços práticos na ciência, e que o uso maior de IA pode fazer com que mais progresso aconteça por esse caminho. Uma apresentação dele no MIT, um teste sobre a capacidade dos modelos de planejar experimentos e um anúncio do Google na Europa colocaram esse debate em circulação ao mesmo tempo.

Como se mede se a IA resolveu um problema sozinha

A dificuldade de avaliar esse tipo de afirmação é simples de entender: se a solução já estava na internet ou nos dados de treinamento, o modelo pode apenas estar repetindo uma resposta que viu.

O estudo conduzido por Thompson com Gabriel Manso, estudante de doutorado, e Claudio Mayrink Verdun, pesquisador, tentou fechar essas duas portas. A equipe pegou problemas enunciados em artigos científicos publicados online entre dezembro de 2025 e maio de 2026 e testou se modelos da OpenAI conseguiam resolvê-los. As soluções estavam em artigos divulgados depois do corte de treinamento dos modelos avaliados, o que obrigava cada sistema a chegar ao resultado por conta própria. Os pesquisadores também bloquearam o acesso à internet, para impedir consultas a respostas publicadas. Os artigos funcionaram como gabarito.

Sobre o modo como a máquina trabalha nesse tipo de tarefa, o especialista em IA e colunista da CNN Brasil Álvaro Machado Dias deu uma descrição simples: enquanto uma pessoa age em série, fazendo uma coisa de cada vez, a IA empilha tentativas simultâneas e compara quais deram mais certo. "Tem o quê de tentativa e erro em grande volume. Isso nenhum humano é capaz de fazer", afirmou.

O salto medido no MIT: de 2% para 35% em dois anos

O resultado central do estudo é uma curva. Entre meados de 2024 e meados de 2026, os melhores modelos passaram de cerca de 2% para cerca de 35% de acerto nesses problemas teóricos. Segundo o levantamento, não há sinais de que o avanço vá desacelerar.

As áreas cobertas foram probabilidade, teoria estatística, teoria econômica, teoria de altas energias, gravitação e cosmologia e física quântica. O recorte foi proposital: os autores escolheram campos em que um modelo pode chegar à resposta sem precisar executar experimentos ou simulações.

"Em apenas alguns anos, esperamos que muitas questões teóricas sejam totalmente transformadas em termos da capacidade da IA de resolvê-las", disse Thompson. A leitura dos autores é que o abalo já sentido na matemática tende a se espalhar por outras áreas apoiadas em teoria e cálculo.

O que acontece quando a resposta da IA vira publicação

Resolver é uma coisa. Entrar na literatura científica como resultado confiável é outra, e é aí que a discussão está mais áspera.

Em setembro, a OpenAI anunciou que um modelo ainda não lançado havia resolvido parcialmente a equação de Navier-Stokes, um dos chamados problemas do milênio, que permanecia sem resposta havia mais de oitenta anos. O episódio virou controvérsia: um matemático da Universidade de Nova York, que trabalhava com outro pesquisador ligado à Anthropic, acusou a OpenAI de ter passado à frente depois de saber do progresso da dupla. Depois disso, a empresa e outras anunciaram centenas de soluções para problemas matemáticos antigos. Em uma dessas divulgações, segundo a CNN Brasil, um modelo resolveu 377 problemas em áreas como álgebra, teoria dos números e ciência da computação teórica.

A reação na comunidade foi de crise. Parte dos matemáticos passou a defender limites para o uso de IA, com o argumento de que o processo de resolver um problema costuma ser tão útil quanto ter a resposta final.

E há um problema de verificação já documentado: a própria OpenAI retirou várias soluções de seu conjunto de dados mais recente depois de publicá-las. "Também precisamos de maneiras de verificar o que foi feito, porque é muito fácil para um modelo dizer que aquela é a resposta certa, e quando você olha a solução inteira começa a ver que talvez não seja", afirmou Manso. Segundo os pesquisadores, mesmo que a IA deixe de precisar de teóricos para resolver certas questões, continuam sendo necessárias pessoas para interpretar as soluções e checar se elas se sustentam.

O próximo patamar: IA ajudando a desenvolver a própria sucessora

Jack Clark, cofundador da Anthropic, revisou recentemente sua previsão sobre quando sistemas de IA começarão a participar da criação de suas próprias versões seguintes, o chamado autoaperfeiçoamento recursivo. Em maio, ele considerava mais provável que isso ocorresse até o fim de 2028. Agora, aponta 2027 como prazo mais provável.

A revisão veio depois de avanços em matemática e da publicação de um teste chamado TasteVal, que apresentou a vinte modelos oito problemas ligados ao desenvolvimento de sistemas de IA, como curadoria de dados e treinamento. Cada modelo sugeria experimentos, e um agente de programação os executava. A comparação foi com as melhores tentativas de 24 especialistas que haviam trabalhado em lugares como OpenAI, Google DeepMind, Nvidia e Microsoft Research.

O que o teste mediu foi eficiência, não autonomia. Segundo o estudo, a computação necessária para alcançar determinado resultado vem caindo pela metade a cada três meses desde dezembro de 2025, contra cerca de catorze meses antes disso. No indicador de desempenho final, porém, os autores não encontraram a mesma aceleração. E o teste não verificou aquilo que definiria o ciclo completo: os modelos não precisaram escolher qual problema investigar, treinar uma nova IA nem decidir como alterar o próprio sistema.

Os pesquisadores humanos também ganham ferramentas de ponta

Enquanto isso, o acesso às ferramentas avançadas começa a ser ampliado fora das empresas. O Google anunciou, durante uma cúpula sobre inteligência artificial em Dublin, que dará a 200 pesquisadores europeus acesso direto a modelos e sistemas científicos do Google DeepMind e do Google Cloud, entre eles o AlphaFold 3, voltado a pesquisas sobre proteínas, o AlphaGenome e o WeatherNext, de previsões meteorológicas. Os selecionados serão escolhidos pela Comissão Europeia entre os beneficiários do programa europeu RAISE. Segundo a empresa, a iniciativa busca acelerar a inovação na Europa e reforçar a competitividade dos pesquisadores do continente.

Fora das exatas: documentos que ninguém conseguia ler

O mesmo movimento aparece, com outra cara, nas humanidades. Um engenheiro de IA, Carter Church, decifrou com um modelo da OpenAI uma carta que Napoleão mandou codificar em 1809, com posições francesas e aliadas; segundo ele, a tarefa levou seis horas, algo que sem ferramentas digitais poderia consumir semanas. Os papiros de Herculano, carbonizados na erupção do Vesúvio no ano 79 e frágeis demais para serem desenrolados, foram escaneados com raios X e analisados com IA; em junho, pesquisadores anunciaram a primeira reconstituição virtual completa de um desses rolos, um tratado estoico dedicado à ética.

Há também o trabalho de escala. O projeto Midrash usa IA para transcrever dez milhões de páginas de manuscritos hebraicos. "Não existe ser humano capaz de processar uma quantidade dessas", afirma Daniel Stökl Ben Ezra, diretor de estudos na École Pratique des Hautes Études, em Paris.

O que se sabe — e o que ainda falta descobrir

Está estabelecido que, em um teste com acesso à internet bloqueado e com problemas cujas soluções foram publicadas depois do corte de treinamento, a taxa de acerto dos melhores modelos em questões teóricas saiu de cerca de 2% para cerca de 35% em dois anos. Está estabelecido que empresas anunciaram centenas de soluções para problemas matemáticos antigos, que parte dos matemáticos pede limites para o uso da tecnologia e que ao menos uma dessas divulgações teve soluções retiradas depois de publicada. E está estabelecido que, no TasteVal, o ganho medido foi de eficiência em planejar experimentos, não de capacidade de criar uma nova geração de IA.

Falta saber se os próximos modelos mantêm o ritmo apontado pelo estudo do MIT ou se ele desacelera, e se os laboratórios resolvem o problema da verificação antes que resultados gerados por IA passem a ser tratados como fonte confiável em física e em economia. Falta saber também se testes futuros chegam a demonstrar o ciclo completo de autoaperfeiçoamento que o TasteVal não testou, incluindo escolher o problema, treinar o sucessor e decidir o que mudar no próprio sistema. Até lá, o que existe é uma curva de desempenho subindo depressa em um recorte específico da ciência, com a etapa de conferência ainda dependendo de gente.