OpenAI resolve Navier-Stokes e revoluciona matemática em 2026

Inteligência Artificial

Modelos da OpenAI solucionam problemas matemáticos complexos, incluindo as equações de Navier-Stokes, transformando a pesquisa científica.

Leia também: Prompt engineering: aprenda em 4 passos a dominar a IA hoje

Modelos internos de inteligência artificial da OpenAI afirmam ter solucionado 377 problemas matemáticos avançados e apresentado uma prova para as equações de Navier‑Stokes, um dos problemas do milênio em aberto há 90 anos, usando códigos e linguagens quase indecifráveis para humanos. O feito anima laboratórios de tecnologia e indústria, mas acende um alerta entre matemáticos: o risco de a própria matemática se tornar uma ciência opaca, escrita por e para máquinas.

Como a inteligência artificial pode impactar a matemática?

Ao automatizar a produção de provas para centenas de problemas complexos, a IA muda o centro de gravidade da matemática: sai a construção paciente de raciocínios comunicáveis entre pessoas, entra a geração em massa de demonstrações verificadas por software, porém pouco compreensíveis para a comunidade.

O modelo da OpenAI produziu soluções em áreas como álgebra, teoria dos números e topologia, além de uma prova de 166 páginas para o problema de Navier‑Stokes, que descreve o comportamento de fluidos e é considerado um dos grandes enigmas ainda em aberto. As demonstrações são escritas em linguagens formais e verificadas por programas como o Lean, sistema criado em 2013 pelo pesquisador brasileiro Leonardo de Moura para checar a correção lógica de provas passo a passo.

Na prática, a IA passa a ocupar tarefas que antes levavam anos de trabalho humano concentrado. É o caso do Último Teorema de Fermat, cuja solução exigiu sete anos de esforço do matemático Andrew Wiles e condensou 357 anos de tentativas anteriores, gerando novos ramos da teoria dos números e bases da criptografia moderna. Agora, um modelo consegue atacar dezenas de desafios desse porte em sequência, o que pode acelerar aplicações em física, engenharia, finanças e tecnologia.

O custo, apontam especialistas, é a transformação do matemático em mero auditor de códigos. Em vez de participar do processo criativo que produz novas ideias, o pesquisador passaria a verificar se a máquina não cometeu erros formais e a tentar interpretar demonstrações que se parecem mais com logs de software do que com argumentos voltados a pessoas.

‘IA produz código, não pensamento’

Diretor-geral do Instituto Nacional de Matemática Pura e Aplicada (IMPA), no Rio, Marcelo Viana resume a angústia de parte da comunidade ao ver a máquina assumir o comando da demonstração.

“O que fez a matemática avançar até hoje é muito mais fazer perguntas do que respondê-las. No processo, você pega ideias anteriores, interpreta e entende em profundidade. Assim, cria pontes para novas ideias. É um processo enriquecedor. A IA não faz nada disso. Ela produz um código que prova a todo custo que você resolveu o problema. Mas o que você pensou?”, questiona.

Para Viana, o avanço atual é diferente de episódios anteriores de uso pesado de computadores, como a solução do Teorema das Quatro Cores por Kenneth Appel e Wolfgang Haken, em 1976. Ali, a máquina era uma ferramenta para checar muitos casos, mas o raciocínio central era humano e podia ser explicado em linguagem acessível.

Nos trabalhos recentes da OpenAI, afirma o diretor do IMPA, a escala muda tudo: centenas de problemas resolvidos, com provas extremamente longas, escritas em um “idioma” formal que só outras máquinas dominam com fluência. O risco é que o conhecimento matemático deixe de ser um tecido de ideias compreendidas e se transforme em um acervo de sentenças “verdadeiro/falso” aceitas por confiança nos sistemas de IA.

Entenda o contexto

A matemática está no DNA da inteligência artificial moderna. Conceitos como derivadas parciais, espaços vetoriais, descida de gradiente e inferência bayesiana sustentam os algoritmos que hoje movem chatbots, tradutores automáticos e geradores de imagem. Por isso, há uma ironia incômoda no cenário atual: a criatura volta-se para o criador e coloca em xeque a forma como a própria matemática opera há séculos.

O uso de computadores para apoiar demonstrações não é novidade, mas os modelos da OpenAI levam a prática a outro patamar. Além da prova de Navier‑Stokes, a empresa apresentou um pacote de 377 problemas resolvidos e artigos que, segundo matemáticos, misturam uma introdução textual compreensível com uma parte técnica praticamente ilegível para quem não domina as linguagens formais e as ferramentas de verificação usadas pelos modelos.

Outro ponto de atrito é a forma de citação e crédito. Enquanto artigos tradicionais costumam trazer dezenas de referências detalhadas — 60 não é um número incomum —, os documentos gerados pelos sistemas da OpenAI mencionam em torno de dez trabalhos de maneira genérica. Isso dificulta rastrear quais ideias foram aproveitadas ou estendidas e torna mais opaco o caminho entre o conhecimento já estabelecido e o resultado apresentado.

‘Matemática para máquinas, não para humanos’

No Instituto de Matemática, Estatística e Computação Científica da Unicamp (IMECC/Unicamp), o professor Ricardo Martins acompanha de perto as provas liberadas pela empresa americana, em especial o trabalho sobre Navier‑Stokes. Ele critica o afastamento entre a forma de escrever das IAs e o padrão que se consolidou entre pesquisadores humanos.

“O material produzido por IAs não segue a lógica de um artigo comum de matemática. No trabalho de Navier‑Stokes, a introdução é até bem escrita, mas, quando começa a fazer matemática, é como se ele escrevesse para outra máquina. O problema é que a gente precisa fazer matemática para humanos”, afirma.

Para Martins, há uma dimensão quase literária na boa matemática, que as máquinas ainda não capturam. Uma demonstração não serve apenas para convencer de que uma afirmação é verdadeira, mas também para iluminar por que ela é verdadeira, que ideias a sustentam e como se conecta a outros resultados. Esse papel didático e intuitivo se perde em deduções formalizadas linha a linha para consumo de verificadores automáticos.

O professor também alerta para o risco de ampliar desigualdades globais. Em países como o Brasil, que conquistaram relevância internacional em áreas como equações diferenciais parciais com investimento modesto, a “democratização” da matemática sempre dependeu de bibliotecas, intercâmbios e colaboração. Se a fronteira do conhecimento migrar para grandes modelos privados, que custam dezenas de milhões de dólares para treinar, o acesso pode ficar restrito a poucos laboratórios nos Estados Unidos e em outros centros ricos.

Quem ganha e quem perde com as provas da IA

Do lado dos ganhos, a capacidade de resolver rapidamente problemas difíceis interessa diretamente a setores que dependem de modelagem matemática pesada: pesquisa científica de ponta, engenharia de materiais, aerodinâmica, meteorologia, finanças quantitativas e indústria de tecnologia. Uma prova completa de Navier‑Stokes, por exemplo, pode abrir caminho para simulações mais precisas de fluxo de ar em asas de avião, circulação sanguínea, previsão do tempo e projetos de infraestrutura.

Empresas de IA também acumulam capital simbólico e econômico. A matemática vira vitrine para mostrar a potência dos modelos, ajudando a valorizar empresas em rodadas de investimento e ofertas de ações. A crítica de Viana é que esse uso instrumental da disciplina raramente devolve algo à comunidade na mesma proporção: as máquinas resolvem, mas os humanos não aprendem.

Do lado das perdas, o impacto mais imediato recai sobre o modo de trabalho de pesquisadores e estudantes. Teses de mestrado e doutorado, que costumam girar em torno da solução de um problema específico ao longo de anos, enfrentam concorrência de sistemas capazes de debulhar o mesmo desafio em horas. A expectativa de parte dos docentes é que os trabalhos acadêmicos precisem se tornar mais conceituais, ambiciosos e centrados em compreender estruturas gerais, não apenas em fechar um enigma pontual.

Há ainda uma mudança no ecossistema de validação do conhecimento. Provas como a de Navier‑Stokes exigem leitura atenta de centenas de páginas combinadas com checagem em ferramentas como o Lean. O esforço para verificar tudo o que a OpenAI apresentou pode consumir anos da comunidade, deslocando recursos humanos que antes se dedicariam a criar novas ideias.

Reação da comunidade e próximos passos

A divulgação dos resultados da OpenAI provocou uma reação rápida entre grandes nomes da matemática internacional. Um grupo de 25 ganhadores da Medalha Fields, principal prêmio da área, publicou uma carta conjunta alertando que a produção em massa e em ritmo acelerado de enunciados acompanhados de rótulos “verdadeiro/falso” pode sufocar o terreno fértil de novas ideias em vez de nutri-lo, e enxergou na tendência “uma ameaça geral ao trabalho intelectual”.

O texto também chama a atenção para um desalinhamento entre o objetivo original da IA — ampliar a capacidade humana — e seu uso atual, orientado por interesses corporativos. Na leitura desses pesquisadores, o risco é que problemas matemáticos sirvam mais como teste de performance de modelos para fins comerciais do que como combustível para ampliar o entendimento coletivo sobre a estrutura do mundo.

Diante das críticas, a OpenAI montou um grupo de trabalho com matemáticos para ajudá-la a comunicar e avaliar os resultados. A tarefa central desse comitê será justamente traduzir demonstrações escritas em linguagens formais para artigos que façam sentido para humanos, além de propor critérios para quando uma prova gerada por IA pode ser considerada aceita pela comunidade.

Não há um “tribunal” global que homologue resultados matemáticos: o processo é comunitário e continuamente revisável. Isso significa que, mesmo com a chancela de softwares de verificação, as provas da OpenAI só ganharão status de conhecimento estabelecido depois que especialistas independentes as examinarem em detalhe e publicarem análises e generalizações.

Enquanto isso, nos corredores de institutos como o IMPA e o IMECC/Unicamp, uma discussão mais filosófica se impõe: em que medida ainda faz sentido falar em matemática como uma ciência humana se a principal atividade passar a ser monitorar máquinas que demonstram teoremas em uma linguagem que mal conseguimos ler?

A inteligência artificial pode substituir o trabalho dos matemáticos?

A IA já é capaz de assumir parte central do trabalho técnico de provar teoremas difíceis, mas está longe de substituir o papel completo do matemático, que inclui formular boas perguntas, construir teorias, escolher caminhos e comunicar ideias de maneira clara para outras pessoas.

Mesmo nos casos em que a máquina entrega uma prova formalmente correta, cabe aos pesquisadores humanos interpretar o resultado, entender por que ele é importante, como se conecta a outros campos e o que sugere de desdobramentos futuros. É esse componente de visão, seleção e narrativa que não aparece nos códigos gerados pelos modelos.

Para os próximos anos, a aposta de muitos especialistas é em um redesenho do ofício. Em vez de competir com a IA em velocidade ou força bruta, matemáticos tenderão a se concentrar em problemas de estrutura, conceitos de longo alcance e estratégias criativas, usando as máquinas como auxiliares para checar detalhes ou explorar casos particulares. Ao mesmo tempo, cresce a pressão para que empresas de tecnologia abram mais os bastidores de seus sistemas, sob pena de empurrar a matemática para uma zona cinzenta em que o saber deixa de ser compartilhado e passa a ser apenas executado.

Fonte: matéria original