Em resumo
- Terence Tao argumentou que a IA está esgotando o suprimento de problemas matemáticos abertos frutíferos mais rápido do que os matemáticos podem identificar novos.
- Seu aviso segue um precedente real de laboratórios de IA resolvendo problemas historicamente difíceis.
- Tao quer que os matemáticos rotulem certos problemas como "análise necessária", para que uma resposta gerada por IA sem raciocínio explicado conte pouco.
Terence Tao, o professor da UCLA amplamente considerado o melhor matemático puro vivo, soou o alarme sobre a aceleração da corrida da IA na matemática que está acontecendo agora.
Tao, que foi agraciado com a Medalha Fields em 2006, publicou um aviso no servidor Mastodon focado em matemática Mathstodon ontem, no qual argumentou que a IA está drenando o suprimento de bons problemas abertos do campo, as questões não resolvidas que realmente impulsionam a matemática. Não provas. Não artigos. Boas perguntas.
Qualquer um pode inventar infinitas novas questões matemáticas; o dígito googol-ésimo de pi é tecnicamente um problema em aberto que ninguém calculou. Quase nenhuma delas importa, porque a maioria não ensina nada sobre o campo mais amplo. O que realmente importa, escreveu Tao, é saber o que realmente vale o esforço.
“Em suma, o uso indiscriminado de ferramentas poderosas de extração de soluções pode alcançar a meta imediata de curto prazo de resolver problemas em mãos, mas ao custo de sustentar o ecossistema para a próxima onda de progresso, ou em entender o progresso já obtido”, escreveu Tao.
Com o lançamento de modelos de raciocínio e a mais recente geração de sistemas de IA de fronteira, os laboratórios começaram a lançar enormes quantidades de computação em problemas matemáticos e científicos. Anthropic e OpenAI colocaram seus modelos à prova em problemas que resistiram a matemáticos humanos por anos, às vezes décadas.
Os resultados variaram de física quântica a matemática aplicada e medicina. Mas a matemática é diferente: problemas genuinamente difíceis são relativamente escassos, e os pesquisadores muitas vezes escolhem cuidadosamente quais problemas perseguir por meses ou até anos.
Descobrir isso costumava depender do "panorama de dificuldade" de um campo—quais questões são triviais, quais exigem esforço real, quais são hopeless com as ferramentas atuais. Novos métodos sempre achataram partes desse panorama, mas também abriram novas fronteiras além de seus próprios limites. A IA quebra o padrão, argumenta Tao, porque ninguém pode dizer exatamente onde a capacidade de um modelo para.
Do boato à corrida
Tao não está descrevendo uma hipótese. Em maio, um modelo da OpenAI refutou a conjectura da distância unitária de Erdős, uma questão de 80 anos sobre quantos pares de pontos em um plano podem estar exatamente a uma unidade de distância. Matemáticos externos, incluindo o medalhista Fields Tim Gowers, verificaram isso.
Na mesma semana, o pesquisador da Anthropic, Levent Alpöge, executou o mesmo problema no Claude Mythos, o modelo de ponta não lançado da empresa, trabalhando offline para que não pudesse copiar a solução publicada pela OpenAI. O engenheiro da Anthropic, Sholto Douglas, chamou o resultado de "prova simples e elegante", mais curta que a da OpenAI. O matemático Daniel Litt chamou-a de "um pouco pior" que a versão da OpenAI, embora o Mythos também tenha encontrado a solução da própria OpenAI.
Crédito enorme à equipe da OAI por resolver o problema da distância unitária com o 5.5 - agora é meu exemplo favorito de que modelos podem de fato juntar ideias díspares em novas descobertas.
Como acontece com todos os marcos de 4 minutos na milha, tivemos que tentar cruzá-lo também! Acontece que o Mythos o resolve com uma prova elegante,... https://t.co/NFymE8P8lu
— Sholto Douglas (@_sholtodouglas) 26 de maio de 2026
Apenas esta semana, a Anthropic formalizou uma prova centenária do último teorema de Fermat e, alguns dias depois, a OpenAI resolveu um problema de 90 anos, horas depois de um pesquisador publicar sua própria prova, coautorando um artigo com um pesquisador da Anthropic.
Essa corrida é exatamente o que preocupa Tao. "Vimos agora que até o boato de alguém trabalhando em um problema pode desencadear uma quantidade massiva de esforço impulsionado por IA para resolvê-lo antes que o projeto de pesquisa original tenha tempo de atingir todo o seu potencial", escreveu ele.
Tao argumenta que isso acaba revertendo séculos de ciência aberta.
Julgue o processo, não apenas a resposta
A correção proposta por Tao é marcar certos problemas como "exigem análise", o que significa que uma resposta bruta correta vale pouco, a menos que venha acompanhada de um raciocínio que revele algo sobre problemas relacionados. Ele comparou isso a bancos de alimentos que pararam de aceitar qualquer doação que fosse meramente comestível.
É isso ou banir a IA na matemática, uma solução que, segundo Tao, é "tecnicamente inviável".
A proposta ainda não se transformou em política em lugar nenhum e, com base no comportamento dos grandes laboratórios de IA, até isso pode ser tecnicamente inviável no momento.
