A mídia tem repercutido muito os avanços da IA na resolução de problemas matemáticos. Os resultados impressionam, mas a repercussão revela uma confusão: estamos tratando a capacidade de produzir demonstrações como equivalente à produção de conhecimento científico.

De um lado, previsões de que a IA tornará matemáticos dispensáveis. De outro, críticas que reduzem os resultados à força bruta computacional, como se métodos estatísticos impedissem contribuições intelectuais relevantes.

Pessoalmente, considero ambas as posições muito simplistas. Sistemas de IA conseguem explorar hipóteses, combinar técnicas, construir demonstrações e utilizar ferramentas de verificação. Podem contribuir para descobertas originais. Mas encontrar uma solução, verificar sua correção e estabelecer sua relevância científica são atividades distintas.

Uma demonstração formalmente válida não garante que o problema tenha sido corretamente formulado, que o resultado seja inédito ou que represente um avanço conceitual.

A matemática envolve muito mais do que provar proposições.

Exige formular problemas relevantes, identificar estruturas, desenvolver conceitos e estabelecer conexões que permitam ampliar o conhecimento.

Minha maior preocupação, entretanto, está nas consequências dessa nova escala de produção científica. Estamos nos aproximando de uma situação em que produzir candidatos a descobertas pode se tornar muito mais barato do que validá-los, compreendê-los e incorporá-los à ciência.

Laboratórios com grande capacidade computacional conseguem gerar resultados em escala, enquanto parte do esforço de avaliação recai sobre pesquisadores e universidades. Isso cria custos de oportunidade e pode deslocar recursos de outras atividades científicas.

Há ainda incentivos comerciais. Descobertas matemáticas também funcionam como demonstrações públicas de capacidade tecnológica. O risco é valorizar o volume e a repercussão dos resultados mais do que sua originalidade e relevância.

Outra consequência que merece atenção é quando a própria agenda científica começa a privilegiar problemas que a IA consegue resolver com maior facilidade, em vez daqueles considerados mais importantes pela comunidade matemática.

A formação de pesquisadores também será afetada.

A IA pode ampliar a exploração de hipóteses e acelerar o aprendizado, mas seu uso inadequado pode reduzir oportunidades de desenvolver intuição, formular conjecturas e compreender demonstrações.

Não acredito que a IA esteja destruindo a matemática, nem que sistemas computacionais sejam incapazes de produzir descobertas originais. O desafio não é preservar uma exclusividade humana sobre a matemática. É garantir que a ampliação das capacidades computacionais seja acompanhada por mecanismos igualmente robustos de validação, transparência e avaliação científica.

Produzir demonstrações em escala é uma conquista tecnológica. Transformá-las em conhecimento confiável, original e compreensível continua sendo um desafio científico.