A prova de Navier-Stokes da OpenAI desencadeia disputa sobre quem leva o crédito
A OpenAI afirma que cerca de 10.000 agentes de IA produziram uma solução para Navier-Stokes em 88 horas, mas seu anúncio desencadeou imediatamente uma disputa sobre crédito de pesquisa. A prova de Navier-Stokes da OpenAI agora está no centro de um debate mais profundo. Se pesquisadores compartilham ideias inacabadas com chatbots comerciais, outro sistema pode posteriormente usar conhecimento relacionado sem que ninguém reconheça a conexão?
A OpenAI nega que isso tenha acontecido neste caso. A empresa afirma que seu modelo interno não poderia ter sido influenciado por prompts recentes do matemático da Universidade de Nova York Tristan Buckmaster, que buscava um resultado relacionado. Ainda assim, a controvérsia é maior do que uma única alegação. Ela expõe como a atribuição se torna difícil quando modelos, conversas privadas, artigos publicados e vastos sistemas de agentes contribuem para uma descoberta.
Essa questão importa mesmo que especialistas acabem aceitando cada linha da prova. Tradicionalmente, a matemática atribui crédito por meio de artigos, seminários, citações e intercâmbios documentados. Sistemas de IA comprimem esses caminhos em um processo computacional opaco. A correção pode ser verificada, mas a ancestralidade intelectual é muito mais difícil de reconstruir.
O que a OpenAI diz que seus agentes resolveram
A OpenAI afirma que seu sistema ainda não lançado resolveu um dos seis Problemas do Prêmio Millennium restantes da matemática após uma campanha de agentes de quatro dias.
As equações de Navier-Stokes descrevem como os fluidos se movem. Elas ajudam a modelar sistemas que vão do fluxo de ar em torno de aeronaves ao clima e às correntes oceânicas. A questão matemática não resolvida pergunta se soluções tridimensionais suaves sempre permanecem bem comportadas ou se podem desenvolver uma singularidade em tempo finito.
Uma singularidade, frequentemente chamada de blowup, é um ponto em que uma grandeza matemática se torna ilimitada. Nesse contexto, as equações produziriam um comportamento como o crescimento da velocidade sem limite dentro de um período finito.
Segundo seu relato sobre Navier-Stokes, a OpenAI iniciou o esforço em 1º de setembro de 2026. A empresa havia ouvido rumores de que pesquisadores ligados à Anthropic tinham avançado em dois problemas do Prêmio Millennium. A OpenAI então direcionou grupos de agentes aos problemas restantes e a várias questões relacionadas.
A empresa afirma que quase 100 agentes trabalharam inicialmente por cerca de 50 horas nas equações de Euler. Elas descrevem o movimento dos fluidos sem viscosidade, que é o atrito interno que faz os fluidos resistirem ao movimento. A OpenAI diz que esses agentes encontraram um blowup sem exigir uma força externa.
Esse resultado convenceu a empresa a concentrar recursos em Navier-Stokes. Ela atribuiu aproximadamente 10.000 agentes simultâneos ao problema. Os agentes podiam ler uma versão em cache da internet, executar código, comunicar-se em grupos e trocar resultados intermediários promissores.
A OpenAI afirma que os agentes chegaram a uma solução em 5 de setembro, cerca de 88 horas após o início do esforço. A formalização e a verificação em Lean levaram outras 17 horas. Lean é um assistente de provas que converte argumentos matemáticos em afirmações que um computador pode verificar passo a passo.
A escala foi extraordinária. A OpenAI relata que seus sistemas trocaram 4,9 milhões de mensagens e geraram cerca de 300 bilhões de tokens de saída em todos os problemas tentados. O esforço sobre Navier-Stokes representou 2,7 milhões de mensagens e aproximadamente 130 bilhões de tokens.
Esses números descrevem um processo de pesquisa industrial, não uma conversa convencional com um chatbot. Milhares de agentes exploraram alternativas simultaneamente, enquanto outros sistemas consolidavam ideias úteis e as reinseriam na busca.
A OpenAI publicou seu anúncio e artigo em 8 de setembro. No entanto, o resultado continua sendo uma alegação sob revisão, não uma solução oficialmente reconhecida para o Prêmio Millennium. Matemáticos independentes ainda precisam compreender o argumento, testar suas premissas e determinar se ele satisfaz o problema original.
A empresa também afirma que não pretende reivindicar o prêmio associado. Isso não reduz a importância do resultado. Uma solução válida resolveria um problema que resistiu a gerações de matemáticos e estabeleceria uma nova referência para pesquisas geradas por máquinas.
A reportagem original da Nature concentra-se, portanto, em mais do que saber se a prova está correta. Ela pergunta o que acontece quando uma máquina chega a um resultado por meio de um processo cujos insumos intelectuais não podem ser rastreados como citações em um artigo humano.
Por que a prova de Navier-Stokes da OpenAI se tornou uma disputa de crédito
A controvérsia começou porque pesquisadores humanos já investigavam ideias estreitamente relacionadas com a ajuda de sistemas de IA comerciais e internos.
Buckmaster e o matemático Levent Alpöge estudavam juntos equações de fluidos. Alpöge trabalhava na Anthropic, embora relatos indiquem que ele conduzia esse projeto de forma privada, e não como um esforço oficial da empresa.
A pesquisa deles utilizou tanto raciocínio humano quanto assistência de IA. Buckmaster trabalhou com produtos comercialmente disponíveis da OpenAI e da Anthropic. Alpöge tinha acesso a um modelo interno da Anthropic. A dupla teria encontrado um blowup de Euler forçado em agosto, um importante resultado relacionado que aplica uma força externa ao sistema de fluidos.
A dupla não havia concluído uma solução para Navier-Stokes. Eles ainda examinavam seu resultado sobre Euler e tentavam estender as ideias subjacentes. Então rumores sobre seu progresso circularam, e a OpenAI lançou sua grande campanha de agentes.
Essa sequência criou o conflito central. O rumor não deu à OpenAI uma prova, mas parece ter ajudado a identificar um alvo de pesquisa promissor. Os agentes da empresa então chegaram a um resultado alegadamente mais amplo antes que os pesquisadores originais pudessem concluir seu projeto.
A OpenAI afirma que concluiu a prova de Navier-Stokes e a verificação em Lean em 6 de setembro. Depois, entrou em contato com Buckmaster e Alpöge porque acreditava que eles haviam resolvido o mesmo problema. A OpenAI propôs um anúncio coordenado e ofereceu reconhecer a prioridade deles no resultado relacionado de Euler.
As conversas se tornaram controversas. Buckmaster questionou se informações que ele havia inserido no Codex durante sua pesquisa poderiam ter afetado o sistema da OpenAI. Se fosse esse o caso, o resultado da máquina teria uma conexão oculta com seu trabalho inacabado.
A OpenAI investigou e rejeitou essa possibilidade. A empresa afirma que nenhum dado específico de usuário foi acessado para resolver o problema. Também diz que os prompts de Buckmaster no Codex durante os dois meses anteriores à publicação não poderiam ter influenciado o modelo interno, inclusive por meio do treinamento.
Essa negativa aborda uma alegação técnica restrita. Ela não resolve por completo o problema de atribuição.
Um modelo pode depender de décadas de artigos, notas de aula, código, discussões online e resultados anteriores de modelos. Um sistema de agentes pode então recombinar esses materiais em uma escala que nenhum grupo de pesquisa conseguiria documentar manualmente. Mesmo quando prompts privados recentes são excluídos, continua difícil determinar quais ideias humanas moldaram de forma material uma prova gerada por máquina.
O problema não é simplesmente saber se um chatbot copiou um parágrafo. O crédito matemático muitas vezes se vincula a um método, uma redução, um insight conceitual ou uma direção de pesquisa. Essas contribuições podem influenciar um sistema sem aparecer como texto reconhecível na saída final.
Pesquisadores normalmente reconhecem uma ideia recebida durante um seminário ou uma conversa privada. Um modelo não produz de modo confiável esse histórico social. Ele fornece uma resposta enquanto oculta a maior parte do caminho que conecta a resposta às suas fontes intelectuais.
É por isso que a prova de Navier-Stokes da OpenAI se tornou um teste de proveniência da pesquisa. Proveniência significa um relato documentado de onde informações e ideias se originaram. Sem isso, os usuários precisam aceitar garantias corporativas amplas sobre quais dados um sistema usou ou não usou.
A questão se assemelha a um desafio conhecido em sistemas pessoais e organizacionais de conhecimento. As informações se tornam mais úteis quando as pessoas conseguem conectar uma resposta aos registros que a sustentam. Uma base de conhecimento de IA confiável preserva essas conexões em vez de apresentar texto gerado sem contexto.
Para a descoberta matemática, porém, o que está em jogo inclui carreiras, prioridade, prêmios e o registro histórico. Uma trilha de proveniência incompleta pode decidir quem será lembrado como a fonte de uma ideia.
A escala da IA está colidindo com o sistema de crédito da matemática
O verdadeiro antagonista não é matemáticos versus máquinas. É a busca por provas em escala industrial versus um sistema de crédito construído em torno de intercâmbios humanos rastreáveis.
A matemática sempre foi competitiva. Pesquisadores correm para publicar, descobertas paralelas ocorrem, e disputas por prioridade antecedem os computadores. A revisão por pares nunca garantiu atribuição perfeita.
A IA muda a velocidade e a escala dessa competição. A OpenAI afirma que mobilizou cerca de 10.000 agentes após ouvir um rumor e obteve seu resultado em poucos dias. Um matemático universitário não consegue igualar esse volume de busca paralela com recursos convencionais.
Esse desequilíbrio cria um novo incentivo. Um laboratório de pesquisa que revele uma direção promissora pode atrair uma campanha concentrada de agentes de uma empresa com maior capacidade computacional. Os pesquisadores que originaram a ideia podem então perder a prioridade antes de conseguirem escrever, verificar e explicar seu próprio trabalho.
Terence Tao, matemático da UCLA e ganhador da Medalha Fields, alertou que essa dinâmica poderia desestimular o compartilhamento de ideias iniciais. Se até mesmo um rumor pode desencadear um grande esforço automatizado, pesquisadores podem evitar seminários, conversas informais e relatórios públicos de progresso.
Essa resposta prejudicaria uma das instituições centrais da matemática. Problemas difíceis frequentemente são resolvidos por meio de anos de avanços parciais, workshops, preprints, abordagens malsucedidas e refinamentos compartilhados entre grupos. Restringir essa circulação protegeria a prioridade individual ao custo do progresso coletivo.
O problema de incentivos se estende aos produtos comerciais de IA. Pesquisadores usam cada vez mais chatbots para testar ideias, encontrar referências, produzir código ou formalizar provas. Essas ferramentas podem acelerar o trabalho, mas os usuários podem não saber como suas entradas são armazenadas, revisadas ou incorporadas a sistemas posteriores.
A OpenAI afirma que prompts recentes do Codex não influenciaram esse resultado. Os pesquisadores ainda precisam de políticas que não dependam de investigações retrospectivas após o surgimento de uma controvérsia.
Um modo seguro de pesquisa poderia oferecer garantias explícitas de retenção de dados, registros de acesso auditáveis e exclusões aplicáveis ao desenvolvimento de modelos. Ainda assim, a privacidade por si só não resolveria a atribuição histórica. O modelo ainda poderia depender de trabalho humano publicado sem produzir citações adequadas.
A disputa também destaca a diferença entre encontrar uma prova e integrá-la à matemática. Uma IA pode gerar uma cadeia formalmente válida de afirmações enquanto deixa especialistas humanos incertos sobre suas ideias centrais. Uma prova pode estar correta, mas ainda ser difícil de interpretar, ensinar, reutilizar ou conectar à teoria existente.
Javier Gómez-Serrano, especialista da Brown University, disse ao The Washington Post que a apresentação de 166 páginas da OpenAI era difícil de entender. Sua reação ilustra por que a verificação formal não encerra o processo científico.
Os matemáticos humanos ainda precisam identificar o mecanismo essencial. Eles precisam remover aparato desnecessário, comparar a construção com trabalhos anteriores e explicar por que o resultado é bem-sucedido. Essas atividades determinam se uma prova passa a fazer parte do conhecimento operacional de uma área.
Esse trabalho cria outra questão de crédito. Se acadêmicos externos passam meses traduzindo um argumento gerado por IA em matemática compreensível, sua contribuição não é burocrática. Eles estão tornando o resultado utilizável.
O atual sistema de autoria não tem uma forma consolidada de dividir o reconhecimento entre desenvolvedores de modelos, provedores de computação, designers de prompts, sistemas de formalização, pesquisadores anteriores e especialistas que interpretam a prova concluída. Listar uma corporação como autora comprime essas funções distintas em um único rótulo.
Esse modelo é conveniente para publicidade. É muito menos útil para a responsabilização acadêmica.
A Verificação Formal Checa a Lógica, Não a Propriedade Intelectual
Lean pode detectar lacunas lógicas em uma prova formal, mas não pode determinar quem originou as ideias nem se a declaração formal corresponde a cada alegação pretendida.
A verificação formal é uma das características mais fortes da alegação da prova de Navier-Stokes da OpenAI. Uma prova em Lean não é apenas um texto em prosa que um modelo declara correto. O sistema verifica se cada etapa formal decorre de definições aceitas e resultados anteriores.
Esse processo pode identificar saltos lógicos ocultos, casos ausentes e pressupostos inconsistentes. Ele também cria um artefato reproduzível que outros pesquisadores podem inspecionar e executar.
Ainda assim, a verificação formal tem limites. Lean verifica o teorema codificado em Lean. Especialistas precisam confirmar que o teorema codificado representa com precisão o problema matemático original e que pressupostos importados não enfraquecem silenciosamente a alegação.
A distinção importa porque o problema de Navier-Stokes tem múltiplas formulações. A OpenAI afirma que sua prova estabelece a formação de singularidades em tempo finito para uma solução suave com forçamento externo suave. Especialistas precisam decidir se a construção satisfaz as condições especificadas pelo Clay Mathematics Institute.
A descrição oficial do problema do instituto fornece o alvo autoritativo. O reconhecimento exige mais do que passar em uma verificação de software. O trabalho precisa ser publicado em um veículo qualificável, resistir ao escrutínio e obter ampla aceitação da comunidade matemática global.
O processo do Clay avança deliberadamente devagar. Um resultado dessa importância exige mais do que um anúncio de lançamento e um pipeline interno de verificação.
Lean também não julga a exposição. Uma prova formal pode estar correta e, ainda assim, oferecer pouca clareza conceitual a um leitor humano. Pode conter uma construção extensa cuja estrutura global permanece obscura, mesmo quando cada inferência local é aprovada.
Lean tampouco consegue reconstruir a proveniência. Ele não sabe se uma ideia intermediária veio de um artigo, dos dados de treinamento de um modelo, de um prompt privado ou de uma busca independente. Dependência lógica e influência histórica são questões diferentes.
O processo relatado pela OpenAI complica ainda mais essa distinção. Grupos de agentes exploraram muitas abordagens, trocaram resultados intermediários e receberam insights consolidados. A prova final emergiu de uma rede de mensagens geradas, e não de um único argumento contínuo.
Portanto, um registro de pesquisa adequado precisaria de mais do que o arquivo formal final. Ele poderia incluir registros de data e hora, históricos de prompts, logs de recuperação de fontes, conjecturas intermediárias, versões de modelos e registros de como as ideias circularam entre grupos de agentes.
Publicar tudo isso pode ser impraticável. A OpenAI relata 2,7 milhões de mensagens de agentes somente no esforço de Navier-Stokes. Um despejo bruto sobrecarregaria os revisores e poderia revelar detalhes do sistema sensíveis à segurança.
A alternativa é uma proveniência estruturada. O sistema poderia identificar os lemas principais, fontes recuperadas, ramificações decisivas e intervenções humanas que moldaram materialmente a prova final. Revisores independentes poderiam então auditar uma trilha de pesquisa administrável.
A OpenAI ofereceu fortes garantias sobre dados recentes de usuários, mas pessoas de fora ainda não podem reproduzir toda a sua busca interna. O próprio modelo não foi lançado, e o ambiente computacional da empresa não está disponível para equipes acadêmicas.
Essa assimetria significa que a prova final pode ser inspecionável enquanto o processo de descoberta permanece fechado. A matemática pode verificar o resultado sem auditar completamente como ele passou a existir.
Esta é a incerteza mais importante da disputa atual. A checagem da prova pode resolver a correção. Ela não pode, por si só, resolver o crédito.
Matemáticos Estão Contestando a Corrida por Benchmarks
Um grupo de 25 ganhadores da Medalha Fields argumenta que empresas de IA estão otimizando para resultados de manchete, enquanto a matemática valoriza compreensão, educação e desenvolvimento humano cumulativo.
A declaração do grupo, intitulada Severe Misalignment, surgiu após o anúncio da OpenAI. Ela critica o uso de grandes problemas matemáticos como benchmarks públicos para modelos de fronteira.
Os signatários não negam que a IA possa produzir matemática válida. Sua preocupação é que resolver problemas famosos tenha se tornado uma métrica de desempenho para empresas cujos incentivos diferem dos da comunidade de pesquisa.
Para um laboratório de IA, um problema do Prêmio Millennium oferece uma demonstração memorável da capacidade de um modelo. A empresa ganha atenção, vantagem competitiva e evidência de que seus sistemas podem realizar trabalho além dos benchmarks comuns.
Para os matemáticos, o resultado final de verdadeiro ou falso é apenas uma parte do valor. A área também depende dos métodos desenvolvidos durante a busca, dos estudantes formados por meio da participação e das conexões conceituais criadas com outras áreas.
A carta aberta alerta que apressar soluções pode deixar tempo insuficiente para uma exposição clara e citações adequadas. Ela também argumenta que a produção em massa de resultados poderia sufocar o trabalho mais lento necessário para construir compreensão.
Essa crítica tem força, mas não deveria se tornar a alegação de que apenas humanos podem resolver problemas importantes. Buckmaster e Alpöge usaram IA eles mesmos. A experiência deles mostra que a disputa mais realista ocorre entre diferentes arranjos de humanos, modelos, dados e computação.
A IA poderia ampliar o acesso à matemática difícil. Grupos de pesquisa menores poderiam usar agentes para testar mais hipóteses, formalizar argumentos mais longos e pesquisar a literatura com mais eficiência. Estudantes poderiam receber feedback detalhado que orientadores humanos escassos nem sempre conseguem fornecer.
A preocupação é quem controla os sistemas mais fortes e como os resultados são divulgados. Se a capacidade matemática de fronteira permanecer concentrada dentro de poucos laboratórios privados, essas empresas poderão escolher alvos de pesquisa, cronogramas de divulgação e práticas de atribuição.
Também há o risco de interpretar em excesso a alegação sobre Navier-Stokes. Uma prova bem-sucedida não significaria que a IA entende matemática da mesma forma que um pesquisador humano. Ela estabeleceria que um enorme sistema coordenado pode buscar, sintetizar e verificar um resultado sob condições específicas.
Os números da OpenAI dificultam comparações. Um resultado gerado por 10.000 agentes e 130 bilhões de tokens não é diretamente comparável a um único matemático usando um chatbot de consumo. O custo computacional e a especialização operacional continuam concentrados.
O sistema também teve acesso a uma internet em cache contendo gerações de trabalho matemático humano. Qualquer descrição de descoberta autônoma por máquinas deve reconhecer essa base.
Ao mesmo tempo, a velocidade do resultado relatado não pode ser descartada. A OpenAI afirma que seus agentes passaram do lançamento a uma prova verificada em Lean em menos de uma semana. Mesmo que a abordagem dependa fortemente de teoria humana anterior, esse ritmo altera o ambiente competitivo.
Os matemáticos agora enfrentam um dilema prático. Evitar a IA poderia deixá-los incapazes de competir com grupos que a utilizam. Adotar a IA sem salvaguardas firmes poderia expor ideias inacabadas ou enfraquecer sua capacidade de documentar contribuições originais.
O resultado não é uma vitória clara para nenhum dos lados. É pressão por novas instituições.
O Que as Regras de Crédito Precisam Abranger
A atribuição científica deve evoluir de nomear um autor final para documentar os humanos, modelos, fontes e decisões computacionais por trás de um resultado.
O primeiro requisito é uma divulgação mais clara. Pesquisadores devem declarar quais modelos usaram, se esses sistemas eram públicos ou internos e quais etapas envolveram assistência de IA. Uma frase genérica dizendo que a IA ajudou na edição é inadequada quando um modelo propõe lemas centrais ou realiza busca por provas.
O segundo requisito é uma saída de modelo consciente das fontes. Agentes matemáticos deveriam anexar citações candidatas a definições, técnicas e resultados intermediários recuperados. Essas citações precisam de revisão humana, pois modelos de linguagem podem identificar fontes incorretamente ou inventar referências.
O terceiro requisito é privacidade auditável. Pesquisadores que usam sistemas hospedados precisam de controles explícitos para trabalho sensível. Os provedores devem tornar compreensíveis os períodos de retenção, as exclusões de treinamento e as regras de acesso de funcionários antes que um usuário envie uma ideia não publicada.
O quarto requisito é crédito baseado em funções. Um artigo poderia distinguir contribuidores conceituais, formalizadores, operadores de modelos, curadores de fontes e revisores de exposição. Taxonomias de contribuição existentes oferecem um ponto de partida, embora a matemática precisasse de categorias adequadas a provas.
O quinto requisito é replicação independente. Grupos externos devem poder verificar o artefato formal e testar se o método central resiste à tradução para um argumento humano mais claro. Um modelo não lançado não deveria tornar o próprio teorema impossível de avaliar.
Nenhuma dessas medidas consegue reconstruir perfeitamente a influência. Pesquisadores humanos também esquecem de onde vieram as ideias, e as citações sempre foram incompletas. O objetivo não é um registro impecável. É um registro suficientemente forte para sustentar confiança e resolver disputas previsíveis.
Editores e sociedades profissionais precisarão estabelecer as regras. Deixar a atribuição inteiramente para empresas de IA cria um conflito de interesses óbvio. As empresas se beneficiam quando os resultados parecem autônomos, enquanto as comunidades acadêmicas arcam com o custo de créditos ausentes.
As universidades também precisam de orientação para pesquisa confidencial assistida por IA. Dizer simplesmente aos acadêmicos para não usar modelos se tornará irrealista à medida que as ferramentas melhorarem. As instituições devem, em vez disso, definir quais sistemas são apropriados para trabalhos não publicados e qual documentação os pesquisadores precisam manter.
Agências de financiamento também têm influência. Elas podem exigir divulgações sobre o uso de IA, planos de proveniência e preservação de logs de pesquisa gerados por máquinas em projetos financiados. Essas exigências fariam da atribuição uma parte do projeto de pesquisa, em vez de uma discussão após a publicação.
A prova de Navier-Stokes da OpenAI torna essas mudanças urgentes porque reúne vários problemas em um único evento. Houve um rumor sobre progresso privado, uma plataforma comercial usada por pesquisadores externos, um modelo interno opaco, um vasto enxame de agentes e um anúncio corporativo anterior à ampla revisão por especialistas.
Qualquer política futura que trate apenas de dados de treinamento ou apenas de autoria deixará de contemplar o sistema mais amplo. O crédito segue uma cadeia de dependência intelectual, e a IA estende essa cadeia por produtos, organizações e tempo.
O Que Observar em Seguida
Três desenvolvimentos mostrarão se a prova de Navier-Stokes da OpenAI se torna matemática aceita ou permanece principalmente como um alerta sobre a governança da pesquisa em IA.
Primeiro, observe a validação independente por especialistas. Especialistas devem confirmar que a declaração formal corresponde ao problema do Prêmio Millennium e que a prova não contém incompatibilidades ocultas em definições ou pressupostos. Uma exposição mais clara de pesquisadores externos à OpenAI fortaleceria a alegação mais do que outro anúncio da empresa.
Em seguida, acompanhe como a OpenAI documenta a procedência. A empresa negou que os prompts recentes de Codex de Buckmaster tenham influenciado o sistema. Ela ainda não apresentou uma estrutura amplamente aplicável que mostre como pesquisadores podem verificar alegações semelhantes em disputas futuras. Uma política duradoura incluiria controles de dados, procedimentos de auditoria e regras de atribuição estabelecidos antes do início de um projeto.
Em terceiro lugar, acompanhe a resposta de periódicos, universidades e sociedades matemáticas. Os 25 ganhadores da Medalha Fields enquadraram isso como um problema institucional, não como uma discordância isolada. Padrões concretos de divulgação e práticas seguras de pesquisa sinalizariam que a comunidade está se adaptando. O silêncio deixaria cada pesquisador para negociar em privado com empresas de tecnologia muito maiores.
A própria matemática levará tempo para se consolidar. O reconhecimento do Clay exige publicação e aceitação sustentada, enquanto os pesquisadores precisam extrair um argumento compreensível da maquinaria formal.
O problema de crédito não pode esperar tanto. Cientistas já estão compartilhando ideias inéditas com sistemas de IA, e laboratórios já estão ampliando pesquisas baseadas em agentes. A questão já não é se as máquinas podem contribuir para grandes descobertas. É se as instituições em torno dessas descobertas conseguem preservar evidências de quem contribuiu com o quê.
À medida que especialistas examinam a prova da OpenAI sobre Navier-Stokes, os leitores devem acompanhar ambos os veredictos. O teorema está correto e seu caminho, do conhecimento humano à produção da máquina, pode ser explicado de forma crível? O futuro da ciência assistida por IA depende de responder às duas perguntas.
