A Prova de Unique Games da OpenAI Desencadeou uma Corrida Entre Pesquisadores e IA

A prova de Unique Games da OpenAI transformou uma conjectura de 23 anos em uma corrida depois que três pesquisadores do MIT souberam que um resultado de IA se aproximava da publicação.

Dor Minzer e os estudantes de pós-graduação Yumou Fei e Shuo Wang tinham seu próprio resultado importante, construído ao longo de anos de trabalho humano. Seu teorema tratava de um problema relacionado, e não da conjectura de Unique Games em si. Ainda assim, trazia consequências importantes para a coloração de grafos e a complexidade computacional.

Os pesquisadores ainda preparavam seu manuscrito quando rumores sobre a OpenAI chegaram a Minzer em 11 de setembro de 2026. Três dias depois, a equipe divulgou um artigo incomumente pouco polido, de 95 páginas. A OpenAI publicou seu lançamento matemático mais amplo em 6 de outubro, incluindo uma suposta prova de Unique Games.

Essa sequência importa para além da prioridade. Ela mostra um laboratório de IA afetando o comportamento de pesquisa antes mesmo de especialistas independentes terem visto seu trabalho. A disputa imediata era entre humanos e uma máquina, mas o conflito mais profundo envolve dois modelos distintos de progresso matemático.

O Rumor Que Comprimiu Meses de Redação em Três Dias

A primeira consequência da prova de Unique Games da OpenAI surgiu antes que a própria prova se tornasse pública.

Em 11 de setembro, Minzer recebeu uma mensagem perguntando se ele estava perto de resolver a conjectura. Outras mensagens se seguiram, todas apontando para um resultado não publicado da OpenAI. A empresa teria usado um modelo interno para produzir uma prova.

Minzer não havia provado Unique Games. Ele, Fei e Wang haviam, em vez disso, concluído um teorema sobre jogos 4-para-1, uma família relacionada de problemas de restrições. Eles encontraram o argumento essencial em abril e preparavam uma apresentação completa.

Escrever um artigo assim normalmente exige mais do que verificar que cada etapa lógica funciona. Os autores precisam motivar definições, conectar lemas, comparar abordagens anteriores e explicar por que o resultado muda o campo. Esse processo pode levar meses.

O rumor mudou os cálculos da equipe. Se a OpenAI anunciasse primeiro, a atenção pública poderia se voltar para a conjectura maior antes que especialistas entendessem o resultado humano. Os pesquisadores decidiram estabelecer imediatamente um registro público.

Seu artigo, 4-to-1 hardness, apareceu no Electronic Colloquium on Computational Complexity em 14 de setembro. Seu aviso inicial dizia que a matemática estava completa, embora o manuscrito não estivesse na forma que os autores desejavam compartilhar.

A publicação tinha 95 páginas, mas suas seções posteriores eram deliberadamente enxutas. Minzer disse mais tarde que, após a Seção 6, o texto quase não tinha palavras de ligação. Definições e provas intermediárias apareciam sem a exposição normalmente usada para orientar leitores.

Não era uma corrida convencional entre dois grupos de pesquisa. Um dos lados não conhecia o argumento, o cronograma, o modelo ou a alegação exata do outro. Estava reagindo ao resultado esperado de uma empresa com recursos computacionais muito maiores.

A OpenAI finalmente anunciou seus resultados matemáticos em 6 de outubro. A empresa disse que um modelo interno de fronteira não identificado havia produzido trabalhos sobre centenas de questões em aberto. A coletânea incluía a alegada prova de Unique Games e dezenas de outros resultados de ciência da computação teórica.

O lançamento matemático da empresa afirmou que o resultado médio usou computação equivalente a cerca de três horas de raciocínio do ChatGPT Pro. A OpenAI também divulgou muitas formalizações em Lean, que codificam provas para verificação por máquina.

A OpenAI não apresentou o material como uma publicação acadêmica convencional revisada por pares. Reconheceu a necessidade de melhores citações, exposição e apresentação em lançamentos futuros. Também disse que financiaria programas voltados a compreender resultados importantes produzidos por IA.

A cronologia ainda revela uma grande mudança. A produção rumorada de uma máquina se tornou suficiente para acelerar uma publicação humana. A prova de Unique Games da OpenAI estava moldando os incentivos científicos antes que especialistas pudessem avaliar de forma independente sua contribuição.

Por Que a Conjectura de Unique Games Importa

Unique Games importa porque conecta uma alegação abstrata de dificuldade a limites em uma ampla variedade de problemas de otimização.

Subhash Khot apresentou a conjectura em um artigo de 2002. Ela trata de satisfação de restrições, em que um algoritmo tenta satisfazer muitas regras ao mesmo tempo.

Uma instância de Unique Games pode ser representada como um grafo, isto é, uma rede de nós conectados por arestas. Cada nó recebe um rótulo de uma coleção fixa. Cada aresta especifica uma regra de permutação que conecta os rótulos de suas duas extremidades.

Conhecer o rótulo em uma extremidade determina exatamente um rótulo aceitável na outra. Essa condição um-para-um fornece a palavra “unique”.

A questão central envolve aproximação. Suponha que uma instância tenha uma rotulagem que satisfaz quase todas as arestas. A conjectura diz que ainda é computacionalmente difícil encontrar uma rotulagem que satisfaça até mesmo uma fração muito pequena dessas restrições.

Essa é uma alegação de dificuldade, e não uma alegação de que soluções nunca existam. Ela diz que nenhum algoritmo geral eficiente pode distinguir de modo confiável instâncias quase satisfatíveis de outras profundamente insatisfatíveis, sob a interpretação padrão de NP-dificuldade.

Essa distinção tem implicações amplas. Cientistas da computação frequentemente usam algoritmos de aproximação quando encontrar o ótimo exato levaria tempo demais. Esses algoritmos trocam perfeição por um resultado que pode ser calculado de forma eficiente.

Unique Games prometia uma explicação geral de onde essa troca se torna inevitável. Sob a conjectura, as razões de aproximação conhecidas para muitos problemas de otimização não são meros artefatos de um projeto inadequado de algoritmos. Elas refletem uma barreira computacional mais profunda.

Prasad Raghavendra reforçou essa importância em 2008. Sua estrutura geral mostrou que, supondo Unique Games, uma estratégia padrão de programação semidefinida fornece garantias ótimas de aproximação para amplas classes de problemas de restrições.

A programação semidefinida é um método de otimização que substitui um problema discreto por uma relaxação geométrica. Pesquisadores resolvem a relaxação mais fácil e então arredondam sua solução de volta para escolhas discretas.

Se Unique Games for verdadeira, muitos algoritmos de aproximação melhores não poderão existir, a menos que pesquisadores usem hipóteses fora do escopo da conjectura. Uma única prova, portanto, resolveria inúmeros resultados condicionais de dificuldade.

A conjectura também alcança além do projeto convencional de algoritmos. Pesquisadores a conectaram à coloração de grafos, à teoria da votação, à particionamento geométrico e à estrutura de provas computacionais.

Um exemplo intuitivo de coloração de grafos mostra o que está em jogo. Um grafo pode ser colorível com três cores e ainda ocultar essa coloração de forma extremamente eficaz. Pesquisadores querem saber se cores adicionais permitidas tornam possível encontrar eficientemente uma coloração válida.

O novo resultado humano diz que algumas instâncias permanecem difíceis mesmo quando um algoritmo recebe qualquer número fixo de cores extras. Mark Braverman, de Princeton, descreveu a implicação com uma imagem memorável: nem mesmo toda a caixa de lápis Crayola necessariamente torna a tarefa fácil.

Unique Games, portanto, não é um quebra-cabeça isolado. Ela funciona mais como uma junção que conecta muitas questões sobre computação eficiente. Resolvida, reorganizaria a forma como pesquisadores classificam os limites alcançáveis da aproximação.

Isso explica por que rumores de uma prova tiveram força incomum. A equipe de Minzer não corria para comentar um benchmark em voga. Ela protegia um resultado situado ao lado de uma das questões centrais ainda não resolvidas da ciência da computação teórica.

O Resultado Humano Resolveu um Problema Diferente, Mas Crucial

Minzer, Fei e Wang não duplicaram a alegação da OpenAI, mas seu teorema fecha uma lacuna de dificuldade estreitamente relacionada com completude perfeita.

A distinção começa com a completude. No cenário original de Unique Games, pesquisadores consideram instâncias em que quase todas as restrições podem ser satisfeitas. A conjectura não cobre diretamente o caso mais forte em que toda restrição tem uma solução simultânea.

Khot propôs um problema relacionado para lidar com esse ponto cego. Em um jogo 2-para-1, selecionar um rótulo em uma extremidade deixa duas possibilidades aceitáveis na outra. Isso difere de Unique Games, em que resta apenas uma possibilidade.

A conjectura 2-para-1 prevê dificuldade extrema mesmo quando toda restrição pode ser satisfeita. Um algoritmo ainda teria dificuldade para encontrar uma atribuição que satisfizesse qualquer fração significativa delas.

Trabalhos anteriores chegaram perto desse objetivo. Em 2018, Minzer e colaboradores estabeleceram um resultado importante com completude quase perfeita. Esse teorema cobria casos em que quase todas as restrições eram satisfatíveis, mas não chegava exatamente a 100%.

A completude perfeita não é um ponto final cosmético. A diferença entre “quase todas” e “todas” muda quais reduções e consequências os pesquisadores podem estabelecer. Uma pequena fração insatisfeita pode bloquear argumentos que exigem um ponto de partida exato.

Fei e Wang começaram a atacar o problema com Minzer em 2025. Eles exploraram um código corretor de erros mais recente, que é um sistema matemático projetado para detectar ou reparar corrupção em informações codificadas.

O código oferecia um componente promissor, mas inicialmente não se encaixava no restante da prova. A equipe tentou repetidamente construir uma ponte de um problema difícil conhecido para o jogo-alvo. Essas tentativas falharam por diferentes razões estruturais.

Em abril de 2026, as peças finalmente se alinharam. A prova concluída combinava equações quadráticas, uma camada intermediária de verificação e um procedimento interno de verificação baseado em codificação no estilo Grassmann.

Essas camadas pertencem às provas verificáveis probabilisticamente, geralmente chamadas de PCPs. Um sistema PCP permite que um verificador teste uma prova longa inspecionando apenas um pequeno número de posições selecionadas por aleatoriedade.

Reduções de dificuldade usam essa ideia para converter um problema de decisão difícil em outro. A conversão deve preservar uma lacuna entre instâncias que devem ser aceitas e aquelas que devem ser rejeitadas.

A equipe provou a Conjectura dos Jogos 4-para-1 com completude perfeita. Essa versão permite quatro rótulos compatíveis de um lado para cada rótulo selecionado do outro lado.

Isso é mais fraco do que provar a afirmação original 2-para-1. Ainda assim, é forte o bastante para estabelecer consequências que pesquisadores perseguiam há décadas.

De forma mais destacada, o teorema se aplica à coloração de grafos. Dado um grafo que pode ser colorido com três cores, encontrar uma coloração válida continua sendo NP-difícil mesmo quando um algoritmo pode usar qualquer número fixo de cores.

O resultado também abrange um problema de conjunto independente para certos hipergrafos. Um hipergrafo generaliza um grafo ao permitir que uma aresta conecte mais de dois vértices.

Essas consequências distinguem o artigo humano da prova de Unique Games da OpenAI. O manuscrito da OpenAI alega a famosa conjectura em sua forma usual. O teorema da equipe do MIT alcança o território da completude perfeita por meio de um jogo diferente, mas relacionado.

Nenhum dos resultados torna o outro irrelevante. Um aborda a icônica conjectura de aproximação. O outro estabelece dificuldade em um cenário que a conjectura original deixa sem cobertura.

O momento, ainda assim, criou um conflito de visibilidade. Um anúncio completo sobre Unique Games naturalmente atrai mais atenção do que um teorema técnico de 4-para-1. Publicar cedo permitiu aos pesquisadores mostrar que seu caminho, prova e consequências existiam de forma independente.

A Prova de Unique Games da OpenAI Muda o Significado de Ser Superado

A inversão central é que uma prova agora pode vencer a corrida pela prioridade antes que a comunidade de pesquisa a tenha compreendido.

A competição tradicional em pesquisa tem limitações reconhecíveis. Grupos rivais enfrentam limites humanos semelhantes, incluindo o tempo para ler, escrever, verificar e comunicar. Podem trabalhar mais rápido, mas cada resultado ainda passa pela atenção humana.

A matemática gerada por IA muda esse ritmo. A OpenAI afirmou que seu modelo interno tentou cerca de 4.000 problemas e produziu centenas de resultados alegados. A empresa publicou 722 manuscritos cobrindo 377 questões.

Uma coleção também incluiu 40 provas de ciência da computação teórica. Esse volume torna difícil a comparação convencional, artigo por artigo. Ele cria um acúmulo de revisões no mesmo momento em que cria novas alegações.

A prova de Unique Games da OpenAI é especialmente importante porque aparece com uma formalização em Lean. Lean é um assistente de provas que verifica se etapas formais decorrem de definições e regras explicitamente declaradas.

A verificação formal eleva substancialmente a confiança de que o teorema codificado decorre de suas premissas codificadas. É uma evidência mais forte do que a declaração de um modelo de linguagem de que seu argumento em prosa está correto.

No entanto, a verificação em Lean não responde a todas as questões científicas. Revisores ainda precisam checar se a declaração formal corresponde à conjectura pretendida. Precisam examinar premissas importadas, definições e a conexão entre o código e o manuscrito.

Um verificador pode certificar validade lógica sem fornecer compreensão humana. Ele não identifica automaticamente a ideia central da prova, explica por que tentativas anteriores falharam ou mostra quais componentes se generalizam.

Essa diferença separa verificação de avaliação. A verificação pergunta se uma derivação formal é validada. A avaliação pergunta se o teorema foi enunciado corretamente, se os métodos são informativos e se o resultado se encaixa no conhecimento existente.

O manuscrito gerado por máquina da OpenAI afirma uma redução explícita de 3SAT para instâncias não ponderadas de Unique Games. Sua introdução diz que isso resolve positivamente a conjectura.

O manuscrito também lista consequências para problemas de corte, cobertura, ordenação, remoção, agrupamento e satisfação de restrições. Essas consequências dependem de reduções anteriores, bem como do novo teorema alegado.

Ainda assim, o lançamento não havia passado por revisão independente de especialistas quando foi anunciado. A OpenAI publicou conjuntamente a saída do modelo e os artefatos formais, deixando a comunidade de pesquisa examinar seu alinhamento após a divulgação.

Essa sequência introduz uma nova forma de assimetria. Uma empresa pode gerar, formalizar e publicar trabalho numa escala que nenhum departamento consegue absorver imediatamente. Pesquisadores humanos então precisam escolher entre ler, verificar, explicar, expandir ou competir.

A prioridade se torna mais difícil de definir nessas condições. A descoberta é o momento em que um modelo produz uma prova, o momento em que o código é validado ou o momento em que especialistas compreendem o argumento? Comunidades diferentes podem responder de maneiras distintas.

A equipe de Minzer enfrentou a versão prática dessa questão. Sabia que seu resultado era matematicamente distinto, mas também sabia que a atenção mudaria após o anúncio da OpenAI.

A publicação antecipada protegeu a prioridade cronológica do teorema de 4-para-1. Isso teve um custo para a exposição, um dos mecanismos que permite que um resultado matemático se torne conhecimento compartilhado.

Ryan O’Donnell, da Carnegie Mellon, elogiou o trabalho da equipe e enfatizou sua origem humana. Essa reação revela por que o episódio repercutiu tão fortemente. A corrida não dizia respeito apenas a qual teorema apareceu primeiro.

Também dizia respeito a se anos de abordagens fracassadas, intuição acumulada e explicação cuidadosa ainda determinam como a pesquisa recebe crédito. O resultado da máquina desafiou todo esse processo sem participar diretamente dele.

A Verificação Formal Não Encerra a Revisão

A evidência mais forte para a alegação da OpenAI é sua formalização, mas o escrutínio independente continua essencial.

A expressão “verificado em Lean” pode soar como o fim de uma disputa sobre correção. Na prática, ela marca uma etapa importante dentro de um processo mais amplo de verificação.

Uma prova em Lean depende de uma declaração formal de teorema. Essa declaração precisa codificar com precisão a alegação matemática que interessa aos pesquisadores. Pequenas diferenças em quantificadores, parâmetros ou representações podem separar um resultado histórico de um teorema mais restrito.

Unique Games é particularmente sensível à ordem dos quantificadores. A conjectura envolve dois parâmetros de erro e um tamanho de alfabeto escolhido em relação a eles. Uma alegação com a dependência errada pode se assemelhar a Unique Games sem alcançar toda a sua força.

Por isso, os pesquisadores precisam examinar como as definições formais tratam completude, solidez, tamanho do alfabeto, explicitude e tempo de execução polinomial. Também precisam verificar se a redução opera dentro do modelo de complexidade pretendido.

O manuscrito divulgado declara os parâmetros de forma independente e afirma uma redução determinística em tempo polinomial. Também descreve instâncias explícitas, não ponderadas, simples e bipartidas, com restrições de tradução.

Esses detalhes indicam que os autores — ou seja, o texto gerado pelo modelo e seu fluxo de trabalho associado — visaram a conjectura padrão. Eles não eliminam a necessidade de especialistas externos examinarem a implementação e o argumento.

A diferença entre verificação por máquina e aceitação coletiva tem precedente histórico. Provas assistidas por computador já desempenham papéis importantes na matemática. Pesquisadores ainda constroem explicações em torno delas e auditam suas premissas.

A escala aqui intensifica o problema. Revisar uma prova formal pode exigir conhecimento especializado e tempo substancial. Revisar centenas de uma vez cria um desafio de coordenação, e não apenas um desafio de correção.

A OpenAI afirmou que cerca de metade de seus resultados divulgados contava com verificação formal no anúncio. A empresa esperava não haver grandes obstáculos para formalizar o restante. Trata-se de uma declaração da empresa, não de uma avaliação independente de cada teorema.

O lançamento também usou um modelo interno não nomeado que não estava disponível publicamente. Pesquisadores externos podiam examinar as saídas, mas não reproduzir o processo original de geração.

A OpenAI compartilhou resumos selecionados do raciocínio, estatísticas agregadas e estimativas de computação. Não publicou um histórico completo de prompts e geração para cada resultado no próprio anúncio.

A reprodutibilidade, portanto, tem várias camadas. Pesquisadores podem reproduzir a verificação das provas se os artefatos formais e as dependências permanecerem disponíveis. Não podem necessariamente reproduzir a descoberta usando o mesmo modelo, prompts, amostragem ou ferramentas internas.

O artigo humano de 4-para-1 tem suas próprias limitações. O manuscrito apressado sacrifica a estrutura narrativa, e sua prova exige leitura cuidadosa de especialistas. A publicação em um servidor de preprints não equivale à revisão por pares.

Ainda assim, as limitações são diferentes. Os autores podem responder a perguntas sobre motivação, caminhos fracassados e escolhas de projeto. Eles construíram o resultado ao longo de uma colaboração extensa e podem revisar o texto com base no feedback da comunidade.

O relato da corrida captura ambos os lados dessa tensão. O resultado da OpenAI chegou com evidências verificáveis por máquina, mas com interpretação humana limitada. O resultado do MIT chegou com proveniência humana, mas com exposição apressada.

Nenhum dos dois caminhos torna a revisão desnecessária. Em vez disso, ambos mostram que correção, comunicação e compreensão agora podem avançar em velocidades diferentes.

Essa separação é a incerteza crítica em torno das provas matemáticas da OpenAI. Um teorema verificado pode entrar na literatura antes que sua contribuição conceitual fique clara. Ele também pode redirecionar crédito e trabalho antes que especialistas estabeleçam um consenso.

Os pesquisadores precisarão de padrões que diferenciem um artefato verificado de um resultado compreendido. Sem essa distinção, a verificação formal corre o risco de se tornar uma credencial de manchete, em vez de parte de um processo científico transparente.

O Que o Próximo Ciclo de Revisão Precisa Estabelecer

Três sinais determinarão se este episódio se torna um modelo duradouro para a pesquisa em IA ou um alerta sobre publicação em escala de máquina.

O primeiro sinal é a validação independente da prova de Unique Games da OpenAI. Especialistas precisam confirmar que o teorema formal corresponde à conjectura padrão de Khot e que as dependências não contêm nenhuma incompatibilidade oculta.

Uma revisão positiva fortaleceria a alegação de que modelos de fronteira podem resolver grandes problemas abertos em ciência da computação teórica. Uma lacuna descoberta não apagaria a divulgação mais ampla, mas exporia fragilidades na publicação em larga escala.

Pesquisadores também devem procurar uma reconstrução legível por humanos. Esse relato deve identificar o mecanismo decisivo da prova, separar ideias novas de mecanismos já existentes e explicar por que a redução funciona.

Essa reconstrução importa mesmo que o código Lean seja impecável. A matemática avança quando pesquisadores conseguem reutilizar um argumento, variar suas premissas e reconhecer a técnica em outro contexto.

O segundo sinal é a versão revisada do artigo de 4-para-1. Minzer, Fei e Wang disseram que planejam melhorar a exposição. Um manuscrito mais claro deve tornar mais fácil auditar a construção de três camadas da prova.

Essa revisão também mostrará o custo da publicação apressada. Se o teorema se tornar rapidamente utilizável, a publicação antecipada terá cumprido sua função de prioridade sem dano duradouro. Se especialistas tiverem dificuldades, a corrida terá retardado a compreensão.

Pesquisadores devem prestar atenção especial a como o código de correção de erros interage com as camadas intermediária e interna de verificação. Essa integração surgiu de múltiplas abordagens fracassadas, o que a torna uma provável fonte de insight transferível.

O terceiro sinal é uma mudança na governança de divulgações. A OpenAI consultou um grupo consultivo independente de matemática e reconheceu que artigos futuros precisam de melhor exposição e citações.

O teste relevante é se lançamentos posteriores chegam em lotes revisáveis, com metadados reproduzíveis. Registros úteis incluiriam prompts exatos, versões de modelos, computação, status de formalização, dependências e intervenções humanas.

Um repositório de centenas de provas corretas ainda pode sobrecarregar as instituições responsáveis por avaliá-lo. Revistas, conferências e servidores de preprints foram projetados em torno de uma taxa muito menor de produção de manuscritos.

Laboratórios de IA, portanto, enfrentarão pressão para priorizar a compreensão junto com a produção. Isso pode significar divulgação em etapas, revisores especialistas designados, artigos complementares explicativos ou vínculos mais fortes entre prosa e código formal.

O lado humano também precisa de novas normas. Pesquisadores não podem tratar todo resultado corporativo rumoroso como um prazo sem prejudicar a pesquisa cuidadosa. Ainda assim, ignorar rumores críveis pode fazer anos de trabalho desaparecerem sob um anúncio maior.

Universidades e financiadores talvez precisem de mecanismos para registrar rapidamente a data de resultados sem apresentar rascunhos inacabados como exposição completa. Históricos claros de versões e registros estruturados de pesquisa podem preservar a prioridade enquanto a redação continua.

Para pesquisadores individuais, a lição não é simplesmente publicar mais rápido. A resposta mais duradoura é preservar evidências de como as ideias se desenvolveram, incluindo abordagens fracassadas, lemas intermediários e discussões.

Esses registros ajudam a estabelecer a contribuição quando um sistema de IA chega de forma independente a um teorema semelhante. Eles também preservam o percurso intelectual que provas finais lapidadas frequentemente ocultam.

Uma base de conhecimento técnico pesquisável pode apoiar esse trabalho, especialmente quando os projetos se estendem por anos e envolvem muitas tentativas parciais. A documentação torna-se parte da resiliência da pesquisa.

A maior questão em aberto diz respeito à motivação. Minzer alertou que pesquisadores podem evitar projetos difíceis de longo prazo se um laboratório bem financiado puder publicar primeiro sem aviso.

Esse risco não pode ser medido apenas pela quantidade de provas. Os sinais aparecerão nas escolhas de projetos, no recrutamento de pós-graduandos, nas submissões a conferências e na disposição de especialistas para perseguir problemas com cronogramas incertos.

A IA poderia, em vez disso, expandir o campo ao oferecer aos pesquisadores mais conjecturas, esboços de provas e ferramentas formais. Esse resultado exige sistemas que apoiem a compreensão humana, em vez de tratarem problemas não resolvidos como um placar.

A prova de Unique Games da OpenAI já mudou o campo, mesmo antes de se formar um consenso completo sobre seu método. Ela mudou o momento em que outra equipe publicou e a forma como os pesquisadores discutem prioridade.

O que acontecerá a seguir depende de a comunidade conseguir transformar resultados verificados em conhecimento compartilhado. Os leitores devem acompanhar a auditoria independente, a prova humana revisada e o próximo protocolo de lançamento da OpenAI.

Se esses três processos produzirem clareza, esta corrida parecerá o início de um sistema produtivo de pesquisa entre humanos e máquinas. Se produzirem apenas mais volume, o acúmulo de provas crescerá mais rápido do que a compreensão.

A escolha agora pertence em parte às empresas de IA, mas também a editores, revisores, universidades e pesquisadores. O que deveria contar mais: produzir primeiro a próxima prova ou tornar suas ideias utilizáveis por todos?