Alerta de Terence Tao sobre IA na Matemática Desafia a Corrida dos Benchmarks
Terence Tao juntou-se a outros 24 medalhistas Fields para alertar que empresas de IA estão transformando problemas matemáticos não resolvidos em uma corrida por benchmarks, apesar dos recentes resultados impressionantes. O alerta de Terence Tao sobre IA na matemática mira uma lacuna crescente entre produzir provas corretas e ampliar a compreensão matemática.
O grupo publicou sua declaração em 11 de setembro de 2026, após discussões entre os signatários iniciais durante a semana anterior. O momento foi deliberado. A OpenAI havia anunciado recentemente vários avanços matemáticos, incluindo uma suposta solução para o problema do Prêmio do Milênio de Navier-Stokes.
A declaração não rejeita a pesquisa assistida por IA. Ela argumenta que resolver problemas famosos pode se tornar prejudicial quando as empresas otimizam o resultado para publicidade, avaliação de modelos ou posicionamento competitivo. O conflito, portanto, não é IA versus matemáticos. É a produção de provas orientada por benchmarks versus o processo mais lento que transforma provas em conhecimento compartilhado.
Essa distinção importa além da matemática pura. Pesquisadores, desenvolvedores e equipes corporativas avaliam cada vez mais sistemas de IA por meio de resultados fáceis de pontuar. Ainda assim, um resultado mensurável pode ocultar atribuição frágil, métodos opacos, uso enorme de recursos ou um trabalho que nenhum especialista responsável consegue explicar.
O Que os 25 Medalhistas Fields Realmente Disseram
A declaração questiona como as empresas de IA definem progresso matemático, e não se as máquinas devem participar da pesquisa.
O texto, intitulado “A Severe Misalignment of AI in Mathematics”, começa reconhecendo uma melhora acentuada nos grandes modelos de linguagem. Seus autores afirmam que esses sistemas agora podem resolver grandes problemas em aberto em diversos campos da matemática.
Esse reconhecimento torna a crítica mais difícil de descartar como resistência a uma nova tecnologia. Muitos signatários trabalharam com ferramentas computacionais, assistentes de prova ou sistemas de IA. Tao descreveu repetidamente maneiras pelas quais matemáticos podem se beneficiar da assistência de máquinas.
A objeção diz respeito ao objetivo colocado diante desses sistemas. Empresas de IA usam problemas matemáticos reconhecíveis para demonstrar a capacidade dos modelos. Uma conjectura resolvida gera um anúncio claro, uma comparação competitiva e uma conquista memorável.
A declaração dos medalhistas Fields argumenta que esse enquadramento confunde um indicador substituto com o verdadeiro propósito da pesquisa. Resolver problemas tradicionalmente indicava que alguém desenvolveu conceitos, métodos ou insights úteis. Nunca foi o propósito completo da matemática.
Os signatários descrevem a pesquisa como uma longa cadeia de atividade humana. Um resultado precisa ser redigido com cuidado, verificado, discutido, simplificado, conectado a trabalhos anteriores e, por fim, ensinado. Cada etapa pode revelar mais valor do que a resposta original.
Um teorema difícil pode criar todo um programa de pesquisa porque a prova introduz uma técnica reutilizável. Outros pesquisadores testam seus limites e a adaptam a diferentes questões. Estudantes aprendem o método e, por fim, o ampliam.
Uma resposta isolada não garante nada disso. Mesmo uma prova formalmente verificada pode permanecer isolada se especialistas não conseguirem compreender suas ideias centrais ou situá-la na teoria existente.
A declaração alerta que anúncios rápidos muitas vezes deixam pouco tempo para uma exposição e atribuição adequadas. Essas omissões criam incerteza sobre quais ideias foram realmente novas e quais vieram de trabalhos humanos anteriores.
A crítica também se refere a incentivos profissionais. As comunidades matemáticas recompensam prioridade, publicação e resolução visível de problemas. Empresas de IA podem intensificar essas pressões ao produzir resultados mais rapidamente do que periódicos, revisores e pesquisadores conseguem absorvê-los.
Os 25 signatários iniciais incluem Artur Avila, Manjul Bhargava, Martin Hairer, June Huh, Peter Scholze, Maryna Viazovska e Tao. Suas Medalhas Fields abrangem anos de premiação de 1978 a 2026.
Essa amplitude dá à declaração um peso institucional incomum. Ela representa pesquisadores de diferentes gerações e especialidades matemáticas, não um único laboratório ou associação profissional.
O texto termina com uma avaliação condicional. A IA pode aprimorar o estudo e a compreensão genuínos, mas os humanos que controlam a tecnologia determinarão se seu efeito geral será construtivo ou destrutivo.
Essa posição não é nem proibição nem adoção incondicional. Ela exige que a comunidade matemática defina o sucesso antes que os benchmarks corporativos o definam por ela.
Por Que os Benchmarks de IA em Matemática Viraram o Ponto de Conflito
A matemática se tornou um benchmark atraente para IA porque respostas corretas parecem objetivas, enquanto as condições ocultas por trás delas continuam difíceis de comparar.
Empresas de software precisam de evidências visíveis de que um modelo é mais capaz do que outro. Tarefas matemáticas parecem oferecer essa evidência. Uma solução proposta pode ser verificada, e uma prova formal às vezes pode ser validada por software.
Assistentes de prova são programas que verificam se cada etapa decorre de regras lógicas especificadas. Lean é um exemplo importante. Esses sistemas podem estabelecer correção formal sem depender inteiramente da reputação de um autor.
Essa característica torna a matemática atraente para avaliar modelos de raciocínio. Ela parece substituir julgamentos subjetivos por um resultado binário. Um teorema é estabelecido sob as hipóteses declaradas ou não é.
No entanto, a pontuação binária comprime variáveis importantes. Um resultado pode envolver tentativas repetidas, extensive prompting, ferramentas especializadas, orientação humana oculta ou grandes orçamentos computacionais. Anúncios públicos nem sempre revelam essas condições de forma consistente.
Tao abordou esse problema antes da nova declaração. Em seu ensaio sobre matemática, ele observou que sucessos de IA divulgados frequentemente omitem falhas, estruturação humana, custos computacionais e possível exposição à literatura existente.
Essas omissões tornam as comparações entre modelos menos científicas. Elas também incentivam o público a tratar um resultado marcante como uma medida geral de inteligência, mesmo quando o processo subjacente permanece obscuro.
Avaliações controladas contam uma história mais útil. Tao citou o projeto First Proof, que testa sistemas em problemas de pesquisa inéditos fornecidos por matemáticos em atividade. As respostas recebem revisão especializada quanto à correção e à exposição.
Seu segundo lote continha dez problemas e avaliou quatro sistemas de IA acessíveis ao público. Pelo menos um sistema recebeu uma nota de aprovação em sete problemas, segundo o relato de Tao.
Esse resultado mostra que o raciocínio matemático por IA está se tornando praticamente importante. Não demonstra que os modelos possam substituir de forma independente as instituições que cercam a pesquisa.
O problema dos benchmarks se torna mais agudo quando empresas selecionam questões abertas famosas. Esses problemas já carregam valor cultural e reconhecimento público. Resolver um deles oferece mais publicidade do que melhorar a exposição ou verificar centenas de artigos comuns.
A OpenAI ilustrou essa atração em agosto, quando apresentou dez avanços matemáticos produzidos por uma versão interna do Astra. A empresa afirmou que o trabalho resolveu ou avançou substancialmente questões de longa data.
O anúncio convidava matemáticos a estudar os resultados e conectá-los à pesquisa mais ampla. Ainda assim, o formato lembrava um lançamento de capacidade de modelo, com várias conquistas agrupadas sob um único sistema.
Essa é a estrutura de incentivos por trás do alerta de Terence Tao sobre IA na matemática. Uma empresa pode medir resultados gerados rapidamente. Não consegue medir a compreensão da comunidade, o desenvolvimento de estudantes ou o valor teórico de longo prazo na mesma velocidade.
A lei de Goodhart descreve o perigo. Quando uma medida se torna uma meta, a otimização pode separar essa medida da qualidade que ela originalmente representava.
Historicamente, resolver um problema difícil frequentemente exigia compreender seu território matemático. Essa relação fazia da resolução de problemas um indicador razoável de insight. Sistemas de IA podem enfraquecer essa conexão ao buscar possibilidades em uma escala que humanos não conseguem igualar.
Uma prova pode, portanto, estar correta sem apresentar uma explicação clara de por que seu método funciona. Também pode reproduzir um argumento negligenciado da literatura sem identificar a conexão.
O placar registra mais um problema resolvido. A comunidade de pesquisa herda o trabalho mais difícil de interpretação, verificação e atribuição de crédito.
O Conflito Real É Produção de Provas Versus Compreensão
A principal troca não é entre raciocínio humano e raciocínio de máquina; é entre produção abundante de provas e atenção especializada escassa.
Tao descreveu uma possível transição da escassez de provas para a abundância de provas. A matemática construiu a maior parte de suas instituições para a condição anterior, quando produzir uma nova prova confiável era difícil e relativamente incomum.
Periódicos, conferências, prêmios e sistemas de contratação pressupõem que novos resultados chegam devagar o suficiente para que especialistas os avaliem. A revisão por pares depende fortemente de pesquisadores que realizam esse trabalho paralelamente às suas atividades principais.
A IA altera o lado da produção sem expandir automaticamente o lado da revisão. Modelos podem gerar argumentos candidatos continuamente. O número de especialistas qualificados disponíveis para inspecioná-los não cresce no mesmo ritmo.
Essa incompatibilidade pode criar o que Tao chama de indigestão de provas. Provas candidatas se acumulam mais rapidamente do que especialistas conseguem verificá-las. Provas verificadas podem então se acumular mais rapidamente do que autores conseguem explicá-las ou comunidades conseguem absorvê-las.
A correção continua essencial, mas é apenas uma etapa. Um resultado valioso também precisa comunicar seu mecanismo central. Pesquisadores precisam distinguir a ideia difícil dos cálculos rotineiros e compreender quais partes são generalizáveis.
Artigos escritos por humanos frequentemente preservam vestígios desse processo de descoberta. Um lema incomum ou uma mudança cuidadosa de notação pode revelar onde ocorreu o verdadeiro obstáculo. Uma prova altamente polida e gerada por máquina pode apagar esses sinais.
A exposição, portanto, não é uma embalagem decorativa. Ela ajuda a transferir conhecimento tácito, isto é, a compreensão prática que especialistas utilizam, mas raramente reduzem a regras formais.
A atribuição apresenta outro desafio. Um modelo pode combinar ideias de dados de treinamento, documentos recuperados, interações de usuários ou resultados de ferramentas. A prova resultante pode ser nova como sequência, mas ainda depender de contribuições humanas identificáveis.
A declaração levanta especificamente preocupações sobre plágio e crédito porque anúncios apressados deixam pouco tempo para revisão da literatura. Esse problema se torna mais grave quando desenvolvedores de modelos não conseguem reconstruir plenamente como um resultado surgiu.
O anúncio da OpenAI em setembro trouxe a questão à atenção pública. A empresa afirmou que um sistema mais capaz que GPT-6 Astra produziu uma solução para o problema do Prêmio do Milênio de Navier-Stokes.
As equações de Navier-Stokes descrevem o movimento dos fluidos. A questão do Prêmio do Milênio pergunta se soluções tridimensionais suaves sempre permanecem regulares sob condições especificadas.
Em seu relato sobre Navier-Stokes, a OpenAI afirmou que seu sistema estabeleceu uma singularidade em tempo finito para parte da formulação oficial. Também forneceu uma formalização em Lean.
A OpenAI afirmou que o projeto começou depois que ouviu um rumor sobre trabalho relacionado dos matemáticos Levent Alpöge e Tristan Buckmaster. A empresa declarou que sua abordagem era diferente da deles e negou que prompts privados do Codex de Buckmaster tenham influenciado o sistema.
Essas declarações exigem escrutínio matemático e processual independente. A verificação formal pode sustentar a correção de etapas codificadas, mas não pode resolver todas as questões sobre proveniência intelectual.
O episódio mostra por que benchmarks de matemática com IA criam pressão institucional. Um laboratório pode mobilizar vastos recursos computacionais imediatamente após saber que pesquisadores estão se aproximando de um grande resultado.
Matemáticos individuais não conseguem competir nesses termos. Eles também podem depender das mesmas empresas para acessar modelos usados em suas pesquisas.
Isso cria um problema de confiança, além de um problema de recursos. Pesquisadores precisam ter segurança de que rascunhos privados, prompts e experimentos não revelarão sua linha de investigação antes da publicação.
Mesmo quando nenhum dado privado foi usado, a percepção de acesso desigual pode mudar comportamentos. Pesquisadores podem evitar ferramentas comerciais, ocultar ideias iniciais ou apressar trabalhos incompletos para estabelecer prioridade.
Essas reações enfraqueceriam a colaboração de que a matemática necessita. A corrida por benchmarks poderia então prejudicar o próprio ambiente informacional de que futuros sistemas de IA precisam.
Modelos de IA aprendem com conhecimento humano bem organizado. Se pesquisadores deixarem de produzir explicações cuidadosas ou de compartilhar ideias inacabadas, os dados de treinamento futuros se tornarão mais escassos e menos confiáveis.
O conflito é circular. A IA se beneficia do cânone matemático, mas uma corrida de produção sem controle pode minar o processo que mantém esse cânone.
O Alerta de Terence Tao sobre IA na Matemática Não É Anti-IA
A posição de Tao aceita que a IA avançada realizará pesquisas significativas e, em seguida, pergunta quais valores humanos devem governar essa capacidade.
Essa distinção separa a declaração de uma exigência de congelar a tecnologia matemática. Tao usou ferramentas de IA e divulgou essa assistência em seus próprios textos. Ele também participou da avaliação de soluções geradas por máquinas.
Seu argumento começa por conceder uma premissa forte. Ferramentas de IA lidarão com uma parcela significativa de tarefas matemáticas de nível de pesquisa, com precisão útil, custo aceitável e diferentes graus de supervisão humana.
Uma vez aceita essa premissa, debater se a tecnologia é real se torna menos importante. A questão mais difícil é o que os matemáticos querem que suas instituições otimizem.
Tao lista vários objetivos. A matemática resolve problemas, desenvolve teorias, explica fenômenos naturais, sustenta uma comunidade, forma sucessores e cria trabalho intelectual duradouro.
Historicamente, esses objetivos reforçaram uns aos outros. Um pesquisador que buscava um teorema frequentemente desenvolvia métodos, orientava estudantes e conectava diversas áreas nesse percurso.
A IA pode separar esses resultados. Ela pode otimizar a geração de provas sem formar um estudante. Pode produzir um argumento correto sem fortalecer uma comunidade ou criar uma explicação duradoura.
Essa separação explica por que a declaração usa a palavra “desalinhamento”. Aqui, alinhamento se refere a se um objetivo otimizado apoia os objetivos mais amplos com os quais as pessoas realmente se importam.
A empresa de IA busca um resultado que demonstre a capacidade do sistema. O matemático precisa de um resultado que se torne compreensível, atribuível, reutilizável e ensinável.
Esses objetivos podem coincidir. Eles não coincidem automaticamente.
Um sistema de pesquisa em IA mais construtivo apoiaria todo o pipeline de conhecimento. Ele poderia ajudar a localizar a literatura relevante, expor etapas incertas, traduzir argumentos informais para linguagem formal e sugerir apresentações mais claras.
Também poderia ajudar pesquisadores a comparar estratégias de prova e identificar técnicas reutilizáveis. Essa assistência facilitaria a distribuição da compreensão matemática, em vez de apenas aumentar a produção.
Esse modelo se assemelha a um colaborador de pesquisa ou a uma camada de verificação. Ele difere de mobilizar milhares de agentes contra problemas famosos até que um deles produza um resultado pronto para anúncio.
A entrevista da Nature com Tao, no início de 2026, captou esse equilíbrio. Ele descreveu o trabalho do matemático como algo em transformação, ao mesmo tempo que continuou a tratar o julgamento humano como central.
A resposta cética mais forte diz que a compreensão virá após resultados corretos. A história contém muitas provas que inicialmente foram difíceis, mal explicadas ou dependentes de computação. Pesquisadores acabaram por esclarecê-las.
Esse argumento merece consideração. Exigir elegância imediata poderia rejeitar descobertas úteis. Alguns resultados gerados por máquinas só se tornarão compreensíveis depois que outros matemáticos reconstruírem suas ideias.
A declaração não prova que a produção de máquinas necessariamente destrói o insight. Ela identifica um incentivo capaz de produzir esse resultado quando velocidade e publicidade dominam a avaliação.
Outra objeção diz respeito ao acesso. Restringir o uso de IA na pesquisa poderia preservar hierarquias estabelecidas e negar assistência valiosa a instituições menores. Ferramentas de raciocínio baratas poderiam ampliar a participação na matemática avançada.
Esse benefício é real. Um estudante sem especialistas por perto poderia usar um sistema de IA para explorar definições, testar exemplos ou entender um artigo. Pesquisadores em instituições subfinanciadas poderiam obter apoio computacional antes reservado aos grandes laboratórios.
O desafio de política é preservar esses ganhos sem permitir que fornecedores controlem agendas de pesquisa. A matemática se tornaria mais desigual se os sistemas mais capazes permanecessem privados e caros de operar.
A resposta não é uma proibição generalizada. É uma governança que conecte o uso de modelos à divulgação, atribuição, reprodutibilidade e responsabilidade humana.
Os pesquisadores também precisam de fluxos de trabalho que os ajudem a manter o controle sobre suas fontes e seu raciocínio. Uma base de conhecimento pessoal pode organizar rascunhos, referências e discussões sem tratar a resposta final como o único artefato valioso.
Para trabalhadores do conhecimento fora da matemática, o mesmo princípio se aplica. A IA deve fortalecer o caminho do material-fonte à compreensão defensável, não substituir esse caminho por uma resposta polida.
A Matemática Já Tem um Ponto de Partida para Políticas
A resposta prática é reformular as normas de pesquisa antes que provas geradas por IA sobrecarreguem sistemas criados para velocidades de publicação humanas.
A declaração de setembro é mais urgente do que detalhada. Ela identifica um incentivo prejudicial e pede que matemáticos, empresas e a sociedade o enfrentem.
Já existe uma estrutura política mais ampla. A Leiden Declaration foi publicada em 2 de junho de 2026, após uma iniciativa comunitária internacional. A União Matemática Internacional a endossou.
Suas recomendações se dirigem a pesquisadores individuais, instituições, financiadores, governos e indústria. Elas se concentram em transparência, confiabilidade, autonomia, acesso equitativo e responsabilidade.
A divulgação é a exigência mais imediata. Os artigos devem explicar quais ferramentas automatizadas contribuíram, o que essas ferramentas fizeram e quais recursos computacionais foram envolvidos.
Esse registro deve distinguir brainstorming de geração de provas, verificação formal, busca bibliográfica e edição. Cada atividade cria riscos diferentes e diferentes deveres de atribuição.
A divulgação também ajuda avaliadores a interpretar alegações sobre benchmarks. Um modelo que resolve um problema em uma tentativa apresenta evidências diferentes das de um sistema que usa milhares de tentativas paralelas e ampla orientação humana.
A reprodutibilidade é igualmente importante. Laboratórios devem preservar prompts, configurações de ferramentas, enunciados de problemas e procedimentos de verificação quando privacidade e segurança permitirem.
Um resultado que depende de um modelo interno indisponível continua difícil de ser examinado por pesquisadores externos. Publicar uma prova final não revela a taxa de falhas nem o processo de busca do sistema.
A atribuição exige mais do que pedir citações a um modelo. Desenvolvedores e autores precisam de buscas bibliográficas sistemáticas, revisão de especialistas e um processo para corrigir omissões.
O responsável humano pela submissão deve continuar sendo responsável. Culpar um modelo por uma citação inventada ou por uma ideia apropriada deixaria os pesquisadores afetados sem um recurso significativo.
Os periódicos também precisarão de novos sistemas de triagem. Editores não podem enviar toda prova plausível gerada por máquina a especialistas não remunerados. Regras de submissão podem exigir divulgação das ferramentas, verificações formais e evidências de que um especialista compreende o trabalho.
Tao propõe um teste exigente em seu ensaio. Antes da publicação, os autores devem ser capazes de fazer uma apresentação clara, em nível especializado, de seu resultado, com atribuição correta.
Esse teste não excluiria a assistência de IA. Ele exigiria que uma pessoa responsável entendesse e defendesse a contribuição.
A avaliação também deve recompensar a assimilação. Pesquisadores que verificam, simplificam, explicam ou integram um resultado gerado por IA realizam trabalho intelectual essencial.
Os incentivos acadêmicos atuais frequentemente dão mais crédito à primeira prova do que à explicação definitiva. A abundância de provas torna esse desequilíbrio insustentável.
Agências de fomento podem apoiar infraestrutura para formalização, curadoria e resultados negativos. Universidades podem reconhecer revisão e exposição em decisões de contratação.
Empresas de IA enfrentam responsabilidades adicionais porque controlam tanto os sistemas quanto grande parte da telemetria relevante. Elas podem divulgar o uso agregado de recursos, métodos de seleção de benchmarks e tentativas malsucedidas.
Também podem estabelecer limites claros em torno dos dados dos clientes. Pesquisadores precisam de garantias compreensíveis sobre se prompts, manuscritos enviados e sessões com ferramentas contribuem para o treinamento de modelos ou para pesquisas internas.
Auditorias independentes tornariam essas garantias mais críveis. Assegurações corporativas por si só não podem resolver todos os conflitos quando a empresa também se beneficia de produzir o resultado.
Os próprios benchmarks devem se ampliar. Uma avaliação útil poderia medir se um sistema identifica trabalhos anteriores, comunica a ideia-chave, sinaliza incertezas e ajuda outro matemático a expandir o resultado.
Essas qualidades são mais difíceis de pontuar do que uma resposta final. Essa dificuldade é precisamente o motivo pelo qual as empresas não devem substituir o objetivo real pela métrica mais fácil.
A mesma lição se aplica a implantações de IA em empresas. As equipes frequentemente medem velocidade de resposta ou conclusão de tarefas porque esses números estão prontamente disponíveis.
No entanto, um sistema pode aumentar a produção enquanto reduz a rastreabilidade, o aprendizado dos funcionários ou a memória institucional. Líderes devem medir se o trabalho continua explicável e reutilizável após a conclusão da automação.
A matemática oferece um exemplo inicial e excepcionalmente visível. Sua estrutura formal torna a falha da métrica mais fácil de perceber, mas o problema subjacente afeta todas as profissões do conhecimento.
O Que Observar Após a Declaração dos Medalhistas Fields
O próximo teste é se laboratórios, periódicos e pesquisadores mudam suas práticas, não se outro modelo resolve outro problema famoso.
O primeiro sinal será a divulgação em torno de futuros anúncios de IA na matemática. As empresas devem relatar tentativas, orientação humana, recursos computacionais, métodos de verificação e procedimentos de revisão bibliográfica.
Uma divulgação mais completa reforçaria o julgamento central da declaração. Ela mostraria que os laboratórios aceitam resultados matemáticos como contribuições de pesquisa, e não apenas como demonstrações de desempenho.
Anúncios escassos apontariam na direção oposta. Eles sugeririam que a pressão competitiva ainda supera as exigências de reprodutibilidade e contexto.
O segundo sinal virá da revisão independente de alegações proeminentes. O resultado de OpenAI sobre Navier-Stokes oferece um caso imediato porque sua correção, novidade, escopo e atribuição exigem avaliações separadas.
Uma prova formal em Lean aborda a validade lógica dentro de sua codificação. Os matemáticos ainda precisam verificar se a declaração formal corresponde ao problema pretendido e se a contribuição utiliza ideias devidamente creditadas.
Se especialistas independentes validarem o resultado e identificarem um método claramente novo, isso demonstrará que o trabalho gerado por IA pode entrar no cânone matemático. Esse desfecho não invalidaria o alerta.
Em vez disso, mostraria o que uma integração responsável exige. A prova ganharia valor por meio da interpretação, atribuição e explicação de especialistas.
Se grandes correções ou disputas de crédito continuarem, as preocupações da declaração se tornarão mais concretas. A questão passaria de uma previsão cultural a uma falha documentada das práticas de pesquisa.
O terceiro sinal será a adoção institucional de novas regras. Revistas, universidades, conferências e financiadores precisam decidir como resultados assistidos por IA receberão revisão e crédito.
As políticas devem esclarecer os requisitos de divulgação e a responsabilidade pela autoria. Também devem proteger trabalhos ainda não publicados e reconhecer o trabalho de verificação.
Uma adoção significativa redistribuiria o status da geração de provas para a compreensão de provas. Revisores, formalizadores e expositores receberiam mais crédito por tornar os resultados confiáveis e úteis.
Políticas fracas ou inconsistentes deixariam as empresas definir os termos. Pesquisadores então enfrentariam expectativas diferentes entre revistas e instituições, incentivando o sigilo e o comportamento estratégico.
O alerta de Terence Tao sobre IA na matemática, em última instância, pergunta quem pode definir o progresso. Laboratórios de IA podem demonstrar sistemas notáveis ao atacar problemas com nomes famosos.
A matemática, porém, não avança apenas por meio de afirmações corretas. Ela avança quando as pessoas entendem por que essas afirmações são verdadeiras e usam esse entendimento para formular perguntas melhores.
A afirmação mais importante da declaração é, portanto, sobre responsabilidade. Uma comunidade de pesquisa deve proteger as condições que permitem que o conhecimento se acumule, mesmo quando as máquinas aceleram uma parte do processo.
Os leitores devem observar de forma diferente o próximo grande anúncio de uma prova gerada por IA. O resultado de destaque importa, mas também importam as tentativas malsucedidas, as contribuições humanas, as fontes e as explicações por trás dele.
Pergunte se especialistas conseguem reproduzir o resultado. Pergunte quem recebe crédito, se a ideia central é inteligível e se estudantes podem desenvolvê-la.
Essas perguntas oferecem um parâmetro melhor do que a contagem de teoremas. Se as empresas de IA começarem a respondê-las voluntariamente, o conflito atual poderá se transformar em uma parceria de pesquisa viável.
