Quando uma inteligência artificial resolve um problema que ninguém havia conseguido resolver, parece natural dizer que ela fez uma descoberta. Afinal, havia uma pergunta sem resposta e agora existe uma solução. Mas essa frase reúne coisas que precisam ser examinadas separadamente. É necessário verificar se a solução está correta, se apresenta algo novo e como foi produzida. Só então é possível discutir quem merece reconhecimento pelo resultado.

A proposta de solução para o problema de Navier–Stokes, apresentada recentemente pela OpenAI, torna essa discussão concreta. Para entender o que está em jogo, vale começar pelo próprio problema.

O que a IA teria resolvido?

As equações de Navier–Stokes descrevem matematicamente o movimento de fluidos, como a água e o ar. O problema discutido aqui investiga se, sob determinadas condições, essas equações continuam produzindo soluções regulares ou podem desenvolver uma “singularidade”, uma situação em que alguma grandeza matemática deixa de permanecer limitada.

Em setembro de 2026, a OpenAI anunciou uma demonstração que, segundo a empresa, estabelece a formação de uma singularidade em uma das versões oficiais do problema, com uma força externa aplicada ao fluido. O trabalho foi acompanhado de uma versão formalizada em Lean, um sistema de verificação matemática.

O anúncio é relevante porque descreve tanto a alegação quanto o processo utilizado. Mas continua sendo o relato da organização responsável pelo trabalho e sua publicação não deve ser confundida com confirmação independente. Essa cautela não diminui antecipadamente o resultado. Ela permite distinguir o que foi anunciado daquilo que uma avaliação externa poderá estabelecer.

Como se verifica uma resposta dessas?

Em matemática, testar muitos exemplos não basta para demonstrar uma afirmação geral. Uma prova precisa mostrar, por uma sequência de argumentos, por que a conclusão decorre das condições estabelecidas.

Lean permite escrever essa sequência em uma linguagem precisa, que um computador consegue verificar e isso ajuda a encontrar lacunas que poderiam passar despercebidas em um texto convencional.

Porém, é preciso ter traduzido corretamente a pergunta para essa linguagem. Imagine pedir a alguém que demonstre uma afirmação sobre todos os triângulos. Se a versão enviada ao verificador tratar apenas de triângulos equiláteros, uma prova correta responderá a uma pergunta mais restrita. O erro estará na formulação do que foi demonstrado.

A documentação do Lean distingue justamente a validade da prova do significado do enunciado. Essa referência sustenta um ponto essencial: a verificação formal fortalece a confiança no argumento, mas ainda é necessário conferir o que ele efetivamente demonstra e quais pressupostos utiliza.

Se estiver correta, já é uma descoberta?

Ainda falta estabelecer a novidade. Um sistema pode reproduzir uma demonstração existente e apresentar uma resposta perfeitamente válida. Isso resolve a dúvida de quem perguntou, mas não acrescenta conhecimento à matemática.

Se o resultado for novo e estiver correto, existe uma contribuição científica. A questão seguinte é identificar a participação do sistema na produção dessa contribuição. Uma IA pode executar etapas previamente determinadas por pesquisadores, como também pode propor uma estratégia que eles não haviam antecipado, ou encontrar relações úteis ou construir partes decisivas do argumento. Essas situações justificam descrições diferentes.

No caso anunciado pela OpenAI, a empresa relata o uso de milhares de agentes, instâncias do sistema que trabalhavam em tarefas e compartilhavam informações. Pesquisadores também selecionaram problemas, redistribuíram recursos e reuniram resultados intermediários para orientar novas tentativas. Esse relato importa porque mostra uma combinação de decisões humanas e processamento automatizado. Dizer apenas “a IA resolveu” deixa invisível a divisão do trabalho que permitiria avaliar a contribuição de cada parte.

Descobrir exige compreender?

Aqui aparece uma dificuldade mais profunda. Uma prova pode mostrar que algo é verdadeiro sem tornar evidente por que aquilo acontece ou como aproveitar a ideia em outros problemas.

Há diferença entre acompanhar cada passo de um argumento e perceber sua estrutura, entender qual foi a ideia decisiva, quais condições são indispensáveis e o que pode ser generalizado. Essa diferença também existe na pesquisa humana, uma pessoa pode demonstrar um resultado cujo alcance só será compreendido mais tarde, inclusive por outros pesquisadores. Seria excessivo exigir compreensão completa como condição para reconhecer qualquer descoberta.

Por isso, um sistema pode produzir uma contribuição original e verificável mesmo que permaneça em aberto o que significa dizer que ele “compreende”. Uma demonstração correta, sozinha, não estabelece experiência subjetiva ou consciência.

O resultado pode ser reconhecido pelo que acrescenta ao conhecimento, enquanto a natureza da compreensão do sistema continua sendo outra pergunta.

Por que o mérito não cabe em uma única assinatura

Reconhecer a contribuição da IA não resolve automaticamente quem merece crédito.

Quem construiu o modelo criou condições para o trabalho, mas pode não ter concebido a estratégia matemática encontrada. Quem escolheu a pergunta pode ter orientado a pesquisa sem produzir a demonstração. Quem verificou o resultado pode ter realizado uma contribuição indispensável para torná-lo confiável.

A ciência já dispõe de uma ferramenta útil para descrever essa diversidade: a CRediT, taxonomia de contribuições à pesquisa mantida pela NISO, organização de padronização da informação. Ela distingue atividades como concepção, desenvolvimento de métodos, software e validação. Sua relevância está em oferecer uma alternativa à ideia de que uma lista de nomes explica todo o trabalho. A CRediT não decide se uma IA deve ser autora, mas ajuda a formular perguntas mais precisas, como o que cada participante efetivamente fez.

Também é necessário reconhecer trabalhos anteriores. Isso não transforma todos os matemáticos citados em coautores. Referenciar uma ideia herdada e atribuir uma contribuição direta são formas diferentes de reconhecer o processo.

O que muda quando distribuímos o crédito

Reconhecimento científico influencia financiamento, prestígio e autoridade para conduzir novas pesquisas.

Se tudo for atribuído à empresa que opera o sistema, contribuições externas podem desaparecer da narrativa. Se toda a participação da IA for descrita como execução mecânica, uma transformação importante do trabalho científico pode ser subestimada.

Uma atribuição mais justa exige registros sobre quais instruções foram dadas, quais caminhos o sistema propôs, onde houve intervenção humana e quem conferiu o resultado. Também exige responsáveis pela publicação, capazes de apresentar evidências e corrigir erros.

Uma descoberta pode começar com uma resposta inesperada, mas, para se tornar conhecimento compartilhado, precisa ser examinada, situada entre ideias anteriores e colocada à disposição de outras investigações.

A IA pode participar de maneira decisiva desse percurso, entretanto, reconhecer isso com precisão exige contar mais sobre como a descoberta aconteceu. A prova pode estar pronta; explicar de onde ela veio continua sendo parte do trabalho científico.