O matemático Terence Tao publicou, em 9 de setembro, uma sequência de postagens no Mathstodon sobre algo que a comunidade acadêmica está perdendo desde que ferramentas de IA passaram a atuar na pesquisa matemática: encontrar um problema em aberto realmente relevante está se tornando raro.
Segundo ele, bons problemas em aberto — daqueles capazes de gerar trabalhos subsequentes — estão sendo extraídos de forma não renovável. Ele acrescenta um ponto ainda mais afiado: basta vazar o boato de que alguém está trabalhando em determinado problema para atrair uma quantidade massiva de poder computacional de IA que o resolve antes, esgotando aquela linha de pesquisa antes mesmo de ela se desenvolver plenamente — em suas palavras, isso está revertendo uma tradição de ciência aberta que remonta a séculos.
O gradiente de dificuldade está sendo achatado
A descrição técnica que Tao oferece é a de um gradiente de dificuldade. Em uma área de pesquisa saudável, os problemas se distribuem por níveis de dificuldade: há exercícios de nível introdutório, problemas de nível de doutorado, alguns que exigem novas ferramentas, e um conjunto de grandes questões ainda em aberto. Pesquisadores usam esse gradiente para decidir para onde ir e também para orientar seus alunos.
Em muitas áreas, as ferramentas de IA achataram esse gradiente. Um problema que antes levaria três meses e outro que levaria três anos agora podem ser resolvidos na mesma tarde — ou nenhum dos dois ser resolvido — sem uma linha divisória reconhecível entre eles. Ele aponta que hoje não existe uma fronteira clara que separe problemas "solucionáveis por IA" de problemas "difíceis para IA".
Esse ponto é amplificado por outro fator: as empresas de IA, de modo geral, não divulgam resultados negativos nem revelam o processo depois de obter uma solução. O público externo só vê os casos de sucesso, não os problemas que foram tentados e não deram certo. A postagem de Tao não cita nenhuma empresa específica nem apresenta uma lista concreta dos problemas "esgotados" — esses dois pontos, por ora, não podem ser verificados. Sem dados sobre os fracassos, a comunidade acadêmica nem consegue avaliar que tipo de problema ainda está seguro.
Da abertura ao sigilo
Uma consequência colateral que ele menciona já pode ser observada: parte dos matemáticos está deixando de divulgar publicamente suas direções centrais de pesquisa.
Ao longo de séculos, a prática padrão da academia foi trocar ideias o quanto antes — apresentar trabalhos inacabados em seminários, publicar raciocínios incompletos em plataformas de preprint, escrever conjecturas em blogs. A premissa por trás desse hábito era que, mesmo que outros soubessem, dificilmente conseguiriam realizá-lo rapidamente, e havia tempo para concluir o trabalho. Essa premissa agora foi quebrada pelo poder computacional.
A sugestão de Tao é deslocar o padrão de avaliação um degrau à frente: para certos problemas, não bastaria apresentar a resposta — seria preciso também analisar o processo de resolução e a estrutura de dificuldade envolvida. Transformar "por que este problema é difícil" em um resultado publicável por si só é uma forma de reconstruir o gradiente que foi achatado.
Relação com o artigo de agosto
Em agosto, Tao havia transformado sua palestra pública no Congresso Internacional de Matemáticos em um artigo de doze páginas no arXiv, sobre o tema do excesso de demonstrações: supondo que a IA já seja capaz de fazer matemática em nível de pesquisa, a comunidade enfrentaria uma produção volumosa demais para que alguém conseguisse ler tudo.
A sequência de postagens no Mathstodon agora olha para a outra ponta. O artigo anterior se preocupava com o lado da produção; este se preocupa com o lado da entrada — de onde vêm os problemas. Juntando os dois, ele descreve um duto com problemas em ambas as extremidades ao mesmo tempo: a montante, bons problemas sendo consumidos rápido demais; a jusante, demonstrações se acumulando a ponto de ninguém conseguir verificá-las.
Impacto na China
A comunidade matemática chinesa pode sentir esse mecanismo de forma mais direta. Primeiro, a proporção de equipes locais discutindo direções de pesquisa em plataformas de preprint abertas e redes sociais vem subindo nos últimos anos, com vários grupos tratando o arXiv como canal de publicação primário. Segundo, as instituições capazes de mobilizar poder computacional de inferência em larga escala para varrer problemas em aberto estão concentradas em um punhado de empresas, e a maioria dos pesquisadores chineses está do lado do uso desse poder computacional, não da sua alocação.
No plano operacional, o que pode ser afetado é a escolha de temas de pós-graduandos. Se um doutorando passa três anos trabalhando em um problema e, no segundo ano, o modelo de alguma empresa o resolve em uma semana, como contabilizar esses três anos? Os sistemas de avaliação de titulação das universidades ainda não têm cláusulas para isso. No último ano já surgiram alguns casos de disputa sobre autoria e prioridade, e ainda não há precedente para lidar com esse tipo de conflito.
O próprio Tao não apresenta uma proposta em nível institucional; ele encerra dizendo que a comunidade matemática precisa repensar o que deve ser recompensado. Se essa afirmação vai conseguir impulsionar mudanças concretas nas regras de avaliação é algo que dará sinais em um ou dois anos: se os periódicos começarem a aceitar artigos cuja contribuição principal seja a análise de dificuldade, será sinal de que esse caminho funcionou; caso contrário, a retração da discussão aberta vai continuar.
Fontes: postagens de Terence Tao no Mathstodon, arXiv, CocoLoop, blog de Simon Willison; as expressões "extraídos de forma não renovável" e o fato de direções de pesquisa deixarem de ser divulgadas seguem o texto original em inglês; a parte sobre o impacto na China é uma inferência editorial.