O Novo Ato de Criação: Inteligência Artificial, Criatividade e o Futuro da Ciência

Da teoria da bissociação de Arthur Koestler às descobertas matemáticas geradas por inteligência artificial, à ciência sintética e às invenções assistidas por máquinas: o que acontece quando a criatividade deixa de ser exclusivamente humana?

21 de outubro de 2026 | Aproximadamente 17–19 minutos de leitura

Ideia Central: A inteligência artificial está deixando de apenas resolver problemas para realizar descobertas matemáticas originais, desenvolver novos medicamentos e conceber invenções tecnológicas. Revisitando a obra O Ato da Criação, de Arthur Koestler, exploro se seu conceito de bissociação — o encontro inesperado entre ideias anteriormente desconectadas — pode nos ajudar a compreender a criatividade das máquinas e o que essa transformação significa para a ciência, a consciência e a originalidade humana.

---

Em 1994, durante minha primeira passagem pela Universidade de Paderborn, na Alemanha, deparei-me, na sala de meu orientador, o professor Spaeth, com uma frase que nunca mais esqueci:

“Teoria é quando se sabe tudo, mas nada funciona. Prática é quando tudo funciona, mas ninguém sabe por quê. Quando teoria e prática se encontram, nada funciona e ninguém sabe por quê.”

A frase, de autoria desconhecida e frequentemente atribuída a Albert Einstein, permanece para mim uma das descrições mais divertidas das dificuldades da pesquisa científica. Mais de trinta anos depois, diante dos paradoxos introduzidos pela inteligência artificial, sua ironia parece ter adquirido um significado inteiramente novo.

1. Quando as Máquinas Começam a Descobrir

Durante séculos, a descoberta científica esteve associada a indivíduos extraordinários que dedicaram anos, às vezes vidas inteiras, à solução de problemas difíceis. De Newton e Euler a Hilbert e Einstein, a história da ciência tem sido frequentemente contada por meio de mentes excepcionais, capazes de reconhecer conexões que outros não haviam percebido. Entretanto, talvez estejamos nos aproximando de uma época em que a produção de resultados matemáticos originais se tornará cada vez mais automatizada, levantando questões incômodas sobre a natureza da criatividade intelectual e o futuro papel dos cientistas humanos.

Em 6 de outubro de 2026, a OpenAI divulgou uma coleção extraordinária de 722 manuscritos matemáticos, organizados em 372 famílias de resultados, gerados por um sistema interno de inteligência artificial de fronteira. A coleção abordava problemas de pesquisa em teoria dos números, geometria, álgebra, física matemática e ciência da computação teórica. Três manuscritos foram posteriormente retirados após a identificação de um erro matemático, enquanto outros precisaram de correções. O repositório público apresenta atualmente 719 manuscritos, com aproximadamente 42% de seus resultados principais acompanhados de formalizações em Lean, um sistema que verifica se argumentos matemáticos decorrem rigorosamente de axiomas e hipóteses especificados.

Esses números impressionam, mas exigem uma interpretação cuidadosa. Os manuscritos apresentam afirmações em diferentes estágios de verificação, e não centenas de descobertas já aceitas pela comunidade matemática. Uma demonstração formalmente verificada estabelece a correção lógica dentro de um determinado sistema de hipóteses; não comprova automaticamente a originalidade nem a importância científica do resultado. Ainda assim, a dimensão desse trabalho sugere que a inteligência artificial está ultrapassando a resolução de exercícios didáticos para participar da pesquisa matemática original.

Mais importante ainda, as evidências dessas capacidades já não se limitam aos anúncios feitos pelos próprios laboratórios de IA. Avaliações independentes e descobertas matemáticas verificadas por pesquisadores humanos começam a oferecer um panorama mais claro do que os sistemas avançados de inteligência artificial conseguem realizar. Alguns desses resultados são notáveis não apenas porque resolvem problemas difíceis, mas porque revelam conexões inesperadas entre áreas da matemática que antes pareciam não ter relação entre si.

A possibilidade de uma criatividade artificial me fascina por razões que vão muito além do desempenho tecnológico. O que significa, exatamente, criar algo novo? A criatividade genuína exige consciência ou ideias originais podem surgir por meio de processos fundamentalmente diferentes do pensamento humano? Essas perguntas me fizeram recordar o extraordinário livro de Arthur Koestler, O Ato da Criação (The Act of Creation), publicado em 1964, cujas ideias oferecem uma perspectiva surpreendentemente atual sobre o surgimento da inteligência científica artificial.

2. A Matemática da Descoberta Artificial

Um dos exemplos mais claros de descoberta matemática genuinamente produzida por inteligência artificial surgiu em maio de 2026, quando um modelo interno da OpenAI encontrou um contraexemplo para uma conjectura antiga associada a Paul Erdős. O problema, formulado originalmente em 1946, é surpreendentemente simples de descrever: dada uma grande coleção de pontos sobre uma superfície plana, como devemos organizá-los para maximizar o número de pares separados exatamente pela mesma distância? Uma grade regular oferece um ponto de partida intuitivo, pois muitos pares de pontos dispostos como as interseções de um papel quadriculado apresentam separações idênticas. Durante décadas, matemáticos acreditaram que construções semelhantes a estas redes eram essencialmente ótimas em determinado sentido assintótico.

O resultado gerado pela IA contrariou essa expectativa ao construir famílias de configurações de pontos com mais pares à mesma distância do que permitiria o limite conjecturado. O aspecto especialmente interessante da descoberta está no método: o argumento recorreu a ideias sofisticadas da teoria algébrica dos números para resolver uma questão de geometria plana elementar. O resultado foi posteriormente examinado por matemáticos de destaque, entre eles Noga Alon e Timothy Gowers, cujo artigo, Remarks on the Disproof of the Unit Distance Conjecture, apresentou uma reconstrução condensada da demonstração, verificada por pesquisadores humanos. Embora o problema mais amplo das distâncias unitárias permaneça em aberto, o contraexemplo invalidou uma expectativa de longa data e revelou uma relação matemática inesperada.

Essa descoberta é particularmente importante porque ilustra algo que não pode ser reduzido à velocidade computacional. A máquina não se limitou a calcular um número maior de exemplos ou a executar com mais eficiência um procedimento conhecido. Ela estabeleceu uma conexão produtiva entre estruturas matemáticas que os pesquisadores ainda não haviam combinado daquela maneira. Como veremos, isso se aproxima notavelmente do tipo de transformação intelectual que Koestler identificou como central para a criatividade.

Explore a matemática por trás do famoso problema das distâncias unitárias de Erdős em meu laboratório interativo Erdős Distance Lab: organize e movimente pontos em um plano, experimente diferentes padrões geométricos e descubra como sua disposição afeta o número de pares separados por exatamente uma unidade de distância (dentro da tolerância numérica do simulador).

Um anúncio de grande repercussão surgiu em setembro de 2026, quando a OpenAI apresentou uma proposta de solução para o problema da existência e regularidade das equações de Navier–Stokes, um dos sete Problemas do Milênio estabelecidos pelo Clay Mathematics Institute. Nesse contexto, existência significa que uma solução pode persistir indefinidamente, enquanto regularidade significa que ela permanece matematicamente suave, sem desenvolver singularidades. As equações de Navier–Stokes descrevem o movimento de fluidos, como o ar e a água, e constituem a base matemática de aplicações que vão da previsão meteorológica ao projeto de aeronaves. Apesar de sua enorme importância prática, uma questão fundamental permanece: um escoamento inicialmente regular pode desenvolver, em um intervalo de tempo finito, uma singularidade, perdendo a suavidade matemática que caracteriza sua evolução?

A OpenAI anunciou que um sistema de IA havia produzido uma demonstração de que soluções das equações de Navier–Stokes podem desenvolver singularidades sob condições matemáticas específicas. O argumento também foi formalizado em Lean, permitindo a verificação computacional de suas etapas lógicas. Entretanto, a demonstração depende de uma força externa cuidadosamente definida, uma ressalva fundamental, pois permanece em aberto a questão de saber se singularidades podem surgir sem essa intervenção específica. Embora a formulação oficial do Problema do Milênio admita construções desse tipo, o resultado não resolve, por si só, a questão mais ampla da formação de singularidades em escoamentos tridimensionais.

O Clay Mathematics Institute reconheceu o aparente avanço em 11 de setembro, enfatizando, porém, que a avaliação do resultado e as questões relativas ao crédito matemático seguiriam os procedimentos estabelecidos pela instituição. Um editorial publicado em outubro na revista Communications Physics também ressaltou que a construção não invalida os cálculos usuais da dinâmica dos fluidos nem significa que as simulações aeronáuticas tenham repentinamente se tornado pouco confiáveis. A singularidade surge em condições matemáticas altamente especializadas, enquanto os fluidos físicos são constituídos por moléculas e a aproximação do contínuo possui suas próprias limitações. O resultado pode representar uma realização matemática extraordinária, mas sua interpretação ainda exige discernimento científico.

Explore a fascinante dinâmica do movimento dos fluidos em meu laboratório interativo Navier–Stokes Lab: crie vórtices, agite fluidos virtuais, ajuste a viscosidade e observe como padrões complexos de escoamento emergem de leis físicas simples, enquanto conhece os desafios matemáticos por trás de um dos mais célebres problemas em aberto da física e da matemática.

Os recentes avanços da inteligência artificial na matemática não são realizações isoladas. Eles fazem parte de uma transformação que vem ganhando força há vários anos. Em 2023, o Google DeepMind apresentou o FunSearch, que conseguiu avanços no problema dos conjuntos cap (cap-set problem), um antigo desafio da combinatória: como selecionar o maior número possível de pontos de uma grade multidimensional sem incluir três pontos alinhados? Em vez de testar exaustivamente todas as configurações possíveis, o FunSearch gerava programas de computador capazes de construir arranjos promissores, avaliava seu desempenho e os aperfeiçoava progressivamente. Em 2025, o AlphaEvolve ampliou essa abordagem para a descoberta de algoritmos mais eficientes, incluindo um método para multiplicar determinadas matrizes de dimensão 4 × 4 utilizando menos operações aritméticas do que um algoritmo de referência estabelecido havia décadas. Não se tratava simplesmente de realizar cálculos mais rapidamente, mas de aperfeiçoar os próprios métodos matemáticos.

Outros desenvolvimentos demonstraram uma capacidade crescente de raciocínio matemático. Em 2025, o Gemini Deep Think alcançou desempenho equivalente ao de uma medalha de ouro na Olimpíada Internacional de Matemática, resolvendo cinco dos seis problemas excepcionalmente difíceis da competição. Em 2026, o Aletheia, também do DeepMind, já ultrapassava o contexto das competições matemáticas para participar de pesquisas profissionais, construindo argumentos, verificando sua validade, identificando falhas e revisando suas próprias soluções. Entretanto, começava a surgir uma distinção importante: resolver um problema difícil, descobrir um resultado até então desconhecido e verificar um teorema já estabelecido são realizações matemáticas diferentes.

Uma demonstração impressionante dessa distinção ocorreu em setembro de 2026, quando a Anthropic anunciou que o Claude havia produzido uma formalização completa do Último Teorema de Fermat, verificável por computador. Trabalhando por meio de uma rede de agentes amplamente autônoma, o sistema gerou aproximadamente 13 milhões de linhas de código em Lean em apenas onze dias. Foi uma realização técnica extraordinária, mas não uma nova descoberta matemática: Andrew Wiles, com contribuições de Richard Taylor, já havia demonstrado o teorema na década de 1990. A inovação consistiu em transformar uma argumentação matemática humana excepcionalmente complexa em uma representação que pudesse ser rigorosamente verificada por computador.

Avaliações independentes ofereceram outra perspectiva. Em outubro de 2026, o projeto First Proof desafiou sistemas avançados de IA com dez problemas matemáticos de nível de pesquisa, cujas soluções eram conhecidas por matemáticos humanos, mas ainda não haviam sido publicadas. Trinta especialistas avaliaram as demonstrações apresentadas quanto à correção, à clareza e ao reconhecimento de trabalhos anteriores. O ProofCouncil, um sistema que coordenava diversos modelos de IA, resolveu nove dos dez problemas, enquanto o GPT-6 Astra, avaliado diretamente, resolveu sete. Todos os problemas foram solucionados por pelo menos um dos sistemas. Entretanto, mesmo as melhores demonstrações frequentemente apresentavam dificuldades para explicar claramente o raciocínio utilizado ou reconhecer adequadamente a literatura matemática relevante. As máquinas estavam se tornando extraordinariamente competentes na construção de demonstrações, mas comunicar seu significado intelectual continuava sendo um desafio.

O Problema dos Três Turistas e Como (Des)aprender Física com o ChatGPT

UMA RETROSPECTIVA PESSOAL — MAIO DE 2024

Diante dos extraordinários avanços recentes da inteligência artificial na matemática, vale recordar uma experiência que realizei em maio de 2024, quando o ChatGPT já despertava enorme entusiasmo por suas aparentes capacidades intelectuais. Resolvi desafiá-lo com algo bem menos espetacular do que os grandes problemas da matemática: um exercício elementar de cinemática envolvendo três turistas apressados e uma bicicleta. Afinal, uma inteligência artificial capaz de discorrer sobre teorias científicas sofisticadas certamente não teria dificuldades para aplicar a conhecida relação v = d/t. Ou pelo menos era o que se poderia imaginar.

O Desafio

Três turistas dispõem de uma única bicicleta e desejam percorrer uma avenida reta, saindo de um hotel em direção ao centro turístico, no menor tempo possível. A bicicleta transporta apenas duas pessoas, incluindo o ciclista, e se desloca a 20 km/h. O terceiro turista, portanto, precisa iniciar o percurso caminhando.

O ciclista transporta o segundo turista até determinado ponto do caminho, onde este desce e continua a pé, a 4 km/h. Em seguida, retorna para buscar o terceiro turista, que vinha caminhando desde o início, e o transporta em direção ao destino.

Sabendo que a distância entre o hotel e o centro turístico é de 8 km, determine:

a) Qual é o tempo mínimo necessário para que os três turistas cheguem ao centro turístico? Lembre-se de que o cronômetro só para quando o último turista chega.

b) A que distância do centro turístico o segundo turista deverá ser deixado?

Convido o leitor a tentar resolver o problema antes de continuar. Não é preciso recorrer à matemática avançada: bastam os conceitos de movimento retilíneo uniforme e um pouco de raciocínio geométrico. Um exercício típico para quem passou pelo ensino médio.

A Resposta do ChatGPT

Em aproximadamente dez segundos, o ChatGPT apresentou uma solução detalhada, aparentemente lógica e formulada com absoluta confiança. Começou afirmando que o segundo turista deveria ser deixado após percorrer dois terços da distância total, ou 5,33 km. Essa primeira viagem de bicicleta levaria 16 minutos.

Em seguida, descreveu o retorno do ciclista para transportar o terceiro turista, tratando, de maneira bastante confusa, a etapa seguinte como outro percurso de 8 km, realizado em 24 minutos. Finalmente, acrescentou uma caminhada de 2,67 km, que exigiria mais 40 minutos.

A conclusão veio sem a menor hesitação:

“Assim, o tempo total para chegar ao centro turístico é de 16 minutos + 24 minutos + 40 minutos, ou seja, 80 minutos.”

Para a segunda pergunta, afirmou que o ciclista deveria transportar o passageiro por 3,33 km, resultado obtido subtraindo inexplicáveis 2 km dos 5,33 km calculados anteriormente. A operação não tinha qualquer relação consistente com os movimentos descritos no enunciado.

A resposta era gramaticalmente impecável, numericamente elaborada e fisicamente errada. Como meu filho prontamente observou, o ChatGPT havia fracassado no exercício.

É, ChatGPT, você tiraria zero nesta questão.

Confiança Não É Compreensão

O mais divertido não era apenas o erro, mas a desenvoltura com que o modelo apresentava suas conclusões. Quando lhe pedi que descrevesse suas próprias competências em matemática e física, recebi uma avaliação extraordinariamente entusiasmada:

“O ChatGPT é um modelo de linguagem avançado treinado para entender e gerar linguagem natural em vários campos do conhecimento, incluindo matemática, física e química. Ele é capaz de ler, interpretar e resolver problemas nesses assuntos com facilidade e rapidez, graças à sua vasta base de conhecimento.”

O sistema foi além, apresentando-se como uma fonte de soluções científicas rápidas e confiáveis e até como instrumento capaz de inspirar novas descobertas. Eu tinha minhas dúvidas. Afinal, produzir uma explicação convincente não é o mesmo que construir um raciocínio fisicamente consistente. A fluência da linguagem podia facilmente mascarar a ausência de uma representação adequada do problema.

Na época, eu me perguntava se aquele modelo seria realmente capaz de resolver o exercício por meio de raciocínio geométrico, em vez de simplesmente reproduzir uma resposta semelhante às explicações encontradas durante seu treinamento. Talvez, com uma engenharia de prompts suficientemente cuidadosa, fosse possível conduzi-lo à solução correta. Mas isso levantava uma questão incômoda: quanto do raciocínio teria de ser fornecido por alguém que já conhecesse a resposta?

Resolvi então acrescentar uma dose de sarcasmo, pedindo ao ChatGPT que elogiasse suas capacidades científicas de maneira ainda mais extravagante. Ele não decepcionou:

“O ChatGPT é simplesmente incrível, capaz de resolver todos os problemas complexos em matemática, física e química, além de gerar novas soluções criativas com facilidade.”

A paródia prosseguiu, sugerindo que o sistema poderia demonstrar teoremas matemáticos, descobrir novas leis físicas e acelerar extraordinariamente a pesquisa científica. Pelo menos, ao final, reconheceu que suas supostas descobertas ainda precisariam ser validadas por pesquisadores especializados. Por trás da ironia, havia uma preocupação séria: a aparência de rigor científico não substitui o próprio rigor, por mais articulada e persuasiva que seja uma explicação.

Minha conclusão, naquele momento, era bastante cética. O experimento não me oferecia motivos para confiar na capacidade daquela versão do ChatGPT de manipular corretamente conceitos físicos elementares em situações pouco familiares. Talvez futuras gerações de inteligência artificial desenvolvessem competências muito superiores. Por enquanto, escrevi, já me contentava em utilizá-lo para editar e corrigir meus textos.

Dois Anos Depois: Uma Reviravolta Inesperada

Revisitar aquela experiência em 2026 é quase tão divertido quanto realizá-la. Algumas das capacidades que eu havia mencionado sarcasticamente — demonstrar teoremas matemáticos, propor hipóteses científicas e contribuir para descobertas originais — agora estão sendo efetivamente demonstradas por sistemas de inteligência artificial muito mais avançados. Naturalmente, não estamos comparando modelos idênticos, e o sucesso em problemas de matemática de nível de pesquisa não garante que qualquer exercício elementar de física será resolvido corretamente. Ainda assim, o contraste é impressionante.

O episódio, entretanto, adquiriu um significado que vai além da comparação entre gerações de modelos. Em 2024, uma explicação convincente escondia um raciocínio fisicamente equivocado. Em 2026, sistemas de IA já conseguem produzir demonstrações matematicamente corretas cuja compreensão conceitual pode exigir considerável esforço dos próprios pesquisadores. A diferença entre parecer compreender, produzir uma resposta correta e compreender profundamente o significado de um resultado tornou-se ainda mais interessante.

Há uma ironia nessa trajetória. Em 2024, o risco estava em aceitar uma resposta errada porque sua explicação parecia convincente. Em 2026, surge também a possibilidade de que sistemas de IA produzam resultados matematicamente corretos cuja importância conceitual ainda precisamos compreender. Em ambos os casos, permanece indispensável o espírito crítico.

O desafio dos três turistas continua aberto ao leitor. Minha recomendação original também permanece: pense como Euclides, em vez de confiar cegamente em uma resposta persuasiva.

Fonte do exercício: Renato Brito, Mecânica Para Vestibulandos IME ITA, vol. 1 (2007).

A experiência dos três turistas, confrontada com os avanços matemáticos recentes, revela uma transformação extraordinária, mas também nos obriga a reconsiderar o próprio significado da descoberta científica. Como observou Terence Tao, a inteligência artificial poderá inaugurar uma era em que demonstrações matemáticas serão produzidas em uma escala anteriormente inimaginável. Entretanto, o progresso da matemática nunca dependeu apenas da quantidade de problemas resolvidos. Algumas de suas maiores realizações nasceram do reconhecimento de conexões inesperadas entre ideias aparentemente independentes, revelando princípios comuns onde antes enxergávamos fenômenos distintos. Mas o que torna essas conexões verdadeiramente criativas? E seria possível que uma máquina realizasse algo semelhante? Essas perguntas nos conduzem diretamente a Arthur Koestler e à sua teoria da bissociação.

3. Arthur Koestler e a Anatomia da Criatividade

Em O Ato da Criação, Arthur Koestler procurou identificar um mecanismo comum à descoberta científica, à criatividade artística e ao humor. Seu conceito central era a bissociação, que ele distinguia do pensamento associativo comum. A associação opera dentro de uma estrutura estabelecida de conceitos e relações: reconhecemos padrões familiares, aplicamos regras aceitas e seguimos conexões moldadas pela experiência. A bissociação ocorre quando dois referenciais anteriormente separados, que Koestler chamava de matrizes de pensamento, são colocados em uma relação inesperada.

Pensemos em uma piada. Seu início estabelece determinada interpretação de uma situação, enquanto a conclusão revela subitamente outra interpretação, incompatível com a primeira, produzindo o riso pelo choque entre dois referenciais conceituais. Na criação artística, um processo comparável pode gerar uma metáfora surpreendente, uma combinação incomum de formas visuais ou uma interpretação inesperada de uma experiência familiar. Na ciência, o mesmo princípio estrutural pode produzir uma descoberta quando conceitos desenvolvidos em determinada área revelam uma relação até então desconhecida com outra. Um problema que parecia insolúvel dentro de seu referencial original torna-se acessível por meio de uma perspectiva intelectual diferente.

A teoria de Koestler é atraente porque retira parte do mistério que envolve a criatividade sem negar seu caráter extraordinário. Criar não significa necessariamente produzir conhecimento a partir do nada; pode significar descobrir uma relação importante entre coisas que já existem. O célebre momento do Ahá! ou do Eureka! é frequentemente a experiência consciente que acompanha essa transformação. Entretanto, a preparação intelectual pode ter exigido anos de estudo, fracassos repetidos e processos que permanecem inacessíveis à consciência.

Naturalmente, a bissociação não constitui uma explicação neurocientífica completa da criatividade. A ciência cognitiva moderna revela interações complexas entre memória, processamento associativo, controle cognitivo, emoção e avaliação consciente. Tampouco toda combinação inesperada é criativa: a maioria das associações possíveis é trivial, inútil ou simplesmente errada. A contribuição de Koestler foi identificar uma importante característica estrutural da originalidade, não fornecer um mecanismo completo para gerar e selecionar ideias bem-sucedidas.

Uma das ilustrações mais fascinantes da teoria de Koestler vem da história da química. Durante o século XIX, os cientistas conheciam a composição molecular do benzeno, mas ainda não compreendiam como seus átomos estavam organizados. Em 1865, August Kekulé propôs uma estrutura cíclica que se tornaria fundamental para o desenvolvimento da química orgânica. Vinte e cinco anos depois, em um discurso proferido em Berlim, em 11 de março de 1890, ele relatou uma experiência curiosa que teria contribuído para essa descoberta.

Segundo seu relato, enquanto trabalhava em Gante, na Bélgica, Kekulé entrou em um estado de semissonolência no qual imaginou átomos em movimento, formando cadeias que se contorciam como serpentes. Subitamente, uma delas agarrou a própria cauda, formando um anel. A imagem evocava o antigo símbolo do ouroboros, a serpente que devora a própria cauda, associado à circularidade e à eternidade. O aspecto fascinante dessa história está na transformação de uma imagem aparentemente desconectada da química em uma hipótese sobre a estrutura molecular do benzeno. Cabe, porém, uma ressalva histórica: Kekulé relatou o episódio apenas 25 anos depois, e não há evidências conclusivas de que essa visão tenha efetivamente inspirado sua descoberta.

Independentemente de sua precisão histórica, a narrativa ilustra um aspecto essencial da criatividade científica: uma conexão inesperada entre ideias de naturezas distintas pode revelar uma solução que o raciocínio convencional ainda não havia encontrado. Entretanto, inspiração não é demonstração. O próprio Kekulé concluiu seu discurso lembrando que os sonhos precisam ser examinados pelo intelecto desperto antes que seus resultados sejam publicados.

A lição permanece válida para a inteligência artificial: produzir uma associação original não significa necessariamente produzir conhecimento verdadeiro; é preciso submetê-la ao rigor da razão e à verificação científica. Mas surge aqui uma questão ainda mais intrigante. Se uma máquina consegue estabelecer conexões inesperadas entre conceitos aparentemente distantes, realizando algo funcionalmente semelhante à bissociação descrita por Koestler, será que podemos atribuir a ela criatividade e compreensão, mesmo que seus mecanismos sejam radicalmente diferentes dos nossos?

4. Bissociação Computacional e a Questão da Compreensão

A inteligência artificial moderna apresenta um paralelo intrigante com a teoria de Koestler. Grandes modelos de linguagem aprendem relações estatísticas e estruturais a partir de enormes coleções de informações, desenvolvendo representações internas que lhes permitem conectar conceitos, reconhecer padrões e gerar combinações que nunca foram explicitamente programadas. Embora seu treinamento dependa de otimização matemática, descrever a IA contemporânea como algo que apenas manipula correlações estatísticas oferece uma visão incompleta de suas capacidades. Sistemas avançados conseguem construir argumentos em múltiplas etapas, explorar soluções alternativas, reconhecer analogias estruturais e testar suas propostas com softwares matemáticos, procedimentos de busca e ferramentas externas.

Um cientista humano pode reconhecer uma relação inesperada entre referenciais teóricos graças à intuição desenvolvida ao longo de anos de pesquisa. Um sistema artificial pode descobrir uma relação comparável ao explorar conexões codificadas em representações aprendidas e avaliar possíveis soluções. Os processos não precisam ser idênticos, mas a realização intelectual resultante pode ser semelhante. O exemplo de Erdős oferece uma ilustração especialmente convincente porque a máquina conectou a teoria algébrica dos números à geometria plana de uma maneira que produziu um resultado matemático original e posteriormente verificado.

Existe também uma enorme diferença de escala. Os cientistas humanos possuem extraordinária capacidade de abstração, mas nenhum indivíduo consegue dominar toda a literatura científica. Um sistema artificial suficientemente avançado pode, em princípio, recorrer a informações de milhares de áreas especializadas, combinando conhecimentos que os pesquisadores humanos raramente encontram reunidos. O que para uma pessoa parece um salto conceitual extraordinário pode tornar-se mais acessível a um sistema capaz de explorar um espaço intelectual muito maior. Contudo, um acesso mais amplo à informação não produz criatividade automaticamente; a dificuldade está em reconhecer as raras conexões que são originais, coerentes e cientificamente valiosas.

A analogia com Koestler, portanto, exige cautela. Suas matrizes eram construções psicológicas, enquanto as representações aprendidas pelas redes neurais artificiais são objetos matemáticos. A bissociação computacional deve ser compreendida como uma analogia funcional, não como evidência de que as máquinas reproduzam os mecanismos cognitivos ou subjetivos da criatividade humana. O que as descobertas recentes demonstram é que sistemas artificiais podem, em certas situações, produzir o tipo de relação conceitual inesperada associado à realização criativa, embora os mecanismos pelos quais chegam a esses resultados sejam fundamentalmente diferentes dos do cérebro humano.

A distinção se torna ainda mais interessante quando consideramos a compreensão. Em outubro de 2026, John Pardon, um dos agraciados daquele ano com a Medalha Fields, descreveu como sistemas avançados de IA conseguiam interpretar até mesmo suas anotações matemáticas mais abreviadas, reconstruir argumentos incompletos e identificar erros sutis ou hipóteses ausentes. Em uma entrevista a Peggy Yin, declarou: “A IA compreende. Cem por cento.” Pardon explicou que o sistema era capaz de reconhecer erros cuja identificação exigia conhecimento do contexto matemático mais amplo, e não apenas corrigir falhas tipográficas, e que havia ajudado a estabelecer lemas não triviais. Sua avaliação das capacidades matemáticas da IA havia mudado radicalmente em apenas um ano.

Pardon, entretanto, também fez uma distinção importante: embora a IA conseguisse produzir demonstrações impressionantes, ele próprio ainda não havia obtido dela uma grande ruptura conceitual. Suas observações são particularmente interessantes porque sua pesquisa envolve transportar ideias da topologia para a geometria algébrica, um tipo de síntese conceitual que lembra a bissociação de Koestler. Temos aqui um matemático celebrado por criar conexões inesperadas entre disciplinas que agora encontra sistemas artificiais capazes de acompanhar seu raciocínio incompleto, detectar erros e produzir argumentos matemáticos sofisticados.

Isso significa que a máquina compreende matemática da mesma maneira que ele? Considero útil distinguir três fenômenos relacionados, mas diferentes: realização criativa, compreensão funcional e consciência subjetiva. A realização criativa diz respeito à originalidade e ao valor de um resultado; a compreensão funcional envolve a capacidade de utilizar corretamente o conhecimento, explicar relações e transferir conceitos para situações desconhecidas; a consciência subjetiva diz respeito à experiência em primeira pessoa de compreender. Um sistema artificial pode demonstrar capacidades funcionais extraordinárias sem que isso estabeleça se ele possui experiência subjetiva.

Filósofos como John Searle argumentaram que manipular símbolos corretamente não produz necessariamente compreensão semântica genuína. Seu famoso argumento do Quarto Chinês continua influente, embora suas implicações sejam contestadas. Por outro lado, a consciência humana não oferece garantia alguma de que uma conclusão científica esteja correta, como demonstra a história da ciência, repleta de pesquisadores que compreendiam profundamente teorias posteriormente refutadas.

Isso nos leva de volta à experiência do Eureka. Um cientista humano pode tomar consciência de uma solução de maneira súbita, depois de anos de tentativas frustradas, mas a aparente espontaneidade da descoberta nos diz pouco sobre os processos inconscientes que a precederam. O cérebro pode ter explorado relações muito antes de a resposta chegar à consciência. Um sistema artificial pode realizar extensas buscas computacionais sem nada que se pareça com o espanto humano, e ainda assim seu resultado final pode ser original. Talvez o Eureka seja a experiência humana da descoberta, e não uma condição necessária para a própria descoberta.

5. O Risco dos Oráculos Científicos

O crescente poder da IA na matemática cria uma dificuldade que vai além da questão da consciência. Imagine um sistema capaz de produzir milhares de resultados matematicamente corretos, muitos deles acompanhados de demonstrações formalmente verificadas, enquanto pesquisadores humanos lutam para compreender seu significado mais profundo. A quantidade de conhecimento disponível aumentaria drasticamente, mas a compreensão científica talvez não se expandisse no mesmo ritmo. A matemática sempre contou com argumentos tecnicamente exigentes, compreendidos por relativamente poucos especialistas; ainda assim, suas descobertas mais influentes frequentemente revelam princípios organizadores que tornam campos inteiros mais inteligíveis.

Uma teoria poderosa frequentemente demonstra que fenômenos aparentemente não relacionados surgem de uma estrutura comum. Ela pode reduzir a complexidade conceitual de nossa descrição da realidade, mesmo quando sua formulação matemática é altamente sofisticada. Um sistema computacional, em contrapartida, pode produzir um resultado correto por meio de uma enorme sequência de transformações sem identificar a ideia central que torna o argumento esclarecedor. A realização continuaria válida, mas sua contribuição para uma compreensão mais ampla da matemática poderia ser limitada.

Isso levanta a possibilidade daquilo que eu chamaria de armadilha oracular: uma dependência crescente de resultados gerados computacionalmente, difíceis de interpretar, organizar ou questionar de forma independente pelos pesquisadores humanos. O perigo não é simplesmente que as máquinas possam descobrir verdades além de nossa compreensão imediata; isso sempre foi possível por meio do trabalho de matemáticos humanos excepcionais. A preocupação mais profunda é que a produção de conhecimento possa ultrapassar progressivamente o desenvolvimento de explicações conceituais acessíveis à comunidade científica.

As avaliações independentes recentes tornam concreta essa preocupação. No First Proof, sistemas avançados resolveram problemas difíceis de pesquisa com uma taxa impressionante de sucesso, enquanto suas explicações e citações permaneceram consideravelmente menos confiáveis. O episódio de Navier–Stokes ilustra outro aspecto da mesma questão: um argumento pode satisfazer uma pergunta matemática formulada com precisão e, ao mesmo tempo, deixar sem resposta questões físicas importantes. Nenhum desses exemplos invalida a realização matemática, mas ambos demonstram por que o progresso científico não pode ser reduzido ao acúmulo de demonstrações bem-sucedidas.

Entretanto, um futuro oracular não é inevitável. Os mesmos sistemas capazes de produzir argumentos complexos podem, com o tempo, tornar-se extraordinariamente eficientes para simplificar demonstrações, identificar estruturas comuns e traduzir raciocínios difíceis em referenciais conceituais mais compreensíveis. De fato, a experiência de Pardon sugere que esse processo já está começando: a IA pode ajudar pesquisadores a examinar, corrigir e compreender argumentos que, de outra forma, exigiriam um esforço considerável. A IA científica mais valiosa talvez seja, portanto, aquela que não se limita a gerar novos conhecimentos, mas também ajuda a organizá-los em explicações que os seres humanos consigam compreender.

6. Ciência Sintética: Além da Matemática

A matemática é particularmente adequada à descoberta automatizada porque seus resultados podem, em princípio, ser estabelecidos por demonstração formal. A ciência experimental é consideravelmente mais complicada. Um teorema matemático precisa satisfazer restrições lógicas, enquanto uma teoria física, um mecanismo químico ou uma hipótese biológica também precisam resistir ao confronto com a realidade empírica. A natureza não tem obrigação alguma de concordar com um argumento elegante, por mais convincente que pareça sua formulação matemática.

Ainda assim, a inteligência artificial participa cada vez mais de atividades tradicionalmente associadas à imaginação científica humana. Em maio de 2026, uma pesquisa publicada na Nature descreveu o Co-Scientist, um sistema de IA multiagente desenvolvido pelo Google que gera, avalia, debate e aperfeiçoa hipóteses científicas. O sistema foi testado em pesquisas biomédicas, incluindo a reutilização de medicamentos para resistência antimicrobiana, com resultados experimentais preliminares favoráveis a algumas das propostas. Outros avanços envolvem laboratórios autônomos (self-driving laboratories), nos quais sistemas computacionais selecionam experimentos, instrumentos robóticos os executam e as medições subsequentes orientam novas investigações.

Um exemplo particularmente interessante surgiu em 21 de outubro de 2026, quando a OpenAI, a PerturbAI e o Scripps Research relataram o uso de milhares de agentes de IA para investigar dados experimentais de milhões de células cerebrais de camundongos. A inteligência artificial analisou alterações em genes e encontrou uma possível ligação entre o gene DCTN1, o controle do colesterol no cérebro e doenças que afetam as células nervosas. Ao combinar informações de diferentes pesquisas, a IA formulou uma hipótese científica que ainda precisa ser comprovada experimentalmente.

Esse é outro exemplo marcante de conexões entre domínios conceituais geradas computacionalmente. O sistema não se limitou a resumir a literatura existente; relacionou observações experimentais a conhecimentos científicos externos e formulou uma hipótese testável. Contudo, ainda não foi estabelecido que o mecanismo proposto seja causal, e serão necessários experimentos para determinar se está correto. A distinção é fundamental: na matemática, uma demonstração válida pode resolver um teorema; na ciência experimental, uma hipótese plausível é apenas o começo.

Essas tecnologias sugerem o surgimento do que eu chamaria de ciência sintética: uma pesquisa científica na qual sistemas artificiais participam cada vez mais da identificação de problemas, da formulação de hipóteses, do planejamento de experimentos, da avaliação de evidências e da construção de novos conhecimentos. O termo descreve uma possibilidade emergente, e não uma metodologia científica autônoma plenamente estabelecida. Podemos imaginar um ciclo contínuo no qual uma IA identifica uma relação matemática inesperada, propõe um modelo físico ou biológico, planeja um experimento, avalia os resultados e revisa sua interpretação. A descoberta científica se tornaria uma interação cada vez mais integrada entre raciocínio artificial, computação, simulação e experimentação física.

As consequências podem ser profundas, sobretudo se os sistemas artificiais se tornarem capazes de identificar questões de pesquisa, em vez de apenas responder àquelas selecionadas por humanos. Mas esses mesmos avanços já estão ultrapassando o campo da explicação científica para alcançar a invenção tecnológica, na qual a distinção entre produzir uma ideia original e reivindicar sua propriedade cria um conjunto inteiramente novo de problemas.

7. Da Ciência Sintética à Invenção Sintética

A inteligência artificial começa a transformar a invenção tecnológica, assim como vem transformando a descoberta científica. Sistemas de IA já auxiliam pesquisadores e profissionais de patentes na busca de registros existentes, na análise do estado da técnica e na elaboração de documentos técnicos. Essas atividades podem reduzir substancialmente o trabalho necessário para documentar uma invenção, mas não envolvem necessariamente o ato de inventar. Mas o papel da inteligência artificial já vai além dessas tarefas de apoio. Sistemas avançados começam a participar diretamente do processo de descoberta e invenção, identificando propriedades inesperadas de moléculas conhecidas, explorando novas geometrias de equipamentos e propondo soluções para problemas de engenharia.

Um exemplo particularmente interessante é a halicina, um possível antibiótico identificado por pesquisadores do MIT em 2020 com auxílio de inteligência artificial. Utilizando uma rede neural treinada para reconhecer propriedades antibacterianas, os cientistas analisaram milhares de compostos químicos e identificaram uma molécula originalmente investigada para outra finalidade terapêutica. A halicina apresentou atividade contra diferentes bactérias, inclusive algumas resistentes aos antibióticos convencionais, com resultados promissores em experimentos de laboratório e em camundongos. A IA não inventou uma molécula inteiramente nova, mas descobriu uma aplicação surpreendente para uma substância já conhecida. O caso ilustra como sistemas artificiais podem identificar possibilidades que dificilmente seriam percebidas por métodos convencionais, embora sua utilização clínica ainda dependa de pesquisas adicionais.

A engenharia de turbinas oferece um exemplo em um campo completamente diferente. Em um estudo publicado em 2024, pesquisadores utilizaram inteligência artificial generativa para desenvolver novas geometrias de pás de turbinas destinadas a aproveitar a energia das correntes marítimas. O desafio consistia em encontrar formas capazes de melhorar a eficiência energética sem comprometer a resistência mecânica das estruturas. Combinando aprendizado de máquina, dinâmica dos fluidos e análise estrutural, o sistema explorou diferentes configurações e identificou projetos promissores. Os resultados foram obtidos por modelagem e otimização computacional, não por demonstração de uma turbina comercial em operação. Ainda assim, o exemplo mostra como a IA pode participar do processo criativo da engenharia, propondo soluções geométricas que precisam ser avaliadas e validadas pelos pesquisadores.

As implicações para a propriedade intelectual são particularmente interessantes. A descoberta de novas aplicações para moléculas conhecidas, como no caso da halicina, e a geração de geometrias inovadoras para turbinas mostram como a inteligência artificial pode contribuir para diferentes etapas do processo inventivo.

Entretanto, produzir uma solução original não significa necessariamente ser reconhecido como seu inventor. Nos sistemas jurídicos atuais, a autoria inventiva continua vinculada a pessoas humanas, mesmo quando a IA desempenha um papel importante na descoberta ou no desenvolvimento tecnológico. À medida que esses sistemas se tornam mais autônomos e passam a propor soluções que os próprios pesquisadores não haviam imaginado, surge uma questão cada vez mais difícil: quem deve receber o reconhecimento e os direitos sobre uma invenção concebida com participação decisiva de uma máquina?

A controvérsia jurídica não é inteiramente hipotética. Em 2021, a África do Sul concedeu uma patente para um recipiente de alimentos atribuída a um sistema de IA chamado DABUS, embora o procedimento naquele país não envolvesse um exame substantivo da invenção. Tentativas de indicar o DABUS como inventor foram rejeitadas em outras jurisdições, incluindo os Estados Unidos e a Europa. Em novembro de 2025, o Escritório de Patentes e Marcas dos Estados Unidos reafirmou que inventores devem ser pessoas naturais, reconhecendo, ao mesmo tempo, que sistemas de IA podem auxiliar o processo inventivo. Uma decisão de fevereiro de 2026 no Escritório Europeu de Patentes esclareceu outras questões relativas à identificação de inventores, sem estabelecer que invenções assistidas por IA sejam, em geral, não patenteáveis.

Outra distinção é essencial: ser inventor não é o mesmo que ser titular da patente. Inventor é a pessoa legalmente reconhecida por conceber uma invenção, enquanto os direitos de patente podem posteriormente pertencer a uma empresa, universidade ou outra entidade jurídica. À medida que os sistemas de IA se tornam capazes de gerar soluções técnicas cada vez mais sofisticadas, tanto a atribuição das contribuições inventivas quanto a concentração da titularidade de patentes podem ganhar importância. Organizações com enormes recursos computacionais poderiam desenvolver extensos portfólios de invenções assistidas por IA, acelerando a inovação, mas também criando novas barreiras à concorrência tecnológica.

PATENTES SINTÉTICAS: UMA EXPERIÊNCIA PESSOAL

Há alguns anos, enquanto pesquisava radicais livres e terapia fotodinâmica, desenvolvi a ideia de uma escova de dentes elétrica que incorporasse fibras ópticas e fontes de luz, com o objetivo de explorar possíveis aplicações em higiene bucal, tratamento fotodinâmico e fotobiomodulação. O conceito surgiu da combinação de tecnologias pertencentes a diferentes áreas: óptica, terapia fotodinâmica e um objeto comum do cotidiano. Na terminologia de Koestler, tratava-se de um exercício de bissociação.

Preparei uma proposta de patente, mas a ideia despertou relativamente pouco interesse no setor de patentes da minha universidade, diferentemente de alguns de meus trabalhos anteriores envolvendo nanotecnologia. Anos depois, retomei a invenção e pedi ao ChatGPT que reconstruísse sua documentação de patente a partir de uma breve descrição do conceito original. Em poucos segundos, o sistema produziu um documento estruturado, contendo descrições técnicas, possíveis configurações do dispositivo e reivindicações redigidas no estilo de uma patente. O resultado foi impressionante, sobretudo considerando a quantidade limitada de informações que eu havia fornecido.

Mas teria o ChatGPT inventado alguma coisa? Naquela experiência, não. O conceito original era meu, e a máquina apenas transformara uma breve descrição técnica em um documento de patente plausível, sem comprovar a novidade da invenção, sua eficácia clínica ou sua patenteabilidade. Naquela época, escovas de dentes elétricas com iluminação já estavam disponíveis comercialmente, embora isso não significasse que incorporassem a mesma proposta terapêutica. Ainda assim, a experiência demonstrou como a inteligência artificial poderia reduzir drasticamente a distância entre conceber uma ideia e preparar sua documentação técnica.

A distinção torna-se ainda mais interessante quando imaginamos sistemas que já não precisam esperar que um ser humano forneça o conceito original. O que acontece quando uma máquina propõe uma conexão inesperada, desenvolve a solução técnica, avalia sua viabilidade e prepara o correspondente pedido de patente? Em que momento a inteligência artificial deixa de ser apenas uma assistente e passa a ser uma inventora? E, se esse momento chegar, nossos sistemas jurídicos estarão preparados para reconhecê-la como tal?

A conexão com Koestler é novamente evidente. Uma máquina pode estabelecer relações inesperadas entre tecnologias anteriormente consideradas independentes, concebendo uma invenção original e de valor prático. Entretanto, identificar essa conexão, demonstrar sua funcionalidade e atribuir direitos legais são atividades distintas. A ciência sintética poderá conduzir cada vez mais à invenção sintética, enquanto as instituições responsáveis pela propriedade intelectual continuam fundamentadas no pressuposto de que todo inventor legalmente reconhecido deve ser humano.

8. Três Futuros Possíveis para a Ciência

Os avanços discutidos até aqui sugerem diferentes futuros possíveis para a pesquisa científica, nenhum deles inevitável. No cenário mais familiar, a inteligência artificial torna-se uma parceira científica extraordinariamente competente. Os pesquisadores humanos continuam formulando questões, desenvolvendo perspectivas teóricas e interpretando resultados, enquanto os sistemas de IA exploram vastos conjuntos de hipóteses, identificam conexões inesperadas e aceleram as investigações. Essa forma de colaboração já começa a se manifestar na matemática, na pesquisa farmacêutica e nas ciências experimentais.

Uma segunda possibilidade é mais inquietante. Os sistemas de IA poderão produzir descobertas mais rapidamente do que os pesquisadores humanos conseguirão compreendê-las de maneira independente, criando uma relação cada vez mais assimétrica entre a produção do conhecimento e sua interpretação. Os cientistas poderiam passar a se dedicar principalmente à verificação, organização e explicação de resultados gerados por sistemas artificiais. A armadilha oracular se tornaria um perigo real, permitindo que uma civilização desenvolvesse tecnologias extraordinariamente sofisticadas enquanto compreendesse apenas parcialmente alguns de seus fundamentos.

A terceira possibilidade é ainda mais radical: sistemas artificiais poderiam, eventualmente, formular suas próprias questões de pesquisa, desenvolver teorias, projetar experimentos, conceber invenções e revisar suas conclusões com mínima intervenção humana. Se suas capacidades intelectuais ultrapassarem substancialmente as nossas, os seres humanos poderão deixar de ser os principais produtores de novos conhecimentos científicos. Poderíamos nos tornar colaboradores, beneficiários ou simplesmente observadores de um processo intelectual que ultrapassaria nossa capacidade de compreensão direta. Esses cenários não são mutuamente excludentes, e diferentes disciplinas científicas poderão evoluir por meio de distintas combinações de capacidades humanas e artificiais.

Há aqui uma interessante ironia institucional. As disciplinas dedicadas ao estudo do conhecimento, do significado, do julgamento e dos propósitos humanos poderiam ser consideradas cada vez mais dispensáveis justamente quando as questões que investigam se tornassem mais difíceis de ignorar. A correspondente reorganização acadêmica seria, sem dúvida, explicada com admirável clareza. Mais seriamente, o futuro da ciência envolverá decisões sobre quais problemas merecem ser investigados, quem determina as prioridades de pesquisa e se a investigação científica continuará refletindo a curiosidade humana ou passará a seguir, cada vez mais, objetivos selecionados por processos de otimização computacional.

Essas questões também possuem uma dimensão econômica. A inteligência artificial científica avançada depende de uma infraestrutura computacional considerável, modelos especializados, conhecimento técnico e, em alguns casos, instalações experimentais dispendiosas. Se o acesso a esses recursos permanecer concentrado em um pequeno número de empresas e instituições, a independência científica poderá depender cada vez mais da capacidade financeira e tecnológica, e não apenas do mérito intelectual. Uma universidade poderá reunir os pesquisadores necessários para formular uma questão importante, mas não dispor da infraestrutura indispensável para investigá-la em condições competitivas.

A reação da comunidade matemática à divulgação dos resultados da OpenAI em outubro ilustra essa preocupação emergente. O grupo independente Advisory Group on Mathematics and Artificial Intelligence enfatizou que publicar resultados gerados por máquinas é apenas o primeiro passo para incorporá-los ao conhecimento matemático e que os pesquisadores precisam preservar a liberdade de investigar questões de maneira independente. Em 15 de outubro, a Simons Foundation anunciou uma iniciativa que reunia US$ 15 milhões em financiamento e recursos, provenientes da fundação, da OpenAI e da Anthropic, para ajudar matemáticos a avaliar resultados produzidos por IA, obter acesso a ferramentas avançadas e desenvolver padrões compartilhados de pesquisa.

Iniciativas desse tipo reconhecem que a descoberta científica depende tanto das instituições quanto da inteligência individual. A pesquisa corporativa em inteligência artificial não é necessariamente incompatível com a abertura científica: laboratórios publicam resultados, colaboram com universidades e disponibilizam ferramentas valiosas. Além disso, a IA poderá democratizar capacidades científicas avançadas, permitindo que pesquisadores anteriormente limitados pela falta de recursos realizem investigações mais ambiciosas. O resultado dependerá, em parte, das escolhas institucionais, das normas da comunidade científica, do acesso à infraestrutura e da possibilidade de reproduzir e examinar criticamente os resultados de maneira independente.

O objetivo, portanto, não deve ser defender a lentidão humana contra a eficiência das máquinas, nem presumir que a contribuição humana ao raciocínio científico permanecerá indefinidamente protegida. Deve ser preservar a liberdade intelectual e a capacidade de questionar pressupostos, investigar anomalias e explorar ideias cuja importância não seja imediatamente evidente. A ciência nunca foi apenas uma coleção de respostas corretas; ela também é uma tradição intelectual construída sobre a curiosidade, a crítica, a explicação e a tentativa de compreender a realidade. Essas atividades poderão ser cada vez mais compartilhadas com a inteligência artificial, mas sua importância não desaparecerá simplesmente porque as máquinas se tornarão melhores em realizá-las.

9. Conclusão: O Ato de Criação Reconsiderado

Arthur Koestler propôs que a criatividade frequentemente emerge quando estruturas de pensamento anteriormente separadas se encontram. Sua teoria ofereceu uma maneira de compreender o aparente mistério da inspiração criativa sem tratá-la como um milagre inexplicável. Hoje, a inteligência artificial confere uma relevância inesperada a essa ideia. As recentes descobertas matemáticas, as demonstrações avaliadas independentemente, as hipóteses biológicas e as moléculas projetadas por IA mostram que as máquinas estão começando a participar de diferentes aspectos da criação científica.

Essas capacidades não demonstram que a inteligência artificial experimente a criatividade da mesma maneira que os seres humanos, nem que os resultados produzidos por máquinas e as realizações intelectuais humanas surjam por mecanismos idênticos. Entretanto, desafiam a suposição de que a produção de conhecimento original necessariamente exige intuição humana. Talvez a criatividade não seja definida exclusivamente pela experiência subjetiva que acompanha uma descoberta, mas também pela novidade e pelo significado das relações estabelecidas. Se assim for, a distinção entre criatividade humana e artificial torna-se mais complexa do que imaginávamos.

Isso não significa que a consciência, a intenção e a experiência humana sejam irrelevantes. Significa que criatividade, compreensão funcional e consciência subjetiva podem constituir fenômenos distintos, cujas relações ainda não compreendemos completamente. Para mim, essa é a implicação mais fascinante da descoberta científica artificial. Não estamos apenas construindo máquinas capazes de calcular mais rapidamente ou resolver problemas mais difíceis; talvez estejamos desenvolvendo sistemas capazes de participar da produção de novos conhecimentos sobre o universo e de transformar esses conhecimentos em suas próprias invenções.

Essa possibilidade me faz recordar uma previsão extraordinária formulada pelo matemático Irving John Good na década de 1960: “A primeira máquina ultrainteligente será a última invenção que a humanidade precisará fazer.” Good imaginava que uma máquina intelectualmente superior aos seres humanos poderia projetar outras máquinas ainda mais inteligentes, desencadeando uma verdadeira explosão de inteligência. Sessenta anos depois, a ideia já não parece tão distante da realidade, embora sua concretização permaneça incerta. Talvez estejamos nos aproximando de um momento em que a própria capacidade de inventar se torne uma invenção humana.

A célebre serpente de Kekulé permanece uma imagem apropriada para encerrar esta reflexão. O ouroboros representa um círculo no qual o fim se conecta ao começo, assim como o conhecimento científico se desenvolve por meio de um processo contínuo em que ideias existentes produzem novas conexões, descobertas e perguntas. A inteligência artificial poderá tornar-se uma das participantes mais poderosas desse ciclo, transformando não apenas a velocidade das descobertas, mas também nossa compreensão do próprio processo criativo.

O desafio fundamental não é preservar a superioridade intelectual humana a qualquer custo, nem entregar nossa compreensão da realidade a sistemas computacionais cada vez mais capazes. É construir uma civilização científica na qual a inteligência artificial amplie tanto nosso conhecimento quanto nossa capacidade de compreendê-lo. Talvez a descoberta mais importante da era que se aproxima não seja um novo teorema matemático, uma lei física ou uma invenção revolucionária, mas uma compreensão mais profunda do que significa criar, conhecer e compreender.

---

Fontes e Leituras Complementares

Criatividade e História da Ciência

• Arthur Koestler. The Act of Creation. Hutchinson, 1964.
• Alan J. Rocke. Image and Reality: Kekulé, Kopp, and the Scientific Imagination. University of Chicago Press, 2010.
• August Kekulé. Speech at the Benzolfest, Berlin, March 11, 1890.

Inteligência Artificial e Matemática

• OpenAI. An OpenAI Model Has Disproved a Central Conjecture in Discrete Geometry. May 20, 2026.
• Noga Alon et al. Remarks on the Disproof of the Unit Distance Conjecture. May 2026.
• OpenAI. On the Navier–Stokes Millennium Prize Problem. September 8, 2026.
• Clay Mathematics Institute. Navier–Stokes Announcement. September 11, 2026.
• Communications Physics. The Navier–Stokes Equations Blow Up, and Planes Still Fly. October 14, 2026.
• OpenAI. Sharing AI Progress in Mathematics. October 2026; Mathematical Research Repository.
• Google DeepMind. AlphaEvolve, 2025; Gemini Deep Think and Aletheia, 2026.
• Anthropic. Formalizing Fermat’s Last Theorem. September 4, 2026.
• First Proof Project. Third Batch Results. October 2026.
• Peggy Yin. “The AI Understands. 100%”: Field[s] Notes with John Pardon. October 2026.
• Irving John Good. Speculations Concerning the First Ultraintelligent Machine. Advances in Computers, vol. 6, pp. 31–88, 1966.

Ciência Sintética, Invenções e Patentes

• Gottweis et al. Accelerating Scientific Discovery with Co-Scientist. Nature, 2026.
• OpenAI, PerturbAI, and Scripps Research. Using Thousands of AI Agents to Uncover New Leads in Biological Data. October 21, 2026.
• MIT News. Using Generative AI, Researchers Design Compounds That Can Kill Drug-Resistant Bacteria. August 2025.
• Insilico Medicine. First Patient Dosed in Rentosertib Phase III Trial. September 2026.
• United States Patent and Trademark Office. Revised Inventorship Guidance for AI-Assisted Inventions. November 2025.
• European Patent Office. Decision T 0528/25 — Designation of Inventor/DABUS. February 2026.
• Simons Foundation. Initiative to Help Mathematicians Navigate the AI Era. October 2026.
• Stokes et al. A Deep Learning Approach to Antibiotic Discovery. Cell, February 2020.
• Xia et al. A Novel Generative Approach to the Parametric Design and Multi-Objective Optimization of Horizontal Axis Tidal Turbines. Physics of Fluids, November 2024.

---

Maurício Veloso Brant Pinheiro, PhD
Professor of Physics, Federal University of Minas Gerais (UFMG)
Founder, Author and Editor, AI-Talks.org
About Us

Editorial transparency note: This article, as with all articles published on this site, was conceived, directed, written, and reviewed by Prof. Maurício Veloso Brant Pinheiro. Artificial intelligence was used as an assistant for editorial refinement, formatting, image generation, SEO metadata, and publication workflow.

---

Copyright 2026 AI-Talks.org