Terence Tao e o paradoxo da IA com a ciência: a eficácia que atrapalha

Terence Tao, um dos maiores matemáticos vivos, compara a ciência a uma trilha até uma cachoeira: no caminho a gente se perde, anota o que en...

Terence Tao, um dos maiores matemáticos vivos, compara a ciência a uma trilha até uma cachoeira: no caminho a gente se perde, anota o que encontra e avista quedas d'água ainda maiores que outros alcançarão. A inteligência artificial, diz ele, é o helicóptero que leva direto ao destino — e volta sem que ninguém tenha aprendido o caminho. Neste post, narramos a entrevista de Tao ao Big Think passo a passo, com a minutagem clicável para você ir direto ao trecho do vídeo, e destacamos os exemplos que ele escolheu para explicar o que está em jogo: Gauss contando primos à mão, Kepler brigando por dados e abandonando uma teoria linda, os problemas de Erdős caindo um a um, a "indigestão de provas" e o risco de formar uma geração de cientistas que nunca fez a trilha.

Você ouviu falar de uma cachoeira bonita e resolve ir atrás dela com amigos. Não há trilha marcada, então é preciso desenhar um mapa. No meio do caminho vocês se perdem — e, perdidos, descobrem uma clareira que ninguém tinha anotado. Mais adiante, avistam ao longe uma queda d'água ainda mais espetacular: não dá para chegar lá hoje, mas alguém, um dia, vai. É assim que Terence Tao, professor de matemática da Universidade da Califórnia em Los Angeles e medalhista Fields — que lança em outubro o livro de divulgação Six Math Essentials (TAO, 2026b) —, descreve o que é fazer ciência, logo na abertura da sua entrevista ao Big Think (00:00). E então vem a torção: as ferramentas de IA são como helicópteros. Elas levam você direto à cachoeira, você tira a foto e volta — "mas não aprende nada sobre como chegar lá", e talvez não veja nenhum outro fenômeno interessante além daquele que pediu (00:36) (TAO, 2026a).

A entrevista tem pouco menos de meia hora e é uma das exposições mais claras que um pesquisador de ponta já fez sobre o que a IA está mudando — e o que ela pode quebrar — na prática científica. Este post a narra na ordem em que Tao a constrói, sempre com a minutagem ao lado: clique em qualquer marcação de tempo e o vídeo abaixo pula direto para a fala. Os destaques ficam para os personagens que ele convoca — Gauss, Copérnico, Tycho Brahe, Kepler, Erdős — e para o que cada um deles enfrentou, porque é neles que a tese do helicóptero ganha corpo.

O vídeo, com atalhos por trecho

Se o player não carregar, assista no YouTube (em inglês, com legendas automáticas).

Trilha 01

Quatro modos de fazer ciência — e o quinto que chegou

Tao começa por um mapa histórico (01:23). Durante séculos, a ciência teve dois grandes paradigmas: teoria e experimento. Kepler propõe uma teoria de como os planetas se movem, Newton propõe uma teoria da gravidade; do outro lado, alguém realiza a medição e verifica se as duas coisas se encaixam (01:49). A matemática, ele lembra, sempre foi um caso à parte: quase inteiramente teoria. Os "experimentos" matemáticos eram raríssimos — e aqui entra o primeiro personagem.

Gauss e os cem mil primos. Tao conta que Carl Friedrich Gauss "famosamente computou os primeiros 100 mil números primos" e usou essa lista como um conjunto de dados para fazer previsões — daí saiu a conjectura do que hoje chamamos teorema dos números primos, a lei que descreve com que frequência os primos aparecem à medida que os números crescem (02:06). O episódio é bem documentado: Gauss, ainda adolescente, tabulava primos em blocos de mil e, décadas depois, relatou numa carta ao astrônomo Encke que passara "um quarto de hora ocioso" aqui e ali contando primos em mais um intervalo de mil, acumulando dados até os três milhões (GOLDSTEIN, 1973). É a ciência de dados feita a lápis: antes de existir uma prova, existiu uma tabela, e a tabela sugeriu a lei.

Depois de teoria e experimento vieram dois modos mais novos (02:27): a simulação — em vez de um experimento caro, simula-se um furacão num supercomputador — e o big data, em que, em vez de poucos experimentos para confirmar ou negar uma teoria, tomam-se terabytes ou petabytes de dados e tentam-se extrair padrões e leis. Todos os quatro, porém, exigiam um cientista humano em cada etapa: alguém para executar o experimento, fazer a conta, programar a simulação, escrever a análise. É isso que a IA começa a mudar (03:00): laboratórios automatizados, agentes de código que rodam simulações, análise de dados automática e, cada vez mais, "teoria automatizada" — dá-se um problema, um conjunto de hipóteses e axiomas, e pergunta-se que conclusões se seguem, em escala e velocidade que nenhum indivíduo alcança (03:25).

Os "laboratórios automatizados" de que Tao fala não são novidade para quem acompanha este blog. Em 2009, registramos aqui a primeira descoberta científica feita por um robô: Adam, construído pela equipe de Ross King no País de Gales, formulou hipóteses sobre os genes de "enzimas órfãs" da levedura, planejou os experimentos, incubou as células, mediu o crescimento e acertou 12 de 13 hipóteses — trabalho que, como o próprio post observava, costuma ser delegado a estudantes de pós-graduação e assistentes de laboratório (ROBÔ-CIENTISTA…, 2009). Onze anos depois, voltamos ao tema com o robô químico da Universidade de Liverpool, que trabalha 22 horas por dia, realizou 688 experimentos em oito dias e encontrou um catalisador seis vezes mais ativo que o anterior (ROBÔ…, 2020). Repare no detalhe que já estava lá em 2009: a tarefa automatizada era justamente a tarefa do iniciante. Guarde isso — Tao volta a esse ponto no fim da entrevista.

Quadro 1 — Os modos de fazer ciência descritos por Tao e o que a IA altera em cada um

Modo	Exemplo citado na entrevista	O que exigia de humanos	O que a IA passa a fazer
Teoria	Kepler (movimento dos planetas), Newton (gravidade); Gauss conjecturando a lei dos primos	Formular hipóteses e deduzir consequências	"Teoria automatizada": explorar consequências de axiomas em escala
Experimento	Medições que confirmam ou refutam a teoria; as observações de Tycho Brahe	Executar e registrar o experimento	Laboratórios automatizados
Simulação	Um furacão simulado num supercomputador	Programar e depurar o modelo	Agentes de código que escrevem e rodam a simulação
Big data	Extrair leis de petabytes de dados	Programar a análise; expertise para interpretar	Análise de dados automatizada

Fonte: elaborado pelo autor com base em Tao (2026a), trechos 01:23–03:53.Nota: a coluna "O que a IA passa a fazer" reproduz as capacidades mencionadas por Tao, não uma avaliação de maturidade de cada uma.

E então o primeiro alerta, que atravessa a entrevista inteira (03:53). Há valor em fazer as coisas devagar. O cientista que passa horas com lápis e papel, que faz o experimento de campo com as próprias mãos, que depura a simulação que deu errado, "aprende muito além da resposta que buscava": descobre fenômenos novos, enxerga conexões com algo estudado em outro lugar da literatura e — ponto decisivo — consegue comunicar o que encontrou. O paradoxo, diz Tao, é que a IA pode cumprir ostensivamente os objetivos da ciência, rodando experimentos, analisando dados e escrevendo artigos, "mas nenhum cientista humano fica melhor em fazer ciência" e ninguém sabe explicar por que aquela descoberta é interessante, por que aquela prova é nova, com o que ela se conecta (04:49). Daí a pergunta que ele deixa no ar: será que, ao apontar a IA para a ciência, estamos otimizando a coisa errada? (05:13)

Trilha 02

Como um modelo de linguagem "pensa" (segundo um matemático)

Antes de discutir o que a IA faz na matemática, Tao explica o que ela é — e a explicação é a mais honesta que um leigo vai encontrar. O aprendizado de máquina, diz ele, é um jeito de prever padrões em dados (05:35). O exemplo mais simples é a regressão: você alimenta animais com quantidades diferentes de comida, anota quanto cada um engorda, marca os pontos num gráfico e, com sorte, eles se alinham numa reta. A reta vira sua previsão. No mundo real as relações raramente são retas — há muitas entradas, muitas saídas, formas complicadas —, mas hoje existem maneiras engenhosas de detectar a "forma" dos dados e ajustar curvas a ela (06:24). Quem quiser ver essa ideia funcionando por dentro — o neurônio artificial, as camadas, o ajuste dos pesos pela retropropagação — encontra o passo a passo em "Como a máquina aprende" (COMO…, 2026); e as definições de base, da conferência de Dartmouth aos agentes, estão em "Afinal, o que é inteligência artificial?" (AFINAL…, 2026).

Um grande modelo de linguagem, o motor dos chatbots, é isso aplicado a um jogo específico: adivinhar a próxima palavra. "Rosas são vermelhas, violetas são…" — você completa com "azuis". Imagine um gráfico gigantesco em que as entradas são todas as frases incompletas do mundo e as saídas são as palavras que as completam; o modelo ajusta uma curva nesse espaço de dimensão altíssima para apontar a palavra mais provável (06:45). Às vezes há mais de uma resposta ("Olá, meu nome é…"), e o modelo entrega a mais plausível. É exatamente o que o corretor automático do celular faz — e quem já apertou a sugestão repetidas vezes sabe no que dá: frases sem sentido, "macacos datilografando" (07:20).

A mágica, e Tao usa essa palavra, é que, treinando o mesmo mecanismo com trilhões de exemplos, milhões de dólares em computação e meses de tempo, a iteração de repente não degenera: o texto continua coerente e soa como um humano falando. "Não entendemos totalmente por quê", admite ele (07:53). A hipótese é que a linguagem natural contém uma quantidade enorme de regras não escritas que os humanos absorvem sem perceber — assim como uma criança aprende a ordem das palavras sem que ninguém lhe ensine o que é substantivo — e que os modelos capturam essas mesmas regularidades pela exposição, a ponto de responder que "2 mais 3 é 5" (08:40).

Experimente: o jogo da próxima palavra

O brinquedo abaixo simula, de forma caricata, o que Tao descreve. A cada rodada, o modelo "vê" a frase até aqui e oferece candidatas com uma probabilidade estimada. Escolha uma palavra (ou deixe o modelo escolher a mais provável) e observe: com poucas rodadas o texto fica coerente; se você insistir em candidatas improváveis, ele degenera em macacos datilografando. As probabilidades são ilustrativas, inventadas para o exemplo.

Rosas são vermelhas, violetas são▍

Rodada 0 · coerência: alta

A barra de cada candidata representa a probabilidade estimada pelo "modelo". Repare que ele nunca entende a frase: apenas aponta o que costuma vir depois.

Aqui está o ponto que Tao quer que ninguém perca (09:02): com um pouco de habilidade em linguagem, dá para pôr o modelo em loops — pedir que verifique o próprio trabalho, que proceda passo a passo, que não afirme nada sem checar duas vezes — e ele fica "um pouco mais esperto", entre aspas, resolvendo tarefas complicadas. Mas continua apenas adivinhando a próxima palavra, sem estar ancorado em nenhuma compreensão profunda do mundo real. Ele viu tanto padrão de gente falando de forma inteligente que consegue imitar isso — o suficiente para nos enganar e, curiosamente, o suficiente para ser útil. É possível pedir uma prova matemática; às vezes sai lixo completo, mas, com laços e verificações suficientes, a taxa de acerto se torna positiva (09:31). A imagem final é memorável: é como ter alguém que sabe muito, está ligeiramente bêbado e fica jogando ideias na mesa — com orientação suficiente, extrai-se coisa útil (10:00). Não é a matemática mais avançada que existe, diz ele; é muito dado, muito tempo e muitos remendos. E funciona razoavelmente bem.

Trilha 03

Profundidade humana, amplitude da máquina

Tao acha empobrecido o jeito como o debate costuma ser posto: uma régua única com tarefas fáceis, difíceis e muito difíceis, humanos alcançando até certo ponto, IA até outro, e a pergunta "quem é melhor?" (10:22). Trabalhando com esses sistemas, ele viu outra coisa: humanos e IA são complementares. O especialista humano busca profundidade. Um matemático poderia atacar milhares de problemas, mas escolhe um ou dois — difíceis, mas não impossíveis — em que o simples esforço de avançar um pouco revela intuições que ele compartilha, e sobre as quais alunos e colaboradores constroem (10:53).

A IA, por sua vez, é muito ruim exatamente nesses problemas em que nenhuma técnica padrão se aplica — "está só chutando aleatoriamente". Mas ela brilha em amplitude (11:21). Aponte-a para mil problemas de dificuldades variadas: alguns serão difíceis demais, mas haverá vários ao alcance de métodos que já existem — talvez combinando duas técnicas de áreas distantes, talvez recuperando um artigo obscuro de um periódico de 1970 que tinha a ideia-chave e que nenhum especialista humano teve tempo ou paciência de revisar (11:50). A IA faz palpites informados sobre que técnica pode servir a que problema; muitos são bobos, alguns funcionam, e nas combinações ela ocasionalmente pesca uma solução que todos os humanos deixaram passar.

Figura 1 — Profundidade e amplitude: o humano escolhe um poço e cava; a máquina abre mil caixas e acerta cinquenta.

Há um bônus inesperado: às vezes o consenso dos especialistas está errado (12:29). Todos acham que um problema tem resposta positiva e ninguém olha o caso negativo com atenção; a IA, sem esse preconceito, funciona como "um par de olhos independente" e encontra uma solução surpreendentemente simples que, em retrospecto, os humanos deveriam ter visto. Aí vem a aritmética que ele usa para dimensionar o fenômeno (13:07): mil problemas, 5% de sucesso — são 50 problemas resolvidos. Já é possível ter ferramentas que, em número bruto de problemas resolvidos, superam matemáticos humanos. Só que os 50 problemas resolvidos podem não ser os 50 que você mais queria resolver; podem ser 50 problemas aleatórios. O desafio da profissão, conclui, é encaixar essa capacidade nova de resolver muitos problemas em escala com a capacidade antiga de resolver poucos problemas profundos, devagar.

Trilha 04

Kepler, Tycho e a teoria bonita que não cabia nos dados

O exemplo mais longo da entrevista é o de Johannes Kepler, e Tao o escolhe justamente porque "mostra quão importante é o processo" (13:45). Kepler conhece a teoria de Copérnico, em que os planetas giram em torno do Sol, e as estimativas de quão longe a Terra, Marte e os demais estão dele. Nota que as razões entre essas órbitas lembram razões que ele conhecia da geometria — e propõe uma ideia lindíssima: com seis planetas conhecidos, era possível encaixar os cinco sólidos platônicos (cubo, tetraedro, dodecaedro…) entre seis esferas concêntricas, uma por planeta, e o encaixe explicaria a forma do Sistema Solar (14:11). É o argumento do Mysterium Cosmographicum, de 1596, o livro de estreia de Kepler, em que os poliedros intercalados entre as esferas planetárias pretendiam explicar o número dos planetas e as distâncias entre eles (DI LISCIA, 2025).

Aí Kepler consegue pôr as mãos nos dados de Tycho Brahe — dados observacionais de altíssima qualidade, pelos quais, nas palavras de Tao, "ele teve de brigar, e possivelmente até roubar" (14:32). Tenta ajustar sua teoria a eles. Não fecha: com a precisão das medições de Tycho, as esferas não encaixam, e Kepler descobre que as órbitas de Marte e da Terra não podem ser círculos de jeito nenhum. Passa anos sem saber o que fazer, tenta círculos descentrados, tenta de tudo — até cair na elipse, e então tudo se encaixa (14:58). Foi em Praga, a partir de 1600, com as dez observações de Marte em oposição que Tycho acumulara entre 1580 e 1600, que Kepler chegou à Astronomia Nova (1609): a órbita é uma elipse com o Sol num dos focos, e o planeta anda mais depressa quando está mais perto do Sol. Uma discrepância de apenas oito minutos de arco, escreveu ele, bastava para exigir a reforma de toda a astronomia (DI LISCIA, 2025).

Figura 2 — O modelo dos sólidos platônicos posto de lado, os dados de Tycho sobre a mesa e a elipse que finalmente fechou.

Linha do tempo: do heliocentrismo à elipse

Clique em cada marco para ver o que estava em jogo — e onde a lição de Tao se encaixa.

1543 — Copérnico publica o modelo heliocêntrico

O Sol vai para o centro. Mas, como o próprio Copérnico reconhecia, suas previsões eram piores que as dos melhores modelos geocêntricos, refinados por gregos, árabes e indianos durante séculos com ajustes e mais ajustes. Tao usa isso para lembrar que concordar com os dados não é o único critério — e que o feedback em ciência nem sempre é instantâneo (TAO, 2026a, 15:42).

modelohipótesedados que não fecham

A moral que Tao extrai é dupla. Primeiro, a interação entre teoria e experimento: se a teoria não cabe nos dados, talvez não seja boa (15:19). Mas é mais sutil do que isso. Antes de Kepler, uma crítica ao modelo de Copérnico era que ele mesmo admitia que suas previsões eram piores que as melhores disponíveis — as dos modelos geocêntricos, ajustadíssimos ao longo de séculos (15:42). Só depois das elipses de Kepler o heliocentrismo passou a prever melhor. Ou seja: em ciência nem sempre há feedback instantâneo sobre se você resolveu o problema. Se Kepler e Copérnico tivessem IAs e lhes pedissem um modelo do universo, o modelo heliocêntrico correto poderia ter sido descartado porque, de início, previa pior (16:05). Leva tempo digerir uma teoria e ver como ela se encaixa com tudo o mais que se sabe.

E há o perigo oposto: a IA pode ser rápida demais. Tao teme o sobreajuste (overfitting): um modelo complicadíssimo que não tem nada a ver com o que está acontecendo, mas que se ajusta aos dados extremamente bem — e não extrapola para fora deles (16:39). É o equivalente moderno dos epiciclos: cada ajuste melhora a previsão e afasta da verdade. Por isso, diz ele, acelerar cada etapa individual (experimentar, programar, escrever) não garante que a ciência acelere; no papel teremos sucessos incríveis e, no fundo, o risco de que ela não esteja avançando como avançava (17:09). Ainda assim, ele é claro: é melhor ter as ferramentas do que não tê-las — estamos aprendendo a usá-las.

Trilha 05

O ciclo de vida de uma prova e a indigestão que veio com a fartura

Uma prova matemática, explica Tao, passa por um ciclo de vida (17:37). Primeiro alguém a gera — o que costumava ser difícil. Depois é preciso verificar, porque parte das provas geradas está errada — o que costumava ser tedioso. Ambas as etapas estão sendo automatizadas, e por isso vemos cada vez mais soluções propostas, muitas corretas. Só que as provas estão ficando mais longas e, quando escritas por IA, "não são muito agradáveis de ler": gastam páginas no trivial e uma linha no trecho mais interessante, porque, por força bruta, tudo custa o mesmo tempo para a máquina. Um humano que penou no passo difícil naturalmente dedica a ele o espaço que merece (18:16).

Seguem-se as etapas humanas por excelência: escrever a prova de modo que se leia bem e possa ser explicada; fazer com que outras pessoas se entusiasmem com ela — é aí que entra a revisão por pares, e também onde se separa o resultado correto e legível que responde a uma pergunta de que ninguém se importa (19:13); e, por fim, polir até que caiba num livro didático e possa ser ensinada. A primeira versão de uma prova quase nunca serve para isso: a ordem dos passos não é lógica, o caminho é ineficiente. Alguém precisa pensar muito para reorganizá-la, "um pouco como se edita um documentário ou um filme" (19:34).

Quadro 2 — Ciclo de vida de uma prova matemática segundo Tao e o efeito da IA em cada etapa

Etapa	O que acontece	Antes da IA	Com a IA
1. Gerar	Produzir uma prova ou solução candidata	Difícil; soluções raras	Automatizável; muitas candidatas
2. Verificar	Checar quais candidatas estão corretas	Tedioso	Cada vez mais automatizável
3. Escrever	Redigir de forma legível, dosando o espaço pelo grau de dificuldade	Feito pelo autor humano	Textos longos e mal dosados; ainda exige humanos
4. Convencer	Revisão por pares; a comunidade se interessa e reaproveita	Humano	Humano — e sobrecarregado
5. Digerir	Reorganizar, polir e levar ao livro didático	Humano, lento	Humano, lento — o gargalo

Fonte: elaborado pelo autor com base em Tao (2026a), trechos 17:37–20:15.Nota: a divisão em cinco etapas é do autor deste post; Tao descreve o ciclo em prosa contínua.

O diagnóstico é que a IA acelera o começo do ciclo e não o fim (19:53). Geramos muitas provas, verificamos várias, e o ritmo de compreendê-las e levá-las à forma final continua humano. O resultado tem nome: "indigestão de provas" — uma pilha crescente de soluções pendentes que deveriam ser entendidas e ir para os livros, e que agora precisam ser triadas (20:15). Isso nunca aconteceu antes: soluções para problemas importantes eram tão raras que, quando uma surgia, todos os especialistas largavam tudo para lê-la. Agora chegam em enxurrada. Tao confessa que desistiu de acompanhar todos os desenvolvimentos da própria área (20:52); isso já começava antes da IA, mas ela multiplicou o volume, e será preciso muito mais curadoria e filtragem. "É um bom problema", pondera: melhor ter comida demais do que de menos. Mas ainda é um problema (21:13). A mesma ideia reapareceu semanas antes, na sua palestra no Congresso Internacional de Matemáticos, na Filadélfia, com a fórmula que correu o mundo: a matemática sai "de uma era de escassez de provas para uma era de abundância de provas" (FIELDS…, 2026).

Figura 3 — Indigestão de provas: a impressora não para; a estante dos livros didáticos continua quase vazia.

Trilha 06

De Erdős ao First Proof: o que a IA já resolveu — e quanto custou

Para quem acompanha de perto, como Tao, o avanço foi uma escada sem degraus pulados (21:32): há quatro anos os modelos resolviam problemas de ensino fundamental; depois, de ensino médio; depois, olimpíadas; depois, questões de exame de qualificação de pós-graduação; e então começaram a derrubar pequenos problemas em aberto — do tipo que Paul Erdős propunha aos montes e que ninguém tinha olhado direito, "muita fruta baixa" (21:58). (Erdős, aliás, sabia distinguir fruta baixa de fruta impossível: sobre a conjectura de Collatz, que tratamos aqui em 2019 — e na qual o próprio Tao obteve, naquele ano, o maior avanço em décadas —, ele avisou que "a matemática não está pronta para este tipo de problema" (A PERIGOSA…, 2019).) E, recentemente, uma ou duas ocasiões em que a IA resolveu problemas nos quais pessoas de fato tinham se esforçado muito. Os humanos, coletivamente, tinham tomado o caminho errado; a IA, com outro conjunto de vieses, montou uma solução engenhosa que já teve impacto: problemas vizinhos ao da distância unitária, que ela mesma não resolveu, foram atacados por humanos que adaptaram a técnica da máquina (22:22).

O caso é o da conjectura da distância unitária, proposta por Erdős em 1946 e derrubada em maio de 2026 por um modelo interno da OpenAI, que encontrou um contraexemplo usando técnicas de teoria algébrica dos números vindas de um ramo distante — para surpresa de quem apostava que Erdős estava certo. Semanas depois, matemáticos humanos publicaram uma versão simplificada da solução (KAKAES, 2026). O comentário de Kai Williams sobre o episódio ecoa exatamente a tese da amplitude: o sistema tinha "um conhecimento mais amplo do trabalho matemático anterior do que qualquer humano no mundo" e persistiu em estratégias que um humano abandonaria por falta de tempo (WILLIAMS, 2026). Para alguns colegas de Tao, foi um choque — sobretudo para quem só tinha visto o ChatGPT de 2023 devolver "lixo completo" a uma pergunta difícil de matemática. É a mesma tecnologia de base; o que mudou foi a taxa de erro (22:41).

Mas Tao freia o entusiasmo com uma pergunta de cientista: isso é replicável? (23:02) Muitas dessas conquistas são de empresas privadas que não revelam quanto gastaram (100 mil dólares? um milhão?) nem qual foi a taxa de sucesso — aquele problema resolvido era o único que tentaram, ou um entre dez, entre cem? Sem esses dados, não dá para saber se o feito vai virar rotina ou se só acontece quando se gastam meses e uma equipe de dez pessoas — e se apenas 1% dos problemas que importam é acessível ao método (23:21). Daí a importância de avaliações públicas, como o desafio First Proof: dez questões de nível de pesquisa, com solução conhecida mas mantida em segredo, em que os melhores modelos acertaram "algo como cinco ou seis" (23:45).

Tabela 1 — Desafio First Proof: problemas, resultados e custo por sistema, 2026

Rodada	Divulgação	Problemas	Resultado relatado	Sistema	Custo (US$)	Tempo
1ª	fev. 2026	10	2 soluções inequívocas de modelos públicos na primeira semana; OpenAI reivindicou 6 "com alta chance de estar corretas"; "pelo menos 6 de 10" na avaliação posterior	Modelos públicos (diversos)	n. d.	1 semana
				OpenAI (submissões próprias)	n. d.	n. d.
2ª	jun. 2026	10	Resultados descritos qualitativamente; soluções humanas de até 8 páginas; 24 h por problema	Sistema B (harness da UCLA)	4.800	≈ 24 h
				ChatGPT 5.5 Pro	117	fração do tempo
				Harness europeu (mais bem-sucedido)	3.186	até 23 h

Fonte: elaborado pelo autor com base em Howlett (2026), First… (2026) e Abouzaid et al. (2026).Nota: "n. d." = não divulgado. Os custos são as cobranças de computação relatadas pelos organizadores para a segunda rodada; "harness" é o arcabouço que orquestra o modelo (ver glossário).Nota 2: as contagens da 1ª rodada divergem conforme a data e o critério de avaliação; ver Nota do autor.

Os números da tabela explicam a reticência de Tao. Na primeira rodada, organizada por onze matemáticos e divulgada em fevereiro de 2026, só dois dos dez lemas receberam soluções inequivocamente corretas de modelos públicos na primeira semana — e uma delas era quase idêntica a uma prova já existente —, embora a OpenAI tenha reivindicado seis com "alta chance de estar corretas" (HOWLETT, 2026). Na segunda rodada, em junho, com problemas surgidos naturalmente da pesquisa dos organizadores (ABOUZAID et al., 2026), o sistema que mais acertou lutou 23 horas com alguns problemas e deixou uma conta de 3.186 dólares; outro gastou 4.800 dólares em quase 24 horas; o ChatGPT 5.5 Pro custou 117 dólares e respondeu numa fração do tempo — e os árbitros humanos continuaram indispensáveis, porque checar as soluções exige muita atenção (FIRST…, 2026). É o que Tao resume: há muitas tarefas rotineiras da pesquisa que a IA já faz, mas pode custar algumas centenas de dólares por tentativa, e às vezes ela gasta toda a computação e termina sem nada útil (24:17).

Ele fecha o trecho com a analogia da programação: programadores experientes relatam produzir código cinco, dez, cem vezes mais rápido com esses agentes — e, ao mesmo tempo, sentem que estão perdendo a habilidade de programar à mão, e às vezes nem conseguem revisar o código que sai. "Velocidade não é tudo", diz. É o helicóptero de novo, agora pousado no teclado.

Trilha 07

Colaborar com humanos, colaborar com máquinas

A parte mais pessoal da entrevista é sobre colaboração (24:48). Tao diz que só percebeu tarde na carreira o quanto ela importava: boa parte da matemática que sabe aprendeu depois do doutorado, trabalhando com matemáticos e cientistas de outras áreas — "eu ensino o que sei, eles me ensinam o que sabem, e eu fico muito mais amplo". Com um colaborador de longa data chega-se a uma sintonia quase mental, como amigos ou familiares que completam as frases um do outro: você lança uma ideia e, antes de terminar a frase, o outro já a pegou e correu com ela (25:28).

Gente já tentou usar a IA assim, e não funciona — ainda. Ela erra; às vezes é sicofanta, só diz o que você quer ouvir; a interação é individual, e levar uma IA para uma sessão de trabalho presencial "quebra o ritmo"; a conversa não flui como com um humano (26:02). Até há pouco, os modelos não aprendiam com as suas conversas: um colaborador retoma no dia seguinte, ou anos depois, um fio antigo; a IA tem um contexto limitado, faz anotações e simula memória, mas não se sintoniza com você como um parceiro de verdade (26:32). Por isso, ele próprio usa pouco a IA para o ato de resolver problemas: ela é melhor em tarefas secundárias — revisão de literatura, checagem de uma prova, um código, uma leitura crítica do que ele escreveu em busca de trechos que possam ficar mais enxutos (27:00). Talvez isso mude; talvez as IAs do futuro sejam mais conversacionais. Hoje, o ritmo não é o que ele prefere.

A semente da próxima geração

O último bloco é o mais grave. Estamos num ponto arriscado para a estrutura de financiamento da ciência: as ferramentas produzem os outputs da ciência — ou o que parece ser — muito mais rápido, e isso pode custar "a semente que guardamos para a próxima geração de cientistas" (27:36). O exemplo é concreto: os problemas de treinamento que se dão a alunos de pós-graduação como primeiros projetos, para que ganhem experiência e algum reconhecimento, são exatamente do tipo que a IA já replica. Se substituirmos os pós-graduandos pela IA, teremos os artigos de nível de pós-graduação — e não teremos a próxima geração de pesquisadores (27:57). E se não continuarmos o processo de digerir a produção da IA para construir a próxima base de conhecimento sobre a qual humanos e máquinas vão trabalhar, "podemos acabar estagnando como sociedade científica": otimizando tudo o que a tecnologia atual permite, sem produzir ideias realmente novas (28:23).

A resposta que ele propõe não é técnica, é cultural: uma conversa muito mais aberta sobre o que é ciência básica, para que serve, por que a pesquisa movida pela curiosidade importa e por que ainda precisamos de uma comunidade de humanos explorando as coisas, às vezes devagar, às vezes de modo menos eficiente que o modelo mais recente (28:45). E mais divulgação: o público vê os produtos visíveis da ciência — o celular, a internet, o GPS —, mas não o processo, nem o quanto um entendimento básico de matemática e ciência "torna o mundo ao redor muito menos assustador e muito mais claro". Muita gente vive hoje num estado de ansiedade porque o mundo é complicado demais; a ciência acrescenta clareza ao pensamento, e isso, diz Tao, é um valor que precisa ser defendido e financiado (29:08).

Aplicação prática

Perguntas para o seu contexto

A entrevista fala de matemática de ponta, mas a tese do helicóptero vale para qualquer sala de aula, laboratório ou equipe que adotou IA. Passe a sua prática pelos seis pontos abaixo:

0 de 6

Consigo distinguir, nas minhas tarefas, o que é trilha (onde o percurso ensina) do que é helicóptero (onde só o destino importa) — e reservo a IA para o segundo caso. Quando a IA me devolve uma resposta, ainda sou capaz de explicar a outra pessoa por que ela está certa, o que ela tem de novo e com o que se conecta. Uso a IA para amplitude (varrer literatura, testar muitas variantes, checar código e provas) e guardo a profundidade — o problema que escolho atacar devagar — para mim. Desconfio de modelos que se ajustam bem demais aos meus dados: pergunto se extrapolam, como Kepler perguntou às esferas. Na minha triagem, priorizo o que precisa ser digerido e ensinado, não apenas o que precisa ser gerado — e tenho um critério de curadoria para a enxurrada. Preservo os "problemas de treinamento" dos meus alunos ou iniciantes, mesmo que a IA os resolva em segundos: a semente da próxima geração não se terceiriza.

Para quem ensina, o último item é o mais urgente. Um trabalho de conclusão de curso, um primeiro artigo, um projeto de iniciação científica são, na taxonomia de Tao, os problemas de pós-graduação que a IA já replica. Não é motivo para bani-la, mas para redesenhar o percurso: se o helicóptero está disponível, a avaliação precisa premiar o mapa que o aluno desenhou — as clareiras que anotou, as cachoeiras que avistou — e não a foto tirada no destino.

Cachoeira

Dois anos entre duas conversas

Vale fechar comparando esta entrevista com outra, dada por Tao dois anos antes: a palestra pública "The potential for AI in science and mathematics", proferida no Museu de Ciência de Londres em 17 de julho de 2024 e publicada pela Oxford Mathematics em agosto daquele ano (OXFORD MATHEMATICS, 2024); a gravação está disponível no YouTube (TAO, 2024). Ali, o retrato era outro. Tao apresentava a IA como um modelo estatístico, não uma inteligência, e ilustrava sua inconstância com o GPT-4 acertando cerca de 1% dos problemas de olimpíada enquanto errava aritmética simples; o entusiasmo ia para a dobra de proteínas, para a modelagem climática e, sobretudo, para os assistentes de prova, que permitiriam projetos matemáticos colaborativos em grande escala, com verificação formal e matemáticos especializados em papéis distintos dentro de esforços maiores (TAO, 2024).

Em 2026, o mesmo Tao descreve modelos que resolvem cinco ou seis problemas de pesquisa em dez, derrubam conjecturas de Erdős e produzem provas mais rápido do que a comunidade consegue digerir. O que não mudou é mais revelador do que o que mudou. Em 2024 ele já dizia que a IA é uma máquina de palpites; em 2026, diz que ela continua "só adivinhando a próxima palavra". Em 2024 apostava na colaboração humano-máquina mediada por verificação; em 2026, insiste que a verificação e a digestão continuam sendo o gargalo humano. E a preocupação nova — a formação da próxima geração — é apenas a consequência lógica de a aposta de 2024 ter dado certo mais rápido do que se esperava: quando a máquina passa a fazer bem o trabalho de iniciante, é o caminho de formação, e não o resultado, que precisa ser protegido.

Volte à trilha do início. Kepler não foi de helicóptero: brigou pelos dados, perdeu anos numa teoria linda, tentou círculos descentrados até dar na elipse — e, no caminho, escreveu que oito minutos de arco bastavam para reformar a astronomia. Gauss contou primos aos milhares nos seus quartos de hora ociosos e, contando, viu a lei. Erdős deixou mais de mil problemas como trilhas abertas para quem viesse depois, e agora alguns deles estão sendo fechados por uma máquina que não sabe o que é uma cachoeira. A pergunta que Tao deixa para o leitor — e que vale para o seu curso, o seu laboratório, o seu TCC — é simples: na próxima vez em que o helicóptero estiver disponível, o que você vai fazer para que alguém ainda aprenda o caminho?

Leia também no Brasil Acadêmico

• Robô-cientista faz primeira descoberta científica abr. 2009 — Adam, o primeiro robô a formular e testar hipóteses sozinho: o "laboratório automatizado" de Tao, dezessete anos antes.
• Robô cientista mil vezes mais rápido do que o homem jul. 2020 — o robô químico de Liverpool: 688 experimentos em oito dias e um catalisador seis vezes melhor.
• A perigosa Conjectura de Collatz dez. 2019 — o aviso de Erdős e o avanço de Tao num problema que ainda resiste a humanos e máquinas.
• Afinal, o que é inteligência artificial? ago. 2026 — as definições de base, de Dartmouth aos agentes.
• Como a máquina aprende ago. 2026 — o ajuste de curvas de que Tao fala, visto por dentro: neurônios, camadas e retropropagação.

Glossário

Termos usados na entrevista e neste post

Agente de código (coding agent)

Sistema de IA que, além de escrever código, o executa, lê os erros, corrige e repete o ciclo com autonomia. Tao cita agentes que rodam simulações científicas por conta própria (03:25).

Ajuste de curvas

Encontrar a função que melhor passa por um conjunto de pontos (entradas e saídas). É a operação básica do aprendizado de máquina na descrição de Tao (05:35–06:24).

Aprendizado de máquina (machine learning)

Família de algoritmos que aprendem padrões a partir de dados em vez de seguir regras programadas à mão. Nos termos da entrevista: "tentar prever padrões nos dados".

Assistente de prova

Programa (como o Lean) em que uma demonstração é escrita numa linguagem formal e verificada mecanicamente, linha a linha. Tema central da palestra de 2024 (TAO, 2024).

Benchmark (avaliação de referência)

Conjunto padronizado de tarefas usado para medir e comparar sistemas de IA. O First Proof é um benchmark de nível de pesquisa em matemática.

Big data

Modo de fazer ciência que extrai padrões e leis de volumes massivos de dados (terabytes, petabytes), em vez de poucos experimentos dirigidos (02:27).

Conjectura

Afirmação matemática que se acredita verdadeira, mas ainda não foi provada. A conjectura da distância unitária, de Erdős (1946), foi refutada por contraexemplo em 2026.

Contraexemplo

Caso específico que mostra que uma afirmação geral é falsa. Basta um para derrubar uma conjectura.

Contexto (janela de contexto)

Quantidade de texto que um modelo de linguagem consegue "ter em mente" de uma vez. Limita a memória de uma conversa e é o que Tao contrasta com a sintonia entre colaboradores humanos (26:32).

Elipse

Curva fechada com dois focos; a soma das distâncias de qualquer ponto aos dois focos é constante. Kepler mostrou que as órbitas planetárias são elipses com o Sol num dos focos (1609).

First Proof

Desafio público criado por matemáticos em 2026 para testar modelos de IA em problemas de nível de pesquisa, com soluções mantidas em segredo e árbitros humanos.

Geocentrismo / heliocentrismo

Modelos em que, respectivamente, a Terra ou o Sol ocupam o centro do sistema planetário. Os modelos geocêntricos de Ptolomeu e seus refinamentos árabes e indianos previam melhor que o de Copérnico até as elipses de Kepler.

Grande modelo de linguagem (LLM, large language model)

Rede neural treinada com quantidades enormes de texto para prever a próxima palavra (ou token). É a base dos chatbots atuais.

Harness (arcabouço de orquestração)

Software que envolve um modelo de IA e o coordena: divide o problema, faz chamadas repetidas, verifica saídas, controla tempo e orçamento. Na segunda rodada do First Proof, diferentes harnesses produziram resultados e custos muito diferentes com modelos parecidos.

Lema

Resultado auxiliar, geralmente menor, provado como passo para um teorema maior. Os problemas do First Proof foram descritos como lemas.

Problemas de Erdős

Centenas de questões propostas pelo matemático húngaro Paul Erdős (1913–1996), muitas com prêmios em dinheiro, catalogadas hoje em uma base pública. Desde 2025, dezenas vêm sendo resolvidas com auxílio de IA.

Regressão

Técnica estatística que ajusta uma função (no caso mais simples, uma reta) para prever uma saída a partir de entradas. Exemplo de Tao: comida dada × peso ganho pelos animais.

Revisão por pares

Avaliação de um artigo por especialistas independentes antes da publicação. Para Tao, é a etapa em que a comunidade decide se um resultado é interessante — e não apenas correto (19:13).

Sicofantia (sycophancy)

Tendência de um modelo de IA a concordar com o usuário e dizer o que ele quer ouvir, em vez de corrigi-lo. Tao a cita como um dos limites da colaboração com IA (25:28).

Simulação

Reprodução computacional de um fenômeno (um furacão, uma reação, uma economia) para estudá-lo sem realizar o experimento real.

Sobreajuste (overfitting)

Quando um modelo se ajusta tão bem aos dados de treinamento — inclusive ao ruído — que perde a capacidade de generalizar para dados novos. É o risco que Tao associa a IAs "rápidas demais" (16:39).

Sólidos platônicos

Os cinco poliedros regulares convexos: tetraedro, cubo, octaedro, dodecaedro e icosaedro. Kepler tentou usá-los para explicar as distâncias entre os seis planetas conhecidos (1596).

Teorema dos números primos

Resultado que descreve como os primos rareiam: até um número n, há aproximadamente n/ln(n) primos. Conjecturado por Gauss a partir de tabelas e provado em 1896 por Hadamard e de la Vallée Poussin, independentemente.

Token

Unidade mínima de texto processada por um modelo de linguagem — uma palavra, parte de palavra ou sinal. "Prever a próxima palavra" é, tecnicamente, prever o próximo token.

Nota do autor: as minutagens seguem a transcrição automática do vídeo do Big Think e podem variar em um ou dois segundos em relação ao player; a data exata de publicação do vídeo não consta da página consultada e foi registrada como 2026, ano confirmado pela divulgação da própria Big Think (BIG THINK, 2026). As citações de Tao entre aspas são traduções do autor, feitas a partir da transcrição em inglês; a transcrição automática grafa "union distance", corrigido aqui para unit distance (distância unitária), conforme o problema de Erdős a que Tao se refere. As contagens da primeira rodada do First Proof divergem conforme a fonte e a data: a Scientific American, uma semana após o lançamento, contava duas soluções inequívocas de modelos públicos e seis reivindicadas pela OpenAI; a reportagem de Harvard, em junho, fala em "pelo menos seis de dez" resolvidas — Tao cita "cinco ou seis". A Tabela 1 registra todas as versões. A divisão do ciclo de vida de uma prova em cinco etapas (Quadro 2) e o resumo da palestra de 2024 são organizações do autor. A frase de Gauss sobre os "quartos de hora ociosos" provém da carta a Encke de 1849, conforme reproduzida por Goldstein (1973).

Referências

1. A PERIGOSA Conjectura de Collatz. Brasil Acadêmico, [S. l.], 15 dez. 2019. Disponível em: https://blog.brasilacademico.com/2019/12/a-perigosa-conjectura-de-collatz.html. Acesso em: 4 set. 2026.
2. ABOUZAID, M.; SRIVASTAVA, N.; WARD, R.; WILLIAMS, L. First Proof second batch. [S. l.]: arXiv, 16 jun. 2026. Disponível em: https://arxiv.org/abs/2606.18119. Acesso em: 4 set. 2026.
3. AFINAL, o que é inteligência artificial? Brasil Acadêmico, [S. l.], 7 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/afinal-o-que-e-inteligencia-artificial.html. Acesso em: 4 set. 2026.
4. BIG THINK. The greatest living mathematician explains math from scratch. Big Think Media, [S. l.], 22 ago. 2026. Disponível em: https://bigthinkmedia.substack.com/p/the-greatest-living-mathematician. Acesso em: 4 set. 2026.
5. COMO a máquina aprende. Brasil Acadêmico, [S. l.], 15 ago. 2026. Disponível em: https://blog.brasilacademico.com/2026/08/como-maquina-aprende.html. Acesso em: 4 set. 2026.
6. DI LISCIA, D. A. Johannes Kepler. In: ZALTA, E. N.; NODELMAN, U. (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Metaphysics Research Lab, Stanford University, 2025. Disponível em: https://plato.stanford.edu/entries/kepler/. Acesso em: 4 set. 2026.
7. FIELDS Medalist Terence Tao warns AI could produce more math proofs than humans can handle. VnExpress International, Hanói, 29 jul. 2026. Disponível em: https://e.vnexpress.net/news/news/education/fields-medalist-terence-tao-warns-ai-could-produce-more-math-proofs-than-humans-can-handle-5102580.html. Acesso em: 4 set. 2026.
8. FIRST Proof's second batch of math problems test AI. Harvard FAS Current, Cambridge, MA, 17 jun. 2026. Disponível em: https://current.fas.harvard.edu/stories/first-proofs-second-batch-math-problems-test-ai. Acesso em: 4 set. 2026.
9. GOLDSTEIN, L. J. A history of the prime number theorem. The American Mathematical Monthly, Washington, DC, v. 80, n. 6, p. 599-615, jun./jul. 1973. DOI: 10.2307/2319162. Disponível em: https://doi.org/10.2307/2319162. Acesso em: 4 set. 2026.
10. HOWLETT, J. First Proof is AI's toughest math test yet. The results are mixed. Scientific American, New York, 14 fev. 2026. Disponível em: https://www.scientificamerican.com/article/first-proof-is-ais-toughest-math-test-yet-the-results-are-mixed/. Acesso em: 4 set. 2026.
11. KAKAES, K. Why the legendary Erdős problems are falling to AI. Quanta Magazine, New York, 3 ago. 2026. Disponível em: https://www.quantamagazine.org/why-the-legendary-erdos-problems-are-falling-to-ai-20260803/. Acesso em: 4 set. 2026.
12. OXFORD MATHEMATICS. Oxford Mathematics London Public Lecture: The potential for AI in science and mathematics — Terence Tao. Oxford: Mathematical Institute, University of Oxford, 2024. Disponível em: https://www.maths.ox.ac.uk/node/68243. Acesso em: 4 set. 2026.
13. ROBÔ-CIENTISTA faz primeira descoberta científica. Brasil Acadêmico, [S. l.], 6 abr. 2009. Disponível em: https://blog.brasilacademico.com/2009/04/robo-cientista-faz-primeira-descoberta.html. Acesso em: 4 set. 2026.
14. ROBÔ cientista mil vezes mais rápido do que o homem. Brasil Acadêmico, [S. l.], 17 jul. 2020. Disponível em: https://blog.brasilacademico.com/2020/07/robo-cientista-mil-vezes-mais-rapido-do.html. Acesso em: 4 set. 2026.
15. TAO, T. The potential for AI in science and mathematics. Palestra proferida na Oxford Mathematics London Public Lecture, Science Museum, Londres, 17 jul. 2024. Oxford: Oxford Mathematics, 7 ago. 2024. 1 vídeo (ca. 1h). Disponível em: https://www.youtube.com/watch?v=_sTDSO74D8Q. Acesso em: 4 set. 2026.
16. TAO, T. How AI is changing math and science forever. [Entrevista concedida a] Big Think. [S. l.]: Big Think, 2026a. 1 vídeo (ca. 30 min). Disponível em: https://www.youtube.com/watch?v=svl_1upFpQo. Acesso em: 4 set. 2026.
17. TAO, T. Six Math Essentials. What's new, [S. l.], 16 fev. 2026b. Disponível em: https://terrytao.wordpress.com/2026/02/16/six-math-essentials/. Acesso em: 4 set. 2026.
18. WILLIAMS, K. OpenAI's math breakthrough played to AI's strengths. Understanding AI, [S. l.], 28 maio 2026. Disponível em: https://www.understandingai.org/p/openais-milestone-math-breakthrough. Acesso em: 4 set. 2026.