A inteligência artificial deve se tornar em breve a forma padrão de resolver problemas teóricos em áreas como economia, física de altas energias, cosmologia e estatística, segundo pesquisa de Neil Thompson, especialista em computação e IA do Instituto de Tecnologia de Massachusetts (MIT). O estudo, apresentado durante uma palestra no próprio MIT, indica que as mesmas transformações que já atingiram a matemática devem se espalhar por outros campos intensivos em teoria, graças à evolução acelerada dos modelos de fronteira, termo usado para descrever os sistemas de IA mais avançados disponíveis.
Os números reunidos pela pesquisa mostram a velocidade dessa mudança. Entre meados de 2024 e meados de 2026, os melhores modelos de IA passaram de cerca de 2% para aproximadamente 35% de acerto em problemas teóricos das áreas analisadas. O salto indica que a capacidade desses sistemas de lidar com questões abstratas e complexas, antes consideradas exclusividade de especialistas humanos, cresceu de forma expressiva em apenas dois anos. Os campos avaliados incluem probabilidade, teoria da estatística, teoria econômica, física de altas energias, gravitação e cosmologia, além de física quântica.
A matemática serve de precedente para o fenômeno. A comunidade de matemáticos ainda processa o impacto da automação promovida pela IA em sua disciplina, e o novo trabalho sugere que essas ondas de choque devem atingir outras áreas científicas fortemente apoiadas em raciocínio matemático e teórico. O estudo foi conduzido por um trio de pesquisadores, que optou por concentrar a análise em campos nos quais os modelos de IA conseguem chegar a respostas sem precisar rodar simulações ou experimentos, uma limitação que delimitou o escopo da investigação.
O movimento também ganha força por parte da indústria. Pesquisadores de destaque na área de inteligência artificial já fundaram novos laboratórios dedicados especificamente à IA para a ciência, e as grandes empresas do setor estão ampliando seus esforços em pesquisa científica. Parte dessas iniciativas explora como a IA poderia ser capacitada para conduzir experimentos reais, e não apenas análises teóricas, o que ampliaria ainda mais o papel desses sistemas na produção de conhecimento científico.
Apesar do cenário de transformação, os pesquisadores do MIT apontam que a necessidade de especialistas humanos não desaparece. A inteligência artificial pode tornar teóricos dispensáveis na tarefa de resolver certos problemas-chave, mas profissionais continuam necessários para interpretar as soluções encontradas e garantir que elas sejam sólidas e confiáveis. A verificação e a atribuição de sentido aos resultados permanecem, por enquanto, como funções humanas essenciais dentro do processo científico.
O estudo de Thompson projeta, assim, um cenário no qual a IA se consolida como ferramenta central da investigação teórica em múltiplas disciplinas. Ainda que a análise tenha se restrito a campos em que a resolução de problemas dispensa experimentação prática, os dados sobre o avanço de 2% para 35% de acerto indicam uma trajetória de crescimento que deve pressionar métodos tradicionais de trabalho acadêmico. A conclusão dos pesquisadores é direta: o impacto sentido hoje na matemática tende a se propagar para outras áreas da ciência fortemente dependentes de teoria e cálculo.
