AI-translated from English; not yet reviewed by a fluent editor.

# Quando os laboratórios de IA fazem descobertas em privado, quem pode questionar as respostas?

> As descobertas privadas de IA levantam uma questão sobre o poder público: quem pode analisar as provas, escolher a próxima pergunta de investigação e beneficiar das respostas? Uma análise dos incentivos à divulgação, da compreensão científica e da autonomia humana.

By BIG CHANGE Editorial

Published: 2026-09-22T14:25:09.513Z
Updated: 2026-09-22T14:25:09.513Z
Canonical: https://bigchange.ai/blog/private-ai-discoveries-public-science

![An exposed geometric structure stands outside a partly open research chamber, with broad paths approaching from several directions.](https://bigchange.ai/api/media/file/shared-inquiry-private-system-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Shared evidence can give outsiders room to examine and develop an idea even when the discovery system remains private. The geometric sculpture is a conceptual form, not a depiction of a theorem or an unreleased result.

Uma empresa pode anunciar que a sua IA resolveu um problema difícil muito antes de o resto do mundo conseguir avaliar o que foi alcançado. Pode faltar uma demonstração, uma explicação, acesso ao sistema ou simplesmente tempo para analisar o trabalho. Cada ausência confere à empresa um tipo diferente de poder.

É essa a questão útil por detrás da discussão mais recente sobre avanços de IA mantidos em segredo. Num ensaio de 15 de setembro, o cientista informático Scott Aaronson relatou rumores de que empresas de IA estavam a reter soluções para grandes problemas de informática teórica, na sequência da reação ao anúncio sobre as equações de Navier–Stokes. Não publicou essas soluções. O seu relato confirma que ouviu essa afirmação, mas não que os resultados não identificados ou o motivo alegado para a sua retenção tenham sido verificados. [Ensaio de Aaronson](https://scottaaronson.blog/?p=10062)

Há também um desenvolvimento mais concreto. O Grupo Consultivo independente sobre Matemática e Inteligência Artificial afirma que a sua tarefa atual é aconselhar a OpenAI sobre a divulgação de resultados matemáticos significativos que a empresa diz ter produzido internamente. Isso confirma a existência de um processo para coordenar a divulgação de trabalho referido pela empresa. Não certifica todos os resultados que aguardam divulgação. [Declaração do grupo consultivo](https://agmai.org/)

Para os leitores, esta distinção impede que uma possibilidade entusiasmante se transforme num inventário fictício de problemas resolvidos. Para a ciência, levanta uma questão mais ampla: se a descoberta se concentrar em sistemas privados, quanta independência restará a todas as outras pessoas?

## A grande mudança

- **O que mudou:** Já existem provas geradas por IA e publicadas, ao lado de resultados comunicados por empresas que aguardam uma divulgação coordenada. As alegações sobre outros avanços secretos continuam por verificar.
- **Porque é importante:** Os laboratórios podem influenciar que descobertas se tornam visíveis, quando os especialistas as podem examinar e quem pode desenvolver os métodos.
- **O que importa acompanhar:** Se os acordos de divulgação dão a pessoas externas provas utilizáveis e liberdade para as contestar, apoiando ao mesmo tempo a especialização humana necessária para escolher perguntas de investigação, compreender resultados e partilhar os seus benefícios.

## Um avanço pode ser público enquanto a capacidade continua privada

O anúncio da OpenAI de 8 de setembro sobre as equações de Navier–Stokes é um exemplo de abertura seletiva. A empresa publicou um argumento escrito e ficheiros de demonstração formal, descrevendo o sistema que fez a descoberta como um modelo interno mais capaz do que o GPT-6 Astra. Publicar um resultado e dar acesso ao sistema que o produziu são decisões diferentes. [Anúncio da OpenAI](https://openai.com/index/navier-stokes-solution/)

O âmbito matemático também exige rigor. A construção anunciada utiliza uma força externa suave. A formulação oficial do problema pelo Clay permite explicitamente a força nas alternativas C e D para a perda de regularidade; as alternativas sem força, sobre regularidade global, colocam outra questão. Uma construção válida com força pode responder ao problema tal como foi enunciado e deixar por resolver a questão sem força. [Formulação oficial do problema](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf)

A 11 de setembro, o Clay saudou a aparente resolução, mantendo um processo sem pressa para a avaliação e atribuição de crédito. A sua declaração foi uma resposta institucional a um anúncio, não a atribuição de um prémio. [Resposta do Clay](https://www.claymath.org/news/navier-stokes-announcement/)

Analisámos a sequência matemática mais ampla no nosso [guia que vai das distâncias unitárias às equações de Navier–Stokes](https://bigchange.ai/blog/ai-mathematics-unit-distance-navier-stokes). Aqui, a distinção importante é saber o que as pessoas podem fazer depois da divulgação. Um matemático externo pode conseguir estudar a demonstração, mas não dispor dos recursos ou do acesso ao modelo para investigar um problema próximo da mesma forma. A descoberta é partilhada; os meios para produzir a próxima descoberta podem continuar concentrados.

Este modelo pode, ainda assim, ser valioso. Exigir que cada investigador recrie a pesquisa original dificultaria a utilização de muitos resultados. Para verificar uma demonstração específica, o que importa é ter acesso às provas relevantes, não necessariamente a todas as ferramentas usadas para as encontrar. Mas a capacidade de verificar uma resposta publicada não confere às pessoas externas igual influência sobre as próximas perguntas a que se procurará responder.

## O público precisa de poder discordar

O repositório público da OpenAI identifica separadamente as alegações relativas a Navier–Stokes e Euler e disponibiliza instruções de compilação e uma forma de pedir verificações adicionais das provas com o Comparator. São artefactos que podem ser inspecionados, não apenas um vídeo de demonstração. Consultámos a documentação; não voltámos a compilar nem certificámos as demonstrações de forma independente. [Repositório das demonstrações](https://github.com/openai/NavierStokesAndEuler)

O guia de validação do Lean explica por que razão uma verificação bem-sucedida tem um âmbito definido. Os revisores têm de examinar o significado do teorema e os seus pressupostos, incluindo as dependências. Verificações mais rigorosas podem comparar uma demonstração submetida com uma formulação especificada de forma independente e usar software de verificação independente. Isso reduz a dependência de quem produziu a demonstração, embora se mantenham os pressupostos declarados sobre as ferramentas e a especificação. [Guia de validação do Lean](https://lean-lang.org/doc/reference/latest/ValidatingProofs/)

A possibilidade mais promissora é considerável: um sistema privado pode fazer uma pesquisa dispendiosa e, depois, divulgar provas que outros consigam verificar sem ter de a reproduzir por inteiro. As descobertas geradas por IA podem tornar-se recursos partilhados, mesmo que só algumas instituições tenham meios para as produzir a essa escala.

A versão mais limitada consiste num laboratório fazer uma demonstração privada a especialistas escolhidos e pedir a todas as outras pessoas que confiem no aval. Pode ser um primeiro passo razoável, mas dá ao público muito menos capacidade para detetar um pressuposto contestável, analisar uma correção ou explorar uma aplicação inesperada. Ter acesso a uma conclusão é diferente de ter acesso aos fundamentos para discordar.

Considere-se um exemplo hipotético. Um grupo universitário estuda uma classe de problemas de otimização. Uma empresa encontra em privado um método que melhora um caso importante. Pode divulgar o método e uma garantia precisa, ou disponibilizar um serviço em linha que fornece respostas sem revelar o método.

Ambas as opções podem ajudar os utilizadores. Só a primeira garante que a universidade recebe algo que pode analisar, ensinar e adaptar sem depender continuamente do serviço. Se a empresa alterar as condições, retirar o modelo ou deixar de apoiar essa área, a diferença torna-se prática. Um serviço útil pode coexistir com uma dependência científica.

É por isso que o benefício público não se pode medir apenas pelo número de descobertas. A divulgação pode aumentar o que as pessoas sabem, o que podem fazer ou aquilo para que precisam de pedir autorização. Por vezes, esses resultados avançam em conjunto. Não têm de o fazer.

## Uma pausa pode melhorar a ciência ou dar a uma instituição mais tempo de vantagem

Há razões defensáveis para coordenar a divulgação de um grande resultado. Os especialistas podem precisar de tempo para analisar a alegação, identificar trabalho anterior e preparar uma explicação. Uma correção antes da publicação pode evitar que muitas pessoas desenvolvam trabalho com base num erro. Uma disputa de autoria também merece provas, em vez de uma corrida entre anúncios.

Mas o mesmo atraso pode ter outro efeito nas pessoas externas. Imagine-se um grupo de investigação a escolher o seu próximo projeto sem saber que uma empresa afirma ter resolvido a conjetura central. Poderá passar meses a investigar uma questão já ultrapassada. Dar acesso antecipado apenas a alguns colaboradores pode, em alternativa, dar-lhes vantagem na produção de resultados subsequentes. São consequências possíveis da desigualdade de informação, não acusações sobre qualquer teorema ainda não divulgado.

A questão relevante é o que se pretende conseguir com o atraso e quem responde por ele. Um período de análise com uma alegação identificada, leitores independentes e um plano para comunicar o resultado é diferente de um segredo indefinido acompanhado por insinuações de capacidades extraordinárias. As instituições precisam de margem para verificar o trabalho; o público precisa de razões para distinguir essa verificação da promoção.

O novo grupo consultivo é um canal possível. Afirma que os membros não são remunerados, que as recomendações serão públicas e que as empresas mantêm o poder de decisão. A sua independência é útil, mas não transforma aconselhamento numa obrigação de divulgar um resultado ou de dar acesso aos investigadores. [Independência e responsabilização](https://agmai.org/)

Na nossa opinião, um processo produtivo deve tornar visível a resposta aos conselhos recebidos. Uma empresa poderia explicar que recomendações aceitou, o que continua em análise e como os revisores podem comunicar dúvidas por resolver. Isso permitiria às pessoas externas avaliar o processo sem obrigar a anunciar prematuramente que um teorema está resolvido.

## A crítica mais forte admite que a IA pode ter êxito

A declaração de 11 de setembro, *Um grave desalinhamento da IA na matemática*, reconhece explicitamente melhorias substanciais nas capacidades matemáticas. A sua objeção diz respeito aos incentivos: usar problemas famosos como referências de desempenho pode negligenciar o desenvolvimento de ideias, a atribuição de mérito e a formação através da qual as pessoas aprendem a formular novas perguntas. A declaração também reconhece o potencial da IA para melhorar o estudo da matemática. [A declaração](https://www.mathandai.org/)

Este é um argumento mais exigente do que dizer que uma máquina não consegue descobrir nada. Pergunta se um sistema bem-sucedido está a otimizar o mesmo resultado que a comunidade que recebe o que ele produz. Um laboratório pode querer, com razão, uma demonstração inequívoca de capacidade. Um investigador pode dar mais valor a um método que abra várias novas linhas de investigação, incluindo algumas demasiado obscuras para atrair um anúncio de lançamento.

Não há qualquer razão automática para que esses interesses coincidam. Também não têm de entrar em conflito. Um laboratório pode financiar a exploração e a explicação que tornam úteis os seus resultados. As universidades podem reconhecer o trabalho que adapta um método poderoso e novo a uma área que o laboratório não priorizou. As publicações científicas podem reservar espaço para esclarecimentos e sínteses, além das primeiras descobertas.

As críticas também devem poder ser confrontadas com provas. Um resultado correto e importante deve alterar a avaliação do que um sistema consegue fazer. O desconforto com a sua origem não o pode invalidar. Do mesmo modo, um resultado impressionante não responde, só por ser impressionante, a uma questão de acesso ou autoria. Manter essas avaliações separadas permite valorizar a matemática e questionar as condições em que chega ao mundo.

O ensaio de Aaronson capta esta tensão: considera a evolução recente transformadora e, ao mesmo tempo, apoia o esforço para preservar a compreensão humana. A sua descrição do início de uma singularidade é uma interpretação dos acontecimentos, não um limiar científico demonstrado. [Posição que expressou](https://scottaaronson.blog/?p=10062)

## Descobertas mais rápidas e trabalho humano com significado são interesses reais

O argumento mais amplo é anterior aos anúncios de setembro. Num ensaio de dezembro de 2025, o investigador de IA Julian Togelius distinguiu as ferramentas que ajudam os cientistas da automatização que torna redundante a sua participação. Defendeu a autonomia humana e a oportunidade de contribuir, mesmo perante uma hipótese em que a automatização total acelerasse o progresso médico. Esta é uma posição moral sobre um futuro hipotético, não uma prova de que o trabalho científico já se tenha tornado redundante. [Ensaio de Togelius](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html)

Defender uma atividade apenas porque os seus atuais profissionais gostam dela tem um custo sério. Se um método melhor puder reduzir o sofrimento, os interesses das pessoas que beneficiarão também merecem consideração, a par dos interesses daquelas cuja profissão mudará. O compromisso com um trabalho com significado não deve transformar-se num veto automático a descobertas úteis.

Mas a escolha não tem de ser entre proteger todas as tarefas existentes e afastar as pessoas da ciência. Quem escolhe as perguntas, identifica necessidades negligenciadas, avalia se as provas se aplicam e decide o que fazer com elas? Essas decisões afetam o público, mesmo que as máquinas venham a superar as pessoas em muitas das suas componentes técnicas. Manter influência sobre elas é uma questão de governação, além de identidade profissional.

O ensaio de Dario Amodei, de outubro de 2024, apresenta uma visão otimista e abrangente da IA a acelerar a biologia e a melhorar vidas. Também identifica limites relacionados com experiências, dados e o mundo físico. O ensaio é uma previsão assente em pressupostos sobre sistemas futuros poderosos, não um calendário estabelecido por uma descoberta matemática. [Máquinas de Graça Amorosa](https://darioamodei.com/essay/machines-of-loving-grace)

Uma demonstração sobre equações não prova, por si só, que exista um tratamento eficaz ou um sistema energético mais barato. Cada aplicação exige provas adicionais. Ainda assim, é razoável valorizar a possibilidade de progresso mais rápido: uma assistência que ajude os investigadores a abandonar uma linha improdutiva ou a conceber uma experiência mais informativa pode ser importante muito antes de a investigação se tornar autónoma.

A questão da distribuição regressa, então. Um avanço pode ser cientificamente sólido e, ainda assim, só chegar a quem o consegue pagar. A investigação pode acelerar e concentrar-se nos problemas que os seus proprietários consideram mais valiosos. O benefício da aceleração para o público em geral depende, em parte, de escolhas sobre financiamento, acesso e implementação. O número de descobertas não resolve essas escolhas por nós.

## Uma prova de correção não garante bom senso

O alinhamento acrescenta outra questão. Um sistema pode ser excelente a encontrar uma demonstração e, ainda assim, não ser fiável a seguir as intenções do operador ao longo de um projeto de investigação demorado. Um resultado matemático verificado estabeleceria algo sobre esse resultado. Por si só, não demonstraria que o sistema respeita sistematicamente as autorizações, comunica as falhas com franqueza ou procura os objetivos certos.

Esta distinção é importante para a forma como os laboratórios usam ferramentas cada vez mais capazes. Delegar uma pesquisa delimitada e analisar o resultado é diferente de conceder a um sistema ampla autoridade sobre experiências, despesas ou publicações. O êxito científico pode justificar tentar investigações mais ambiciosas, mas as autorizações continuam a exigir uma justificação própria.

Preservar a compreensão humana é útil neste contexto, mas não resolve todos os problemas de alinhamento. Conhecer a matemática por detrás de uma descoberta não revela todos os aspetos do comportamento do modelo. Em contrapartida, uma pessoa não tem de reconstruir cada cálculo intermédio para exercer uma supervisão útil. O objetivo prático é preservar competência e provas independentes suficientes para detetar quando o trabalho de um sistema deixa de servir a finalidade pretendida.

A questão do significado também merece mais do que a promessa de que o lazer compensará todos os cargos perdidos. Amodei defende que as relações e atividades podem continuar a ter significado mesmo quando a IA supera as pessoas, mas considera por resolver os arranjos económicos de tal futuro. É uma perspetiva plausível, não uma garantia de transição sem sobressaltos. [Trabalho e significado](https://darioamodei.com/essay/machines-of-loving-grace)

Um estudante pode valorizar a compreensão de um resultado sem ter sido o primeiro a descobri-lo. Uma comunidade pode valorizar o ensino, o debate e a investigação sem exigir que os seus membros superem todas as máquinas. Mas preservar as instituições que tornam essas atividades possíveis exige recursos e escolhas. A realização pessoal, por si só, não paga um laboratório, garante acesso a um modelo ou preserva um departamento.

## Avalie a divulgação pela independência que cria

É possível contestar uma alegação sem depender inteiramente do relato da empresa? Outro grupo consegue usar o resultado sem repetir uma pesquisa incomportável? Os investigadores podem escolher perguntas subsequentes que interessem pouco a quem produziu o resultado? Existem pessoas e instituições capazes de explicar o trabalho, corrigi-lo e mantê-lo disponível depois de a atenção se deslocar para outro tema?

Estas perguntas ligam os futuros otimistas e pessimistas. Num deles, ferramentas privadas poderosas contribuem para um património de conhecimento partilhado mais vasto, e mais pessoas conseguem investigar questões antes inacessíveis. No outro, quem está de fora recebe respostas impressionantes e fica cada vez mais dependente de algumas organizações para decidir o que vale a pena perguntar.

Ainda não sabemos o que contêm os resultados secretos de que se fala. Podemos avaliar os mecanismos que estão a ser criados em torno dos resultados que são divulgados. Um grande avanço da IA deve deixar o resto da comunidade científica com maior capacidade de agir autonomamente.

## Sources

- [Scott Aaronson: A era das maravilhas e dos terrores](https://scottaaronson.blog/?p=10062) — Relata rumores e apresenta a interpretação do autor sobre o progresso da IA. Não divulga nem verifica as soluções não identificadas ou o alegado motivo para as reter.
- [Grupo Consultivo sobre Matemática e Inteligência Artificial](https://agmai.org/) — Apresenta o mandato e a independência declarados pelo grupo. Os resultados pendentes foram comunicados pela OpenAI; a declaração do grupo não os certifica publicamente.
- [OpenAI: Sobre o problema do Prémio Millennium das equações de Navier–Stokes](https://openai.com/index/navier-stokes-solution/) — O relato da empresa liga a artefactos de demonstração publicados e descreve um modelo interno. A secção sobre trabalho simultâneo foi atualizada a 10 de setembro; este artigo não decide a questão da proveniência.
- [Clay: Formulação oficial do problema de Navier–Stokes](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf) — Define as alternativas de perda de regularidade com força e as alternativas de regularidade sem força. Delimita o problema, mas não certifica uma solução proposta.
- [Clay: Anúncio sobre as equações de Navier–Stokes](https://www.claymath.org/news/navier-stokes-announcement/) — Uma resposta institucional qualificada mantém o processo de avaliação e atribuição de crédito. Não anuncia a atribuição de um prémio.
- [OpenAI: Repositório de demonstrações para Navier–Stokes e Euler](https://github.com/openai/NavierStokesAndEuler) — O repositório público distingue os dois resultados e fornece instruções para compilar e verificar as demonstrações. Consultámos a documentação, mas não compilámos nem certificámos as demonstrações.
- [Lean: Validar uma demonstração em Lean](https://lean-lang.org/doc/reference/latest/ValidatingProofs/) — Explica as garantias da verificação de demonstrações, a análise de pressupostos e verificações independentes mais rigorosas. A interpretação correta do teorema pretendido continua a ser uma questão distinta.
- [Declaração sobre matemática e IA](https://www.mathandai.org/) — Declaração original sobre incentivos, atribuição de mérito e compreensão humana. Reconhece o progresso e os benefícios potenciais da IA; não mede danos.
- [Julian Togelius: Por favor, não automatizem a ciência!](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html) — O ensaio original distingue a assistência de tornar os cientistas redundantes. O argumento diz respeito à autonomia e ao significado num futuro hipotético, não a uma previsão verificada.
- [Dario Amodei: Máquinas de Graça Amorosa](https://darioamodei.com/essay/machines-of-loving-grace) — Ensaio explicitamente especulativo e otimista que inclui limitações práticas e questões económicas por resolver. Os cenários não estabelecem um calendário nem um resultado médico.