Uma era de ouro da ciência pode estar a caminho, com a IA como motor

O texto parte de um diagnóstico que dominava o debate há poucos anos: a ciência estaria desacelerando. Artigos como "Are Ideas Getting Harder to Find?" e o livro The End Of Science, de John Horgan (1996), sustentavam que as ideias fáceis já tinham sido colhidas. Um estudo de Ekerdt e Wu, de 2024, estimou que a expansão do setor de pesquisa nos EUA reduziu a habilidade média dos pesquisadores entre 37% e 53%.

O argumento central é que a IA remove três gargalos. Primeiro, o número de "pesquisadores efetivos" deixa de depender de formação humana: basta mais chips e data centers para rodar mais agentes. Segundo, o gargalo da teoria encolhe, e o autor cita um modelo da OpenAI que resolveu problemas abertos de ciência da computação, matemática e física teórica. Terceiro, a leitura da literatura vira custo quase zero. Como exemplo, a OpenAI usou milhares de agentes com o GPT-Rosalind para analisar um atlas CRISPR do cérebro de camundongos, trabalho que, pela estimativa da equipe, levaria de meses a um ano com análise humana. O texto também admite limites: a IA parece avançar mais devagar em pesquisa conceitual aberta, e a era de ouro pode esbarrar em retornos decrescentes.

O tema não surge do nada no CEVIU. Em 14 de abril de 2026, o CEVIU noticiou "A Revolução da IA na Matemática Chegou", e em 17 de setembro de 2026, "IA está transformando a pesquisa matemática de forma permanente". Em outubro, a cobertura ficou mais ampla: em 12 de outubro de 2026, saiu "IA 'desvenda' soluções ocultas em 22 campos científicos diferentes", e em 19 de outubro de 2026, "Ascensão da IA: Era de Ouro ou Escuridão para a ciência?". Em 21 de outubro de 2026, "IA na ciência: o próximo gargalo para descobertas revolucionárias" apontava que converter previsões em descobertas validadas ainda é um obstáculo. A notícia de agora junta esses fios numa tese única, de aceleração geral da ciência, e é mais otimista que a ressalva sobre validação.

Para quem trabalha com TI, a leitura é que a demanda por infraestrutura (chips, data centers) e por sistemas de agentes tende a ser ligada diretamente à produtividade científica. Também vale tratar a tese como projeção de um autor, não como resultado consolidado: o próprio texto diz que os exemplos atuais são preliminares.