O grassmanniano positivo: a forma que explica outras formas

Existe uma forma matemática que descreve outras formas. Isso não é trocadilho: é a definição mais direta do grassmanniano, e é justamente essa ideia que conecta fluxo de trânsito, ondas do mar e o comportamento de partículas subatômicas, três áreas que aparentemente não têm nada a ver entre si. A matemática Lauren Williams, de Harvard, passou boa parte da carreira encontrando esse tipo de conexão inesperada, e contou o processo numa entrevista ao podcast The Joy of Why, da revista Quanta.

O grassmanniano é um objeto geométrico que funciona como um catálogo de subespaços, por exemplo, todas as retas que passam pela origem de um plano formam, juntas, uma forma específica. A versão “positiva” desse catálogo restringe o olhar a uma parte dele, e é justamente essa restrição que abre a porta para uma quantidade grande de aplicações práticas. Se você trabalha com modelagem matemática, física teórica ou biologia computacional, entender por que essa estrutura se repete tanto pode mudar a forma como você lê um problema aparentemente sem solução óbvia.

O que aconteceu

Williams, ganhadora recente do prêmio MacArthur Genius, descreveu na entrevista como sua pesquisa de doutorado, uma fórmula explícita para contar quantas peças de cada dimensão existem dentro de um grassmanniano positivo, acabou aparecendo em lugares que ela nunca esperou.

Durante o pós-doutorado, ela descobriu que seus polinômios, criados para contar peças geométricas, também calculavam probabilidades num modelo usado para estudar tradução de proteínas dentro de células e, ao mesmo tempo, fluxo de veículos em estradas. A mesma fórmula respondia perguntas de biologia molecular e de trânsito. Esse achado, publicado por outra matemática, Sylvie Corteel, deu início a uma colaboração entre as duas que já dura décadas.

O padrão não parou ali. A estrutura do grassmanniano positivo também aparece em soluções de ondas de água rasa (as equações que descrevem como ondas se formam e interagem) e em amplitudes de espalhamento na física de partículas, o cálculo que prevê o que acontece quando partículas colidem. Nesse último caso, o físico Nima Arkani-Hamed e colaboradores usaram a mesma estrutura para criar o amplitúedro, um objeto geométrico cujo volume calcula, de forma muito mais compacta, resultados que antes exigiam milhares de diagramas de Feynman.

Por que isso importa pra você

Você não precisa trabalhar com geometria algébrica pra tirar algo daqui. O que Williams descreve é, na prática, um método de trabalho: perguntar por que a mesma estrutura aparece em contextos que parecem não ter relação, e não descartar a coincidência como acaso.

Isso conversa direto com áreas diferentes da pós-graduação:

1. Se você pesquisa numa área aplicada (engenharia, biologia computacional, economia), vale perguntar se algum modelo matemático que você usa já foi estudado em outro contexto, com outro nome. Se for o caso, você pode estar deixando de citar literatura relevante de outro campo.
2. Se você está escolhendo linha de pesquisa, o relato de Williams mostra que resultado “bonito” (curto, geral, conectado a outra área) tende a ter mais desdobramento do que resultado correto mas isolado. Ela reformula a pergunta quando a resposta sai feia, em vez de insistir na primeira formulação.
3. Se você trabalha com IA na sua pesquisa, o projeto First Proof (que ela coordena com outros dez matemáticos) é um caso concreto de como testar uma ferramenta de forma rigorosa: em vez de perguntar genericamente “a IA resolve matemática?”, eles criaram problemas inéditos, sem solução publicada na internet, para eliminar a possibilidade de o modelo simplesmente ter buscado a resposta.

O que o teste com IA revelou até agora

O First Proof nasceu de uma frustração simples: é difícil saber se um sistema de IA “resolveu” um problema de matemática ou apenas encontrou a solução já publicada em algum lugar. Williams e um grupo de 11 pesquisadores resolveram provar esse ponto testando o oposto: propuseram lemas de suas próprias pesquisas, ainda não publicados, como desafio.

Em fevereiro de 2026, o grupo divulgou 10 problemas com as respostas criptografadas, prometendo revelar a chave uma semana depois. No teste isolado, sem interação com o modelo, os sistemas de IA resolveram 2 dos 10 problemas. Com uma semana de esforço combinado de pesquisadores individuais e equipes de empresas de IA, o total de problemas com solução correta subiu para até 6 de 10, mas Williams evita comparar desempenho entre grupos, porque cada um seguiu protocolo próprio, com quantidades diferentes de tentativa e interação com o modelo.

Um segundo lote de problemas foi anunciado em março de 2026, e os resultados saíram em junho, já como benchmark mais formal, com avaliação estruturada das respostas.

O ponto que mais me chamou atenção nessa entrevista

Williams diz que a beleza é critério de trabalho, não só estética: quando a resposta de uma pergunta matemática sai “feia” (longa, arbitrária, sem conexão com outra coisa), ela reformula a pergunta em vez de insistir. Na minha experiência como mentora, é comum tratar a pergunta de pesquisa como algo fixo desde a qualificação, quando na prática ela pode e deve ser ajustada.

Não significa que você deveria abandonar seu projeto porque o resultado parcial não está elegante. Significa que existe uma liberdade real, dentro do rigor metodológico, para ajustar a pergunta quando a resposta não converge em nada generalizável. É um tipo de flexibilidade que exige organização (saber quando um resultado é definitivamente ruim versus quando é só uma formulação errada da pergunta), e é aí que um método de trabalho estruturado ajuda: o Método V.O.E. (Velocidade, Organização, Execução Inteligente) existe justamente para dar espaço a esse tipo de ajuste sem que o projeto inteiro perca o rumo.

Sobre o avanço da IA em matemática, Williams foi cautelosa: ela espera, em dez anos, que os modelos sejam parceiros de pesquisa mais confiáveis do que são hoje, mas não trata isso como dado. Faz sentido não tratar como dado: o próprio projeto que ela coordena existe porque ainda não há consenso sobre o quanto esses sistemas realmente raciocinam versus buscam na literatura.

Próximos passos

Se essa conversa despertou curiosidade sobre como conduzir pesquisa em áreas que parecem isoladas entre si, aqui vão 3 movimentos concretos:

1. Revise seu referencial teórico procurando por estruturas matemáticas ou modelos que já foram usados em outra disciplina com nome diferente.
2. Se você usa alguma IA generativa na pesquisa, teste com um problema autoral seu, ainda não publicado, para avaliar de forma mais honesta o que a ferramenta realmente resolve.
3. Acompanhe os resultados do segundo lote do First Proof: eles indicam, de forma empírica, o estado atual da IA em raciocínio matemático avançado.

Se você quer entender melhor como usar ferramentas de IA sem comprometer a integridade da sua pesquisa, veja RFK Jr. usa retratações científicas de forma seletiva, que discute outro ângulo de como dados e evidências científicas podem ser usados, ou distorcidos, fora do ambiente acadêmico.

Fonte: What Is the Positive Grassmannian, and Why Does It Show Up Everywhere?, Quanta Magazine