Inteligência artificial e matemática: das bases da "big math" às provas feitas por máquina

Tema: Inteligência Artificial — Panorama Geral

Em 1986, um professor de engenharia elétrica na Índia fez uma pergunta aparentemente banal à sua turma: por que rádios de ondas curtas e médias produzem aquele estalo quando uma lambreta passa na rua, não importa a estação sintonizada? A resposta exigia uma transformada de Fourier — e revelava que o pulso eletromagnético da vela de ignição é uma soma de milhares de senos e cossenos, com energia em praticamente qualquer frequência que se queira escutar [1]. A anedota abre a resenha que a Nature publicou em novembro de 2026 sobre Big Math: The Hidden Codes That Run Our World, de Steven Strogatz e Alex Townsend, lançado neste mês pela Little, Brown, selo da Hachette [1][2].

Ela importa porque antecipa, em escala doméstica, o argumento central da obra: a matemática que sustenta o mundo contemporâneo não é a matemática dos cadernos escolares, mas um kit de ferramentas — matrizes e vetores, redes e otimização — que, segundo a apresentação do livro, se afasta cada vez mais da nossa compreensão [2]. Strogatz e Townsend chamam esse conjunto de "big math" e o descrevem como a matemática por trás de tecnologias que "estão sacudindo os fundamentos de como trabalhamos, brincamos, aprendemos, compramos, viajamos, nos comunicamos e até de como nos curamos" [1].

A tese deste artigo é mais desconfortável do que a celebração habitual: a IA não "resolveu" a matemática; ela completou uma transferência de escala que vinha sendo preparada havia séculos, e o preço disso é que a matemática corre o risco de se tornar uma disciplina cujo conteúdo ninguém consegue auditar por inteiro. Entre o orgulho legítimo das medalhas de olimpíada e a fatura da verificação, há uma assimetria que a cobertura entusiasmada insiste em não contabilizar.

A linhagem chinesa que já fazia álgebra com bambus

O livro de Strogatz e Townsend não começa com modelos de linguagem, e essa escolha editorial é um argumento em si. Os autores abrem com matemáticos chineses que resolviam problemas contábeis para estimar o rendimento esperado de arroz ainda na casca, formulados como sistemas de equações lineares com variáveis como x, y e z — resolvidos, na prática, movendo varetas de bambu [1]. Matrizes, vetores e combinações lineares: o vocabulário que hoje alimenta a inferência de modelos generativos nasceu como contabilidade de grãos.

A mesma continuidade aparece em James Joseph Sylvester, que cunhou o termo "matriz" no século XIX e a descrevia como "mãe, geradora, entidade que dá à luz outros objetos matemáticos" [1]. A metáfora, nota a resenha, soa estranhamente profética: a manipulação de matrizes gigantescas — com centenas de bilhões e até trilhões de números — está no coração da IA generativa [1]. Não é metáfora: é literalmente a mesma operação, em outra ordem de magnitude.

E há ainda George Dantzig, que em 1939 chegou atrasado a uma aula de estatística em Berkeley, copiou duas equações do quadro pensando que fossem tarefa de casa, resolveu-as com alguns dias de atraso e pediu desculpas ao professor — eram problemas abertos [1]. A história virou cena de Good Will Hunting (1997), com Matt Damon limpando o chão de uma universidade. Vale registrar o que a lenda esconde: Dantzig resolvia problemas formulados por humanos, para humanos. O quadro-negro era o gargalo, e o gargalo era o tamanho da lousa.

Regina Barzilay aparece nas primeiras páginas por um motivo diferente. Diagnosticada com câncer de mama e concluído o tratamento em 2014, ela decidiu enfrentar a ausência de ferramentas para detectar sinais precoces da doença — e o fez com aprendizado de máquina, tecnologia que na época servia sobretudo para recomendar filmes e orientar compras online [1]. Em colaboração com radiologistas, o modelo passou a prever o risco de câncer de mama em cinco anos a partir de uma única mamografia [1]. É o tipo de história que justifica o entusiasmo. Mas ela também fixa o padrão que será desafiado adiante: um problema bem definido, um conjunto de dados curado, um resultado verificável por especialistas humanos.

28 de 42 pontos: o que a medalha de prata realmente mede

Em julho de 2024, na Olimpíada Internacional de Matemática (IMO), um sistema combinado do Google DeepMind somou 28 dos 42 pontos possíveis — o mesmo nível de um medalhista de prata, sendo ouro a partir de 29 [3][4]. O AlphaProof resolveu dois problemas de álgebra e um de teoria dos números; o AlphaGeometry 2 resolveu o problema 4, de geometria — quatro de seis [3]. Entre os resolvidos estava o P6, o mais difícil daquele ano, que apenas cinco participantes humanos conseguiram fazer [3][4].

O detalhe metodológico é o que separa esse resultado de um bom benchmark de chatbot. O AlphaProof é um sistema baseado em aprendizado por reforço que prova enunciados na linguagem formal Lean, um assistente de demonstração que só aceita passos logicamente válidos [3]. Ou seja: a máquina não "acha" que a prova está certa — ela produz um objeto que um verificador independente aceita ou rejeita mecanicamente. Em novembro de 2025, o método foi publicado na Nature, com Hubert e colegas descrevendo o sistema como raciocínio matemático formal em nível de olimpíada [5].

Há, no entanto, uma assimetria embutida que raramente entra nas manchetes. Provas formais são a exceção, não a regra, na matemática praticada. A comunidade demonstra em linguagem natural, com saltos justificados por convenção e cultura compartilhada. O sucesso do AlphaProof em Lean diz muito sobre a viabilidade de automatizar o que já foi formalizado — e o corpus formal disponível, embora crescente, é uma fração pequena da literatura. O sistema que resolve o P6 não nos diz nada sobre o teorema que ninguém ainda sabe enunciar corretamente.

Some-se a isso um custo que a narrativa de avanço espetacular costuma dissolver: enquanto um dos problemas saiu em minutos, outros exigiram até três dias de computação [3], muito além do tempo dado aos competidores humanos. E o recorte é de problemas de olimpíada, projetados para ter solução elegante em poucas horas de raciocínio humano, não para representar a matemática de pesquisa. Comparar o desempenho em olimpíada com a produção de um matemático profissional é como comparar um corredor de 100 metros com um cartógrafo: ambos são impressionantes, mas medem coisas distintas.

O lema que ninguém sabe como citar

Em 2026, a matemática descobriu um problema que não é matemático: o que fazer quando uma peça central de um argumento foi sugerida por um modelo de linguagem. O caso discutido como o do "lema mais importante de 2026" é o Lema 3.4 de um artigo de Bloom, Sawin, Schildkraut e Zhelezov que refuta, nos números reais, a conjectura soma-produto de Erdős–Szemerédi; segundo os próprios autores, o lema foi sugerido pelo GPT-5.5 Pro [6]. Como arXiv, DOI e bases bibliográficas não têm campo para contribuições não humanas, quem quiser usar o lema cita o artigo dos autores humanos — não a origem da ideia [6].

Aqui é preciso ter opinião, e a minha é que a comunidade está tratando o sintoma e ignorando a doença. O debate público se concentra em "a IA vai substituir matemáticos?" — uma pergunta de emprego disfarçada de pergunta epistemológica. A questão decisiva é outra: quem responde pelo que a máquina afirma? A matemática construiu, ao longo de dois milênios, um edifício de confiança baseado em responsabilidade pessoal. Um teorema tem um autor que pode ser questionado e convidado a responder.

Jim Portegies, da Universidade de Tecnologia de Eindhoven, levou o problema às páginas da Nature em julho de 2026, com um título que é ele mesmo um argumento: "Como impedir que a IA prejudique a matemática" — os matemáticos, defende, precisam reconhecer com urgência o impacto da IA na área e agir rápido [7]. Portegies coordenou o grupo que redigiu a Declaração de Leiden sobre IA e matemática, apoiada pela União Matemática Internacional, que lista cinco ameaças: resultados não confiáveis, falta de atribuição adequada, dependência e desigualdade, exagero dos resultados e perda de autonomia [8]. O texto alerta para "provas" que parecem convincentes mas contêm erros quase invisíveis e recomenda tratar a IA "como ferramenta, e não como autora", com humanos plenamente responsáveis, inclusive pela atribuição [8]. Prova não verificada não é conhecimento; é ruído com notação bonita.

E há o custo de atenção, que a literatura sobre produtividade acadêmica raramente mede. Cada conjectura atacada por IA exige que um especialista humano reconstrua o raciocínio, confira lemas auxiliares, cheque se a formalização em Lean não trocou o problema por outro. A conta é assimétrica: gerar é barato, auditar é caro. Na Declaração de Leiden, a matemática Leslie Ann Goldberg, de Oxford, resume o risco: rascunhos imprecisos gerados por IA custam pouco para produzir e podem entulhar a literatura com resultados simplesmente errados [8]. O gargalo migrou para o ponto mais escasso do sistema: os matemáticos capazes de julgar.

O dia em que a "descoberta da IA" nasceu de um rumor

O caso mais ilustrativo do período não é um teorema, é uma controvérsia. Em 8 de setembro de 2026, matemáticos da OpenAI anunciaram que cerca de 10 mil agentes autônomos haviam encontrado uma singularidade nas equações de Navier–Stokes em três dimensões — um dos Problemas do Milênio, com prêmio de US$ 1 milhão —, com o resultado verificado em Lean [9]. A Quanta Magazine reportou um detalhe que reorganiza toda a leitura: a própria empresa admitiu que o trabalho foi inspirado por rumores de que os matemáticos Levent Alpöge e Tristan Buckmaster haviam resolvido um Problema do Milênio — que, segundo a revista, eles ainda não tinham resolvido de fato, embora tivessem uma prova não verificada de explosão para uma versão mais fácil [9]. Alpöge e Buckmaster anunciaram resultados sobre as equações de Euler na véspera e alegaram que seu trabalho teria vazado para a OpenAI; a disputa de prioridade ganhou verbete próprio na Wikipédia, que registra que o Instituto Clay ainda não reconheceu nenhuma solução [10].

Leia de novo. A máquina não chegou ao problema pelo caminho heroico da intuição livre. Ela foi apontada na direção de um alvo que humanos já rondavam. Isso não invalida o resultado — se a prova se sustentar, se sustenta —, mas desmonta a versão publicitária de uma inteligência que descobre sozinha. O que a IA fez foi comprimir o tempo entre saber que algo provavelmente é possível e produzir a formalização da coisa. É uma contribuição enorme. Não é a mesma contribuição que os anúncios sugerem.

Algo diferente, mas igualmente revelador, ocorreu com o problema das distâncias unitárias. Em 1946, Paul Erdős propôs uma conjectura sobre a melhor estratégia para o problema; em maio de 2026, um modelo da OpenAI superou o recorde que ele julgava imbatível. A Scientific American registrou que se trata da primeira prova de IA que provavelmente seria publicada na principal revista de matemática se tivesse sido feita só por humanos [11]. No The Conversation, a matemática Melissa Lee, da Universidade Monash, escreveu que o anúncio chocou a comunidade matemática [12]. Peço licença para discordar do enquadramento. Chocado ficaria quem acreditasse que a intuição geométrica é inacessível a máquinas treinadas em padrões. O espanto real é outro: o contraexemplo a uma conjectura de oitenta anos veio antes da compreensão de por que ela é falsa — e essa diferença, entre saber que um enunciado cai e entender o mecanismo que o derruba, é onde a matemática de fato acontece.

A matemática como infraestrutura invisível

Voltemos ao livro, porque ele oferece o mapa que o noticiário não oferece. Strogatz e Townsend mostram que a ideia de Leon Festinger, de 1949, segundo a qual multiplicações repetidas de matriz por vetor podem revelar "estruturas ocultas em redes sociais", virou, ao longo de décadas, a base para medir influência, detectar agrupamentos e ordenar

indivíduos por conectividade [1]. É o mesmo maquinário que, mais tarde, ordenaria páginas na web.

O exemplo do jogo de cobras e escadas é didático no melhor sentido: a próxima casa depende apenas da posição atual e do dado, o que é exatamente a definição de uma cadeia de Markov — formulação central nos primeiros algoritmos de busca do Google [1]. Nada disso foi inventado para a internet. A internet é que foi construída sobre um andaime matemático já erguido.

É por isso que a pergunta "a IA transformou a matemática?" tem resposta ambígua. A IA transformou a prática da matemática — quem faz, em que velocidade, com que ferramentas. Não transformou a matemática enquanto corpo de verdades, porque verdades não se apressam. O que a big math fez foi tornar operacional o que antes era contemplativo: matrizes que descrevem redes, transformadas que decompõem sinais, otimizações que escolhem entre bilhões de rotas. A IA é o capítulo mais recente dessa história, não um novo livro.

Há, contudo, uma escolha dos autores que merece registro: eles avisam que não pretendem tornar a matemática "aconchegante ou acessível" [1], e o livro, com equações enxutas, é mais acessível do que os volumes de Susskind ou Carroll, mas ainda fiel ao detalhe [1]. A franqueza é o oposto do que fazem os comunicados de imprensa. Um campo que não consegue explicar seu próprio funcionamento ao público perde a capacidade de defender suas prioridades — e a matemática, financiada por impostos e doações, depende dessa defesa mais do que muitas outras ciências, porque seus resultados raramente têm produto imediato para exibir.

Onde a conta não fecha

Reunindo as peças, o padrão é claro e desconfortável. A IA é excelente no que já foi formalizado: provas em Lean, conjecturas com enunciado preciso, problemas com critério de acerto inequívoco [3][5]. A IA é promissora no que pode ser decomposto em padrões verificáveis: a geometria discreta de Erdős, os problemas de olimpíada [11][3]. A IA ainda é frágil no que constitui o núcleo do trabalho matemático: escolher problemas que valham a pena, construir a arquitetura conceitual que torna um resultado inteligível, ensinar a próxima geração a pensar.

A limitação mais séria, porém, não é técnica nem epistemológica — é institucional. O sistema de recompensas da academia premia volume, e a IA multiplica volume. Se o número de provas geradas crescer uma ordem de magnitude e o número de revisores competentes permanecer constante, o resultado não é matemática mais rápida: é matemática menos confiável com aparência de mais rápida. É esse o risco que a Declaração de Leiden tenta antecipar, ao pedir transparência sobre ferramentas e métodos usados e políticas de periódicos e instituições sobre autoria, revisão por pares e propriedade intelectual [8].

Há também a questão da distribuição de capacidade. AlphaProof, AlphaGeometry 2 e os modelos que superaram conjecturas de oitenta anos pertencem a um punhado de grandes empresas de tecnologia [3][11]. A Declaração de Leiden aponta exatamente a dependência de tecnologia proprietária e a perda de autonomia quando interesses comerciais passam a definir a agenda de pesquisa [8]. A matemática sempre foi uma das ciências mais democratizadas pela baixa exigência de capital: papel, lápis e tempo bastavam. Se a fronteira se deslocar para o que exige milhares de GPUs, o campo ganhará velocidade e perderá uma de suas virtudes históricas mais raras — a de ser acessível a quem tem talento e nada mais.

O que vem depois do espanto

A tese que este texto defendeu desde a primeira linha se sustenta: a IA não resolveu a matemática; completou uma transferência de escala e transferiu o gargalo para a auditoria. O que se segue não é um mundo sem matemáticos; é um mundo em que o trabalho do matemático se parece menos com resolver e mais com julgar — mais com o ofício do editor do que com o do explorador.

Três direções merecem atenção nos próximos anos. A primeira é a verificação como infraestrutura pública: se bibliotecas formais em Lean se tornarem padrão de publicação, como já ocorre em nichos, o custo de auditar uma prova gerada por máquina cai drasticamente, já que o verificador aceita ou rejeita cada passo mecanicamente [3][5]. A segunda é a atribuição: a matemática precisa de uma convenção para registrar contribuições híbridas antes que o lema de 2026 vire precedente [6][8]. A terceira, e mais importante, é a agenda: quem decide quais problemas a IA deve atacar? Hoje, quem paga a conta.

Strogatz e Townsend apresentam a big math como um kit de ferramentas que permite à humanidade enfrentar problemas "vastos demais para caber em nossas cabeças" [2]. A formulação é precisa e traiçoeira na mesma medida. Cabeça nenhuma jamais conteve uma transformada de Fourier de um trilhão de pontos, e a matemática funcionou por séculos delegando ao papel o que a mente não segura. A novidade de 2026 não é a delegação. É que o delegado agora responde em linguagem que seus criadores precisam conferir com o mesmo cuidado com que confeririam um estranho educado batendo à porta com um teorema na mão.

Referências

[1] Nature (2026). AI has transformed maths — this is how we got here (resenha de Strogatz, S. & Townsend, A., Big Math: The Hidden Codes That Run Our World, Little, Brown, 2026), 9 nov. 2026. https://www.nature.com/articles/d41586-026-03627-6

[2] Little, Brown and Company / Hachette Book Group (2026). Big Math: The Hidden Codes That Run Our World — Steven Strogatz & Alex Townsend. https://www.littlebrown.com/titles/steven-strogatz-2/big-math/9780316581585/

[3] Google DeepMind (2024). AI achieves silver-medal standard solving International Mathematical Olympiad problems. https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/

[4] Zahavy, T. (2024). AlphaProof — IMO 2024: 28/42 points, silver medal standard. https://www.tomzahavy.com/projects/alphaproof

[5] Hubert, T. et al. (2025). Olympiad-level formal mathematical reasoning with reinforcement learning. Nature. https://www.nature.com/articles/s41586-025-09833-y

[6] The Data Guy (2026). The Most Important Lemma of 2026 Was Written by an AI. There's No Way to Cite It. https://thedataguy.pro/writing/2026/06/the-most-important-lemma-of-2026/

[7] Portegies, J. (2026). How to prevent AI from harming mathematics. Nature, 27 jul. 2026. https://www.nature.com/articles/d41586-026-02309-7

[8] Universiteit Leiden (2026). Leiden Declaration: AI is challenging the core values of mathematics. https://www.universiteitleiden.nl/en/news/2026/06/leiden-declaration-warns-ai-is-challenging-the-core-values-of-mathematics

[9] Kakaes, K. (2026). AI Has Solved One of Math's $1 Million Millennium Prize Problems. Quanta Magazine. https://www.quantamagazine.org/ai-has-solved-one-of-maths-1-million-millennium-prize-problems-20260908/

[10] Wikipedia (2026). Navier–Stokes priority controversy. https://en.wikipedia.org/wiki/Navier%E2%80%93Stokes_priority_controversy

[11] Howlett, J. (2026). OpenAI announces AI's biggest math breakthrough yet. Scientific American. https://www.scientificamerican.com/article/ai-just-solved-an-80-year-old-erdos-problem-and-mathematicians-are-amazed/

[12] Lee, M. (2026). An AI solution to an 80-year-old problem has shocked mathematicians. The Conversation. https://theconversation.com/an-ai-solution-to-an-80-year-old-problem-has-shocked-mathematicians-283686

Fale com a Eliza
E

Eliza

Agente assistente