A inteligência artificial está matando a matemática por produzir demais?
O Prémio Fields de 2026 foi anunciado num momento de turbulência invulgar no mundo da matemática.
Será que a IA vai matar a matemática por produzir demasiada?
Introdução
O Prémio Fields de 2026 foi anunciado num momento de turbulência invulgar no mundo da matemática.
A União Matemática Internacional atribuiu os prémios a Deng Yu, John Patton, Jacob Zimmerman e Hong Wang. Quase instantaneamente, a atenção desviou-se das conquistas dos premiados para aquilo que um deles acreditava estar para acontecer.
Zimmerman anunciou planos para se juntar à OpenAI e concentrar-se em segurança de IA. Numa entrevista publicada antes e depois do anúncio do prémio, previu que a IA poderia tornar-se melhor do que matemáticos humanos a fazer matemática num prazo de dois anos.
É uma previsão, não um calendário definitivo. No entanto, vinda de um dos principais matemáticos da área, esta previsão tem um peso invulgar.
No Congresso Internacional de Matemáticos, em Filadélfia, Terence Tao transmitiu uma mensagem igualmente séria, mas mais cautelosa. Considerou que a matemática poderá estar a entrar num período turbulento, onde os fundamentos dos seus valores e práticas terão de ser examinados e reconstruídos.
Outro vencedor do Prémio Fields, Timothy Gowers, também reflete sobre a mesma transformação, mas de uma perspetiva diferente.
A sua preocupação não é apenas que a IA resolva problemas mais depressa do que os matemáticos, roubando-lhes posições académicas, ou tornando obsoletos os métodos tradicionais de descoberta e demonstração. O seu medo mais profundo é que a matemática possa continuar a produzir uma quantidade colossal de resultados corretos, mas perca a comunidade humana capaz de os compreender, organizar, ensinar e avaliar.
Neste cenário, a matemática não morrerá por falta de conhecimento.
Será submersa pela abundância.
A IA pode não "matar à fome" a matemática – antes vai "alimentá-la em excesso"
A parte mais marcante do argumento de Gowers é que ele não acredita que a IA leve a uma estagnação do progresso matemático.
Ele imagina exatamente o oposto.
Suponhamos que sistemas cada vez mais autónomos conseguem:
- Ler a literatura existente
- Escolher problemas em aberto
- Gerar novas conjecturas
- Produzir demonstrações formalizadas
- Verificar automaticamente essas demonstrações
- Explicar os resultados com qualquer nível de detalhe exigido
- Continuar este trabalho a uma velocidade mecânica, incessantemente
Do ponto de vista da produção de teoremas, isto pareceria um sucesso extraordinário.
A literatura cresceria a um ritmo superior a qualquer outro período na história da matemática. Conjeturas de longa data poderiam ser rapidamente resolvidas. Subdomínios inteiros poderiam ser explorados em paralelo. Resultados que uma equipa de investigadores humanos demoraria anos a alcançar poderiam surgir em horas.
No entanto, Gowers questiona se esta expansão não tornará a disciplina oca, em vez de a enriquecer.
A matemática não é apenas um conjunto de proposições verdadeiras armazenadas em artigos e bases de dados. Existe simultaneamente como uma rede viva de intuições, exemplos, explicações, hábitos, problemas em aberto, juízos e padrões partilhados, dentro da comunidade de matemáticos.
Um teorema pode ser correto, mas não necessariamente—
Percebi.
Uma demonstração pode ser verificada, sem se tornar parte do conhecimento funcional de ninguém.
Um campo pode conter milhões de resultados, mas perder gradualmente aqueles que compreendem porque é que esses resultados são importantes.
Este é o paradoxo central: a inteligência artificial pode fazer florescer a produção matemática, ao mesmo tempo que enfraquece a cultura matemática.
A Declaração de Leiden traça a linha de base do valor humano na matemática
A 2 de junho de 2026, uma equipa internacional de investigadores publicou a Declaração de Leiden sobre Inteligência Artificial e Matemática.
Esta declaração resultou de um seminário realizado no Lorentz Center, em Leiden, em 2025, que reuniu matemáticos, cientistas informáticos, filósofos, historiadores e investigadores de inteligência artificial para discutir a relação em mudança entre a IA e a investigação matemática.
A União Matemática Internacional reconheceu formalmente a declaração. Até 29 de julho, o site público já mostrava mais de 3200 signatários.
A declaração identifica vários valores que os seus autores consideram que devem ser protegidos:
- As demonstrações devem fornecer simultaneamente certeza e compreensão.
- Os resultados devem ser atribuíveis a autores responsáveis.
- Os argumentos matemáticos devem ser transparentes e verificáveis de forma independente.
- A investigação deve ser avaliada por critérios comuns de profundidade, dificuldade e importância.
- A matemática deve continuar a gerar compreensão, juízo e conhecimento especializado humanos, e não apenas uma lista crescente de resultados.
- A comunidade de investigação deve manter um控制 substancial sobre a sua própria direção e métodos.
As suas recomendações incluem a divulgação da assistência de IA, a proteção dos sistemas de revisão contra resultados automáticos de baixa qualidade, o apoio a infraestruturas de investigação pública, a preservação da educação e orientação humanas, e a prevenção da concentração do conhecimento matemático nas mãos de algumas empresas privadas.
A declaração recebeu o apoio público de matemáticos de renome como Terence Tao, Peter Scholze, Jeremy Avigad, Kevin Buzzard e Steven Strogatz.
O apoio de Scholze foi particularmente direto. Considera que o objetivo da investigação matemática é a compreensão humana e que a matemática só floresce através da comunidade de matemáticos humanos. Afirmou ainda que evita, em geral, ler textos matemáticos gerados por IA e que não utiliza IA para formar as suas próprias ideias.
Tao descreveu a declaração como o resultado de meses de discussão na comunidade e afirmou apoiar as suas recomendações de todo o coração.
Gowers não a assinou.
Esta escolha não significa que rejeite os propósitos da declaração. Participou no seminário inicial de Leiden e descreveu a declaração como uma contribuição importante. A sua hesitação reside em algumas afirmações e recomendações que considera necessitarem de maior qualificação.
A experiência mental de Gowers: A biblioteca sem leitores
Gowers parte de
um cenário deliberadamente extremo.
Imaginem que a inteligência artificial nunca existiu. Imaginem, depois, uma pandemia que, de alguma forma, matou todos os matemáticos, mas não afetou mais ninguém.
Todos os artigos, livros, bases de dados e arquivos de matemática permaneceriam intactos.
Nenhuma informação seria fisicamente destruída.
No entanto, a tradição matemática sofreria um golpe devastador.
A literatura, por si só, não conseguiria dizer à nova geração: quais as ideias que são centrais, que técnicas pertencem ao mesmo sistema, que definições são naturais, onde residem as dificuldades, ou que resultado esquecido merece ser revisitado.
Reconstruir esta cultura poderia levar décadas.
A razão é que o conhecimento matemático não está armazenado apenas em textos formais. Uma grande parte reside na mente dos investigadores:
- Conhecimento tácito sobre que métodos são promissores
- Intuição sobre que exemplos são representativos
- Familiaridade com a história dos problemas
- Conhecimento de abordagens falhadas que nunca aparecem nos artigos
- Juízo sobre o que é profundo, rotineiro, surpreendente ou importante
- Linguagem partilhada desenvolvida através de seminários e colaborações
- Capacidade de inserir novos resultados num panorama conceptual mais amplo
Assim, um artigo escrito assemelha-se mais a um ficheiro comprimido do que a um mundo intelectual completo. A comunidade matemática fornece o descodificador.
Agora, mude esta experiência de pensamento.
Desta vez, a inteligência artificial existe e é capaz de explicar qualquer prova com maior ou menor detalhe, de acordo com as necessidades do utilizador.
Como as máquinas conseguem resolver problemas e explicá-los com tanta facilidade, cada vez menos pessoas estão dispostas a passar anos a tornarem-se matemáticos investigadores. Os alunos podem ainda aprender alguma matemática, mas a motivação para desenvolver conhecimentos profundos e especializados diminui.
Dez ou vinte anos depois, a quantidade de literatura cresce explosivamente. Os sistemas de IA produzem inúmeros resultados corretos. Ao mesmo tempo, o número de especialistas com uma compreensão prática destas áreas cai drasticamente.
Os arquivos estão cheios.
Os seminários estão vazios.
Os resultados existem, mas poucos se preocupam em lê-los.
Esta é a versão da morte da matemática que Gowers receia.
No primeiro cenário de pandemia, a matemática morre por escassez: a comunidade desaparece e nenhum novo conhecimento é gerado.
No cenário da IA, a matemática morre por superprodução: a quantidade de material torna-se imensa, enquanto a cultura humana que lhe dá significado desaparece gradualmente.
Analogia da Eutrofização
O artigo de origem compara esta possibilidade com a eutrofização de um lago.
A morte de um lago nem sempre se deve à falta de nutrientes. Também pode ocorrer por excesso deles.
O excesso de azoto e fósforo leva ao crescimento rápido de algas. Inicialmente, o ecossistema parece extraordinariamente produtivo. A água está repleta de atividade biológica.
Eventualmente, este crescimento consome o oxigénio disponível. Os peixes e outros organismos morrem, e um ecossistema outrora vibrante transforma-se numa massa de água estagnada.
Esta analogia não é totalmente precisa, mas capta o cerne da preocupação de Gowers.
Se a comunidade matemática não conseguir absorver, organizar, ensinar e discutir os resultados matemáticos, uma produção matemática ilimitada pode não tornar a matemática mais forte.
O recurso escasso pode deixar de ser a geração de provas.
Pode tornar-se a atenção humana e o entendimento comum.
O que conta como progresso matemático?
Esta mudança levanta uma questão difícil: o que é que a matemática procura maximizar, afinal?
Se a resposta é apenas "o número de problemas resolvidos", então uma IA altamente autónoma pode representar um sucesso quase incondicional.
Mas a prática matemática nunca foi apenas uma quota de produção de teoremas.
Um resultado só contribui para a área quando outros matemáticos conseguem:
- Verificá-lo
- Compreender as suas ideias centrais
- Relacioná-lo com teorias existentes
- Reutilizar os seus métodos
- Ensiná-lo
- Reconhecer a sua importância
- Levantar novas questões a partir dele
Na sua palestra no Congresso Internacional de Matemáticos, Terence Tao fez uma distinção semelhante.
A correção é necessária, mas não suficiente. Uma prova também precisa de ser comunicada, digerida, aceite e integrada na compreensão comum da comunidade matemática.
A sua sugestão final enfatiza a educação humana, a transparência no uso da IA, mecanismos de verificação mais fortes, novas infraestruturas matemáticas e discussões abertas sobre capacidades e valores.
Assim, o gargalo futuro pode passar por várias fases:
| Fase | Questão Principal |
|---|---|
| Geração de provas | É possível gerar uma solução? |
| Verificação | Esta solução está correta? |
| Exposição | É possível explicá-la claramente? |
| Digestão | Os especialistas conseguem compreendê-la e reutilizá-la? |
| Aceitação pela comunidade | O resultado pode tornar-se parte da matemática partilhada? |
| Canonização | Pode entrar nos manuais, no ensino e na estrutura de longo prazo da área? |
A IA pode, eventualmente, ter um bom desempenho em cada fase.
No entanto, por enquanto, as três últimas fases continuam a ser processos profundamente sociais. Uma área não se mantém apenas através de respostas. Mantém-se através de um grupo de pessoas que se preocupam com as mesmas ideias e conseguem pensar em conjunto.
Gowers já tinha apostado na demonstração automática de teoremas tradicional
Gowers é particularmente digno de nota porque tem vindo a estudar a demonstração automática de teoremas há anos.
Em 2022, anunciou um projeto que adota uma abordagem de IA mais tradicional. O projeto não depende principalmente de grandes modelos de linguagem, mas visa compreender os métodos que os matemáticos humanos usam para descobrir provas e codificar esses métodos num sistema mais explícito.
O projeto é guiado pela ideia de prova motivada.
Uma prova motivada não se limita a confirmar a conclusão. Torna o caminho para a conclusão natural.
Explica:
- Porque é que uma determinada definição foi introduzida
- Que obstáculo um certo lema eliminou
- Porque é que esta construção foi escolhida em vez de outra
- Que tentativas falhadas moldaram o argumento final
- Como é que uma prova poderia ser descoberta, e não apenas verificada
Gowers acredita que um sistema automatizado construído em torno desta estrutura poderia gerar provas adequadas para a aprendizagem humana, e até mesmo para o ensino de licenciatura.
Mais tarde, defendeu a criação de uma base de dados de provas motivadas, porque os artigos publicados geralmente mostram apenas o resultado final polido de um longo processo. Omitem os pontos de partida errados, as intuições intermédias, as alterações de notação e as razões pelas quais os investigadores escolheram um caminho em vez de outro.
O rápido progresso dos grandes modelos de linguagem perturbou este plano.
Gowers continua a acreditar que sistemas de prova transparentes e motivados têm valor. O que mudou é a sua convicção anterior de que este método definiria os limites da capacidade matemática das máquinas.
Os modelos de linguagem progrediram demasiado depressa.
ChatGPT 5.5 Pro alterou as suas estimativas
Em maio de 2026, Gowers publicou um relatório detalhado sobre uma experiência com o ChatGPT 5.5 Pro.
Ele apresentou ao modelo um problema de combinatória que exigia investigação de nível real. De acordo com o seu relatório, ele deu muito pouca orientação matemática substancial.
O sistema funcionou durante cerca de uma hora e produziu resultados que Gowers classificou como de nível de doutoramento.
O argumento usava conjuntos altamente desconexos para controlar relações aditivas. Gowers escreveu que, após o facto, conseguia compreender e motivar a construção, mas a decisão do modelo de usar esta técnica parecia engenhosa e, tanto quanto ele sabia, original.
Esta distinção é crucial.
Uma ideia pode tornar-se compreensível depois de ser mostrada a um matemático, mas isso não significa que seja óbvia antes de surgir. Os investigadores humanos avaliam o novo trabalho precisamente desta forma.
Este evento não provou que a IA alcançou autonomia matemática universal. Mas alterou a estimativa de Gowers sobre as capacidades atuais dos modelos de linguagem.
O limiar para um problema de investigação útil para principiantes já se moveu.
Um problema não é mais seguro ou acessível para um estudante apenas porque permanece oficialmente não resolvido. Ele também precisa ser suficientemente difícil para que os principais modelos não consigam resolvê-lo rapidamente.
Isso representa uma mudança significativa para a formação de pós-graduandos.
O ensino de pesquisa tradicionalmente dependia da busca por problemas que fossem genuinamente abertos, mas ainda controláveis para quem está acumulando experiência. Se as máquinas conseguem limpar rapidamente uma grande quantidade desses problemas, os departamentos podem precisar de novas maneiras de ensinar descoberta, julgamento, elaboração e independência em pesquisa.
Distância unitária
Avanços revolucionários aumentam o desafio
O próximo marco é ainda mais significativo.
Em 20 de maio, a OpenAI anunciou que seu modelo interno derrubou uma conjectura central sobre o problema da distância unitária no plano, um famoso problema originado por Paul Erdős.
O modelo encontrou infinitas configurações de pontos que são polinomialmente superiores às construções baseadas em grades, que há muito eram consideradas próximas do ideal. A OpenAI publicou a prova, acompanhada por um artigo complementar coescrito por vários matemáticos de ponta, incluindo Noga Alon, Timothy Gowers, Arul Shankar, Jacob Tsimerman e outros. O artigo complementar apresenta uma formulação mais concisa e verificada por humanos, e discute o significado desse resultado.
Esse resultado é significativo por várias razões.
Primeiro, o modelo não se limitou a recuperar uma prova conhecida ou combinar alguns passos de livros-texto. Ele utilizou ideias relacionadas à teoria algébrica profunda dos números para encontrar um contraexemplo para uma conjectura amplamente aceita.
Segundo, matemáticos externos revisaram e digeriram a prova, em vez de simplesmente confiar na produção do modelo.
Terceiro, esse evento revelou um novo modelo de divisão de trabalho.
O sistema de inteligência artificial produziu a construção crucial. Matemáticos humanos a verificaram, simplificaram, rastrearam seu contexto acadêmico, explicaram por que ela funciona e avaliaram o quanto ela mudou o panorama da área.
Gowers acredita que, em um ambiente futuro de abundância de resultados gerados por máquinas, esse trabalho de "digestão" pode merecer mais reconhecimento do que simplesmente ser a pessoa que propõe o problema ao modelo.
Se uma pessoa obtém uma solução pronta, e outra passa meses a transformando em matemática compreensível, a contribuição da segunda pessoa para a sobrevivência da disciplina pode ser maior.
A formalização também está se tornando mais fácil
Uma maneira de se defender contra resultados matemáticos gerados por IA não confiáveis é a verificação formal de provas.
Provas escritas em Lean podem ser verificadas por um pequeno núcleo confiável. Se não houver axiomas não suportados ou brechas durante a compilação, o sistema oferece garantias de correção muito mais fortes do que apenas texto informal.
Historicamente, formalizar um artigo de pesquisa exigia que o usuário tivesse profundo conhecimento especializado em assistentes de prova e um grande esforço manual.
Essa barreira está se desfazendo.
Gowers relatou que usou o sistema Aristotle da Harmonic para formalizar um artigo complexo em Lean, sem ele próprio ser familiarizado com Lean. Ele enviou o artigo, pediu ao sistema que avançasse seção por seção, e todo o processo levou cerca de uma semana e meia, com ele gastando apenas um pequeno tempo de solicitação ativa.
Aristóteles combina raciocínio informal com busca de prova em Lean e verificação formal. A Harmonic o descreve como um agente capaz de provar ou formalizar material matemático em sessões longas.
Esse avanço enfraquece uma objeção às provas geradas por máquinas: de que os resultados são sempre muito pouco confiáveis para serem aceitos.
A verificação formal não resolve todos os problemas.
Um teorema formalizado pode codificar uma afirmação errada. Definições podem não capturar o conceito pretendido. Uma prova verificada ainda pode carecer de intuição. A tradução da matemática informal para a declaração formal ainda requer julgamento.
Mas, à medida que a capacidade de formalização automática melhora, torna-se cada vez mais plausível que a IA possa gerar tanto resultados candidatos quanto provas verificáveis por máquina.
O gargalo então se desloca novamente — da correção para a importância, o poder explicativo e a cultura.
A posição de Gowers é mais complexa do que "a IA matará a matemática"
A versão de manchete desse debate pode ser enganosa.
Gowers não defende que a matemática seja rejeitada simplesmente por ser gerada por máquinas.
Ele questiona partes da Declaração de Leiden precisamente porque não tem certeza se as noções tradicionais de autoria e propriedade podem sobreviver.
Se um sistema de IA descobre autonomamente um teorema correto, ele não acredita que os humanos devam receber crédito apenas por terem operado a interface.
Ele também duvida que os periódicos de revisão por pares existentes sejam necessariamente as instituições adequadas para proteger a cultura matemática de uma enxurrada de resultados gerados por IA. O sistema atual de publicação já tem sérias deficiências, e o novo ambiente pode exigir novas formas de triagem, elaboração e avaliação coletiva.
Portanto, sua visão não é de simples resistência, nem de entusiasmo cego.
Ele prevê que a IA superará os humanos em mais aspectos do trabalho matemático. Ele acredita que isso pode acontecer nos próximos anos, embora também não descarte a possibilidade de uma cooperação produtiva mais longa entre humanos e máquinas.
Ele também acha esse desenvolvimento perturbador em um nível pessoal.
Em seu artigo de julho, Gowers escreveu que o GPT-5.6 Pro resolveu "de uma vez" dois problemas que lhe eram caros e nos quais ele havia pensado seriamente. Jovens colaboradores de pesquisa, com sua permissão, sugeriram os problemas ao modelo.
Ele ficou feliz que os problemas foram resolvidos.
Ele também descreveu a experiência como estranha e desagradável — como se o chão sob seus pés tivesse sido puxado.
Essas duas emoções podem coexistir.
Uma elegia para uma área?
No mesmo dia em que Gowers publicou seu artigo sobre a Declaração de Leiden, o matemático e físico da Universidade de Columbia, Peter Woit, postou um texto intitulado "Uma elegia para uma área?"
O post conectou a conquista da Medalha Fields por Tsimerman, sua mudança para a OpenAI e o papel crescente dos agentes de IA na matemática.
Woit apontou que a matemática é diferente de jogos como o xadrez.
Quando os computadores superaram os jogadores humanos, os torneios humanos ainda tinham significado. Os jogadores continuam a competir sob as mesmas regras, e o público ainda vê a atividade como uma demonstração da capacidade humana.
Mas os limites da matemática são mais difusos.
Pesquisadores já usam amplamente software, sistemas de notação, bancos de dados, auxiliares de prova e, agora, agentes de grandes modelos de linguagem em seu trabalho diário. Se quase todos usarem sistemas igualmente poderosos, pode não existir uma categoria de "matemática profissional puramente humana" análoga ao "xadrez puramente humano".
As questões de atribuição também podem mudar.
A academia atual recompensa a prioridade: quem descobriu primeiro um teorema, método ou definição. Agentes autônomos não têm interesse pessoal em ter teoremas nomeados em sua homenagem.
Se a descoberta se tornar barata e abundante, o foco cultural pode mudar da propriedade para os seguintes aspectos:
- Triagem
- Verificação
- Elaboração
- Síntese
- Ensino
- Rastreamento histórico
- Conexão de resultados isolados
- Seleção de problemas com valor humano ou científico
Mas Gowers imediatamente levanta uma questão mais profunda: por que presumir que a IA não pode, eventualmente, desempenhar esses papéis?
Tutores de IA podem personalizar explicações, editores de IA podem selecionar resultados, historiadores de IA podem rastrear linhagens de influência, e geradores de livros didáticos de IA podem adaptar uma disciplina inteira ao conhecimento de fundo de um leitor.
Listar tarefas que as máquinas ainda não dominam não é suficiente para proteger os papéis humanos restantes.
O argumento mais forte está no nível cultural: a matemática é importante, em parte, porque é uma atividade realizada por humanos juntos.
O que os matemáticos humanos podem fazer na era da descoberta por máquinas?
Ninguém tem uma resposta completa neste momento.
Mas vários papéis possíveis estão emergindo.
1. Definir metas e selecionar problemas
Os matemáticos podem decidir quais problemas são relevantes para a ciência, a sociedade, a educação ou uma compreensão conceitual mais profunda.
Esse papel ainda é importante, embora Gowers acredite que a IA também possa eventualmente ser capaz de propor questões e teorias valiosas.
2. Verificar e formalizar resultados
Auxiliares de prova podem estabelecer a correção. Especialistas humanos ainda precisam garantir que as declarações formalizadas capturem com precisão o teorema pretendido e que suposições ocultas não alterem a essência do problema.
3.
Futuros matemáticos poderão explorar uma vasta quantidade de resultados gerados por inteligência artificial, identificar os poucos dignos de atenção e construir teorias coerentes em torno deles.
Isso se assemelha mais à redação de um bom livro didático do que à disputa pela prioridade de uma prova.
4. Preservar a história das ideias e a atribuição de autoria
Mesmo que um modelo gere novos resultados, ele pode depender de conceitos construídos por pesquisadores de gerações anteriores. Rastrear essas conexões é essencial para entender o que constitui uma verdadeira inovação.
5. Ensinar o discernimento matemático
Os alunos não precisam apenas de respostas. Eles precisam entender o significado de um problema, como as hipóteses interagem, por que um determinado conceito abstrato é útil e como identificar argumentos enganosos.
A inteligência artificial pode auxiliar nesse trabalho, mas a educação continua sendo uma área que exige profundo envolvimento humano.
Na visão de Terence Tao, a dimensão humana deve ser firmemente protegida.
6. Manter a comunidade
Seminários, colaborações, mentoria, debates acadêmicos e padrões compartilhados transformam informações isoladas em um campo acadêmico.
Um tutor de IA personalizado pode explicar um teorema a um usuário, mas não pode formar automaticamente uma comunidade acadêmica que compartilhe a responsabilidade pelo conhecimento.
O verdadeiro risco não é o fim da pesquisa matemática
A afirmação de que "a IA matará a matemática" soa como uma profecia de que a descoberta de teoremas chegará ao fim.
Gowers, no entanto, apresenta exatamente o ponto de vista oposto.
A literatura gerada por máquinas pode ser mais rica do que tudo que os humanos criaram de forma independente.
O que realmente pode desaparecer é a conexão entre essa literatura e a viva tradição acadêmica humana.
Esse risco não é inevitável.
A Declaração de Leiden, as recomendações de Terence Tao no Congresso Internacional de Matemáticos, os projetos de verificação formal, a infraestrutura matemática pública e as próprias críticas de Gowers apontam para soluções pragmáticas:
- Exigir divulgação transparente do uso de IA auxiliar
- Manter mecanismos rigorosos de prova e verificação independente
- Investir em ferramentas de IA públicas e acadêmicas
- Recompensar trabalhos de explicação e síntese
- Desenvolver melhores mecanismos de filtragem para conteúdo gerado por máquinas
- Proteger a educação e a mentoria
- Manter a capacidade humana de compreender suas próprias áreas de pesquisa
- Construir infraestrutura que apoie a exploração coletiva, e não puramente privada
- Avaliar o trabalho matemático com base em percepção e contribuição, e não apenas no volume de produção
O desafio é estabelecer esses sistemas antes que a velocidade de produção de teoremas supere a capacidade de gerenciamento das instituições existentes.
Perguntas Frequentes
É verdade que um medalhista Fields disse que a IA superará os matemáticos em dois anos?
Sim. Jakob Zimmermann disse à Quanta Magazine que acredita que a IA superará matemáticos humanos na área em dois anos. Trata-se de uma previsão pessoal, não de um cronograma de desenvolvimento verificado.
Timothy Gowers é contra o uso de IA na matemática?
Não. O próprio Gowers utiliza sistemas avançados de IA e discutiu publicamente resultados impressionantes do ChatGPT e do Aristotle. Sua preocupação é que a automação rápida possa prejudicar a cultura matemática, o conhecimento especializado, o sistema educacional e a compreensão compartilhada, mesmo enquanto produz resultados valiosos.
O que é a Declaração de Leiden sobre Inteligência Artificial e Matemática?
É uma declaração acadêmica publicada em 2 de junho de 2026, que aborda o impacto da IA na pesquisa matemática, educação, publicação, atribuição de autoria, infraestrutura e ética. Foi endossada pela União Matemática Internacional e, em 29 de julho de 2026, já contava com mais de 3.200 signatários.
Que problema a OpenAI resolveu no problema da distância unitária?
Um modelo interno da OpenAI refutou uma conjectura amplamente aceita sobre o número máximo de pares de distância unitária em um conjunto de pontos no plano. O modelo gerou infinitas configurações que superaram, em nível polinomial, as configurações baseadas em grade que eram anteriormente consideradas as melhores.
A prova da distância unitária da OpenAI foi verificada por humanos?
Sim. A OpenAI publicou a prova original, bem como um artigo complementar independente contendo uma formulação mais curta, verificada por humanos, e comentários de matemáticos de destaque.
O que é a formalização automatizada de provas?
Formalização é o processo de traduzir uma prova matemática para um formato preciso que pode ser verificado por computador.
Converter afirmações e provas matemáticas para linguagens como Lean, cujo pequeno núcleo de verificação de provas pode validar cada etapa lógica. Sistemas de IA como Aristotle estão cada vez mais aptos a auxiliar na conversão de matemática informal de pesquisa para uma forma verificável por máquina.
Se a IA produzir a maioria das novas provas, a matemática pode sobreviver?
A literatura certamente pode continuar a crescer. A questão em aberto é se uma forte comunidade acadêmica humana pode continuar a entender, ensinar, organizar e valorizar esse material, em vez de se tornar uma consumidora passiva de resultados gerados por máquina.
Quais habilidades os futuros matemáticos mais precisarão?
Verificação, seleção de problemas, explicação, síntese, formalização, atribuição histórica e ensino podem se tornar mais importantes. No entanto, a IA também pode continuar a progredir nessas tarefas, portanto, manter a matemática como uma comunidade humana significativa exigirá escolhas institucionais e culturais, e não apenas novas habilidades técnicas.
Ferramentas Relacionadas
- Lean: Um provador de teoremas interativo e linguagem de programação para criar provas matemáticas verificáveis por máquina.
- Mathlib: Uma grande biblioteca de matemática formalizada mantida pela comunidade para Lean.
- Aristotle: Um agente desenvolvido pela Harmonic capaz de executar longas sessões provando e formalizando matemática em Lean.
- Erdős Problems: Um banco de dados comunitário que acompanha mais de mil problemas relacionados a Paul Erdős.
- arXiv: A principal plataforma aberta de pré-prints onde a maior parte da pesquisa matemática atual é divulgada.
Links Relacionados
- Timothy Gowers: Reflexões sobre a Declaração de Leiden: Exposição completa de Gowers sobre cultura matemática, autoria, produção de IA e a declaração.
- Declaração de Leiden sobre Inteligência Artificial e Matemática: Declaração oficial, recomendações, endossos e lista de signatários.
- Terence Tao: Matemática na Era da IA: Palestra de Tao no Congresso Internacional de Matemáticos de 2026, cobrindo verificação, explicação, aceitação pela comunidade, educação e valores matemáticos.
- Comunicado da OpenAI sobre o problema da distância unitária: Relato oficial da OpenAI sobre o avanço de seu modelo em geometria discreta.
- Comentário de verificação humana do resultado da distância unitária: Artigo complementar que explica e avalia a prova gerada por IA.
- Timothy Gowers: Experiência de uso do ChatGPT 5.5 Pro: Relato técnico de Gowers sobre resultados combinatórios gerados por IA.
- Peter Woit: Uma elegia para um campo?: Comentário sobre Zimmermann, OpenAI e as mudanças culturais na pesquisa matemática.
Resumo
A inteligência artificial está impactando a matemática profissional em múltiplas frentes simultaneamente: resolução de problemas, geração de provas, verificação formal, explicação, treinamento, atribuição de autoria e desenvolvimento de carreira acadêmica.
O alerta central de Gowers não é que as máquinas impedirão o avanço da matemática, mas que elas podem produzir uma quantidade tão grande de resultados matemáticos corretos que a comunidade humana perderá a vontade e a capacidade de compreendê-los coletivamente.
A Declaração de Leiden, a palestra de Tao no Congresso Internacional de Matemáticos, o avanço da OpenAI no problema da distância unitária e o crescimento da formalização automatizada indicam que a matemática precisa urgentemente de novos sistemas de verificação, explicação, educação e avaliação comunitária.
O futuro da matemática depende não apenas de quantos teoremas a IA pode provar, mas de se os humanos podem transformar esses teoremas em conhecimento compartilhado.