Entender como a IA da Anthropic avançou na Hipótese de Riemann exige separar uma descoberta matemática interessante de uma manchete exagerada. O Claude, modelo de inteligência artificial da Anthropic, não resolveu um dos maiores enigmas da matemática. O que aconteceu foi diferente — e ainda assim bastante relevante: durante uma tentativa de atacar o problema, a IA explorou centenas de caminhos, coordenou dezenas de agentes especializados e encontrou um novo resultado relacionado à quantidade de zeros da função zeta que podem ser garantidos na chamada linha crítica.
A Hipótese de Riemann foi formulada em 1859 pelo matemático alemão Bernhard Riemann e continua sem demonstração até hoje. Ela está profundamente ligada à distribuição dos números primos e é considerada tão importante que integra os sete Problemas do Milênio do Clay Mathematics Institute. Quem apresentar uma solução válida, dentro das regras do instituto, pode receber um prêmio de US$ 1 milhão. O episódio envolvendo a Anthropic não conquistou esse prêmio, mas abre uma discussão fascinante: até onde uma IA pode participar de pesquisas matemáticas que ainda não possuem resposta?
Por que entender como a IA da Anthropic avançou na Hipótese de Riemann importa agora?
Durante muito tempo, modelos de inteligência artificial foram avaliados principalmente em problemas para os quais alguém já conhecia a resposta.
Era possível perguntar uma questão de matemática, programação ou física e depois comparar a resposta da IA com uma solução existente.
A Hipótese de Riemann pertence a outra categoria.
Ninguém conhece sua solução.
Isso muda completamente o desafio.
Em vez de reproduzir um raciocínio aprendido anteriormente, o sistema precisa navegar por um espaço de possibilidades no qual nem mesmo os pesquisadores sabem qual caminho, se algum, levará à resposta.
Foi nesse contexto que a Anthropic colocou uma versão de pesquisa do Claude para trabalhar no problema.
Segundo a empresa, o sistema começou explorando aproximadamente 650 ideias diferentes.
Nenhuma delas funcionou.
É um detalhe que vale destacar porque ajuda a corrigir uma interpretação bastante comum da história.
A frase “IA usa 650 ideias para resolver mistério matemático de 150 anos” dá a impressão de que o problema foi solucionado depois de centenas de tentativas.
Não foi.
As aproximadamente 650 primeiras abordagens falharam. Depois, o sistema continuou investigando e acabou encontrando um resultado importante em um problema relacionado.
Além disso, em 2026 a Hipótese de Riemann tem cerca de 167 anos, pois foi apresentada em 1859.
O interesse atual, portanto, não está em uma suposta solução definitiva.
Está no fato de uma IA ter participado de uma investigação matemática aberta e aparentemente produzido um avanço que merece análise da comunidade científica.
O que é a Hipótese de Riemann?
Para quem não é matemático, o nome pode parecer intimidante.
Mas a pergunta central pode ser entendida sem entrar imediatamente em fórmulas complexas.
Tudo começa com os números primos.
São números divisíveis apenas por 1 e por eles mesmos:
- 2;
- 3;
- 5;
- 7;
- 11;
- 13;
- 17;
- 19;
- 23;
À primeira vista, eles parecem surgir de maneira irregular.
Entre alguns primos existe um intervalo pequeno. Em outros pontos, a distância aumenta.
Mesmo assim, quando observamos conjuntos gigantescos de números, aparecem padrões estatísticos.
Matemáticos sabem estimar muito bem quantos números primos devem existir até determinada quantidade.
O grande desafio está nas pequenas irregularidades dessa distribuição.
É justamente aí que entra a função zeta de Riemann.
A função zeta é uma espécie de ponte para os números primos
Em uma de suas formas mais conhecidas, ela pode ser escrita assim:
ζ(s) = 1 + 1/2^s + 1/3^s + 1/4^s + ...
Essa expressão aparentemente simples se torna muito mais poderosa quando é estudada usando números complexos.
Um número complexo possui uma parte real e uma parte imaginária.
Em vez de imaginarmos apenas uma reta numérica, passamos a trabalhar em um plano.
Riemann percebeu que a função zeta guardava uma conexão extraordinária com os números primos.
A posição de determinados pontos em que essa função assume o valor zero fornece informações sobre a forma como os primos se distribuem.
Esses pontos são chamados de zeros da função zeta.
O que são os zeros da função zeta?
Existem dois grupos principais.
Zeros triviais
São zeros bem conhecidos localizados nos números inteiros negativos pares:
- -2;
- -4;
- -6;
- -8;
- -10;
- e assim por diante.
Eles não são o grande mistério.
Zeros não triviais
Aqui começa o problema realmente interessante.
Esses zeros aparecem em uma região conhecida como faixa crítica.
Riemann propôs que todos eles estariam exatamente sobre uma linha específica no plano complexo.
Essa linha possui parte real igual a:
1/2.
Ela ficou conhecida como linha crítica.
A Hipótese de Riemann afirma, essencialmente, que todos os zeros não triviais da função zeta estão nessa linha.
Pode parecer uma afirmação muito específica.
Mas as consequências matemáticas seriam profundas.
Uma analogia simples para entender a Hipótese de Riemann
Imagine um corredor extremamente longo.
Você sabe que existem inúmeros objetos espalhados ao longo dele.
A Hipótese de Riemann faz uma afirmação surpreendente: apesar de existir espaço para os objetos ocuparem diferentes posições laterais, todos os objetos importantes estariam exatamente sobre uma linha que atravessa o centro do corredor.
Os computadores já verificaram quantidades gigantescas de zeros que aparecem na posição esperada.
Mas isso não constitui uma prova.
Em matemática, observar milhões, bilhões ou trilhões de casos favoráveis não é suficiente quando a afirmação fala sobre uma quantidade infinita.
Bastaria existir um único zero não trivial fora da linha crítica para que a Hipótese de Riemann fosse falsa.
É por isso que testar muitos exemplos e provar uma afirmação são coisas completamente diferentes.
Por que a Hipótese de Riemann é tão importante?
A relevância não vem apenas da dificuldade.
A hipótese está conectada a uma parte central da teoria dos números.
Se ela for verdadeira, muitos resultados matemáticos que hoje são conhecidos apenas sob determinadas condições ganham uma base mais sólida.
O problema também ajuda a compreender com maior precisão a distribuição dos números primos.
Entre os principais motivos para tanto interesse estão:
- sua ligação profunda com a teoria dos números;
- a relação com a distribuição dos números primos;
- sua presença como hipótese em diversos resultados matemáticos;
- a conexão com análise complexa e outras áreas avançadas;
- o papel histórico que exerce no desenvolvimento da matemática moderna.
Existe também uma associação frequente entre a Hipótese de Riemann e criptografia.
É verdade que números primos são fundamentais em vários sistemas criptográficos.
Mas provar a hipótese não significaria automaticamente “quebrar a criptografia da internet”.
Essa relação é muito mais indireta do que algumas manchetes sugerem.
Como a IA da Anthropic avançou na Hipótese de Riemann na prática
O experimento começou com uma solicitação extraordinariamente ambiciosa: tentar resolver a Hipótese de Riemann.
Segundo a Anthropic, Jarred Sumner colocou uma versão experimental do Claude para trabalhar na questão e deixou que o próprio modelo tomasse grande parte das decisões sobre quais caminhos matemáticos explorar.
A primeira fase produziu aproximadamente 650 ideias.
Elas fracassaram.
Em vez de interromper o experimento, o sistema recebeu a tarefa de continuar procurando.
Foi então que a investigação ganhou outra escala.
A Anthropic relata que Claude chegou a coordenar aproximadamente 60 subagentes, trabalhando em diferentes partes do problema.
Durante a exploração, o sistema teria utilizado:
- cerca de 31 milhões de tokens de saída;
- aproximadamente 2.400 comandos executados em shell;
- centenas de scripts em Python;
- milhares de verificações numéricas;
- análise de dezenas de artigos científicos;
- agentes encarregados de criticar as soluções produzidas;
- buscas específicas por contraexemplos.
Isso se parece menos com uma conversa convencional com um chatbot e mais com uma pequena equipe de pesquisa digital.
Alguns agentes exploravam caminhos.
Outros tentavam derrubá-los.
Outros buscavam resultados anteriores na literatura.
E outros verificavam cálculos.
No fim, a solução da Hipótese de Riemann não apareceu.
Mas surgiu outra coisa.
O que a IA realmente descobriu?
O resultado está relacionado à proporção de zeros não triviais que podemos garantir que estejam sobre a linha crítica.
Antes do trabalho divulgado pela Anthropic, um limite importante citado pelos pesquisadores garantia que mais de 5/12 dos zeros, aproximadamente 41,67%, estavam sobre essa linha.
O novo trabalho apresenta uma forma de elevar esse limite.
A construção chega primeiro a pelo menos dois terços dos zeros.
Com uma otimização adicional, o valor apresentado chega a aproximadamente 67,25%.
A comparação fica mais clara assim:
| Questão | Situação |
|---|---|
| Claude resolveu a Hipótese de Riemann? | Não |
| Claude refutou a hipótese? | Não |
| O problema continua aberto? | Sim |
| Limite anterior citado para zeros na linha crítica | Cerca de 41,67% |
| Novo limite apresentado no trabalho | Cerca de 67,25% |
| Existe formalização computacional? | Sim, em Lean 4 |
| O prêmio de US$ 1 milhão foi conquistado? | Não |
Esse aumento é matematicamente interessante.
Mas existe uma armadilha de interpretação.
67,2% não significa que a Hipótese de Riemann está 67,2% resolvida
Essa talvez seja a distinção mais importante de todo o assunto.
Matemática não funciona como uma barra de carregamento.
Não podemos dizer:
“Já chegamos a 67%, então falta apenas um terço.”
O novo resultado diz que determinado método consegue garantir que pelo menos uma proporção maior dos zeros está na linha crítica.
Ele não diz onde estão todos os demais zeros.
Imagine que alguém conseguisse provar que 99,999999% deles estão na posição prevista.
Ainda faltaria responder a pergunta principal:
e o restante?
Se existir apenas um zero fora da linha crítica, a hipótese estará errada.
Por isso, existe uma diferença enorme entre melhorar um limite matemático e resolver a conjectura.
Como Claude encontrou esse novo caminho?
A parte técnica do trabalho envolve conceitos avançados de teoria analítica dos números.
O interessante, porém, é que a inovação parece ter surgido da combinação de ideias que já existiam na literatura matemática.
Claude trabalhou com resultados anteriores de pesquisadores e reorganizou elementos de maneira diferente.
Isso também corrige outra percepção comum sobre inteligência artificial.
Uma IA não precisa necessariamente “inventar toda a matemática do zero” para contribuir com uma descoberta.
Pesquisadores humanos também trabalham assim.
Grande parte da ciência avança quando alguém percebe que métodos desenvolvidos em contextos diferentes podem ser combinados de uma maneira que ninguém havia explorado.
A diferença, no caso de sistemas de IA, está na escala.
Um modelo capaz de ler grandes quantidades de literatura, gerar centenas de hipóteses e testar muitas combinações pode percorrer espaços de busca que seriam extremamente trabalhosos para uma única pessoa.
O papel da álgebra linear no novo resultado
A demonstração completa é bastante técnica.
Mas a ideia geral pode ser simplificada.
Em vez de tentar responder diretamente:
“Todos os zeros estão na linha crítica?”
o método trabalha com uma pergunta mais limitada:
“Com as informações matemáticas que já possuímos, qual proporção mínima de zeros podemos obrigatoriamente colocar nessa linha?”
Para fazer isso, determinados elementos do problema são reorganizados em estruturas que podem ser estudadas por técnicas de álgebra linear.
É uma mudança de perspectiva.
Em vez de atacar diretamente o objetivo final, o método cria uma maneira mais eficiente de extrair informação de resultados já conhecidos.
Esse tipo de mudança costuma ser extremamente valioso em matemática.
A formalização em Lean 4 muda o jogo?
Uma das partes mais interessantes do episódio é que o trabalho não ficou apenas em um texto escrito em linguagem matemática tradicional.
A Anthropic também divulgou uma formalização em Lean 4.
Lean é um assistente de provas.
Ele permite transformar definições, teoremas e demonstrações em uma linguagem formal que um computador pode verificar passo a passo.
Isso ajuda a responder uma preocupação óbvia.
Se uma IA começar a produzir demonstrações cada vez maiores, como saber se não existe um pequeno erro escondido no raciocínio?
Com uma prova formal, cada etapa precisa obedecer às regras do sistema lógico.
Isso oferece um tipo de verificação extremamente rigoroso.
O processo pode envolver:
- definir matematicamente cada objeto usado;
- transformar os argumentos em expressões formais;
- verificar se cada passo decorre dos anteriores;
- impedir “saltos intuitivos” não justificados;
- testar automaticamente a consistência lógica da demonstração.
Isso não elimina o papel dos matemáticos.
A comunidade ainda precisa verificar se o que foi formalizado representa corretamente o problema científico original, se as hipóteses adotadas fazem sentido e se o resultado realmente é novo em relação à literatura existente.
Mas a combinação entre IA generativa + agentes + provas formais pode se tornar uma ferramenta poderosa para pesquisa.
O que o caso revela sobre inteligência artificial e matemática
Talvez a maior novidade não seja o número 67,25%.
É o processo que levou até ele.
Claude não recebeu uma pergunta escolar.
Também não recebeu um problema de olimpíada com resposta escondida em algum livro.
O sistema foi colocado diante de uma questão aberta.
E falhou no objetivo principal.
Isso não é necessariamente um ponto negativo.
Pesquisa científica funciona justamente assim.
Pesquisadores passam meses ou anos seguindo caminhos que não levam à resposta esperada.
Às vezes, durante essas tentativas, encontram outro resultado que acaba sendo importante.
Foi isso que torna esse experimento especialmente interessante.
A IA mostrou capacidade para desempenhar diferentes papéis:
- gerar hipóteses;
- testar caminhos;
- ler literatura científica;
- escrever código;
- realizar cálculos numéricos;
- pedir que outros agentes encontrem falhas;
- reorganizar resultados existentes;
- ajudar a formalizar uma demonstração.
Nenhum desses elementos isoladamente é uma revolução.
A combinação deles pode ser.
Existem diferentes formas de usar IA em matemática
O episódio da Anthropic ajuda a perceber que “IA fazendo matemática” pode significar coisas muito diferentes.
IA como calculadora avançada
É o uso mais tradicional.
O sistema executa cálculos, manipula expressões ou produz aproximações numéricas.
IA como assistente de demonstração
Ajuda o pesquisador a organizar argumentos e procurar caminhos possíveis.
IA como agente de pesquisa
Pode consultar literatura, gerar hipóteses, escrever programas e testar abordagens.
IA como verificador
Trabalha junto a sistemas de prova formal, como Lean, para conferir raciocínios matemáticos.
IA como coordenadora de outros agentes
Foi um dos aspectos mais marcantes do experimento.
Em vez de executar tudo sozinha, uma IA principal distribui tarefas entre diferentes agentes especializados.
Essa arquitetura permite que uma abordagem seja desenvolvida enquanto outra equipe digital tenta encontrar um erro nela.
Existem exemplos semelhantes no mundo?
Sim.
O uso de Inteligência Artificial em matemática vem se tornando mais sofisticado.
Um dos caminhos mais promissores é justamente a formalização de demonstrações.
Sistemas de IA já vêm sendo utilizados para transformar provas em linguagens formais e trabalhar ao lado de verificadores matemáticos.
Em 2026, o IMPA destacou o caso do agente Gauss, da Math Inc., usado na formalização do Teorema dos Números Primos em Lean.
A tendência é relevante porque aponta para uma nova forma de produzir e verificar matemática.
Em vez de depender apenas da leitura humana de demonstrações extensas, pesquisadores podem usar softwares para conferir automaticamente partes importantes do argumento.
E o Brasil nessa história?
A função zeta de Riemann também está presente na pesquisa matemática brasileira.
O Instituto de Matemática Pura e Aplicada, o IMPA, possui pesquisadores e trabalhos ligados à teoria dos números e à função zeta.
Um exemplo é a tese de Carlos Andrés Chirre, defendida no IMPA e premiada pela CAPES, que tratou de limites relacionados à função zeta de Riemann por meio de análise de Fourier.
Isso mostra que o tema não está restrito a universidades europeias ou americanas.
Existe pesquisa de alto nível sobre essas questões também no Brasil.
Ao mesmo tempo, a expansão das ferramentas de IA pode criar novas oportunidades para pesquisadores brasileiros.
Entre elas:
- uso de agentes para explorar conjecturas;
- formalização de provas;
- revisão automatizada de demonstrações;
- experimentação numérica em grande escala;
- integração entre matemática, programação e IA;
- formação de pesquisadores especializados em raciocínio matemático computacional.
O avanço dessas ferramentas não elimina a necessidade de formação matemática profunda.
Pelo contrário.
Quanto mais poderosa for a IA, mais importante será saber quais perguntas fazer e como avaliar suas respostas.
O que esperar do futuro?
É impossível afirmar quando a Hipótese de Riemann será resolvida.
Também não existe evidência suficiente para dizer que uma IA será responsável por essa descoberta.
Mas algumas tendências já começam a ficar mais claras.
Mais agentes trabalhando juntos
Em vez de uma única IA tentando resolver um problema, podemos ver equipes formadas por dezenas ou centenas de agentes.
Um procura referências.
Outro cria uma demonstração.
Tenta destruí-la.
Outro formaliza o resultado.
Outro realiza simulações.
Esse modelo já começou a aparecer.
Provas formais devem ganhar espaço
Quanto mais matemática for produzida com auxílio de IA, maior será a necessidade de verificadores.
Uma demonstração humana com poucas páginas pode ser revisada por especialistas.
Mas imagine uma IA produzindo uma prova com dezenas de milhares de etapas.
A verificação automática se torna muito mais importante.
O papel do matemático pode mudar
O pesquisador humano pode passar menos tempo em algumas tarefas repetitivas e dedicar mais atenção a aspectos como:
- formular boas conjecturas;
- identificar relações entre áreas diferentes;
- escolher quais caminhos merecem ser investigados;
- interpretar descobertas;
- avaliar a importância de um novo resultado;
- explicar o significado da matemática produzida.
Descobertas secundárias podem se tornar mais frequentes
Claude começou procurando uma coisa e encontrou outra.
Esse tipo de resultado inesperado é comum na ciência.
Se sistemas de IA conseguirem explorar muito mais caminhos do que um pesquisador sozinho conseguiria investigar, talvez resultados desse tipo se tornem mais frequentes.
O que a IA ainda não fez
É importante manter a perspectiva.
Apesar de todo o entusiasmo, o experimento não demonstra que a IA está prestes a resolver os maiores problemas da matemática.
Neste caso:
- a Hipótese de Riemann continua aberta;
- as primeiras centenas de ideias não deram certo;
- o resultado depende de matemática construída por pesquisadores humanos durante décadas;
- um limite de 67,25% não equivale a 67,25% da conjectura resolvida;
- a formalização computacional não substitui toda a análise científica;
- resultados novos ainda precisam ser examinados pela comunidade especializada.
Isso torna a história menos espetacular?
Na verdade, torna-a mais interessante.
Porque estamos vendo a IA começar a participar de um processo real de pesquisa, com tentativas, erros, revisões e resultados inesperados.
Perguntas frequentes sobre a Hipótese de Riemann e a IA da Anthropic
A IA da Anthropic resolveu a Hipótese de Riemann?
Não. Claude tentou trabalhar no problema, mas a Hipótese de Riemann continua sem solução. O sistema encontrou um resultado relacionado à proporção de zeros que podem ser garantidos na linha crítica.
Claude realmente testou cerca de 650 ideias?
Segundo a Anthropic, sim. Aproximadamente 650 abordagens iniciais foram exploradas e descartadas antes de o sistema continuar a investigação usando uma estrutura com diversos subagentes.
O que significa dizer que 67,2% dos zeros estão na linha crítica?
O resultado apresentado aumenta o limite mínimo que pode ser garantido matematicamente. Isso não significa que apenas 67,2% estejam na linha nem que a Hipótese de Riemann esteja 67,2% resolvida.
Por que a Hipótese de Riemann é tão importante?
Porque ela está profundamente relacionada à distribuição dos números primos e a vários resultados da teoria dos números. Uma prova teria consequências importantes em diferentes áreas da matemática.
Quanto vale o prêmio por resolver a Hipótese de Riemann?
O Clay Mathematics Institute oferece US$ 1 milhão para uma solução válida da Hipótese de Riemann que cumpra os critérios do programa dos Problemas do Milênio.
Conclusão: a IA não resolveu o mistério, mas mudou a conversa
A história de como a IA da Anthropic avançou na Hipótese de Riemann é mais interessante quando deixamos o exagero de lado.
Claude não resolveu um problema de 167 anos.
Também não encontrou uma prova que garantisse que todos os zeros não triviais da função zeta estão na linha crítica.
O que aconteceu foi mais sutil.
Uma IA recebeu um problema sem solução conhecida, explorou centenas de possibilidades, coordenou dezenas de agentes, analisou literatura científica, executou cálculos, procurou erros e terminou apresentando um resultado matemático relacionado que foi levado à formalização computacional.
Isso representa uma mudança importante.
Durante anos, perguntamos se modelos de IA conseguem responder perguntas difíceis.
Agora começa a surgir outra questão:
eles podem ajudar pesquisadores a descobrir perguntas e resultados que ainda não conhecemos?
A Hipótese de Riemann continua esperando uma solução.
Mas a Inteligência Artificial já entrou na sala.
E isso pode transformar a maneira como parte da matemática será pesquisada nos próximos anos.
Continue acompanhando o TecMaker para entender, de forma simples e prática, como Inteligência Artificial, ciência e inovação estão transformando o mundo.
A Equipe TecMaker é o núcleo editorial e de testes do portal, dedicada a trazer análises imparciais, comparativos de produtos e as últimas notícias do universo da tecnologia. Nosso objetivo é decodificar a inovação e ajudar nossos leitores a fazerem as melhores escolhas no mercado digital e de dispositivos emergentes.
