Durante muito tempo, computadores foram excelentes para calcular. Depois passaram a resolver equações, buscar padrões e verificar demonstrações. Agora surge uma pergunta mais ambiciosa:
uma inteligência artificial pode descobrir matemática que nenhum ser humano conhecia antes?
A resposta, em 2026, já não é simplesmente “não”.
Sistemas de inteligência artificial conseguiram encontrar novas construções matemáticas, melhorar limites conhecidos, criar algoritmos inéditos e contribuir para resultados em problemas de pesquisa ainda abertos.
Mas existe uma diferença importante entre isso e imaginar uma IA trabalhando completamente sozinha, escolhendo um grande problema, inventando um novo teorema, demonstrando-o, percebendo sua importância e convencendo a comunidade matemática de que descobriu algo relevante.
Ainda não estamos nesse estágio.
A situação atual é mais interessante: IA, sistemas de busca, verificadores formais e pesquisadores humanos começam a formar uma nova cadeia de descoberta matemática.
E os primeiros resultados dessa combinação já existem.
Resposta rápida: a IA já consegue descobrir novos teoremas?
Em sentido amplo, sim: sistemas de IA já participaram da descoberta de novos resultados matemáticos que não eram conhecidos anteriormente.
Isso inclui novas construções em problemas abertos, melhores limites matemáticos e algoritmos inéditos.
Um dos exemplos mais conhecidos veio do FunSearch, do Google DeepMind, que encontrou novas construções para o problema dos cap sets. O artigo publicado na Nature descreveu o resultado como uma nova peça de conhecimento verificável em um problema matemático estabelecido e registrou uma melhora importante em limites conhecidos.
Mais recentemente, o AlphaEvolve foi aplicado a mais de 50 problemas abertos em áreas como análise, geometria, combinatória e teoria dos números. Segundo o Google DeepMind, em aproximadamente 20% dos casos o sistema melhorou a melhor solução anteriormente conhecida.
Isso já é descoberta matemática.
Mas chamar todo resultado desse tipo de “novo teorema descoberto pela IA” pode esconder diferenças importantes.
Antes de continuar: o que exatamente é um teorema?
Na matemática, um teorema é uma afirmação que possui uma demonstração construída a partir de definições, axiomas e resultados anteriores.
Por exemplo:
Existem infinitos números primos.
Essa é uma afirmação matemática.
Como existe uma demonstração, ela é um teorema.
Mas pesquisadores também produzem outros tipos de resultados:
- novas construções;
- melhores limites;
- algoritmos;
- contraexemplos;
- conjecturas;
- classificações;
- identidades;
- provas alternativas.
Uma inteligência artificial pode fazer uma descoberta importante sem necessariamente apresentar algo que, naquele momento, seja chamado de “novo teorema”.
É exatamente o que aconteceu em vários dos casos recentes.
Existem pelo menos três níveis diferentes de “IA fazendo matemática”
Para entender o estágio atual, vale separar três situações.
1. Resolver um problema cuja resposta já existe
Uma IA recebe uma questão matemática e precisa encontrar a solução.
É o que acontece em competições como a International Mathematical Olympiad (IMO).
Isso demonstra capacidade de raciocínio matemático, mas não necessariamente constitui uma nova descoberta científica, porque o problema foi criado para ser solucionado e já possui uma resposta conhecida pelos organizadores.
2. Encontrar um resultado que ninguém conhecia
Aqui a situação muda.
O sistema trabalha sobre um problema aberto ou uma região ainda não explorada e encontra:
- uma construção melhor;
- um novo algoritmo;
- um limite mais forte;
- um exemplo desconhecido.
Isso já representa produção de novo conhecimento matemático.
FunSearch e AlphaEvolve entram nessa categoria.
3. Formular e provar autonomamente um novo teorema relevante
Esse seria um estágio ainda mais ambicioso.
A IA precisaria:
- reconhecer uma pergunta matemática interessante;
- formular uma nova afirmação;
- encontrar uma demonstração;
- verificar que a demonstração está correta;
- avaliar se o resultado realmente é novo;
- compreender sua importância em relação ao restante da matemática.
É justamente nessa cadeia completa que a participação humana ainda continua fundamental.
Uma IA pode gerar uma afirmação impressionante em segundos. Mas isso não basta para transformá-la em novo conhecimento. Teste seu julgamento e acompanhe o caminho entre uma ideia produzida por máquina e uma descoberta científica confiável.
“Descobri um novo teorema matemático.”
Essa declaração, sozinha, é suficiente para considerar que houve uma descoberta científica?
Analise quatro situações. O objetivo não é decorar conceitos, mas perceber a diferença entre resolver, descobrir, provar e estabelecer que algo realmente é novo.
Para que uma resposta produzida por uma IA seja tratada como descoberta matemática, precisamos separar pelo menos quatro questões: ela está correta, pode ser verificada, realmente é nova e possui relevância matemática.
Clique em cada etapa para entender por que gerar uma resposta é apenas o começo do processo.
O sistema pode propor uma nova afirmação, algoritmo, configuração geométrica, limite matemático ou possível caminho para uma demonstração.
Sistemas de busca ou agentes podem testar milhares de candidatos, preservar os melhores e descartar caminhos que não apresentam resultados promissores.
Quando o problema permite avaliação objetiva, programas podem medir se a solução realmente melhora o resultado anterior ou se viola alguma restrição.
Pesquisadores, programas ou outros agentes podem procurar contraexemplos, inconsistências, hipóteses ocultas ou etapas que não foram justificadas.
Quando isso é possível, assistentes de prova como Lean podem verificar uma representação formal da demonstração seguindo regras lógicas extremamente precisas.
Uma prova correta não é necessariamente uma descoberta nova. É preciso verificar se o mesmo resultado já apareceu anteriormente, talvez com outra linguagem ou formulação.
Uma descoberta matemática não é apenas uma frase verdadeira. Pesquisadores analisam o que ela explica, quais problemas resolve e que novos caminhos pode abrir.
Demonstra enorme capacidade de raciocínio e construção de provas, mas o problema foi criado para ser resolvido e não representa, por si só, uma nova fronteira científica.
Problema conhecido, nova soluçãoO sistema encontrou novas construções e melhorias em limites de um problema matemático estabelecido.
Novo conhecimento matemáticoO sistema explorou problemas matemáticos e encontrou soluções ou limites melhores do que alguns dos melhores resultados previamente conhecidos.
Avanço matemático realClaude encontrou um avanço em um problema relacionado aos zeros da função zeta, mas isso não equivale a uma prova da Hipótese de Riemann.
Resultado novo, mistério permanece abertoUma resposta gerada por IA não se transforma automaticamente em descoberta científica. Um resultado precisa sobreviver à verificação, demonstrar novidade e fazer sentido dentro do conhecimento matemático existente.
FunSearch: quando um modelo de linguagem encontrou matemática nova
Um dos marcos dessa história apareceu em 2023.
Pesquisadores do Google DeepMind desenvolveram o FunSearch, abreviação de searching in the function space.
O método combinava duas peças:
um grande modelo de linguagem, capaz de gerar programas;
e
um avaliador automático, capaz de executar, testar e pontuar esses programas.
O processo era iterativo.
A IA criava uma solução candidata.
O avaliador testava.
As melhores soluções eram preservadas.
A partir delas, novas versões eram produzidas.
Esse processo se repetia inúmeras vezes.
O sistema foi aplicado ao chamado problema dos cap sets, uma questão de combinatória.
FunSearch encontrou uma construção inédita com 512 elementos em dimensão 8 e também ajudou a melhorar um limite assintótico que não recebia uma melhoria daquela magnitude havia cerca de duas décadas.
O detalhe mais importante é este:
a resposta não estava escondida no treinamento para ser simplesmente recuperada.
O sistema pesquisou um espaço de programas, encontrou candidatos e os submeteu a uma avaliação objetiva.
A Nature descreveu o resultado como evidência de que modelos de linguagem podem participar de descobertas em problemas científicos estabelecidos.
Por que o avaliador é tão importante?
Modelos de linguagem podem produzir respostas convincentes e erradas.
Em matemática isso é especialmente perigoso.
Uma única etapa incorreta pode invalidar páginas inteiras de demonstração.
O FunSearch contornou parte desse problema usando uma estrutura em que as soluções propostas eram submetidas a um avaliador programático.
Candidatos inválidos eram descartados.
Isso cria um princípio que aparece repetidamente nas pesquisas atuais:
Não basta usar IA para gerar ideias. É preciso ter alguma maneira confiável de testá-las.
Essa combinação entre geração e verificação será central para quase todos os exemplos deste artigo.
AlphaEvolve levou essa estratégia muito além
Em 2025, o Google DeepMind apresentou o AlphaEvolve.
O sistema também combina modelos de linguagem com avaliação automatizada, mas trabalha em uma escala mais ampla, evoluindo programas completos em vez de apenas funções isoladas.
O AlphaEvolve utiliza modelos Gemini para propor mudanças em códigos e um sistema evolutivo para preservar e combinar as melhores soluções.
O resultado chamou atenção tanto na computação quanto na matemática.
Um algoritmo de multiplicação de matrizes
O AlphaEvolve encontrou um método para multiplicar matrizes complexas 4 × 4 usando 48 multiplicações escalares.
Segundo o DeepMind, isso melhorou o resultado anteriormente conhecido para esse caso, associado ao método clássico de Strassen.
Pode parecer uma curiosidade técnica.
Mas multiplicação de matrizes está no coração de enorme quantidade de computação moderna, incluindo sistemas de inteligência artificial.
Mais de 50 problemas matemáticos
O DeepMind também colocou AlphaEvolve para trabalhar em mais de 50 problemas abertos envolvendo:
- análise;
- geometria;
- combinatória;
- teoria dos números.
Em aproximadamente 75% dos casos, o sistema conseguiu redescobrir resultados equivalentes ao estado da arte.
Mais significativo: em cerca de 20% dos casos, melhorou a melhor solução conhecida.
Isso não significa que AlphaEvolve resolveu 20% desses problemas.
Significa que conseguiu avançar o conhecimento disponível sobre eles.
Essa diferença é fundamental.
Um exemplo: o problema do kissing number
O chamado kissing number problem pergunta quantas esferas idênticas podem tocar simultaneamente uma esfera central sem que se sobreponham.
Em três dimensões, conseguimos imaginar o problema fisicamente.
Em dimensões maiores, ele se transforma em um desafio matemático extremamente complexo.
AlphaEvolve encontrou uma configuração com 593 esferas externas em dimensão 11, estabelecendo um novo limite inferior para aquele caso.
Isso é conhecimento novo.
O sistema não resolveu completamente o problema em dimensão 11.
Mas mostrou:
“Pelo menos 593 esferas podem ser organizadas dessa maneira.”
Antes, a melhor construção conhecida era inferior.
É justamente esse tipo de avanço que torna a expressão descoberta matemática assistida por IA apropriada.
Mas resolver uma Olimpíada de Matemática é diferente
Outro conjunto de resultados costuma aparecer nas manchetes sobre IA e matemática.
Em 2024, AlphaProof e AlphaGeometry 2, do Google DeepMind, resolveram quatro dos seis problemas da International Mathematical Olympiad e atingiram desempenho equivalente a uma medalha de prata.
No ano seguinte, uma versão avançada do Gemini com Deep Think resolveu cinco dos seis problemas da IMO 2025, alcançando pontuação equivalente a medalha de ouro.
Esses resultados são impressionantes.
Mas não devem ser confundidos com descoberta de um novo teorema científico.
Os problemas da IMO foram preparados por humanos e possuem soluções.
A IA precisa encontrar uma demonstração que ainda não recebeu, não descobrir uma nova fronteira matemática.
Isso mede algo diferente:
capacidade de raciocínio e construção de provas.
AlphaGeometry mostra outra peça importante
O AlphaGeometry combinou um modelo neural com um mecanismo de dedução simbólica para resolver problemas complexos de geometria.
Em uma avaliação com 30 problemas de Olimpíadas anteriores, resolveu 25, muito próximo da média de competidores humanos que obtêm medalha de ouro.
O sistema funciona de maneira interessante.
O modelo de linguagem sugere construções geométricas que podem ser úteis — por exemplo, adicionar um ponto ou uma linha.
Depois, o mecanismo simbólico aplica regras formais para verificar quais consequências realmente decorrem daquela construção.
Temos novamente o mesmo padrão:
gerar possibilidades + verificar rigorosamente.
Essa combinação aparece cada vez mais como uma arquitetura natural para IA matemática.
A IA precisa “entender” matemática para descobrir algo?
Essa pergunta depende do que queremos dizer por “entender”.
Uma ferramenta pode descobrir algo matematicamente válido sem possuir consciência, intuição humana ou uma experiência subjetiva de compreensão.
Computadores já fazem isso há décadas em buscas exaustivas.
O que mudou com a IA moderna é a capacidade de navegar espaços de possibilidades gigantescos de maneira menos cega.
Modelos de linguagem conseguem propor candidatos com estrutura.
Sistemas evolutivos conseguem comparar alternativas.
Verificadores conseguem eliminar respostas erradas.
Pesquisadores conseguem interpretar aquilo que sobrevive.
O conhecimento pode surgir da interação entre essas partes.
Claude e a Hipótese de Riemann: um caso ainda mais recente
Em 2026, essa discussão chegou a um problema especialmente famoso.
Uma versão experimental do Claude, da Anthropic, recebeu uma tarefa deliberadamente ambiciosa: tentar atacar a Hipótese de Riemann.
Claude não resolveu a hipótese.
Mas, durante a tentativa, encontrou um avanço relacionado à proporção de zeros da função zeta que pode ser garantida sobre a linha crítica.
A Anthropic informou uma melhora do limite de 41,6% para aproximadamente 67,2%. Dois matemáticos da empresa estudaram e validaram o trabalho.
O TecMaker já analisou em detalhes o que a IA da Anthropic realmente conseguiu na Hipótese de Riemann.
Para compreender a matemática por trás desse resultado, também publicamos um guia sobre a função zeta de Riemann e sua ligação com os números primos.
O caso é particularmente importante porque coloca a IA muito perto da ideia que imaginamos quando falamos em pesquisa matemática real.
O sistema não estava apenas resolvendo um exercício preparado para competição.
Ele estava trabalhando sobre uma questão cuja resposta não estava conhecida previamente daquela forma.
E como sabemos se a demonstração da IA está correta?
Aqui entra uma das tecnologias que já estudamos no Tecmaker:
Lean.
Lean é um assistente de provas que permite transformar afirmações e demonstrações matemáticas em uma representação formal verificável por computador.
O TecMaker explica o processo em como computadores verificam provas matemáticas usando Lean.
A formalização relacionada ao trabalho da Anthropic foi publicada em Lean 4 com Mathlib.
O repositório descreve uma formalização completa e sem sorry dos principais teoremas do trabalho.
Na documentação atual do Lean, o núcleo do sistema — o kernel — tem a tarefa de conferir os termos de prova produzidos. As ferramentas de automação podem ajudar a construir esses termos, mas o kernel ainda precisa aceitá-los.
Isso cria uma divisão de trabalho extremamente poderosa:
IA: propõe.
Busca computacional: explora.
Lean ou outro verificador: confere.
Matemáticos: interpretam.
Uma IA pode encontrar uma prova que nenhum humano conhece?
Em princípio, sim.
E esse é justamente um dos cenários mais interessantes.
Imagine um teorema cuja afirmação já é conhecida, mas cuja demonstração ninguém possui.
Uma IA poderia explorar milhões de possíveis sequências de lemas e encontrar uma cadeia que leva à conclusão.
Se essa cadeia for formalizada e aceita por um verificador confiável, teríamos uma demonstração matematicamente válida mesmo que nenhum humano tivesse chegado a ela primeiro.
Mas surge outra questão:
os matemáticos conseguiriam entender a prova?
Uma demonstração pode ser correta e ainda assim ser:
- gigantesca;
- pouco intuitiva;
- difícil de generalizar;
- pouco explicativa.
Na matemática, uma boa prova não serve apenas para certificar que algo é verdadeiro.
Ela frequentemente explica por que aquilo é verdadeiro.
Essa dimensão continua sendo muito importante.
Descobrir não é apenas provar
Esse ponto é crucial.
Imagine que uma IA produza um milhão de afirmações verdadeiras.
Quantas delas serão interessantes?
Talvez quase nenhuma.
Matemáticos não procuram apenas sentenças corretas.
Eles procuram resultados que:
- revelem estruturas;
- conectem áreas diferentes;
- resolvam perguntas importantes;
- abram novas linhas de investigação;
- expliquem fenômenos conhecidos;
- produzam ferramentas reutilizáveis.
Isso significa que o grande desafio para uma “IA matemática autônoma” não é apenas demonstrar teoremas.
É também decidir quais teoremas valem a pena descobrir.
A novidade é outro problema
Existe ainda uma questão prática.
Como saber se uma suposta descoberta realmente é nova?
A literatura matemática é enorme.
Um resultado pode ter sido demonstrado:
- décadas atrás;
- em outro país;
- com uma notação diferente;
- como consequência de outro teorema;
- em um artigo pouco citado.
Um sistema verdadeiramente autônomo precisaria comparar sua descoberta com uma parcela enorme do conhecimento matemático existente.
Isso exige busca bibliográfica, interpretação semântica e capacidade para reconhecer equivalências entre formulações diferentes.
Portanto, provar uma afirmação não encerra o processo científico.
O papel dos humanos está mudando?
Provavelmente.
Mas não necessariamente desaparecendo.
O FunSearch é um ótimo exemplo.
A IA encontrou programas interessantes.
Pesquisadores examinaram esses programas e perceberam estruturas matemáticas que permitiram novas melhorias.
O próprio artigo descreve esse processo como um ciclo em que sistema e especialistas permanecem envolvidos.
Isso sugere um futuro menos parecido com:
IA substitui matemático
e mais parecido com:
matemático trabalha com uma máquina capaz de explorar milhões de possibilidades.
O futuro pode ser uma equipe de agentes matemáticos?
Essa possibilidade está ficando cada vez mais plausível.
Em vez de apenas um modelo responder a um prompt, poderíamos ter agentes diferentes desempenhando funções distintas:
1: procura possíveis conjecturas.
2: tenta encontrar contraexemplos.
3: busca resultados semelhantes na literatura.
4: constrói uma demonstração.
5: tenta quebrar essa demonstração.
6: formaliza em Lean.
7: verifica a prova.
Esse tipo de estrutura já começa a aparecer em sistemas científicos mais amplos.
Em 2026, por exemplo, o Google DeepMind apresentou o AI Co-Scientist, um sistema multiagente no qual diferentes agentes geram, criticam, comparam e refinam hipóteses científicas.
Nosso próximo artigo deste cluster vai justamente aprofundar essa mudança: como agentes de IA estão sendo usados na pesquisa científica.
Uma IA poderia resolver um dos Problemas do Milênio?
Não existe hoje uma resposta confiável.
Os chamados Problemas do Milênio foram escolhidos justamente por resistirem durante décadas ou séculos às melhores ferramentas matemáticas disponíveis.
O TecMaker já reuniu os sete no guia 7 Problemas do Milênio: quais ainda estão sem solução?.
Dos sete problemas originais, apenas a Conjectura de Poincaré foi resolvida.
Os demais continuam abertos.
Isso inclui a Hipótese de Riemann.
Nenhuma IA demonstrou até agora um dos seis restantes.
Mas os avanços recentes tornam razoável perguntar se sistemas de inteligência artificial poderão participar de uma futura solução.
Participar é diferente de resolver completamente sozinhos.
Talvez uma IA encontre um lema crucial.
Quem sabe descubra uma construção.
Talvez elimine milhões de caminhos inviáveis.
Talvez formalize uma demonstração criada por humanos.
Ou talvez, eventualmente, produza a peça central que faltava.
Ainda não sabemos.
O que aconteceria se uma IA realmente descobrisse um grande teorema?
Seria um momento importante não apenas para a matemática, mas para a inteligência artificial.
Teríamos de responder perguntas novas.
Quem merece crédito?
Como avaliar uma prova extremamente complexa?
É necessário que humanos consigam compreendê-la?
Como publicar uma descoberta criada por um sistema automatizado?
Quem responde por erros?
Como sabemos que o resultado não apareceu no material de treinamento?
Essas questões misturam matemática, ciência, epistemologia e governança tecnológica.
A capacidade técnica pode chegar antes de termos respostas institucionais completas.
Quais são as principais limitações hoje?
Apesar dos avanços, sistemas atuais ainda enfrentam obstáculos importantes.
1. Alucinações
Modelos de linguagem podem inventar etapas, citar resultados inexistentes ou cometer erros sutis.
2. Problemas sem avaliador simples
AlphaEvolve e FunSearch funcionam especialmente bem quando existe uma forma objetiva de avaliar candidatos.
Nem toda matemática possui esse tipo de função de pontuação.
3. Espaços de busca gigantescos
Uma demonstração pode exigir uma ideia completamente diferente das abordagens conhecidas.
Testar variações de ideias existentes talvez não seja suficiente.
4. Escolha de problemas
Descobrir o que vale a pena investigar continua sendo parte importante da criatividade matemática.
5. Formalização
Transformar matemática informal em linguagem verificável ainda pode exigir muito trabalho.
6. Interpretação
Uma resposta correta não é necessariamente uma resposta esclarecedora.
Então estamos próximos de um “matemático artificial”?
Ainda é cedo para afirmar isso.
Mas já deixamos para trás uma fase importante.
A pergunta deixou de ser:
“Uma IA consegue fazer matemática?”
A resposta para isso já é claramente sim.
Agora as perguntas são mais sofisticadas:
Até que nível?
Com quanta autonomia?
Em quais áreas?
Com qual grau de confiabilidade?
E como humanos e máquinas dividirão o trabalho?
Os avanços de FunSearch, AlphaEvolve, AlphaProof, AlphaGeometry, Gemini e Claude mostram que esse processo já começou.
O que isso muda na prática?
Para quem acompanha tecnologia, talvez a maior mudança seja perceber que a inteligência artificial está saindo de uma função puramente informacional.
Ela não serve apenas para:
- resumir textos;
- responder perguntas;
- gerar imagens;
- escrever código.
Em determinados ambientes, IA começa a ser usada como uma máquina de exploração.
Ela pode gerar enormes quantidades de hipóteses e candidatos e trabalhar em conjunto com ferramentas que filtram resultados inválidos.
Esse modelo pode acelerar áreas em que o espaço de possibilidades é grande demais para ser explorado manualmente.
A matemática é um laboratório particularmente interessante porque muitas respostas podem ser verificadas com enorme rigor.
Se uma estratégia semelhante funcionar em outras ciências, o impacto pode ser ainda maior.
Uma nova forma de produzir conhecimento
Talvez o ponto mais importante não seja descobrir se um determinado teorema foi “feito pela IA” ou “feito pelo humano”.
A ciência já é profundamente colaborativa.
Pesquisadores utilizam:
- computadores;
- bancos de dados;
- simuladores;
- instrumentos;
- bibliotecas;
- sistemas de álgebra;
- verificadores formais.
A inteligência artificial pode se tornar mais uma dessas ferramentas — mas uma ferramenta diferente, porque também participa da geração de possibilidades.
Isso muda seu papel.
Ela deixa de ser apenas uma calculadora sofisticada.
Passa a ocupar parte do espaço tradicionalmente associado à criatividade científica.
Perguntas frequentes
A inteligência artificial já descobriu matemática nova?
Sim. Sistemas como FunSearch e AlphaEvolve encontraram construções, algoritmos e melhorias de limites que não eram conhecidos anteriormente.
Uma IA já descobriu sozinha um grande teorema?
Não existe hoje um caso amplamente estabelecido equivalente a uma IA escolhendo autonomamente um grande problema, formulando um teorema fundamental, produzindo sua demonstração e validando sua importância sem participação humana.
FunSearch descobriu um teorema?
FunSearch produziu novas construções e melhorou limites em um problema aberto de combinatória. Isso constitui novo conhecimento matemático, embora seja mais preciso descrevê-lo como nova construção e avanço em limites do que simplesmente dizer que “inventou um teorema”.
AlphaEvolve fez descobertas matemáticas?
Sim. O DeepMind relata melhorias sobre melhores soluções conhecidas em aproximadamente 20% de mais de 50 problemas testados, além de novos algoritmos e limites.
AlphaProof descobre teoremas?
AlphaProof foi desenvolvido para encontrar provas formais de afirmações matemáticas. Seu desempenho na IMO demonstrou capacidade avançada de raciocínio, mas resolver problemas de competição conhecidos é diferente de produzir um resultado científico inédito.
A IA resolveu a Hipótese de Riemann?
Não. Claude encontrou um avanço em um problema relacionado aos zeros da função zeta, mas a Hipótese de Riemann continua aberta.
Como sabemos se uma prova feita por IA está correta?
Uma possibilidade é utilizar assistentes formais como Lean. Eles transformam demonstrações em objetos que podem ser verificados por um kernel lógico.
Uma IA poderá resolver um Problema do Milênio?
É possível, mas ninguém sabe quando ou se isso acontecerá. Nenhum dos seis Problemas do Milênio atualmente em aberto foi resolvido por uma IA.
Conclusão
A inteligência artificial já ultrapassou uma fronteira importante na matemática.
Ela não está apenas repetindo soluções conhecidas.
Sistemas atuais já conseguiram encontrar resultados novos, construções inéditas e melhorias em problemas matemáticos reais.
Isso significa que a resposta à pergunta do título é:
sim, uma IA pode participar da descoberta de novos resultados matemáticos — e isso já está acontecendo.
Mas a palavra “participar” ainda é essencial.
Os resultados mais fortes surgem de ecossistemas que combinam:
modelos de IA para gerar ideias;
busca computacional para explorar possibilidades;
avaliadores para eliminar candidatos ruins;
assistentes de prova para verificar resultados;
e matemáticos para escolher problemas, interpretar descobertas e reconhecer sua importância.
Talvez, no futuro, essa divisão de trabalho mude.
Uma IA pode acabar fazendo cada vez mais etapas sozinha.
Por enquanto, porém, a história mais interessante não é a substituição dos matemáticos.
É o nascimento de uma nova forma de fazer matemática:
humanos e máquinas explorando juntos regiões do conhecimento que nenhum dos dois conseguiria investigar da mesma maneira isoladamente.
E esse movimento não está restrito à matemática.
No próximo artigo do cluster, vamos ampliar a pergunta para a ciência como um todo: como agentes de IA estão sendo usados para gerar hipóteses, criticar ideias e acelerar a pesquisa científica.
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.
