Em setembro de 2026, o mundo da matemática aprendeu uma pergunta que nunca tinha feito antes
Não “quem vai provar?”, mas sim “isso já foi provado — e nós temos o direito de saber?”
Em 15 de setembro, Scott Aaronson — professor de ciência da computação teórica na UT Austin que já atuou como pesquisador visitante na equipe de alinhamento da OpenAI — publicou um post em seu blog com uma piada da filha de 13 anos: “Se eu quisesse ser matemática, acho que tenho cerca de duas semanas restantes”.
Parece uma frase de efeito, mas o post não estava brincando. Aaronson listou problemas abertos provados ou assistidos por IA no mês anterior: um contraexemplo relacionado à conjectura de Jacobian, uma formalização verificada em Lean da Última Teorema de Fermat, problemas pendurados há muito tempo na teoria da complexidade quântica. O item que deixou os matemáticos desconfortáveis vinha no fim da lista.
Segundo Aaronson, após a reação pública hostil à prova de Navier-Stokes, os laboratórios de IA agora estão guardando soluções para “problemas muito importantes” até descobrirem como lidar com elas. Scott Armstrong, professor de matemática na New York University, colocou um número nisso: ele foi informado de que a OpenAI está acumulando “centenas” de provas desde pelo menos o Congresso Internacional de Matemáticos (ICM), em julho.
A leitura popular é “a IA venceu de novo”. A história real é estrutural: pela primeira vez, as respostas estão ultrapassando o entendimento humano — e as respostas estão trancadas dentro de servidores privados. Isso não é fofoca. É uma rachadura na própria maquinaria do conhecimento.
As máquinas medem a produção em dias. Os humanos medem a compreensão em anos.
Comece pela escala do descompasso. Em 1º de agosto, a OpenAI divulgou dez resultados em matemática e ciência da computação teórica, cada um alegando resolver ou avançar substancialmente um problema aberto de longa data. Em 1º de setembro, a OpenAI soube que dois Problemas do Prêmio do Milênio haviam sido resolvidos por outra pessoa. Sua resposta foi direta: alimentar todos os Problemas do Milênio ainda sem solução, mais um lote de questões de alto impacto, a um modelo interno mais forte que o GPT-6 Astra.
Um grupo de cerca de 100 agentes resolveu as equações de Euler sem força em cerca de 50 horas. Os recursos então se concentraram em Navier-Stokes: cerca de 10.000 agentes concorrentes rodaram por 88 horas para produzir uma prova, seguidos por 17 horas de verificação formal em Lean. Esse único problema consumiu aproximadamente 130 bilhões de tokens de saída. Aaronson estima que a prova de 166 páginas queimou pelo menos US$ 15 milhões em computação — e quase nenhum humano de fato a leu.
Agora compare o outro lado do balanço. Pelas regras do Clay Mathematics Institute, um Prêmio do Milênio exige publicação formal, um período de espera de dois anos e uma revisão externa intensa. Até o momento em que este texto foi escrito, o Clay ainda lista Navier-Stokes como não resolvido. As máquinas contam sua produção em dias; os humanos contam a deles em anos.
Armstrong relata que os laboratórios hoje conseguem produzir um artigo de 160 páginas mais uma formalização em Lean com centenas de milhares de linhas em questão de dias. Revisão por pares, palestras em conferências, livros-texto — um pipeline refinado ao longo de séculos simplesmente não consegue absorver esse ritmo. Um estoque de provas não publicadas dentro de laboratórios de IA não é escândalo; é a consequência aritmética de uma explosão de computação encontrando um sistema de revisão de velocidade fixa.
Quatro regras antigas, quebradas de uma vez
A ciência acadêmica funciona sobre quatro regras implícitas: a prioridade vai a quem publica primeiro, o crédito vai a quem faz o trabalho, os resultados devem ser públicos e os pares devem examiná-los antes que contem. O caso Navier-Stokes rachou as quatro simultaneamente.
Primeira, a publicidade. O conhecimento está migrando de “qualquer um pode consultar” para “os insideres ouvem primeiro”. Armstrong escreve que rumores sobre resultados importantes circulam por toda parte, e o quanto você sabe depende da sua distância social do laboratório. A matemática avançou por três séculos com base no intercâmbio aberto. Trancar descobertas atrás das portas dos laboratórios é uma regressão, não uma aceleração.
Segunda, a prioridade. Tristan Buckmaster (NYU) e Levent Alpöge (Anthropic) já haviam feito progresso na direção relevante. A OpenAI ouviu os rumores, esmagou o problema com força computacional em menos de uma semana e só então contatou os dois matemáticos para propor um lançamento conjunto. Terence Tao alertou no Mastodon que simplesmente deixar escapar que você está “trabalhando em um problema” pode agora convidar uma invasão movida a computação que achata o projeto humano antes de ele amadurecer. O resultado provável: pesquisadores param de compartilhar ideias promissoras com colegas — revertendo séculos de ciência aberta.
Terceira, ler antes de publicar. O Lean garante a lógica de uma prova, não que algum humano a entenda. Aaronson compara os editores de periódicos aos defensores de Minas Tirith em O Senhor dos Anéis: sem delegar parte da revisão à IA, eles simplesmente não conseguem segurar o muro. Em 11 de setembro, Terence Tao e 25 medalhistas Fields publicaram uma carta aberta acusando empresas de IA de tratar problemas matemáticos abertos como insumo para benchmarks. Sua frase mais afiada: o objetivo da matemática é o entendimento; resolver é apenas o meio. Eis o dilema — publicar rápido e ninguém entende, publicar devagar e você é acusado de acumular. O custo de divulgar uma resposta ultrapassou, pela primeira vez, o custo de encontrá-la.
Quarta, a autoria. Se você não contribuiu em nada para a busca da prova, pode seu nome constar nela? O que significa listar o GPT-6 Astra como autor? Ninguém tem respostas ainda.
Um framework: a Lacuna de Prova
Chamemos a ferramenta reutilizável aqui de Lacuna de Prova (Proof Gap): a distância crescente entre a velocidade com que as máquinas produzem respostas e a velocidade com que os humanos as verificam, entendem e digerem institucionalmente. Ela tem três camadas:
- Camada de produção: o custo de gerar respostas entrou em colapso. Um Problema do Milênio passou de “gerações” para “88 horas e 130 bilhões de tokens”.
- Camada de verificação: o custo de confirmar respostas está subindo. Uma prova de 166 páginas mais centenas de milhares de linhas de código Lean, lidas por nenhum humano, torna a janela de revisão de dois anos do Clay quase decorativa.
- Camada institucional: as regras de crédito e divulgação falham. Prioridade, autoria, publicidade e revisão por pares presumiam respostas escassas e visíveis a todos.
O perigo não é a lacuna em si, mas a ausência de qualquer mecanismo de sincronização entre as camadas. Quando as respostas ficam em servidores privados, a camada institucional se degrada: o conhecimento passa de bem público a estoque privado, e a proximidade com um laboratório se torna o novo privilégio acadêmico. Leia com atenção a frase de Aaronson: a singularidade começou, mas está distribuída de forma desigual. Desigual não apenas no poder de resolver problemas, mas no acesso à informação — e no próprio senso de que fazer matemática importa.
Noam Brown, pesquisador da OpenAI, confirmou o padrão por dentro em uma entrevista recente no Dwarkesh Podcast: os modelos internos da OpenAI já conseguem responder vários problemas matemáticos antes sem solução e inacessíveis ao mundo exterior. “Esta é uma situação de vantagem injusta”, admitiu ele, “e eu não sei como pesar as trocas de forma adequada”. Ele foi além: à medida que o progresso acelera, os laboratórios podem decidir que o uso interno é valioso o suficiente para interromper totalmente a implantação externa. “Por padrão, a implantação externa da IA ficará significativamente atrás da implantação interna em qualidade.”
A lacuna não é só sobre matemática
Se você lê isso como uma crise interna da matemática, está subestimando sua portabilidade. Qualquer área em que as respostas são verificáveis rapidamente, mas o entendimento leva tempo, vai reproduzir a mesma tesoura.
Na descoberta de medicamentos, a IA tria moléculas candidatas em dias, mas a validação clínica leva uma década — a lacuna já existe hoje, escondida atrás do processo regulatório. Na segurança de software, a IA encontra vulnerabilidades críticas em dias, enquanto o patching e a coordenação do ecossistema levam meses — a política de divulgação enfrenta exatamente o dilema que os matemáticos enfrentam agora: publicar e arriscar exploração, reter e arriscar acúmulo permanente. No direito, a IA já organiza a jurisprudência mais rápido do que juízes e advogados conseguem absorver novos precedentes.
A estrutura compartilhada: o impacto da IA nunca é “quem é mais inteligente”. É a constante de tempo entre produção e digestão em cada área. Quanto mais o processo digestivo de uma área depende do consenso humano lento, mais cedo suas instituições se rompem.
O que fazer a respeito
- Se você é pesquisador: reavalie seus problemas de “trabalho braçal” — um estudante de doutorado que passou três anos em um problema pode descobrir que a resposta já está parada em um servidor de laboratório. Priorize o que a camada de produção não alcança: formular novas perguntas, construir novos subcampos, ciência experimental. E coloque a verificação formal estilo Lean no seu fluxo de trabalho; uma prova que as máquinas não conseguem verificar em breve não vai contar.
- Se você dirige uma instituição (universidade, periódico, financiador): a revisão por pares precisa começar a absorver assistência de IA, e a pressão por transparência precisa ser construída em torno de inventários privados de conhecimento. Escreva em política o princípio dos medalhistas Fields: financiar e promover conhecimento compreensível, não apenas respostas reivindicáveis.
- Se você é um profissional (software, direito, medicina): identifique o gargalo digestivo da sua área — auditoria, revisão, desenho institucional. Esses papéis do “lado da verificação” se tornam mais escassos e mais valiosos à medida que a lacuna se alarga.
- Se você é um leitor comum: quando vir “a IA resolveu X”, faça uma pergunta: essa resposta foi verificada de forma independente, ou vive apenas nos servidores de uma empresa?
A academia costumava competir em quem provou primeiro. De agora em diante, ela também compete em quem sabe o que já foi provado. A matemática tem sido a mais generosa das disciplinas humanas — uma prova escrita, e o mundo inteiro pode lê-la e construir sobre ela. Se essa generosidade sobreviverá depende da velocidade com que a camada institucional fechar a Lacuna de Prova. A janela provavelmente é mais estreita que 88 horas.
