Modelo não lançado da Anthropic avança em problema de matemática de 150 anos — como 60 subagentes testaram 650 ideias
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6]. O feito consumiu 31 milhões de tokens de saída, 2.400 comandos shell e 54 artigos do arXiv, com 60 subagentes coordenados [5][6].
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6].
O feito consumiu 31 milhões de tokens de saída, 2.400 comandos shell e 54 artigos do arXiv, com 60 subagentes coordenados [5][6].
Dois subagentes foram responsáveis pelo avanço principal, que sintetizou um artigo de 2000 com resultados mais recentes [6][9].
Matemáticos internos e externos revisaram a prova, que foi formalizada no assistente Lean [2][5][8].
What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomoAI-generated editorial hero image for What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo. Article summary: Let me search for information on this topicLet me search for the broader context of AI mathematical breakthroughs in 2026 and the debates around authorship and standards What the Anthropic model achieved On August 10–11,. Topic tags: general web, openai, chatgpt, llm, agents. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
openai.com
O que o modelo da Anthropic realmente fez
Em 10 e 11 de agosto de 2026, a Anthropic anunciou que uma versão de pesquisa não lançada do Claude — seu modelo de IA — havia obtido um avanço significativo em um problema relacionado à hipótese de Riemann, um dos mais famosos problemas em aberto da matemática, sem solução há mais de 150 anos .
Especificamente, o modelo elevou o limite inferior comprovado da proporção de zeros não triviais da função zeta de Riemann que estão na linha crítica — de 41,6% para 67,2%. Esse é o para esse limite . A IA a hipótese de Riemann (que continua sendo um dos sete Problemas do Milênio do Clay Institute, com prêmio de US$ 1 milhão), mas o resultado obtido é um teorema genuíno em teoria analítica dos números .
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "Modelo não lançado da Anthropic avança em problema de matemática de 150 anos — como 60 subagentes testaram 650 ideias"?
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6].
Quais são os pontos-chave para validar primeiro?
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6]. O feito consumiu 31 milhões de tokens de saída, 2.400 comandos shell e 54 artigos do arXiv, com 60 subagentes coordenados [5][6].
O que devo fazer a seguir na prática?
Dois subagentes foram responsáveis pelo avanço principal, que sintetizou um artigo de 2000 com resultados mais recentes [6][9].
Modelo não lançado da Anthropic avança em problema de matemática de 150 anos — como 60 subagentes testaram 650 ideias
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6]. O feito consumiu 31 milhões de tokens de saída, 2.400 comandos shell e 54 artigos do arXiv, com 60 subagentes coordenados [5][6].
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6].
O feito consumiu 31 milhões de tokens de saída, 2.400 comandos shell e 54 artigos do arXiv, com 60 subagentes coordenados [5][6].
Dois subagentes foram responsáveis pelo avanço principal, que sintetizou um artigo de 2000 com resultados mais recentes [6][9].
Matemáticos internos e externos revisaram a prova, que foi formalizada no assistente Lean [2][5][8].
What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomoAI-generated editorial hero image for What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo. Article summary: Let me search for information on this topicLet me search for the broader context of AI mathematical breakthroughs in 2026 and the debates around authorship and standards What the Anthropic model achieved On August 10–11,. Topic tags: general web, openai, chatgpt, llm, agents. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
openai.com
O que o modelo da Anthropic realmente fez
Em 10 e 11 de agosto de 2026, a Anthropic anunciou que uma versão de pesquisa não lançada do Claude — seu modelo de IA — havia obtido um avanço significativo em um problema relacionado à hipótese de Riemann, um dos mais famosos problemas em aberto da matemática, sem solução há mais de 150 anos .
Especificamente, o modelo elevou o limite inferior comprovado da proporção de zeros não triviais da função zeta de Riemann que estão na linha crítica — de 41,6% para 67,2%. Esse é o para esse limite . A IA a hipótese de Riemann (que continua sendo um dos sete Problemas do Milênio do Clay Institute, com prêmio de US$ 1 milhão), mas o resultado obtido é um teorema genuíno em teoria analítica dos números .
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "Modelo não lançado da Anthropic avança em problema de matemática de 150 anos — como 60 subagentes testaram 650 ideias"?
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6].
Quais são os pontos-chave para validar primeiro?
Modelo não lançado da Anthropic elevou o limite inferior comprovado de zeros da função zeta de Riemann na linha crítica de 41,6% para 67,2% [5][6]. O feito consumiu 31 milhões de tokens de saída, 2.400 comandos shell e 54 artigos do arXiv, com 60 subagentes coordenados [5][6].
O que devo fazer a seguir na prática?
Dois subagentes foram responsáveis pelo avanço principal, que sintetizou um artigo de 2000 com resultados mais recentes [6][9].
A conquista seguiu um fluxo de trabalho notável, coordenado por múltiplos agentes:
Um funcionário da Anthropic sem formação séria em matemática pediu ao modelo que "tentasse de verdade" provar a hipótese .
Em cerca de 1,5 dia, o modelo testou aproximadamente 650 abordagens candidatas com 60 subagentes coordenados.
O processo consumiu 31 milhões de tokens de saída em duas sessões, executou 2.400 comandos shell e revisou 54 artigos do arXiv.
Dois dos 60 subagentes foram responsáveis pelo desenvolvimento da ideia matemática crucial .
A abordagem vencedora sintetizou um artigo de 2000 de Enrico Bombieri com resultados mais recentes — uma combinação que nenhum pesquisador humano havia feito antes .
Verificação rigorosa
Dois matemáticos da casa — Levent Alpöge e Ralph Furmaniak — revisaram e confirmaram a prova . O argumento foi então formalizado no Lean, um assistente de provas interativo, gerando um certificado de correção verificável por máquina . Essa validação dupla (revisão humana especializada + verificação formal) é considerada a melhor prática para resultados matemáticos gerados por IA.
Contexto de 2026: um ponto de virada para a IA na matemática
A melhora no limite de Riemann não é um evento isolado. 2026 viu uma aceleração de avanços matemáticos liderados por IA:
Maio de 2026 — OpenAI anunciou que um modelo de raciocínio geral não lançado havia refutado a conjectura da distância unitária de Erdős, um problema em aberto de 80 anos .
Maio de 2026 — O AlphaProof Nexus do Google DeepMind resolveu nove problemas abertos de Erdős (alguns sem solução por 56 anos) e provou 44 conjecturas da Enciclopédia Online de Sequências de Inteiros, todas formalizadas no Lean .
Julho de 2026 — O matemático da Anthropic Levent Alpöge usou o modelo não lançado "Fable 5" para encontrar um contraexemplo para a conjectura Jacobiana, um problema proposto em 1939 .
Agosto de 2026 — O modelo Astra, da OpenAI, resolveu dez problemas matemáticos centenários por cerca de US$ 2.000 em custo de computação, com provas verificáveis publicadas no Lean no GitHub .
Vários comentaristas notaram que a área cruzou um limiar em meados de 2026: os sistemas de IA passaram de resolver problemas de nível de competição para gerar pesquisas publicáveis em problemas em aberto .
O debate: autoria, padrões e a Declaração de Leiden
O ritmo acelerado da matemática gerada por IA gerou um intenso debate:
Em junho de 2026, um grupo de 16 matemáticos publicou a Declaração de Leiden sobre Inteligência Artificial e Matemática, recomendando novos padrões para estrutura de provas, atribuição de autoria e supervisão humana de resultados gerados por IA . A declaração desde então foi discutida pela União Matemática Internacional .
As principais tensões incluem: Quem recebe crédito de autoria quando uma IA gera uma prova? A área pode manter confiança epistêmica se as provas forem muito longas ou inovadoras para humanos inspecionarem totalmente sem ferramentas formais? E como os periódicos devem fazer revisão por pares de resultados que nenhum ser humano poderia ter produzido sozinho ?
Alguns matemáticos argumentam que as provas assistidas por IA correm o risco de corroer a compreensão e a visão explicativa — uma prova pode estar correta, mas ser opaca . Outros veem a verificação formal no Lean como um padrão mais rigoroso do que a revisão por pares tradicional .
O que isso significa para a capacidade da IA de descobrir nova ciência
O resultado da Anthropic sobre Riemann avança a discussão de várias maneiras concretas:
Escala de exploração autônoma é importante. Testar 650 ideias com 60 subagentes demonstra que arquiteturas multiagentes podem realizar buscas sistemáticas em uma escala que nenhum grupo de pesquisa humana conseguiria igualar no mesmo período . Isso desloca a pergunta de "A IA pode fazer matemática?" para "Como devemos integrar a exploração em larga escala da IA no pipeline de descoberta científica?".
Síntese inesperada é possível. O fato de um modelo sem treinamento matemático ter combinado um artigo de Bombieri (2000) com resultados mais recentes — uma combinação que nenhum humano havia visto — mostra que a IA pode fazer conexões conceituais não óbvias entre literaturas díspares . Essa capacidade aborda diretamente uma preocupação central sobre se os LLMs apenas interpolam ou podem genuinamente descobrir.
A verificação formal resolve o problema da confiança. A formalização no Lean significa que o resultado não é uma afirmação de "caixa-preta". É um teorema comprovadamente correto que qualquer matemático pode inspecionar mecanicamente . Isso oferece um modelo de como resultados científicos gerados por IA podem ser tornados verificáveis, abordando uma das objeções mais fortes à descoberta liderada por IA.
O debate sobre autoria e padrões é construtivo, não paralisante. O surgimento simultâneo de resultados impressionantes (DeepMind, OpenAI, Anthropic) e de respostas institucionais lideradas pela comunidade (a Declaração de Leiden) sugere que a comunidade matemática está se adaptando, não recuando. A conversa atual se concentra em normas e crédito, não na rejeição total dos resultados da IA.
O custo e a velocidade da descoberta estão despencando. O custo de computação de US$ 2.000 para os resultados do Astra da OpenAI e o prazo de 36 horas para o avanço de Claude sobre Riemann sugerem que o custo marginal de uma descoberta matemática publicável está se aproximando de zero. Isso tem implicações profundas sobre quais perguntas os pesquisadores escolhem perseguir e quem pode participar da pesquisa matemática.
Em resumo: A melhora no limite da hipótese de Riemann pela Anthropic é uma demonstração marcante de que sistemas de IA agora podem descobrir de forma autônoma resultados matemáticos publicáveis e formalmente verificáveis que avançam um problema em aberto de 150 anos. Combinado com a sequência de avanços similares em 2026, isso move a discussão de "se a IA pode contribuir para a descoberta científica" para "como a comunidade científica deve estruturar incentivos, atribuição e verificação para uma nova classe de codescobridores de IA".
en.wikipedia.org
Leiden Declaration on Artificial Intelligence and Mathematics - Wikipedia
A conquista seguiu um fluxo de trabalho notável, coordenado por múltiplos agentes:
Um funcionário da Anthropic sem formação séria em matemática pediu ao modelo que "tentasse de verdade" provar a hipótese .
Em cerca de 1,5 dia, o modelo testou aproximadamente 650 abordagens candidatas com 60 subagentes coordenados.
O processo consumiu 31 milhões de tokens de saída em duas sessões, executou 2.400 comandos shell e revisou 54 artigos do arXiv.
Dois dos 60 subagentes foram responsáveis pelo desenvolvimento da ideia matemática crucial .
A abordagem vencedora sintetizou um artigo de 2000 de Enrico Bombieri com resultados mais recentes — uma combinação que nenhum pesquisador humano havia feito antes .
Verificação rigorosa
Dois matemáticos da casa — Levent Alpöge e Ralph Furmaniak — revisaram e confirmaram a prova . O argumento foi então formalizado no Lean, um assistente de provas interativo, gerando um certificado de correção verificável por máquina . Essa validação dupla (revisão humana especializada + verificação formal) é considerada a melhor prática para resultados matemáticos gerados por IA.
Contexto de 2026: um ponto de virada para a IA na matemática
A melhora no limite de Riemann não é um evento isolado. 2026 viu uma aceleração de avanços matemáticos liderados por IA:
Maio de 2026 — OpenAI anunciou que um modelo de raciocínio geral não lançado havia refutado a conjectura da distância unitária de Erdős, um problema em aberto de 80 anos .
Maio de 2026 — O AlphaProof Nexus do Google DeepMind resolveu nove problemas abertos de Erdős (alguns sem solução por 56 anos) e provou 44 conjecturas da Enciclopédia Online de Sequências de Inteiros, todas formalizadas no Lean .
Julho de 2026 — O matemático da Anthropic Levent Alpöge usou o modelo não lançado "Fable 5" para encontrar um contraexemplo para a conjectura Jacobiana, um problema proposto em 1939 .
Agosto de 2026 — O modelo Astra, da OpenAI, resolveu dez problemas matemáticos centenários por cerca de US$ 2.000 em custo de computação, com provas verificáveis publicadas no Lean no GitHub .
Vários comentaristas notaram que a área cruzou um limiar em meados de 2026: os sistemas de IA passaram de resolver problemas de nível de competição para gerar pesquisas publicáveis em problemas em aberto .
O debate: autoria, padrões e a Declaração de Leiden
O ritmo acelerado da matemática gerada por IA gerou um intenso debate:
Em junho de 2026, um grupo de 16 matemáticos publicou a Declaração de Leiden sobre Inteligência Artificial e Matemática, recomendando novos padrões para estrutura de provas, atribuição de autoria e supervisão humana de resultados gerados por IA . A declaração desde então foi discutida pela União Matemática Internacional .
As principais tensões incluem: Quem recebe crédito de autoria quando uma IA gera uma prova? A área pode manter confiança epistêmica se as provas forem muito longas ou inovadoras para humanos inspecionarem totalmente sem ferramentas formais? E como os periódicos devem fazer revisão por pares de resultados que nenhum ser humano poderia ter produzido sozinho ?
Alguns matemáticos argumentam que as provas assistidas por IA correm o risco de corroer a compreensão e a visão explicativa — uma prova pode estar correta, mas ser opaca . Outros veem a verificação formal no Lean como um padrão mais rigoroso do que a revisão por pares tradicional .
O que isso significa para a capacidade da IA de descobrir nova ciência
O resultado da Anthropic sobre Riemann avança a discussão de várias maneiras concretas:
Escala de exploração autônoma é importante. Testar 650 ideias com 60 subagentes demonstra que arquiteturas multiagentes podem realizar buscas sistemáticas em uma escala que nenhum grupo de pesquisa humana conseguiria igualar no mesmo período . Isso desloca a pergunta de "A IA pode fazer matemática?" para "Como devemos integrar a exploração em larga escala da IA no pipeline de descoberta científica?".
Síntese inesperada é possível. O fato de um modelo sem treinamento matemático ter combinado um artigo de Bombieri (2000) com resultados mais recentes — uma combinação que nenhum humano havia visto — mostra que a IA pode fazer conexões conceituais não óbvias entre literaturas díspares . Essa capacidade aborda diretamente uma preocupação central sobre se os LLMs apenas interpolam ou podem genuinamente descobrir.
A verificação formal resolve o problema da confiança. A formalização no Lean significa que o resultado não é uma afirmação de "caixa-preta". É um teorema comprovadamente correto que qualquer matemático pode inspecionar mecanicamente . Isso oferece um modelo de como resultados científicos gerados por IA podem ser tornados verificáveis, abordando uma das objeções mais fortes à descoberta liderada por IA.
O debate sobre autoria e padrões é construtivo, não paralisante. O surgimento simultâneo de resultados impressionantes (DeepMind, OpenAI, Anthropic) e de respostas institucionais lideradas pela comunidade (a Declaração de Leiden) sugere que a comunidade matemática está se adaptando, não recuando. A conversa atual se concentra em normas e crédito, não na rejeição total dos resultados da IA.
O custo e a velocidade da descoberta estão despencando. O custo de computação de US$ 2.000 para os resultados do Astra da OpenAI e o prazo de 36 horas para o avanço de Claude sobre Riemann sugerem que o custo marginal de uma descoberta matemática publicável está se aproximando de zero. Isso tem implicações profundas sobre quais perguntas os pesquisadores escolhem perseguir e quem pode participar da pesquisa matemática.
Em resumo: A melhora no limite da hipótese de Riemann pela Anthropic é uma demonstração marcante de que sistemas de IA agora podem descobrir de forma autônoma resultados matemáticos publicáveis e formalmente verificáveis que avançam um problema em aberto de 150 anos. Combinado com a sequência de avanços similares em 2026, isso move a discussão de "se a IA pode contribuir para a descoberta científica" para "como a comunidade científica deve estruturar incentivos, atribuição e verificação para uma nova classe de codescobridores de IA".
en.wikipedia.org
Leiden Declaration on Artificial Intelligence and Mathematics - Wikipedia
