Modelo não lançado da Anthropic avança em problema de matemática de 150 anos — como 60 subagentes testaram 650 ideias

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 maior avanço em um único passo já registrado para esse limite . A IA não provou 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 .

O processo autônomo

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:

1. 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?".

2. 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.

3. 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.

4. 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.

5. 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".