Como 60 subagentes de IA avançaram um problema matemático de 150 anos em 1,5 dia mais do que qualquer humano sozinho

O Processo Autônomo por Trás do Resultado

A conquista seguiu um fluxo de trabalho multiagente impressionante que surpreendeu até mesmo os pesquisadores da Anthropic:

• Um funcionário da Anthropic, sem formação matemática sólida, pediu ao modelo que "tentasse de verdade" provar a hipótese .
• Em aproximadamente 1,5 dia, o modelo testou cerca de 650 abordagens candidatas em 60 subagentes coordenados .
• A execução consumiu 31 milhões de tokens de saída em duas sessões, executou 2.400 comandos de shell e revisou 54 artigos do arXiv .
• Dois dos 60 subagentes foram responsáveis por desenvolver o avanço matemático chave .
• A abordagem vencedora sintetizou um artigo de 2000 de Enrico Bombieri com resultados mais recentes — uma combinação que nenhum pesquisador humano havia montado antes .

Verificação: Duas Camadas de Prova

Dois matemáticos internos — Levent Alpöge e Ralph Furmaniak — revisaram e confirmaram a prova . O argumento foi então formalizado em Lean, um provador de teoremas interativo, produzindo um certificado de correção verificável por máquina . Essa validação dupla (revisão humana especializada + verificação formal) é amplamente considerada a prática recomendada para resultados matemáticos gerados por IA.

Um Ponto de Virada: 2026 como o Ano em que a IA Cruzou para a Pesquisa de Problemas em Aberto

A melhoria do limite de Riemann pelo Claude não é um evento isolado. 2026 testemunhou uma sequência acelerada de avanços matemáticos liderados por IA:

• Maio de 2026 — A OpenAI anunciou que um modelo de raciocínio geral não lançado refutou autonomamente 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 em aberto de Erdős (alguns sem solução por 56 anos) e provou 44 conjecturas da Enciclopédia Online de Sequências de Inteiros, todas formalizadas em 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 supostamente resolveu dez problemas matemáticos décadas sem solução por cerca de US$ 2.000 em custo de computação, com provas verificáveis publicadas em Lean no GitHub .

Vários comentaristas observaram que o campo cruzou um limiar em meados de 2026: os sistemas de IA passaram de resolver matemática de competição para gerar pesquisas publicáveis em nível de problema em aberto .

O Debate: Autoria, Padrões e a Declaração de Leiden

O ritmo acelerado da matemática gerada por IA desencadeou 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 tem sido discutida pela União Matemática Internacional .
• As principais tensões incluem: Quem recebe crédito de autoria quando uma IA gera uma prova? A área pode manter a confiança epistêmica se as provas forem longas ou novas demais para serem inspecionadas por humanos sem ferramentas formais? E como os periódicos devem fazer revisão por pares de resultados que nenhum humano poderia ter produzido ?
• Alguns matemáticos argumentam que as provas assistidas por IA correm o risco de corroer a compreensão e o insight explicativo — uma prova pode estar correta, mas ser opaca . Outros veem a verificação formal em 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 Riemann pela Anthropic avança a discussão de várias maneiras concretas:

1. A escala da exploração autônoma é importante.

Testar 650 ideias em 60 subagentes demonstra que arquiteturas multiagentes podem realizar uma busca sistemática em uma escala que nenhum grupo de pesquisa humana conseguiria igualar no mesmo período . Isso muda a pergunta de "A IA consegue fazer matemática?" para "Como devemos integrar a exploração em larga escala da IA no pipeline de descoberta científica?"

2. A síntese serendipitosa 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 meramente interpolam ou podem genuinamente descobrir.

3. A verificação formal resolve o problema da confiança.

A formalização em Lean significa que o resultado não é uma alegação de "caixa preta". É um teorema comprovadamente correto que qualquer matemático pode inspecionar mecanicamente . Isso oferece um modelo de como os resultados científicos gerados por IA podem se tornar 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 centra-se 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 tempo de resposta de 36 horas para o limite de Riemann do Claude 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.

Conclusão

A melhoria do limite de Riemann pela Anthropic é uma demonstração marcante de que os 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 semelhantes 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 co-descobridores de IA."