Nas últimas 24 horas, um boato sobre a matemática do Claude se espalhou rapidamente nas redes sociais.
Ontem, o blogger Andrew Curran postou uma “previsão” de que a Anthropic já resolveu um dos Problemas do Prêmio Milênio, relacionado à existência e suavidade das equações de Navier-Stokes, e que os resultados estão atualmente sob revisão por especialistas e podem ser divulgados publicamente antes da IPO da Anthropic.
Esta postagem rapidamente ultrapassou 2,5 milhões de visualizações e foi compartilhada por um número cada vez maior de contas.
Até o momento, não há nenhum artigo, texto de prova ou material de revisão por pares disponíveis em canais públicos; o Clay Mathematics Institute ainda lista o problema da existência e suavidade de Navier-Stokes como um dos problemas não resolvidos do Prêmio do Milênio.
No entanto, esse boato não é infundado. Um de seus principais contextos vem de um conjunto de postagens publicadas há dois dias pelo matemático Terence Tao.
Uma suposição sobre IA
Em 3 de setembro, Terence Tao discutiu o impacto potencial da IA na pesquisa matemática, usando as equações de Navier-Stokes como exemplo.
https://mathstodon.xyz/@tao
As equações de Navier-Stokes descrevem como fluidos, como água e ar, se movem. A questão realmente em aberto para matemáticos é se, no caso tridimensional e incompressível, a solução, partindo de um estado inicial suave, permanece sempre suave ou se desenvolve uma singularidade em tempo finito. Este problema foi listado pelo Instituto de Matemática Clay como um dos Problemas do Prêmio Millennium, com uma recompensa de 1 milhão de dólares.
Terence Tao imaginou, em sua postagem, um fluxo de pesquisa que pode surgir no futuro: sistemas de IA autônomos, com grandes recursos computacionais, podem tentar continuamente diferentes construções matemáticas, analisar as causas de falhas, ajustar abordagens e validar resultados, finalmente gerando uma prova candidata extremamente complexa, que é verificada por máquinas usando sistemas de prova formal como o Lean.
His focus is on how the mathematical knowledge generated during this process is preserved.
Na pesquisa matemática tradicional, um problema difícil geralmente gera uma grande quantidade de subprodutos ao longo de anos de exploração: novos lemas, novas ferramentas, novas direções de pesquisa e problemas que valem a pena serem investigados posteriormente. Terence Tao teme que, se a IA completar toda a exploração em um ambiente fechado e os humanos recebam apenas um resultado já verificado, muitos caminhos intermediários valiosos possam não alcançar a comunidade matemática.
A cena descrita na postagem é bastante específica: IA busca estruturas candidatas, realiza verificações numéricas, forma um grande arquivo de prova Lean e, finalmente, resolve o problema da regularidade de Navier-Stokes.
Então, surgiu a trama familiar da internet.
Algumas pessoas começaram a especular se Terence Tao tinha acesso a informações ainda não divulgadas. Nas redes sociais, surgiram rapidamente discussões sobre se Terence Tao estava sugerindo que o Claude já havia resolvido as equações de Navier-Stokes, e logo em seguida, Curran fez uma previsão ainda mais clara: “O Claude já resolveu as equações de Navier-Stokes.” Essa afirmação se espalhou rapidamente.
À medida que os rumores se espalhavam, Terence Tao posteriormente fez uma esclarecimento específico.
Sua atitude é cautelosa: atualmente, ele não está ciente de nenhum grande novo avanço no problema de Navier-Stokes, e as discussões anteriores pertenciam a um cenário hipotético de pesquisa de IA. Ao mesmo tempo, com a velocidade atual de desenvolvimento da tecnologia de IA, esse cenário já possui uma certa possibilidade real.
Ele em seguida mencionou o "custo de oportunidade".
Problemas abertos, como os de Navier-Stokes, têm impulsionado novos métodos, novas perguntas e novos pesquisadores por décadas. Se a IA puder rapidamente fornecer respostas finais, a comunidade matemática precisará considerar como transformar os processos, métodos e rotas falhas descobertas por máquinas em conhecimento matemático compreensível e herdável por humanos.
This has gradually become a practical issue in AI mathematical research.
A IA está mudando o recurso escasso na matemática
Por que este boato está tão popular?
Nos últimos meses, a IA realmente ultrapassou várias barreiras que antes eram difíceis de imaginar no campo da matemática.
Ontem, a Anthropic anunciou o trabalho formalizado do Claude sobre o Último Teorema de Fermat.
https://www.anthropic.com/research/formalizing-fermats-last-theorem
O Último Teorema de Fermat foi provado já na década de 1990 por matemáticos como Andrew Wiles. Durante décadas, a comunidade matemática ansiou por traduzir inteiramente essa prova extremamente complexa em linguagens formalizadas como Lean, permitindo que computadores verificassem passo a passo cada etapa.
A Anthropic afirmou que o Claude completou de forma quase autônoma a formalização Lean de ponta a ponta em 11 dias, resultando em um código final de aproximadamente 13 milhões de linhas e gerando cerca de 30.300 teoremas verificáveis por máquina, dos quais aproximadamente 29.500 foram incluídos na prova final. O matemático Kevin Buzzard, envolvido no projeto de formalização do Último Teorema de Fermat, também elogiou positivamente os resultados.
Um mês antes.
Em 10 de agosto, a Anthropic anunciou que um modelo de pesquisa do Claude ainda não divulgado fez progresso em um problema relacionado à tentativa de resolver a hipótese de Riemann: aumentou o limite inferior da proporção de zeros da função ζ que satisfazem as condições da hipótese de Riemann, de 41,6% para 67,2%. A hipótese de Riemann está fortemente ligada à distribuição dos números primos e é um dos Problemas do Prêmio Millennium.
https://www.anthropic.com/research/riemann-zeta
Em maio deste ano, a OpenAI também divulgou um resultado em geometria discreta. Um modelo de raciocínio geral construiu um novo conjunto de pontos com distância unitária, refutando uma conjectura de longa data relacionada ao problema da distância unitária de Erdős no plano. A prova correspondente foi posteriormente verificada por matemáticos externos. Este resultado resolve uma conjectura importante dentro desse problema, mas ainda há espaço para avanços adicionais no problema da distância unitária como um todo.
https://openai.com/zh-Hans-CN/index/model-disproves-discrete-geometry-conjecture/
Até agosto, a OpenAI divulgou mais dez resultados em matemática e ciência da computação teórica, incluindo soluções ou avanços substanciais em vários problemas abertos há muito tempo.
https://openai.com/zh-Hans-CN/índice/ten-advances-in-mathematics/
Há alguns anos, a conquista mais notável dos grandes modelos no campo da matemática ainda eram problemas da Olimpíada de Matemática. Agora, os objetos de pesquisa já estão entrando em problemas abertos, resultados de nível artigo e provas formalizadas em larga escala.
O impacto da IA na comunidade matemática também começou a mudar de foco, passando de quantos problemas podem ser resolvidos para o que os matemáticos principalmente responsáveis por fazer no futuro.
Uma mudança é que a importância da verificação está aumentando.
Modelos de linguagem podem gerar rapidamente uma grande quantidade de derivações matemáticas, mas também podem produzir erros muito sutis. Ferramentas de auxílio à prova, como o Lean, conseguem decompor provas em formatos verificáveis passo a passo por máquina. Com o aumento da velocidade com que a IA gera provas, a verificação formal está se tornando uma infraestrutura cada vez mais importante. Terence Tao já enfatizou repetidamente que, no futuro, o gargalo na pesquisa matemática pode gradualmente se deslocar para a verificação, organização e compreensão.
https://academy.openai.com/public/blogs/terence-tao-ai-is-ready-for-primetime-in-math-and-theoretical-physics-2026-03-06
A segunda mudança ocorreu na divisão do trabalho dos matemáticos.
Se a inferência convencional, a busca bibliográfica, os experimentos computacionais e até parte das provas puderem ser delegadas à IA, o foco dos pesquisadores humanos pode se deslocar para a escolha de temas, a formulação de hipóteses adequadas, o design de rotas de pesquisa e a síntese dos resultados gerados por máquinas em novas teorias explicativas.
Terence Tao chama esse futuro de um modelo de "grande matemática": problemas complexos são divididos em muitos módulos, com humanos, IA e sistemas de prova formal participando conjuntamente, e os resultados são reunidos novamente por verificação automática.
https://spectrum.ieee.org/ai-in-mathematics
Quando as respostas ficam cada vez mais "baratas", o que realmente é a parte escassa da pesquisa matemática?
No passado, um importante problema aberto podia sustentar uma linha de pesquisa por décadas. Os caminhos percorridos pelos matemáticos em torno dele podiam, por si só, gerar novas teorias. Se a IA reduzir drasticamente esse processo, a resposta final virá mais rápido, mas também exigirá que a comunidade matemática redesenhe um sistema para preservar o processo de pesquisa, atribuir contribuições e formar a próxima geração de pesquisadores.
Terence Tao usou o exemplo de Navier-Stokes para discutir exatamente essa mudança.
Quanto à questão de se o Claude realmente já resolveu esse problema do milênio, ainda permanece no estágio de rumores nas redes sociais.
Mas essa discussão um tanto confusa já demonstrou uma coisa: há alguns anos, "IA resolvendo os problemas do milênio" era mais próximo de uma configuração de ficção científica; em 2026, as pessoas já começaram a considerar seriamente o que a comunidade matemática faria se isso realmente acontecesse.
Link de referência:
https://x.com/AndrewCurran_/status/2096062392442724805
Este artigo é do número de identificação “almosthuman2014” do WeChat Official Account “Máquinas e Humanos”, autor: Atenção à Matemática