A matemática de IA está inaugurando o mesmo 'momento de tapa na cara' que o mundo do Go experimentou há uma década.
Defendendo uma visão semelhante está ninguém menos que Demis Hassabis, cofundador da DeepMind, que liderou o projeto AlphaGo há uma década.
Embora Hassabis tenha passado recentemente por uma série de mudanças de identidade — de CEO da DeepMind a Cientista-Chefe do Google e Presidente da DeepMind —
quando se trata de como a IA está transformando a cognição humana, ele continua sendo uma das vozes mais autorizadas.
Dez anos atrás, ele testemunhou o AlphaGo derrotar o lendário jogador de Go Lee Sedol com o surpreendente movimento 37.
Dez anos depois, estando na vanguarda da incursão da IA nas fronteiras da matemática e da ciência, ele ofereceu um novo julgamento:
Se a IA puder resolver um Problema do Prêmio Millennium, isso seria um avanço da magnitude do 'movimento 37'. Como está, parece apenas uma questão de tempo até a IA atingir esse nível; não vejo razão para que não aconteça.
O movimento 37, um momento que representa a primeira vez que a humanidade foi atingida por um tapa na cara pela IA, ficou assim gravado na memória.
Mas poucos lembram que o movimento 37 não foi a única resposta deixada por aquela batalha homem-máquina.
Dois jogos depois, Lee Sedol, que já havia perdido três seguidas, jogou o movimento 78.
Esse movimento também tinha apenas uma probabilidade de uma em dez mil de ser jogado por um humano, mas interrompeu com sucesso o AlphaGo e ajudou Lee Sedol a garantir a única vitória da humanidade na partida de cinco jogos.
Olhando para trás nesta batalha homem-máquina uma década depois, não se pode deixar de maravilhar-se:
A relação entre humanos e IA é exatamente como esses dois números.
Um fez a humanidade reentender a IA, o outro fez a humanidade reentender a si mesma.
O movimento 37 que humilhou a humanidade
Voltemos a março de 2016, a partida de cinco jogos entre AlphaGo e Lee Sedol estava acontecendo em Seul, Coreia do Sul.
No primeiro jogo, Lee Sedol perdeu para o AlphaGo, um mau começo.
No segundo jogo, o mundo inteiro esperava que este lendário jogador contra-atacasse.
No meio do jogo, Lee Sedol deixou a mesa brevemente, fumou um cigarro para acalmar os nervos, mas quando voltou ao tabuleiro, uma pedra preta já havia sido colocada.
Movimento 37.
Lee Sedol não se sentou imediatamente; ele ficou parado olhando para o tabuleiro, quase incapaz de acreditar no que via.
A razão era simples: esse movimento era muito diferente de um movimento humano.
O AlphaGo colocou a pedra na quinta linha, desviando-se da intuição posicional que os jogadores profissionais seguiam há séculos. No entendimento humano convencional do Go, as pedras devem ocupar posições altas para controlar o tabuleiro, mas o AlphaGo a colocou em uma área onde nenhuma batalha direta havia ocorrido ainda.
Os comentaristas no local inicialmente até suspeitaram que o AlphaGo tivesse cometido um erro.
O jogador profissional 9º dan Michael Redmond, que estava comentando, não conseguiu julgar por um longo tempo, apenas dizendo:
Não sei se é uma boa jogada ou uma má jogada; é muito estranho.
Seu co-comentarista foi mais direto:
Eu pensei que foi um erro.
A equipe do DeepMind calculou mais tarde que a probabilidade de um jogador humano escolher essa jogada era de apenas uma em dez mil.
Mas conforme o jogo avançava, as pessoas gradualmente perceberam que não era uma jogada ruim; era uma jogada brilhante que mudou o curso da batalha em uma escala maior.
Cerca de 100 jogadas depois, essa pedra preta aparentemente mal colocada acabou sendo a chave para o AlphaGo vencer a segunda partida.
Mais tarde, esse momento de erro coletivo humano passou a ser apelidado de 'momento do tapa na cara'—
Originalmente pensava-se que a IA estava errada, mas no final, os humanos é que estavam errados.
Mas além do tapa na cara, essa jogada também fez o mundo perceber pela primeira vez que a IA não apenas imita o jogo humano, mas também pode fazer jogadas que os humanos nunca pensaram.
E uma década depois, a 'jogada 37' de fato reapareceu, e desta vez está associada a uma disciplina antiga:
Matemática.
Para a IA, o Go e a matemática compartilham uma grande semelhança: verificabilidade.
Porque a lógica e as regras nesses campos são suficientemente claras, a IA pode executar repetidamente um processo simples:
Tente uma ideia, teste-a, aprenda com os resultados e continue tentando até obter sucesso (aquela coisa de aprendizado por reforço).
Esse mecanismo também explica por que a matemática se tornou a primeira disciplina a ser intensamente bombardeada pela 'jogada 37' da IA.
Em campos como desenvolvimento de medicamentos e biologia, se uma ideia é válida muitas vezes requer longos experimentos para verificar.
A matemática é diferente; o processo de prova pode ser verificado passo a passo. Certo é certo, errado é errado, então a IA pode buscar incansavelmente.
Assim, à medida que as capacidades da IA continuam a se fortalecer, as mudanças começaram a acelerar ano após ano.
Começando com o nascimento do ChatGPT, em 2023 os modelos grandes ainda podiam ser derrubados por problemas aritméticos básicos; o incidente de "qual é maior, 9,11 ou 9,9" foi uma vez risível.
Mas em 2024, o AlphaProof e o AlphaGeometry 2 do DeepMind já haviam entrado na Olimpíada Internacional de Matemática.
Os dois sistemas resolveram 4 dos 6 problemas, marcando 28 pontos, alcançando o nível de medalha de prata (apenas 1 ponto abaixo do limite de ouro daquele ano).
Apenas um ano depois, o Gemini Deep Think resolveu 5 problemas dentro do limite oficial de 4,5 horas, marcando 35 pontos, alcançando o nível de medalha de ouro da IMO.
Em dois anos, a IA passou de novata a medalhista de ouro da IMO, a uma velocidade impressionante.
Mas isso ainda é apenas o salão de exames.
O que realmente fez a comunidade matemática sentir a maré chegando é que a IA começou a passar de "resolver problemas" para "conduzir pesquisas".
Em 2025, o GPT-5 participou da resolução do problema de Erdős #848, propondo a estimativa chave necessária para a prova.
Os matemáticos corrigiram e apertaram, finalmente completando a prova completa.
No mesmo ano, o matemático da UCLA, Ernest Ryu, com a ajuda do GPT-5, encontrou um avanço para um problema em aberto que atormentava a teoria da otimização há 40 anos.
Nesta fase, a IA não está mais apenas calculando respostas; ela começa a contribuir com ideias-chave.
Então, chegou 2026, e uma série de grandes problemas matemáticos começou a alcançar avanços.
O primeiro a lançar a bomba foi novamente a OpenAI.
Um modelo interno de raciocínio geral visou o problema da distância unitária no plano. Esse problema foi proposto pelo matemático Paul Erdős em 1946, estudando quantos pares de pontos a uma distância exatamente 1 podem ser maximizados ao colocar n pontos no plano.
Por quase 80 anos, a comunidade matemática geralmente acreditava que construções como grades quadradas estavam próximas do ideal.
Mas a IA trouxe diretamente um conjunto de ferramentas da teoria algébrica dos números aparentemente não relacionada, construindo um conjunto completamente novo de pontos, derrubando essa conjectura de longa data.
Toda a prova foi posteriormente verificada por matemáticos externos.
A OpenAI afirmou que esta é a primeira vez que uma IA geral resolve autonomamente um problema em aberto de importância significativa em um ramo da matemática.
Logo em seguida, a Anthropic também agiu.
Em julho de 2026, o matemático da Anthropic, Levent Alpöge, com a ajuda do Claude Fable 5, encontrou um contraexemplo explícito para a conjectura de Jacobian.
Uma conjectura que atormentava a comunidade matemática há 87 anos foi assim refutada pela IA da noite para o dia.
Houve até esforços conjuntos das duas empresas (OpenAI e Anthropic).
Há apenas alguns dias, GPT-5.6 e Fable 5 se uniram para resolver um problema matemático que estava em aberto há 25 anos.
(Há muitas histórias semelhantes...)
Mas o mais exagerado é o Google; o DeepMind está transformando esse avanço em uma linha de montagem.
Seu agente matemático Aletheia não gera mais apenas uma resposta, mas repetidamente propõe provas, verifica lacunas, se contradiz e então busca novos caminhos.
O DeepMind o usou para escanear 700 problemas em aberto no banco de dados da conjectura de Erdős.
Entre eles, a IA resolveu independentemente 4 problemas não resolvidos e também contribuiu com múltiplos resultados matemáticos de qualidade de artigo.
Essa tentativa mostra que a IA começou a buscar em grande escala as áreas em branco do mundo matemático.
Portanto, não é difícil imaginar:
É apenas uma questão de tempo até que a IA resolva mais problemas matemáticos importantes.
De resolver problemas a conduzir pesquisas, de recitar conhecimentos conhecidos a propor respostas desconhecidas, o 37º movimento no campo da matemática está sendo jogado um após o outro.
Encontrando o 78º Movimento da Humanidade
E diante desse momento que provavelmente chegará em breve, a humanidade sem dúvida enfrentará uma questão de introspecção:
Se a IA continuar a fazer novos movimentos que os humanos nunca pensaram, o que os humanos devem fazer?
O 78º movimento que apareceu naquela partida há dez anos pode ser a resposta.
No quarto jogo da partida de cinco jogos, Lee Sedol, que já havia perdido três jogos consecutivos, cunhou uma pedra branca no centro da formação do AlphaGo.
Esse movimento também se desviou da norma, e o AlphaGo estimou que a probabilidade de um humano jogá-lo era de apenas uma em dez mil.
Posteriormente, a máquina perdeu a compostura.
Lee Sedol garantiu a única vitória da humanidade, e o 78º movimento desde então foi chamado de "Movimento de Deus".
Essa vitória não significou que os humanos derrotaram a IA novamente.
Mas pelo menos mostrou que os humanos podem, após entender a máquina, encontrar o próximo movimento que a máquina não previu.
Esta é precisamente a lição que o 78º movimento deixa para hoje.
À medida que a IA se torna cada vez mais hábil em fornecer respostas, o valor humano se deslocará mais para fazer perguntas, determinar direções e decidir quais respostas realmente valem a pena buscar.
Emprestando o conceito de "xadrez centauro" do xadrez, significa ter jogadores humanos e motores de computador trabalhando juntos.
p.s. Depois que o "Deep Blue" da IBM derrotou o campeão mundial Garry Kasparov em 1997, Kasparov defendeu e sediou o primeiro "Torneio de Xadrez Centauro" em 1998, explorando as possibilidades da colaboração humano-IA.
Hassabis acredita que a ciência está entrando em uma "era centauro" semelhante:
Estamos entrando em uma era de colaboração humano-computador, e não sei quanto tempo esse ciclo durará. Mas para campos muito complexos, pode ser um longo tempo. Por exemplo, descoberta de medicamentos, biologia, química, etc. Esses campos são altamente complexos, com condições variáveis, e nem tudo pode ser verificado. É aqui que a intuição e a percepção humanas são necessárias para decidir a direção a seguir.
A evolução subsequente do Go já provou esse ponto.
Depois que o AlphaGo apareceu, a IA rapidamente se tornou uma ferramenta de revisão para jogadores profissionais. Os jogadores podiam usar a IA para reexaminar josekis passados, descobrir quais experiências eram realmente não confiáveis, e também estudar novos movimentos que antes eram considerados irracionais.
Um estudo que analisou mais de 5,8 milhões de movimentos de jogadores profissionais descobriu:
Após o surgimento da super IA, a qualidade dos movimentos dos jogadores humanos melhorou significativamente, e movimentos inovadores também aumentaram.
No entanto, há outro lado da questão, que é:
As pessoas estão começando a depender da IA para respostas, gradualmente perdendo a capacidade de julgar respostas.
Assim como Lee Sedol disse ao se aposentar, diante de um oponente que não conseguia derrotar, ele achou difícil continuar desfrutando do Go que uma vez amou.
Este pode ser o problema mais preocupante na era da IA.
À medida que mais campos além da matemática são influenciados pela IA, sistemas mais poderosos nos tornarão mais criativos, mais eficientes e mais humanos?
Ou farão com que as pessoas desistam de tentar?
No futuro, a IA continuará a jogar o 37º movimento.
A questão restante é se os humanos podem encontrar seu próprio 78º movimento.
Links de referência:
[1]https://www.wsj.com/tech/ai/move-37-ai-demis-hassabis-google-deepmind-alphago-ec832a41?st=9XMAjn&reflink=desktopwebshare_permalink
[2]https://x.com/demishassabis/status/2085914742414061886
Este artigo é da conta pública do WeChat "Quantum Bit", autor: Focus on Frontier Technology
