No último dia, um boato sobre as conquistas matemáticas de Claude se espalhou rapidamente nas redes sociais.
Ontem, o blogueiro Andrew Curran publicou uma "previsão" de que a Anthropic resolveu um Problema do Prêmio Millennium, nomeadamente a questão da existência e suavidade relacionada às equações de Navier-Stokes, e os resultados estão atualmente sob revisão de especialistas e podem ser anunciados publicamente antes do IPO da Anthropic.
Esta postagem rapidamente ganhou mais de 2,5 milhões de visualizações e foi compartilhada por um número crescente de contas.
Até agora, nenhum artigo correspondente, texto de prova ou materiais de revisão de especialistas estão visíveis em canais públicos, e o Clay Mathematics Institute ainda lista o problema de existência e suavidade de Navier-Stokes entre os Problemas do Prêmio Millennium não resolvidos.
No entanto, este boato não é sem fundamento. Um importante contexto vem de uma série de postagens do matemático Terence Tao há dois dias.
Um Artigo Hipotético sobre IA
Em 3 de setembro, Tao usou as equações de Navier-Stokes como exemplo para discutir o impacto potencial na pesquisa matemática se a IA resolver grandes problemas matemáticos em aberto.
https://mathstodon.xyz/@tao
As equações de Navier-Stokes descrevem como fluidos como água e ar se movem. O problema verdadeiramente não resolvido para os matemáticos é se, no caso tridimensional incompressível, partindo de condições iniciais suaves, a solução permanece suave para sempre ou desenvolve singularidades em tempo finito. Este problema foi listado pelo Clay Mathematics Institute como um Problema do Prêmio Millennium com um prêmio de 1 milhão de dólares.
Em sua postagem, Tao imaginou um possível processo de pesquisa futuro: um sistema de IA autônomo com abundantes recursos computacionais tenta continuamente diferentes construções matemáticas, analisa razões de falha, ajusta estratégias, verifica resultados e, finalmente, forma uma prova candidata extremamente complexa, que é então verificada por máquina usando sistemas de prova formal como Lean.
Seu foco estava em como o conhecimento matemático gerado neste processo poderia ser preservado.
Na pesquisa matemática tradicional, um problema difícil muitas vezes produz uma riqueza de subprodutos ao longo de anos de exploração: novos lemas, novas ferramentas, novas direções de pesquisa e questões que valem a pena perseguir. Tao teme que, se a IA completar toda a exploração em um ambiente fechado, os humanos possam acabar com um resultado verificado, mas muitos caminhos intermediários valiosos podem ter dificuldade em entrar na comunidade matemática.
O cenário na postagem era bastante específico: a IA procura estruturas candidatas, realiza testes numéricos, forma um arquivo de prova Lean massivo e, finalmente, resolve o problema de regularidade de Navier-Stokes.
Assim, o enredo familiar na internet surgiu.
Alguns começaram a especular se Tao tinha acesso a informações ainda não públicas. Discussões logo apareceram em plataformas sociais perguntando: "Tao está insinuando que Claude já resolveu Navier-Stokes?" Posteriormente, Curran deu uma previsão ainda mais explícita: "Claude resolveu Navier-Stokes." Essa afirmação se espalhou rapidamente.
À medida que a especulação crescia, Tao posteriormente emitiu um esclarecimento.
Sua atitude foi cautelosa: ele atualmente não tem conhecimento de nenhum grande novo progresso no problema de Navier-Stokes, e sua discussão anterior era um cenário hipotético de pesquisa em IA. Ao mesmo tempo, dado o ritmo atual do desenvolvimento da IA, tal cenário já tem um certo grau de possibilidade prática.
Ele então discutiu o "custo de oportunidade".
Problemas em aberto como Navier-Stokes têm impulsionado a geração de novos métodos, novas questões e novos pesquisadores por décadas. Se a IA puder chegar rapidamente à resposta final, a comunidade matemática também precisará considerar como destilar os processos, métodos e caminhos fracassados da exploração de máquinas em conhecimento matemático que os humanos possam entender e herdar.
Isso está gradualmente se tornando uma questão realista na pesquisa matemática com IA.
A IA está Mudando os "Recursos Escassos" na Matemática
Por que esse boato se tornou tão viral?
Nos últimos meses, a IA de fato cruzou vários limiares na matemática que antes eram difíceis de imaginar.
Ontem, a Anthropic anunciou o trabalho de formalização de Claude sobre o Último Teorema de Fermat.
https://www.anthropic.com/research/formalizing-fermats-last-theorem
O Último Teorema de Fermat já foi provado por matemáticos como Andrew Wiles na década de 1990. Por décadas, a comunidade matemática esperou traduzir completamente essa prova extremamente complexa em linguagens formais como Lean, permitindo que computadores verifiquem cada passo incrementalmente.
A Anthropic afirmou que Claude essencialmente completou de forma autônoma a formalização Lean de ponta a ponta em 11 dias, com o código final chegando a aproximadamente 13 milhões de linhas. Durante o processo, gerou cerca de 30.300 teoremas verificáveis por máquina, dos quais aproximadamente 29.500 entraram na prova final. O matemático Kevin Buzzard, que participa do projeto de formalização de longo prazo do Último Teorema de Fermat, também deu feedback positivo sobre esse resultado.
Voltando um mês antes.
Em 10 de agosto, a Anthropic anunciou que um modelo de pesquisa não lançado de Claude, ao tentar a Hipótese de Riemann, fez progresso em um problema relacionado: melhorando o limite inferior da proporção de zeros da função ζ conhecida por satisfazer a condição da Hipótese de Riemann de 41,6% para 67,2%. A Hipótese de Riemann está intimamente relacionada 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 publicou um resultado em geometria discreta. Um modelo de raciocínio geral construiu novos conjuntos de pontos de distância unitária, refutando uma conjectura de longa data em torno do problema da distância unitária no plano de Erdős. A prova relacionada foi posteriormente verificada por matemáticos externos. Esse resultado resolve uma conjectura importante dentro do problema, e todo o problema da distância unitária ainda tem espaço para exploração adicional.
https://openai.com/zh-Hans-CN/index/model-disproves-discrete-geometry-conjecture/
Em agosto, a OpenAI também publicou um conjunto concentrado de dez resultados em matemática e ciência da computação teórica, incluindo soluções ou progresso substancial em vários problemas em aberto de longa data.
https://openai.com/zh-Hans-CN/index/ten-advances-in-mathematics/
Há alguns anos, as conquistas mais proeminentes dos grandes modelos em matemática ainda eram problemas de olimpíadas. Agora, os alvos de pesquisa começaram a se mover para problemas em aberto, resultados em nível de artigo e provas formais em grande escala.
O impacto da IA na comunidade matemática também está mudando de quantos problemas ela pode resolver para quais serão as principais responsabilidades dos matemáticos no futuro.
Uma mudança é a importância crescente da verificação.
Os modelos de linguagem podem gerar rapidamente um grande número de derivações matemáticas, mas também podem produzir erros muito sutis. Assistentes de prova como o Lean podem decompor provas em uma forma que as máquinas possam verificar passo a passo. À medida que a velocidade das provas geradas por IA aumenta, a verificação formal está se tornando uma infraestrutura cada vez mais importante. Terence Tao enfatizou repetidamente que, no futuro, o gargalo na pesquisa matemática pode gradualmente mudar 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 ocorre na divisão de trabalho entre os matemáticos.
Se derivações rotineiras, buscas na literatura, experimentos computacionais e até mesmo algumas provas podem ser delegados à IA, os pesquisadores humanos podem investir mais esforço em selecionar problemas, propor conjecturas apropriadas, projetar rotas de pesquisa e destilar resultados gerados por máquinas em novas teorias que possam ser explicadas.
Terence Tao se refere a esse futuro como um modelo de "matemática grande": problemas complexos são divididos em muitos módulos, com humanos, IA e sistemas formais de prova participando juntos, e então os resultados são remontados por meio de verificação por máquina.
https://spectrum.ieee.org/ai-in-mathematics
Quando as respostas se tornam cada vez mais "baratas", o que realmente conta como a parte escassa da pesquisa matemática?
No passado, um importante problema em aberto podia sustentar uma direção de pesquisa por décadas. Os desvios que os matemáticos faziam em torno dele poderiam, eles próprios, dar origem a novas teorias. Se a IA comprimir drasticamente esse processo, as respostas finais virão mais rápido, mas também exige que a comunidade matemática redesenhe métodos para preservar processos de pesquisa, alocar contribuições e treinar a próxima geração de pesquisadores.
O uso do exemplo de Navier-Stokes por Terence Tao desta vez discute precisamente essa mudança.
Quanto a se Claude realmente conquistou este Problema do Prêmio do Milênio, atualmente permanece no estágio de rumores nas redes sociais.
Mas essa discussão um tanto absurda já ilustrou uma coisa: há alguns anos, "IA resolvendo os Problemas do Prêmio do Milênio" provavelmente estava mais próximo de um cenário de ficção científica; em 2026, as pessoas começaram a considerar seriamente o que a comunidade matemática deveria fazer se isso realmente acontecesse.
Links de referência:
https://x.com/AndrewCurran_/status/2096062392442724805
Este artigo é do perfil público do WeChat "Machine Intelligence" (ID: almosthuman2014), autor: Focado em Matemática
