For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/pt/articles/ai-math-after-navier-stokes-justin-solomo-6c97bef7.md.
A matemática gerada por IA está saindo dos problemas de referência e entrando em territórios que os matemáticos profissionais esperavam que ...
A matemática gerada por IA está saindo dos problemas de referência e entrando em territórios que os matemáticos profissionais esperavam que continuassem difíceis por muito mais tempo.
A OpenAI afirma que seu modelo de fronteira interno resolveu mais de 100 problemas em aberto de longa data em toda a matemática. Em 6 de outubro, a empresa lançou um repositório público contendo 722 manuscritos organizados em 372 famílias de resultados relacionados, além de artefatos de prova e muitas formalizações em Lean.
O resultado mais visível chegou antes: uma solução gerada por IA para o problema de existência e suavidade de Navier–Stokes, um dos sete Problemas do Prêmio Millennium.
A comunidade matemática ainda está examinando o resultado. O Clay Mathematics Institute declarou que o problema parece ter sido resolvido, enquanto seu processo formal de avaliação e atribuição de crédito avançará deliberadamente. A OpenAI, por sua vez, afirma que não pretende reivindicar o Prêmio Millennium de US$ 1 milhão.
A questão mais inquietante é outra:
O que acontece quando uma prova pode ser verificada formalmente, mas até matemáticos altamente qualificados consideram a própria prova extremamente difícil de entender?
Essa questão esteve no centro de um episódio recente do Odd Lots, da Bloomberg, no qual o Diretor Associado de Educação em Engenharia do MIT, Justin Solomon, discutiu como a IA está mudando a pesquisa matemática, a verificação, a educação e os incentivos acadêmicos.
O Odd Lots, da Bloomberg, discutiu como a IA está mudando a pesquisa matemática com Justin Solomon, do MIT.
A questão também se conecta diretamente à palestra Math 2.0, de Terence Tao, em outubro de 2026, no Caltech.
O argumento de Tao não é que a matemática está acabando. É que o campo está migrando de uma era de escassez de provas para uma era de abundância de provas, na qual produzir um resultado formalmente correto pode se tornar muito mais barato do que entender por que esse resultado importa.
As equações de Navier–Stokes descrevem o movimento dos fluidos.
Elas aparecem em modelos de:
A questão difícil é se soluções tridimensionais suaves necessariamente permanecem suaves para sempre ou se uma singularidade pode se desenvolver em tempo finito.
O resultado de setembro da OpenAI sustenta a segunda possibilidade.
A empresa afirma que seu sistema interno produziu uma prova mostrando que a dinâmica de Navier–Stokes pode desenvolver uma singularidade em tempo finito.
O teorema publicado estabelece a construção de explosão em tempo finito usada no resultado da OpenAI sobre Navier–Stokes.
A OpenAI também lançou uma formalização da prova em Lean.
Isso importa porque um assistente de provas pode verificar se uma cadeia de afirmações formais decorre das premissas codificadas.
Mas correção formal e legibilidade humana são propriedades diferentes.
No Odd Lots, Solomon afirmou que o artigo é extremamente difícil de ler, mesmo considerando sua formação matemática. Ele descreveu ter conseguido avançar apenas pelas primeiras páginas antes que a densidade dos detalhes técnicos se tornasse esmagadora.
Sua avaliação foi essencialmente:
A própria descrição do podcast é mais cuidadosa do que a versão viral: a prova é difícil de analisar até para matemáticos profissionais.
Isso é mais preciso do que dizer que “nenhum ser humano consegue entendê-la”.
A mudança central é que a verificação formal agora pode avançar mais rápido do que a compreensão humana ampla.
O artigo-fonte descreve a IA como tendo concluído o último um por cento de uma construção já desenvolvida quase inteiramente por matemáticos humanos.
Isso captura a ideia geral de que o trabalho humano anterior foi importante, mas a história é mais complicada do que uma simples divisão de 99%/1%.
O relato técnico da OpenAI afirma que seus agentes exploraram múltiplas abordagens e compartilharam ideias intermediárias úteis entre grupos.
A empresa também discute trabalhos simultâneos dos matemáticos Levent Alpöge e Tristan Buckmaster sobre um resultado relacionado para a equação de Euler.
A OpenAI afirma que as provas diferem substancialmente, inclusive no tratamento de forçamento externo, e que investigou se entradas recentes de usuários poderiam ter influenciado seu resultado.
A empresa concluiu que os prompts relevantes do Codex de Buckmaster nos dois meses anteriores não poderiam ter influenciado o modelo interno usado para o resultado de Navier–Stokes.
Assim, a descrição mais segura é:
O resultado surgiu em um campo no qual matemáticos humanos já haviam desenvolvido importantes ideias ao redor do problema, enquanto o sistema interno da OpenAI produziu uma nova prova que, segundo a empresa, é tecnicamente distinta do trabalho humano simultâneo.
Essa distinção importa porque a atribuição de crédito está se tornando uma das questões mais difíceis da ciência assistida por IA.
A prova não foi gerada por uma única resposta de chat.
A OpenAI descreve um grande processo de pesquisa com múltiplos agentes.
A empresa afirma que:
O modelo interno usado para descobrir a prova era, segundo a OpenAI, significativamente mais capaz do que o GPT-6 Astra.
Portanto, o fluxo de trabalho se parece menos com um chatbot e mais com um programa computacional de pesquisa:
Milhares de instâncias de agentes
↓
Muitas abordagens paralelas
↓
Resultados intermediários compartilhados entre grupos
↓
Argumentos promissores consolidados
↓
Formalização em Lean
↓
Revisão humana e da comunidade
Durante a maior parte da história da matemática, uma prova cumpriu dois papéis ao mesmo tempo.
Ela estabelecia que um teorema era verdadeiro.
Também explicava por que ele era verdadeiro de uma forma que os matemáticos podiam estudar, simplificar, reutilizar e ensinar.
A matemática formal gerada por IA pode separar esses papéis.
Uma máquina pode produzir um argumento que seja verificável mecanicamente, mas ainda profundamente desagradável de ler para humanos.
Isso cria três camadas diferentes:
| Camada | Pergunta principal |
|---|---|
| Validade formal | A prova é verificada no sistema formal? |
| Verificação humana | Especialistas conseguem inspecionar o argumento matemático com confiança? |
| Compreensão humana | Pessoas conseguem extrair conceitos, mecanismos e insights reutilizáveis a partir dela? |
Um certificado Lean é uma evidência poderosa de correção formal.
Ele não produz automaticamente uma explicação conceitual.
A preocupação de Solomon é que a matemática possa produzir respostas cada vez mais rápido do que os humanos conseguem transformá-las em compreensão.
A construção depende de um comportamento de fluidos cuidadosamente organizado, no qual diferentes termos se tornam muito grandes enquanto ainda se equilibram da maneira necessária.
A OpenAI visualiza o movimento local como uma combinação de espiralamento para dentro e alongamento axial.
A visualização da OpenAI mostra espiralamento para dentro e alongamento axial na construção local de fluxo incompressível.
Isso ajuda a explicar por que a prova pode ser válida e, ainda assim, permanecer difícil de absorver.
O argumento exige amplo controle de escalas, estimativas, termos interagentes, comportamento assintótico e limites cuidadosamente escolhidos.
Isso é muito diferente da imagem popular de um insight de uma linha que subitamente torna todo o problema óbvio.
O episódio do Odd Lots também discutiu Travis Kalanick, cofundador da Uber, e seus comentários públicos sobre fazer “física por vibe” com IA.
A ideia é que um usuário pode explorar questões científicas avançadas de forma conversacional sem treinamento tradicional na área.
O debate sobre “física por vibe” questiona até onde a IA conversacional pode levar um não especialista na pesquisa científica avançada.
Isso destaca o modo de falha oposto ao das provas formais ilegíveis.
Em um caso, a IA produz matemática que pode estar correta, mas é técnica demais para a maioria das pessoas entender.
No outro, a IA faz a ciência complexa parecer suficientemente fácil para que um não especialista se torne excessivamente confiante em uma ideia que não foi verificada com rigor.
O gargalo comum é a verificação.
A IA pode fazer tanto boas quanto más ideias parecerem refinadas.
A qualidade da apresentação, portanto, está se tornando um sinal mais fraco de qualidade científica.
Terence Tao apresentou a mesma questão de forma mais incisiva em sua palestra Math 2.0, de outubro de 2026, no Caltech.
Ele pede ao público que imagine uma IA avançada recebendo esta instrução:
Encontre uma cura para o câncer que seja aprovada em um ensaio clínico de fase 3.
Não cometa erros.
A IA consome uma quantidade enorme de computação e retorna um coquetel de substâncias químicas antes desconhecidas.
Ninguém entende completamente como ela encontrou o tratamento.
Ainda assim, a IA de alguma forma fornece um certificado Lean para sua previsão, e o tratamento passa em um ensaio clínico de Fase III.
Tao pergunta se um tratamento matematicamente verificado e clinicamente bem-sucedido ainda pareceria seguro se nenhum humano entendesse o mecanismo.
A questão não é simplesmente se o medicamento funciona no teste declarado.
A questão é se o sistema pode ter otimizado contra uma fragilidade em:
Tao então faz uma pergunta mais pessoal.
Se você tivesse câncer e o tratamento tivesse passado pelas verificações formais e clínicas, você se sentiria melhor sabendo que pelo menos um especialista humano em câncer entendia parte do mecanismo?
Ou que pelo menos um matemático humano entendia o modelo usado para encontrá-lo?
O experimento mental expõe um problema central de alinhamento:
Uma otimização poderosa combinada com uma compreensão humana fraca pode criar risco mesmo quando o objetivo medido parece ter sido satisfeito.
O argumento mais amplo de Tao é que a matemática tradicional se desenvolveu sob uma premissa de escassez de provas.
Encontrar uma prova correta para um problema em aberto era difícil, lento, raro e dependente de conhecimento especializado.
A IA muda essa economia.
Com computação suficiente e acesso a modelos de fronteira, alguns problemas em aberto agora podem ser atacados muito mais rapidamente.
Tao chama essa condição emergente de abundância de provas.
A palestra Math 2.0 de Tao argumenta que a matemática está migrando da escassez de provas para a abundância de provas.
Mas Tao rejeita explicitamente a ideia de que a matemática está quase concluída.
Seus slides afirmam que a maior parte dos problemas atuais de fronteira continua sem solução, mesmo com grandes quantidades de computação, e que o espaço de problemas matemáticos permanece efetivamente ilimitado.
Sua preocupação é com os incentivos.
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
Se pesquisadores tratarem “resolver problemas famosos em aberto” como o único objetivo, a IA poderá chegar ao destino enquanto ignora a exploração humana que historicamente gerou:
Tao compara problemas em aberto a faróis.
O valor não está apenas em alcançar o farol. O caminho até ele pode revelar a paisagem ao redor.
O artigo-fonte então passa das provas para a publicação acadêmica.
Solomon argumenta que o ecossistema de pesquisa já está vivenciando uma versão do mesmo problema.
A IA reduz o custo de produzir:
Mas a oferta de revisores humanos qualificados não cresce automaticamente no mesmo ritmo.
Isso cria uma assimetria:
Custo de gerar pesquisa
↓↓↓
Custo de revisar pesquisa
permanece alto
Mesmo um artigo forte pode se tornar mais difícil de perceber quando o volume ao redor explode.
O artigo-fonte afirma que a ICLR cresceu de aproximadamente um ou dois mil envios há uma década para 60.000 submissões neste ano.
Solomon de fato usou o número de 60.000 no podcast.
Mas os dados da conferência exigem uma ressalva.
Para a ICLR 2026, a retrospectiva oficial da conferência informa:
O número de aproximadamente 60.000 que circulou no fim de 2026 está associado a registros da ICLR 2027 / IDs de submissão do OpenReview, e não a uma contagem final de artigos válidos.
Análises independentes colocam o maior ID do OpenReview acima de 62.000, observando explicitamente que isso representa um limite superior, e não uma contagem final de artigos.
A tendência maior é real — a pressão de submissões está crescendo muito rapidamente —, mas “a ICLR recebeu 60.000 artigos finalizados” ainda não é uma estatística oficial precisa.
O ponto mais profundo permanece após a correção.
Pesquisadores podem usar IA para redigir trabalhos muito mais rápido do que um especialista humano pode revisá-los de maneira responsável.
Solomon descreve receber e-mails de pessoas que acreditam que uma IA encontrou um novo teorema e querem que um especialista o valide.
Historicamente, a dificuldade de produzir trabalho matemático refinado era, por si só, um filtro parcial.
Esse filtro está enfraquecendo.
Agora, um argumento fraco pode chegar acompanhado de:
A aparência de seriedade está se tornando barata.
A atenção de especialistas não.
O artigo-fonte leva o argumento adiante: se a matemática de fronteira depender cada vez mais de enormes orçamentos de inferência, o poder de pesquisa poderá se concentrar em organizações que controlam os melhores modelos e a maior capacidade computacional.
Solomon levanta uma preocupação relacionada.
Um pesquisador universitário pode usar um sistema comercial de IA para avançar em um problema.
Mas o provedor pode ter:
A assimetria poderia remodelar a competição entre universidades, pesquisadores independentes e grandes empresas de tecnologia.
Há também uma questão de atribuição de dados.
Se pesquisadores discutem ideias por meio de sistemas comerciais de IA, que garantias existem sobre como essas interações são armazenadas ou usadas?
A OpenAI afirma que seu sistema de Navier–Stokes não foi influenciado pelos prompts relevantes do Codex de Buckmaster nos dois meses anteriores.
Mas o problema mais amplo de atribuição permanece.
O resultado de Navier–Stokes torna concreta a questão do crédito.
Entre os possíveis contribuidores estão:
As convenções tradicionais de autoria não foram projetadas para essa estrutura.
O Clay Mathematics Institute reconheceu que o problema de Navier–Stokes aparentemente foi resolvido, mas afirma que seu processo de premiação levará tempo e inclui regras para avaliar o que foi alcançado e atribuir crédito.
A OpenAI afirma separadamente que não pretende reivindicar o Prêmio Millennium.
Isso elimina uma disputa imediata pelo prêmio, mas não resolve o problema geral de autoria.
A parte final do argumento de Solomon é mais otimista.
Ele afirma que grande parte do trabalho matemático atual de IA ainda parece estar dentro do que os matemáticos poderiam chamar de envoltória convexa do conhecimento existente.
Os modelos podem ser extremamente fortes em:
O que está menos estabelecido é se eles podem criar de forma confiável o equivalente a uma visão de mundo matemática genuinamente nova.
Uma IA pode inventar a próxima grande teoria, em vez de resolver um problema já formulado por humanos?
Ela pode identificar a próxima questão que merece décadas de atenção?
Solomon afirma que isso ainda é muito menos claro.
Os slides de Math 2.0 de Tao afirmam que resolver problemas em aberto é apenas uma parte visível da matemática.
Outros trabalhos valiosos incluem:
Portanto, o futuro da matemática humana pode depender menos de ser a entidade mais rápida a chegar a uma prova e mais de decidir qual conhecimento deve ser criado em torno dessa prova.
Perto do fim do podcast, os apresentadores fazem a pergunta prática que muitos pais e estudantes estão fazendo:
Se a IA pode resolver mais problemas de matemática, as crianças ainda devem aprender matemática?
A resposta de Solomon é sim.
O motivo não é que os estudantes precisem superar um modelo de fronteira em manipulação simbólica.
A educação matemática também treina as pessoas para:
Essas habilidades podem se tornar mais valiosas quando respostas refinadas se tornam abundantes.
Se as respostas são baratas, o julgamento se torna caro.
A ideia mais forte do artigo-fonte também é aquela que sobrevive à verificação de fatos mais cuidadosa.
A IA pode reduzir o custo de gerar respostas candidatas.
Ela pode reduzir o custo de gerar provas candidatas.
Pode até reduzir o custo da verificação formal.
Mas ela não reduz automaticamente o custo da compreensão humana.
Isso cria uma nova hierarquia de recursos escassos:
Respostas candidatas → mais baratas
Provas formais → mais baratas
Artigos refinados → mais baratos
Revisão especializada → ainda cara
Interpretação → ainda cara
Julgamento científico → ainda caro
Compreensão humana → ainda cara
O perigo não é simplesmente que a IA se torne melhor em matemática.
O perigo é que a sociedade confunda resultados verificados mecanicamente com conhecimento plenamente compreendido.
A oportunidade é que os humanos possam redirecionar esforços para as partes da ciência que continuam mais difíceis de automatizar: escolher objetivos, construir explicações, elaborar perguntas melhores, interpretar resultados e conectar a verdade formal ao mundo real.
A OpenAI publicou uma solução gerada por IA em setembro de 2026 mostrando a formação de singularidades em tempo finito e lançou uma formalização em Lean. O Clay Mathematics Institute afirma que o problema parece ter sido resolvido, mas seu processo formal de avaliação e atribuição de crédito avança deliberadamente.
Não. A OpenAI afirma explicitamente que não pretende reivindicar o prêmio. O Clay Mathematics Institute não concluiu seu processo formal de reconhecimento.
O repositório público de matemática da OpenAI contém 722 manuscritos organizados em 372 famílias de resultados relacionados. A empresa afirma que o lançamento veio de uma avaliação mais ampla envolvendo aproximadamente 4.000 problemas; portanto, “722 manuscritos” não deve ser confundido com 722 descobertas completamente independentes.
No Odd Lots, da Bloomberg, Solomon afirmou que o artigo é extremamente difícil de ler e que não conseguiu passar das primeiras páginas. Ele descreveu a prova como altamente técnica e provavelmente correta, mas não especialmente elegante.
Math 2.0 é a estrutura de Tao para a matemática em uma era de abundância de provas impulsionada por IA. Ele defende que o campo dê mais ênfase à compreensão humana, à explicação, à experimentação, às bibliotecas formais e ao uso produtivo da IA, em vez de otimizar cegamente para problemas famosos em aberto.
Não. Lean pode verificar se uma prova formal é válida dentro de seu sistema formal, mas isso não fornece automaticamente uma explicação compreensível para humanos, não estabelece a importância científica nem mostra como as ideias podem ser transferidas com segurança para aplicações do mundo real.
Não. A retrospectiva oficial da ICLR de 2026 informa 19.525 submissões válidas. O número de aproximadamente 60.000 que circulou no fim de 2026 vem de registros do OpenReview ou estimativas de IDs de submissão da ICLR 2027 e não deve ser tratado como uma contagem final de artigos válidos.
Porque a matemática ensina mais do que produzir respostas. Formulação de problemas, compreensão de modelos, julgamento lógico, verificação e a capacidade de fazer boas perguntas continuam sendo centrais, mesmo quando a IA pode gerar provas rapidamente.
O resultado da OpenAI sobre Navier–Stokes mostra a rapidez com que a matemática assistida por IA está mudando. A prova tem uma formalização em Lean e foi recebida com cautela pelo Clay Mathematics Institute, mas sua densidade técnica também ilustra um novo problema: a correção matemática pode chegar mais rápido do que a compreensão humana ampla.
A preocupação de Justin Solomon não é que a IA tenha tornado a matemática inútil. É que sistemas de pesquisa construídos para provas escassas e artigos escassos podem ter dificuldades quando as máquinas conseguem gerar ambos em escala enorme. Terence Tao descreve a mesma transição como uma mudança da escassez para a abundância de provas.
O gargalo mais importante pode, portanto, deixar de ser a produção de respostas e passar a ser a avaliação, a explicação, a conexão e a compreensão delas.
Quando as provas se tornam abundantes, a compreensão humana — e não a geração de provas — pode se tornar o recurso mais escasso da matemática.
Comece com uma frase e tenha um site completo em minutos.
