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/christian-szegedy-on-ai-and-the-future-of-9df759e7.md.
Por mais de dois mil anos, a matemática celebrou um tipo particular de herói: a pessoa que passa anos escalando em direção a um problema que...
Por mais de dois mil anos, a matemática celebrou um tipo particular de herói: a pessoa que passa anos escalando em direção a um problema que ninguém mais consegue resolver.
Euclides, Gauss, Hilbert, Wiles — a mitologia da matemática está repleta de avanços individuais ou de pequenas equipes que exigiram extraordinária persistência e habilidade técnica.
Christian Szegedy acredita que essa era está mudando.
Em um longo ensaio compartilhado em 4 de outubro, o cofundador da xAI e pesquisador de IA de longa data argumenta que a inteligência artificial está começando a alterar a economia e a cultura fundamentais da descoberta matemática. Sua metáfora central é simples: historicamente, os matemáticos exploraram uma região selvagem não mapeada a pé, enquanto a IA está se tornando uma aeronave.
A aeronave ainda é primitiva. É cara, pouco confiável e ainda não consegue alcançar todos os cumes.
Mas, se ela melhorar no ritmo que Szegedy espera, a atividade importante na matemática poderá passar de escalar pessoalmente um pico difícil para mapear regiões inteiras, dirigir frotas de exploradores automatizados e decidir quais terrenos valem ser investigados.
Christian Szegedy compartilhou um longo ensaio pessoal sobre o futuro da matemática na era da IA.
Esse é o significado provocativo por trás de sua afirmação de que a matemática está prestes a se “formar”.
Isso não significa que não haverá mais matemática.
Significa, em sua visão, que a matemática pode deixar de ser principalmente uma atividade artesanal praticada por um número relativamente pequeno de especialistas e se tornar uma base industrial muito maior para a ciência e a tecnologia.
Nem todos concordam.
Stephen Wolfram, escrevendo apenas alguns dias antes, argumenta quase o oposto: a IA pode automatizar uma parcela maior do trabalho matemático, mas os objetivos, conceitos e narrativas que tornam a matemática pura significativa ainda vêm de fora do sistema — das pessoas.
A discordância não é realmente sobre se a IA está melhorando em matemática.
Ela é sobre para que serve a matemática quando as máquinas conseguem fazer uma parcela maior das demonstrações.
A posição de Szegedy não é uma reação repentina a algumas demonstrações impressionantes de modelos.
Sua carreira transita entre matemática e aprendizado de máquina há décadas.
Ele estudou matemática na Hungria, obteve doutorado em matemática aplicada pela Universidade de Bonn e, depois, passou mais de uma década no Google.
Vários desenvolvimentos amplamente citados em aprendizado profundo levam seu nome.
Pesquisas selecionadas associadas a Szegedy incluem Inception, exemplos adversariais e normalização em lote.
Ele foi o primeiro autor do artigo que apresentou a arquitetura Inception, contribuiu para os primeiros trabalhos sobre exemplos adversariais e foi coautor do artigo sobre normalização em lote com Sergey Ioffe.
Em 2023, Szegedy integrou a equipe fundadora da xAI.
O anúncio da xAI em 2023 destacou uma equipe fundadora com experiências no Google Research, DeepMind, OpenAI, Microsoft Research e outros laboratórios.
Mas a matemática continuou central em seu pensamento.
Em um trabalho publicado em 2020, Szegedy argumentou que a autoformalização — traduzir automaticamente a linguagem matemática comum em enunciados formais verificáveis por máquinas — poderia se tornar um caminho importante para o raciocínio de IA de propósito geral.
O artigo descreve um sistema de autoformalização como aquele capaz de ler conteúdo matemático informal e convertê-lo em uma forma abstrata e verificável por máquina, com mínima intervenção humana.
“A Promising Path Towards Autoformalization and General Artificial Intelligence” apresentou o argumento de Szegedy em favor de uma matemática legível por máquinas.
Seu cronograma original era agressivo.
Segundo o relato posterior do próprio Szegedy, ele esperava matemáticos de IA sobre-humanos por volta de 2029. Em 2024, ele já dizia que o progresso parecia mais rápido do que havia previsto.
Szegedy escreveu em 2024 que o progresso avançava mais rápido que o cronograma de 2029 que ele havia imaginado anteriormente.
Em fevereiro de 2024, ele discutiu publicamente uma aposta sobre o surgimento de um matemático de IA sobre-humano antes de junho de 2026.
Em 2024, Szegedy discutiu publicamente uma aposta sobre a chegada de uma IA de matemática sobre-humana antes de meados de 2026.
Então 2026 trouxe uma série de resultados que tornou a questão muito mais difícil de descartar.
O artigo original aponta vários marcos da matemática assistida por IA em 2026.
Os detalhes importam porque eles não representam todos o mesmo tipo de realização.
Em maio, a OpenAI anunciou que um de seus modelos havia refutado um limite superior conjecturado no problema de distâncias unitárias no plano, uma questão que remonta ao trabalho de Paul Erdős em 1946.
O resultado não resolveu completamente o problema de distâncias unitárias.
O que ele fez foi derrubar uma conjectura central sobre a taxa de crescimento do número máximo de pares à distância unitária entre pontos no plano.
Essa distinção é importante, mas o resultado também é: um sistema de IA de propósito geral contribuiu com uma construção matemática genuinamente nova.
Em julho, o matemático Levent Alpöge compartilhou publicamente um contraexemplo desenvolvido com Claude Fable 5 que refuta a conjectura Jacobiana em dimensões três e superiores.
O caso bidimensional continua em aberto.
O contraexemplo é suficientemente compacto para ser verificado diretamente, e matemáticos externos verificaram a construção rapidamente.
Esse foi outro tipo de resultado de matemática por IA: não a formalização de uma demonstração existente, mas a descoberta de um contraexemplo explícito para uma conjectura de longa data.
A Anthropic então anunciou a primeira formalização completa, verificada por computador, do Último Teorema de Fermat.
Claude trabalhou de forma amplamente autônoma durante 11 dias para traduzir a demonstração humana existente para Lean.
Isso não foi uma nova demonstração do teorema no sentido histórico — Andrew Wiles e Richard Taylor já haviam estabelecido a matemática nos anos 1990.
O avanço foi a formalização.
Um enorme corpo de matemática avançada foi convertido em uma forma que Lean poderia verificar passo a passo.
O esforço interno de matemática da OpenAI levou a escala muito mais longe.
A empresa afirma que, após lançar um grande esforço multiagente em problemas matemáticos importantes, seus sistemas chegaram a uma resolução proposta para o problema do Prêmio do Milênio de Navier–Stokes aproximadamente 88 horas após o lançamento dos primeiros agentes.
O relato técnico da própria OpenAI diz que o grupo que produziu o resultado de Navier–Stokes envolveu na ordem de 10.000 agentes simultâneos.
A formalização e a verificação em Lean levaram outras 17 horas usando o GPT-6 Astra.
O resultado permanece historicamente significativo em parte pela escala do processo: milhões de mensagens entre agentes e centenas de bilhões de tokens de saída gerados em todo o esforço mais amplo.
Em 21 de setembro, a OpenAI também afirmou que o mesmo modelo interno havia resolvido mais de 100 problemas abertos de longa data em matemática.
O artigo-fonte situa as previsões anteriores de Szegedy ao lado de uma rápida sequência de resultados de matemática por IA em 2026.
O status exato e a importância de longo prazo desses resultados variam.
Alguns são formalizações de matemática conhecida. Outros são novos contraexemplos ou construções. Alguns são grandes alegações de pesquisa que continuam recebendo escrutínio matemático.
Mas, em conjunto, eles mudaram o ritmo do debate.
O argumento de Szegedy é que já não é razoável discutir matemática por IA como se os sistemas fossem estáticos.
Szegedy começa seu ensaio com uma lembrança pessoal da formatura do ensino médio.
Após anos de competições matemáticas e treinamento estruturado, seu exame final terminou.
Por um breve período, ele se sentiu livre.
Depois veio algo mais próximo do vazio.
Não havia mais competições. Nenhum professor atribuía o próximo problema. O sistema que havia estruturado sua identidade desaparecera de repente.
Sua mensagem aos matemáticos é que alguns deles poderão em breve vivenciar uma transição parecida.
Para explicar o motivo, ele compara a matemática pura à exploração de uma região selvagem sem mapa.
Os exploradores fazem três tipos de trabalho:
Historicamente, as pessoas mais celebradas eram frequentemente as escaladoras.
Uma conjectura que havia derrotado todos os demais se transformava em uma montanha. Resolvê-la podia definir uma carreira.
O programa de Langlands é um exemplo de trabalho matemático que abre um território enorme enquanto também cria realizações individuais lendárias.
Construtores de ferramentas também recebem respeito, mas o centro emocional da cultura matemática muitas vezes permaneceu no teorema ou na conjectura difícil que uma pessoa ou um pequeno grupo finalmente conquista.
Szegedy argumenta que as próprias conjecturas frequentemente não são o ponto mais profundo.
Elas também são campos de teste.
Pesquisadores enfrentam um problema difícil, em parte, porque isso os obriga a inventar novas técnicas, novos conceitos e novas formas de enxergar a paisagem.
A atração não está apenas no resultado formal.
Ela está no momento em que uma rocha obscura se revela uma montanha e, do topo, uma nova região se torna visível.
A metáfora central de Szegedy é o avião.
O primeiro voo dos irmãos Wright durou apenas alguns segundos.
Comparado a um avião comercial moderno, era quase inútil.
Mas teria sido um erro olhar para aquela máquina primitiva e concluir que aeronaves nunca cruzariam oceanos, transportariam milhões de pessoas ou transformariam a geografia.
Szegedy acredita que os sistemas atuais de IA em matemática estão em um estágio inicial semelhante.
Eles são caros.
Cometem erros.
Ainda não conseguem voar para todos os lugares.
Alguns resultados ainda exigem enorme capacidade computacional, orientação humana cuidadosa, verificação formal ou revisão especializada.
Mas a pergunta relevante não é se a máquina atual consegue alcançar todos os cumes matemáticos.
É o que acontece se as máquinas continuarem melhorando.
A resposta cética, em sua metáfora, soa assim:
Essas rochas são fáceis. Nós as escalamos apenas para nos preparar para as montanhas verdadeiras. Seu avião jamais alcançará os picos reais.
Szegedy considera isso um erro estático.
Um modelo que parece primitivo hoje pode estar obsoleto em meses.
Um fluxo de trabalho que agora exige enormes quantidades de computação pode se tornar barato o suficiente para ser executado rotineiramente.
Quando isso acontecer, ele argumenta, a matemática deixará de parecer uma região selvagem acessível apenas a escaladores de elite.
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.
Ela começará a parecer um continente que pode ser mapeado.
É aqui que o argumento de Szegedy se torna cultural, e não técnico.
Se sistemas de IA se tornarem exploradores matemáticos baratos e confiáveis, então o ambiente antigo muda.
“Aeronaves” privadas se tornam amplamente disponíveis.
Grandes organizações podem despachar frotas.
Sistemas automatizados podem examinar enormes regiões de possibilidades matemáticas, testar conjecturas, formalizar demonstrações, buscar estruturas e conectar literaturas antes separadas.
O artigo-fonte ilustra essa transição como um futuro no qual a paisagem matemática é mapeada do alto, em vez de ser explorada apenas a pé.
Szegedy espera que o processo seja turbulento.
Pesquisadores existentes podem ressentir a entrada de grandes empresas em áreas que antes pertenciam a pequenas comunidades acadêmicas.
Eles podem sentir que uma cultura construída em torno de elegância, paciência e habilidade individual está sendo industrializada.
Ele não descarta inteiramente essa reação.
Algo pode ser ganho e algo pode ser perdido ao mesmo tempo.
Sua afirmação é que a mudança acontecerá de qualquer forma.
Se a demonstração de teoremas se tornar menos escassa, as recompensas acadêmicas poderão mudar.
Szegedy sugere que três habilidades podem se tornar mais valiosas:
O ato heroico de escalar um pico que ninguém mais consegue escalar pode importar menos.
A capacidade de decidir quais montanhas importam pode importar mais.
É por isso que “formatura” é uma palavra útil em sua metáfora.
A disciplina não está terminando.
Ela está deixando um estágio de desenvolvimento e entrando em outro.
Sua previsão mais ampla é que a matemática se tornará menos parecida com uma especialidade acadêmica silenciosa e mais parecida com infraestrutura sob a ciência, a engenharia e a tecnologia.
Uma reação ao ensaio de Szegedy veio do matemático de Stanford Jared Duker Lichtman.
Ele escreveu que esperava por esse momento desde a pós-graduação e argumentou que uma disrupção sem substituição deixa um vazio — mas uma visão clara do futuro pode criar uma nova energia.
Seu próximo passo proposto é concreto:
Traduzir toda a matemática conhecida para código formal.
Jared Duker Lichtman argumentou que formalizar a matemática existente é um próximo passo claro.
Essa agenda se conecta diretamente ao trabalho anterior de Szegedy sobre autoformalização.
Um corpus matemático legível por máquinas poderia fornecer:
A formalização de Fermat pela Anthropic mostra tanto a promessa quanto a dificuldade.
Formalizar matemática avançada pode exigir uma enorme quantidade de código gerado e infraestrutura.
Mas, se os modelos se tornarem melhores no processo, o custo poderá cair rapidamente.
A visão de Szegedy não é universalmente aceita.
Cinco dias antes de seu ensaio aparecer, Stephen Wolfram publicou uma longa resposta à alegação mais ampla de que a IA poderia tornar desnecessária a pesquisa matemática humana.
Stephen Wolfram argumenta que a IA pode transformar o trabalho matemático sem tornar a matemática pura obsoleta.
A posição de Wolfram parte de uma definição diferente de matemática.
Se a matemática fosse principalmente produzir demonstrações formais, uma IA cada vez mais capaz poderia automatizar uma grande parte da atividade.
Mas Wolfram argumenta que a matemática pura também consiste em decidir:
Uma IA pode gerar enormes quantidades de possíveis definições, teoremas e estruturas formais.
Isso não os torna automaticamente matemática significativa para as pessoas.
Na visão de Wolfram, os objetivos da matemática vêm de fora do sistema formal.
Os humanos decidem com o que se importam.
Ele também alerta que a verificação formal pode demonstrar perfeitamente o enunciado formal errado.
Um assistente de demonstração pode estabelecer que a proposição codificada A decorre das premissas B e C. Isso não garante automaticamente que A seja o que o matemático pretendia expressar.
Esse é um contraponto importante à ideia de que mais autoformalização simplesmente significa que “a matemática está resolvida”.
A conclusão de Wolfram é explícita: a matemática pura não será concluída.
A irredutibilidade computacional, em sua estrutura conceitual, garante uma oferta interminável de novos fatos e surpresas.
A IA se torna um acelerador, não um ponto final.
O matemático do Imperial College Kevin Buzzard escreveu sobre a resposta emocional dentro da matemática usando a linguagem do luto.
Buzzard descreve uma comunidade matemática que reage de maneiras muito diferentes aos rápidos avanços da IA.
As reações vão da empolgação à recusa.
Alguns matemáticos querem pouco ou nada a ver com ferramentas de IA.
Outros estão integrando essas ferramentas rapidamente à pesquisa diária.
Para pesquisadores em início de carreira, o efeito psicológico pode ser especialmente intenso.
Se um estudante de pós-graduação passa semanas ou meses preso em um lema e um modelo o resolve imediatamente, a vitória técnica pode ser pessoalmente desestabilizadora.
Essa é a mesma emoção à qual Szegedy retorna em sua história sobre a formatura.
Uma habilidade que antes estruturava uma identidade pode subitamente se tornar menos escassa.
A resposta de Szegedy é que o luto é real, mas o futuro ainda contém trabalho matemático — apenas não necessariamente o mesmo trabalho, com a mesma hierarquia de status.
Em 1930, David Hilbert encerrou um famoso discurso em Königsberg com as palavras:
“Devemos saber. Saberemos.”
A frase mais tarde foi associada ao seu memorial.
O artigo-fonte a utiliza para encerrar o debate.
A famosa declaração de Hilbert tornou-se um símbolo da confiança matemática na possibilidade do conhecimento.
A IA pode estar tornando essa ambição mais literal.
A matemática é excepcionalmente adequada à automação porque muitos resultados podem, em última instância, ser reduzidos a objetos que máquinas conseguem verificar passo a passo.
Não há aparato de laboratório para calibrar.
Uma demonstração formal é verificada no sistema fundacional escolhido ou não é.
Isso não significa que a descoberta matemática seja simples.
Significa que a matemática oferece um ambiente particularmente claro no qual sistemas de raciocínio cada vez mais capazes podem ser testados.
Esse pode ser o motivo de tantos resultados visíveis de pesquisa em IA de fronteira estarem aparecendo primeiro na matemática.
A disciplina pode se tornar uma das primeiras ciências fundamentais a ser profundamente industrializada pela IA.
Se isso é “formatura”, transformação ou simplesmente a entrada de outra ferramenta poderosa no campo ainda é uma questão filosófica em aberto.
Szegedy e Wolfram concordam em pelo menos um ponto: o antigo fluxo de trabalho está mudando rapidamente.
Eles divergem quanto ao que permanece irredutivelmente humano quando a própria demonstração se torna barata.
Ele argumenta que a matemática pode migrar de uma cultura centrada em raras conquistas individuais de resolução de teoremas para uma exploração, mapeamento, formalização e aplicação assistidos por IA em grande escala. A disciplina não desapareceria; seu modelo de produção e suas recompensas sociais mudariam.
Szegedy integrou a equipe fundadora original da xAI em 2023. Antes da xAI, ele passou muitos anos no Google e contribuiu para trabalhos influentes sobre Inception, exemplos adversariais, normalização em lote e autoformalização.
Autoformalização é a tradução automática de linguagem matemática informal em enunciados formais precisos que um assistente de demonstração pode verificar. Szegedy argumenta há anos que isso poderia se tornar um caminho essencial para o raciocínio automatizado mais capaz.
A Anthropic anunciou em setembro de 2026 que Claude produziu uma formalização completa da demonstração existente do Último Teorema de Fermat, verificada por computador em Lean, ao longo de 11 dias. Essa foi uma grande realização de formalização, mas não uma nova descoberta do Último Teorema de Fermat em si.
A OpenAI afirma que um sistema multiagente interno produziu uma resolução após aproximadamente 88 horas e depois a formalizou em Lean. A empresa divulgou material técnico, mas resultados dessa magnitude ainda exigem escrutínio extenso, e o processo de reconhecimento formal é separado de um anúncio corporativo.
Wolfram argumenta que a matemática pura não se resume a produzir demonstrações. Os humanos ainda escolhem objetivos, conceitos, narrativas e perguntas, e ele acredita que a irredutibilidade computacional garante uma oferta sem fim de novos fatos e estruturas matemáticas.
Ambos os lados do debate esperam que humanos continuem envolvidos, talvez em papéis diferentes. Escolher problemas relevantes, criar estruturas conceituais, avaliar a importância, dirigir sistemas de IA e explicar descobertas podem se tornar mais importantes em relação à construção manual de cada demonstração.
A matemática possui mecanismos de verificação excepcionalmente claros. Provadores formais de teoremas, como Lean, podem verificar demonstrações passo a passo, permitindo separar a geração da verificação lógica rigorosa de forma mais clara do que em muitas ciências experimentais.
O argumento de Christian Szegedy não é que a matemática está acabando. É que a estrutura de escassez que moldou o prestígio matemático por séculos pode estar chegando ao fim.
Se sistemas de IA cada vez mais capazes puderem buscar, demonstrar, formalizar e coordenar em escala, então resolver manualmente um teorema difícil pode se tornar menos central do que escolher terrenos importantes, construir infraestrutura matemática confiável e transformar grandes quantidades de descobertas geradas por máquinas em compreensão humana.
A resposta de Stephen Wolfram traça a fronteira em outro lugar: as demonstrações podem se tornar mais fáceis, mas a matemática significativa ainda depende de objetivos, conceitos e narrativas com os quais os humanos se importam.
A verdadeira questão já não é se a IA mudará a matemática. É quais partes da matemática permanecerão escassas — e, portanto, valiosas — quando a própria demonstração se tornar cada vez mais automatizada.
Comece com uma frase e tenha um site completo em minutos.
