Na entrevista de 12 de setembro de 2026, Steven Strogatz discutiu como a IA está mudando a compreensão das provas e a identidade profissional dos matemáticos. A inteligência artificial está acelerando a pesquisa matemática, mas os anúncios de setembro de 2026 não descrevem um único tipo de avanço. Em 8 de setembro, a OpenAI relatou um resultado sobre uma singularidade em tempo finito nas equações de Navier–Stokes; a afirmação continua sem aceitação matemática independente. Em 4 de setembro, a Anthropic informou que Claude formalizou uma prova já existente do Último Teorema de Fermat. A diferença é crucial — e ajuda a explicar por que Steven Strogatz e Alex Townsend veem a tecnologia como avanço científico e ameaça profissional ao mesmo tempo.
Nem todo avanço matemático da IA é a mesma coisa
Há pelo menos três etapas diferentes nessa história: propor um resultado, transformar uma prova em uma forma que possa ser checada por máquina e obter aceitação independente da comunidade matemática. Confundir essas etapas produz manchetes impressionantes, mas respostas erradas.
| Projeto | Objetivo matemático | Situação descrita | O que especialistas precisam avaliar | Papel humano em questão |
| OpenAI e Navier–Stokes | Relatar uma singularidade em tempo finito para equações forçadas, tridimensionais e incompressíveis | Resultado anunciado pela OpenAI, ainda sem aceitação matemática independente | Se a construção trata exatamente do problema pretendido e se resiste à análise especializada | Conferir o alcance, a interpretação e a prioridade do resultado |
| Anthropic e Claude | Formalizar em Lean uma prova existente do Último Teorema de Fermat | Formalização de matemática estabelecida, não descoberta de um novo teorema | Se a formalização representa fielmente a prova e suas hipóteses | Traduzir, contextualizar e compreender uma prova extensa |
A tabela não coloca os projetos em uma escala de “melhor” ou “pior”. Eles respondem a perguntas diferentes. Um tenta apresentar uma construção nova para um problema em aberto; o outro organiza uma demonstração conhecida em um sistema formal verificável.
O que a OpenAI afirmou sobre Navier–Stokes
A OpenAI relatou uma prova analítica e uma formalização em Lean para uma singularidade em tempo finito nas equações de Navier–Stokes forçadas, tridimensionais e incompressíveis, sob as condições descritas pela empresa. Em termos simples, a afirmação envolve uma situação em que a velocidade se torna ilimitada em tempo finito dentro do modelo matemático considerado.
Isso não significa que o problema do milênio de Navier–Stokes esteja resolvido no sentido aceito pela matemática. O problema de existência e regularidade de Navier–Stokes faz parte dos sete Problemas do Milênio do Clay Mathematics Institute, cada um associado a um prêmio de US$ 1 milhão. O anúncio da OpenAI é uma afirmação da empresa; a aceitação matemática exige publicação qualificada, análise prolongada e reconhecimento amplo da comunidade.
Portanto, a resposta curta à pergunta “a OpenAI resolveu Navier–Stokes?” é não. O que existe é um resultado relatado para condições específicas, acompanhado de uma formalização, ainda sujeito à avaliação matemática independente.
O ponto técnico importa porque “Navier–Stokes” não é uma etiqueta que transforma qualquer resultado relacionado a fluidos na solução integral do problema do milênio. As equações, as condições impostas e o tipo de singularidade precisam corresponder exatamente à questão matemática em análise.
O que Claude fez com a prova de Fermat
A Anthropic informou em 4 de setembro de 2026 que agentes Claude formalizaram em Lean uma prova existente do Último Teorema de Fermat. O trabalho envolveu cerca de 29.500 teoremas intermediários usados na prova final.
Claude, portanto, não descobriu o Último Teorema de Fermat. A formalização transformou uma demonstração já estabelecida — associada ao trabalho de Andrew Wiles e Richard Taylor — em uma sequência de afirmações que o sistema Lean pode checar sob hipóteses codificadas.
É um feito relevante de engenharia matemática e automação, mas pertence a uma categoria diferente da descoberta de um novo teorema. A distinção também muda a pergunta sobre autoria: a máquina pode acelerar a tradução e a organização formal de uma prova, enquanto a matemática original e sua compreensão histórica continuam ligadas ao trabalho humano anterior.
O que o Lean realmente verifica
Lean é um assistente de provas. Ele verifica mecanicamente se cada passo formalizado decorre das definições, dos axiomas e das hipóteses registrados no sistema. Isso é mais rigoroso do que confiar apenas em uma explicação informal ou em uma sequência de cálculos produzida por um modelo.
Mas uma checagem mecânica não responde sozinha a todas as perguntas importantes. Ela não decide se o problema formalizado é exatamente o problema que os pesquisadores pretendiam resolver, se as hipóteses capturam a questão relevante ou se a comunidade matemática considera a construção uma solução aceita. Também não substitui a explicação que permite a outros matemáticos entenderem por que a prova funciona e qual é seu significado.
É aí que entra a expressão de Steven Strogatz: “digestão da prova”. Para ele, especialistas humanos ainda precisam explicar argumentos gerados ou organizados por máquinas em termos que as pessoas consigam compreender e avaliar.
O impacto sobre os matemáticos humanos
Strogatz descreveu a aceleração da pesquisa como algo empolgante, mas também ameaçador para a compreensão humana, a motivação e o papel profissional dos matemáticos. Em uma de suas avaliações, afirmou que seria difícil competir no futuro sem IA para produzir matemática de vanguarda.
Alex Townsend apresentou a tensão de maneira mais pessoal. Depois de 15 anos dedicados à pesquisa matemática, ele disse ter se sentido abalado ao perceber que um sistema poderia superar sua capacidade no auge de sua carreira. A IA, em sua visão, tornou trabalhos difíceis mais viáveis, mas também alterou a sensação de estar na fronteira do conhecimento.
Essas duas reações não se contradizem. Uma ferramenta pode ampliar o que um pesquisador consegue fazer e, simultaneamente, reduzir a sensação de que a conquista pertence inteiramente a ele. Quando a máquina gera caminhos que poucos humanos conseguem acompanhar, a pergunta deixa de ser apenas “o resultado está correto?” e passa a incluir “quem entende o resultado, quem merece o crédito e como outros podem aprender com ele?”.
A disputa por crédito continua aberta
A controvérsia em torno de Tristan Buckmaster, Levent Alpöge e da OpenAI envolve alegações e respostas sobre prioridade e crédito. Essas posições permanecem contestadas, sem uma conclusão estabelecida que permita afirmar que houve acesso indevido a trabalho privado, apropriação de ideias ou prioridade definitiva de qualquer lado. Em 10 de setembro, a OpenAI afirmou que sua investigação descartava a influência dos prompts de Codex de Buckmaster dos dois meses anteriores sobre esse sistema, inclusive no treinamento. Essa é a conclusão comunicada pela empresa, não uma decisão independente sobre a disputa.
O caso expõe um problema que a verificação automática não resolve. Um sistema pode checar se uma sequência formal segue as regras codificadas, mas não determina sozinho quem teve a ideia primeiro, como uma estratégia foi desenvolvida ou quais contribuições deveriam aparecer na autoria de um trabalho.
O próximo teste será compreender o resultado
A matemática produzida com IA terá de passar por mais do que uma demonstração de capacidade computacional. No caso de Navier–Stokes, o resultado relatado pela OpenAI ainda precisa ser examinado quanto ao problema exato que aborda e ao significado de suas hipóteses. No caso de Fermat, o desafio foi formalizar uma prova existente, não descobrir o teorema.
Para Strogatz, a “digestão da prova” mantém os humanos no centro por enquanto: alguém precisa interpretar, contextualizar e avaliar o valor matemático do que a máquina produz. Townsend, por outro lado, mostra por que essa transição já mexe com a identidade de quem passou a carreira fazendo exatamente esse trabalho.
A mudança mais profunda talvez não seja uma máquina substituir matemáticos de imediato, mas o padrão de excelência se deslocar: produzir uma prova pode deixar de ser suficiente. Será preciso também reconstruí-la, explicá-la e demonstrar por que ela responde à pergunta certa. É nessa compreensão — e não apenas na velocidade da máquina — que a matemática decidirá o que esses avanços realmente significam.
