DeepMind resolve problemas matemáticos abertos com IA revisada por pares
Um sistema de inteligência artificial do Google DeepMind solucionou, sozinho, dezenas de problemas matemáticos que permaneciam em aberto — e submeteu o resultado ao crivo da revisão por pares, um passo que concorrentes evitam. O AlphaProof Nexus acertou 9 dos 353 problemas catalogados pelo matemático Paul Erdős, dois deles sem resposta havia 56 anos. O trabalho ganhou espaço na revista Science.
Antes da publicação formal, a equipe responsável liberou as soluções na internet, antecipando o escrutínio da comunidade. É um detalhe relevante: em matemática, a validação por especialistas independentes costuma separar avanço real de ruído.
O placar completo
O desempenho não se limita aos problemas de Erdős. O sistema também provou 44 conjecturas do banco de sequências inteiras OEIS, atacou uma questão aberta da geometria algébrica e aperfeiçoou um limite conhecido em otimização min-max — técnica empregada no treinamento de alguns modelos de IA.
| Frente de trabalho | Resultado |
|---|---|
| Problemas de Erdős | 9 de 353 resolvidos |
| Conjecturas da OEIS | 44 provadas |
| Geometria algébrica | Questão aberta solucionada |
| Otimização min-max | Limite conhecido aprimorado |
Como a máquina constrói a prova
A arquitetura gira em torno do Gemini 3.1 Pro, que redige e revisa demonstrações na linguagem formal Lean. Trata-se de um assistente de verificação: a cada edição do texto, o Lean confere a validade lógica do passo e devolve mensagens de erro que orientam a tentativa seguinte. É esse ciclo de tentativa, checagem e correção que permite ao sistema avançar sem supervisão humana contínua.
Para subproblemas mais duros, o modelo pode acionar o AlphaProof, ferramenta dedicada a provas. Ainda assim, o Google DeepMind informa que os nove problemas de Erdős foram vencidos sem esse reforço.
A disputa sobre quem valida a matemática feita por IA
A pesquisa chega em meio a uma queda de braço sobre o papel da IA na matemática. A OpenAI, segundo o relato, despejou centenas de provas geradas por máquina no GitHub em vez de submetê-las a periódicos científicos. A Association for Human Mathematics, liderada por Terence Tao, pediu boicote a esse tipo de prática. Na contramão, o DeepMind optou pela revisão por pares.
O contraste diz menos sobre capacidade técnica e mais sobre método — e sobre quem assume o ônus de provar que um resultado se sustenta fora do laboratório.
O que isso sinaliza para quem investe
A validação por revisão por pares é o dado central: sinaliza que a IA deixa de ser curiosidade e passa a produzir conhecimento verificável em domínios de fronteira. Para o investidor, o recado é sobre a corrida de capital em IA. Provar teoremas exige raciocínio formal de longo prazo, capacidade que sustenta aplicações em engenharia de software, descoberta de fármacos e modelagem financeira.
O avanço também expõe a disputa entre os laboratórios líderes. Quem demonstra rigor científico atrai talento, parcerias e, no limite, valor de mercado. A revisão por pares, nesse caso, funciona como selo de confiabilidade para quem financia pesquisa em IA, reduzindo o risco reputacional de resultados não replicáveis.
Ainda assim, o salto entre resolver um teorema e transformar isso em receita recorrente segue largo — e é aí que a avaliação do setor pede cautela.