Há mais de 150 anos, o matemático alemão Bernhard Riemann publicou uma hipótese sobre a distribuição dos números primos que nunca foi provada nem refutada. A chamada hipótese de Riemann tornou-se um dos problemas mais famosos da matemática, integra a lista dos Problemas do Milênio do Clay Mathematics Institute – que oferece um prêmio de um milhão de dólares para quem apresentar uma solução completa – e resistiu a todas as tentativas humanas de prova até hoje. Agora, um modelo de inteligência artificial ainda não lançado ao público, desenvolvido pela Anthropic, fez o que nenhum matemático conseguiu em um século e meio: um progresso concreto e verificável na direção de uma prova formal da hipótese.
A notícia, publicada pelo TechCrunch em 11 de agosto de 2026, representa um marco na história da inteligência artificial aplicada à ciência. Não é uma solução definitiva – a hipótese de Riemann permanece em aberto -, mas é o avanço mais significativo documentado até hoje, realizado por um sistema artificial e confirmado por matemáticos profissionais da própria Anthropic.
O que é a hipótese de Riemann
Para entender o impacto da descoberta, é importante saber o que a hipótese de Riemann realmente afirma. Em termos acessíveis, ela diz respeito a como os números primos – aqueles divisíveis apenas por um e por si mesmos, como 2, 3, 5, 7 e 11 – se distribuem ao longo dos números naturais. Riemann propôs, em 1859, que todos os chamados “zeros não triviais” de uma função matemática conhecida como função zeta de Riemann possuem parte real igual a 1/2. Essa conjectura tem implicações profundas em vários campos da matemática pura e da criptografia moderna.
O problema é ao mesmo tempo elegante e profundamente difícil. Matemáticos de todo o mundo dedicaram carreiras inteiras a ele. Computadores testaram trilhões de casos que confirmam a hipótese sem exceção – mas uma prova formal, válida para todos os casos possíveis e infinitos, nunca foi encontrada. É aí que entra o modelo não lançado da Anthropic.
Como o modelo trabalhou no problema
O sistema desenvolvido pela Anthropic abordou o problema de uma forma impossível para um único ser humano: testando 650 ideias matemáticas diferentes ao longo de aproximadamente 36 horas de execução, consumindo 31 milhões de tokens de saída. Para isso, a empresa usou uma arquitetura de múltiplos subagentes, cada um responsável por uma parte do trabalho colaborativo e especializado.
O resultado foi uma divisão de tarefas impressionante, descrita no artigo científico publicado pela Anthropic: dos 60 subagentes envolvidos, dois foram responsáveis pelo desenvolvimento das principais ideias matemáticas que constituem o avanço; 13 contribuíram com conceitos de suporte; 30 tentaram gerar novas ideias mas não produziram contribuições originais; 13 validaram os argumentos; e dois ajudaram na escrita formal do artigo científico. Uma colaboração em larga escala, mediada por inteligência artificial, que produziu um resultado que humanos não haviam alcançado em mais de 150 anos.
O papel dos subagentes na descoberta
A abordagem de múltiplos agentes utilizada pela Anthropic é especialmente interessante porque espelha – e ao mesmo tempo supera – a forma como matemáticos trabalham em colaboração. Times de pesquisadores frequentemente dividem problemas complexos em partes menores, trabalham em paralelo e se comunicam para construir soluções conjuntas. O modelo da Anthropic fez o mesmo, mas em uma escala e velocidade impossível para equipes humanas.
Os matemáticos internos da Anthropic confirmaram as descobertas produzidas pelo sistema e formalizaram os resultados usando o Lean, um assistente de prova computacional amplamente utilizado na matemática moderna para verificar a validade lógica de demonstrações. Essa etapa de validação é crucial: não basta que o modelo produza algo parecido com uma prova – é preciso que profissionais qualificados confirmem que os passos lógicos são válidos e rigorosos.
O matemático Timothy Gowers, ganhador da Medalha Fields, comentou a descoberta com uma reflexão que merece atenção: “Se chegarmos a um mundo onde os teoremas matemáticos não são mais associados a matemáticos, talvez isso não seja mais problemático do que o fato de que estrelas não são nomeadas após astrônomos.” O comentário resume bem o desconforto e, ao mesmo tempo, a necessidade de adaptação que avanços como esse provocam na comunidade científica global.
O que isso significa para a IA na ciência
O avanço da Anthropic na hipótese de Riemann não é um caso isolado. Ele faz parte de uma série de conquistas recentes da inteligência artificial em matemática de alto nível. Nos últimos meses, sistemas de IA solucionaram problemas clássicos propostos pelo matemático húngaro Paul Erdős – cujos desafios abertos acumulam prêmios e despertam a atenção de gerações de pesquisadores – e o modelo “Astra” da OpenAI demonstrou a prova de 10 grandes resultados matemáticos já conhecidos, mas nunca demonstrados computacionalmente de forma automática.
A tendência é clara: a inteligência artificial está deixando de ser uma ferramenta de suporte ao trabalho científico para se tornar uma participante ativa da pesquisa de fronteira. Isso tem implicações práticas imediatas para áreas como criptografia, física teórica, biologia computacional e engenharia de materiais, todas dependentes de matemática avançada para seus avanços mais importantes.
O impacto no Brasil e no mundo
Para o público brasileiro, a notícia pode parecer distante da realidade cotidiana, mas seus efeitos práticos são concretos e próximos. A criptografia que protege suas transações bancárias, seus dados de saúde e suas comunicações digitais está diretamente relacionada à teoria dos números primos – a área exata em que a hipótese de Riemann se insere. Um avanço nessa região da matemática, quando completo, poderia ter implicações para os algoritmos de segurança usados em praticamente todos os sistemas digitais do mundo.
Além disso, a demonstração de que modelos de IA podem fazer progressos em problemas matemáticos abertos muda a percepção sobre onde essa tecnologia pode ser aplicada. Até pouco tempo atrás, matemática pura era considerada um dos últimos domínios nos quais a inteligência artificial não conseguia competir com a criatividade e a intuição humanas. O modelo da Anthropic começou a mudar esse entendimento de forma contundente.
O que vem a seguir
A Anthropic não anunciou quando o modelo utilizado nos experimentos será disponibilizado ao público. O trabalho descrito no artigo foi conduzido com um sistema ainda em fase de desenvolvimento, o que indica que as capacidades matemáticas dos modelos Claude disponíveis comercialmente são diferentes daquelas testadas nesse projeto de pesquisa interno.
O que parece certo é que a corrida por modelos capazes de raciocinar em matemática avançada vai se intensificar. OpenAI, Google DeepMind e startups especializadas em IA para ciência já investem pesadamente nessa direção. O avanço da Anthropic na hipótese de Riemann funciona, ao mesmo tempo, como um resultado científico concreto e como um sinal de que esse caminho tem muito mais a oferecer do que se imaginava até agora. Para quem acompanha o desenvolvimento da inteligência artificial, o recado é claro: a IA não está apenas aprendendo a pensar. Ela está começando a descobrir.
Fonte: TechCrunch.
