IA e Matemática: estamos vendo os Primeiros Sinais da Superinteligência?

Durante muito tempo, a matemática expôs uma das contradições mais curiosas da Inteligência Artificial. Modelos conseguiam escrever textos convincentes, resumir documentos e produzir códigos razoavelmente sofisticados, mas ainda tropeçavam em cálculos simples, confundiam etapas lógicas e defendiam respostas erradas com aparente segurança. 

Essa limitação não era apenas uma falha inconveniente. A matemática exige algo diferente da linguagem cotidiana. Não basta produzir uma resposta plausível. Cada conclusão precisa decorrer das anteriores, as regras devem permanecer válidas do início ao fim e um único erro pode comprometer toda a solução. 

Em poucos anos, porém, o cenário mudou de forma impressionante. Sistemas que antes tinham dificuldades com problemas aritméticos passaram a alcançar desempenho de medalha de ouro em olimpíadas, propor novos algoritmos, encontrar fórmulas em grandes volumes de dados e contribuir para a solução de questões matemáticas abertas. A Inteligência Artificial deixou de apenas responder perguntas sobre matemática. Ela começou a participar da criação de matemática. 

Da dificuldade com cálculos à medalha de ouro 

Os primeiros grandes modelos de linguagem foram treinados principalmente para prever qual palavra ou símbolo deveria aparecer em seguida. Essa abordagem produziu uma enorme fluência linguística, mas não garantia que o modelo compreendesse números ou mantivesse uma dedução correta durante muitas etapas. 

Em 2022, pesquisadores ainda destacavam que mesmo os maiores modelos tinham dificuldades com problemas matemáticos que exigiam raciocínio em várias etapas. Testes da época mostravam sistemas frágeis, sujeitos a falhas quando o mesmo problema era apresentado de uma maneira ligeiramente diferente. 

A evolução seguinte não veio apenas do aumento do número de parâmetros. Os modelos passaram a receber treinamentos específicos para raciocínio, mais tempo de processamento antes de responder, acesso a ferramentas computacionais e mecanismos para explorar diferentes caminhos, comparar hipóteses e revisar resultados. 

Em 2024, os sistemas AlphaProof e AlphaGeometry 2, do Google DeepMind, alcançaram o nível de medalha de prata na Olimpíada Internacional de Matemática. Ainda era necessário traduzir os enunciados para linguagens formais e o processamento levava dias. Um ano depois, uma versão avançada do Gemini Deep Think resolveu cinco dos seis problemas da competição, obteve 35 dos 42 pontos possíveis e atingiu o nível de medalha de ouro. Dessa vez, trabalhou diretamente em linguagem natural e dentro do limite de quatro horas e meia da prova. 

A OpenAI também informou ter alcançado 35 pontos, desempenho equivalente ao ouro, com um modelo de raciocínio de propósito geral. Portanto, não se trata de um caso isolado, mas de uma mudança mais ampla na capacidade dos modelos de sustentar deduções longas e produzir demonstrações matemáticas. 

É uma transformação difícil de ignorar. Em um intervalo muito curto, saímos de modelos que erravam problemas escolares para sistemas capazes de competir no nível dos melhores jovens matemáticos do mundo. 

Matemática não é apenas calcular 

Quando se fala em IA e matemática, é comum imaginar uma calculadora extremamente poderosa. No entanto, os avanços mais importantes não estão na velocidade para multiplicar números ou resolver equações conhecidas. Computadores já fazem isso há décadas. 

O verdadeiro salto está na capacidade de decidir como abordar um problema desconhecido. Resolver uma questão complexa pode exigir a criação de representações intermediárias, a identificação de padrões, a formulação de conjecturas, o abandono de caminhos improdutivos e a combinação de ideias que originalmente pertenciam a áreas diferentes. É uma atividade próxima da pesquisa, não da simples execução de uma fórmula. 

Sistemas como o AlphaGeometry ilustram essa mudança ao combinar um modelo neural, capaz de sugerir construções e reconhecer padrões, com um mecanismo simbólico de dedução, responsável por aplicar regras matemáticas rigorosas. A criatividade estatística propõe caminhos, enquanto a lógica verifica se eles realmente funcionam. 

Essa combinação é importante porque reduz uma das maiores fragilidades dos modelos generativos: a possibilidade de produzir uma conclusão convincente, mas incorreta. Em matemática, código e ciência, gerar candidatos é apenas o começo. O diferencial surge quando o sistema também consegue testá-los, refutá-los e selecionar os que sobrevivem à verificação. 

Claude’s Cycles: quando o código se transforma em laboratório matemático 

Um dos episódios mais simbólicos dessa nova fase foi documentado por Donald Knuth, uma das figuras mais influentes da história da Ciência da Computação e autor de The Art of Computer Programming. 

Knuth estudava um problema envolvendo a decomposição de um grafo em ciclos hamiltonianos direcionados. Ele havia resolvido um caso específico e procurava uma construção geral. Depois de trabalhar na questão durante semanas, soube que Claude Opus 4.6 havia encontrado uma solução para parte relevante do problema. Em seu artigo Claude’s Cycles, Knuth descreveu o resultado como um avanço dramático em dedução automática e resolução criativa de problemas. 

O mais interessante não foi apenas a resposta final, mas a maneira como ela surgiu. Filip Stappers apresentou o problema ao modelo e conduziu uma sessão com 31 explorações ao longo de aproximadamente uma hora. Claude testou fórmulas simples, tentou buscas por força bruta, escreveu programas, realizou experimentos, investigou padrões geométricos, encontrou becos sem saída e reformulou o problema diversas vezes. 

Em determinado momento, percebeu que a busca computacional encontrava exemplos, mas não oferecia uma construção geral. O próprio modelo registrou que era necessário abandonar aquela direção e fazer “matemática pura”. Mais tarde, identificou uma estrutura que permitiu criar um programa válido para diferentes valores ímpares e chegar a uma solução generalizável. 

O caso costuma ser associado ao Claude Code porque todo o processo envolveu programação, execução de scripts e documentação de experimentos. Mais precisamente, o artigo de Knuth registra o uso do Claude Opus 4.6 em um fluxo agêntico de investigação. O ponto central não é a interface utilizada, mas a capacidade do modelo de usar o código como instrumento para pensar. 

Também não foi uma demonstração de autonomia perfeita. O modelo precisou ser lembrado de registrar seu progresso, sofreu erros aleatórios, perdeu resultados após reinicializações e não conseguiu avançar satisfatoriamente em alguns casos. A descoberta exigiu orientação humana e ainda precisava de uma prova rigorosa. O próprio relato de Knuth deixa claras tanto a força quanto a instabilidade do processo. 

É justamente isso que torna o episódio relevante para as empresas. A IA não entregou uma resposta mágica depois de um único comando. Ela atuou como uma pesquisadora incansável dentro de um ambiente com código, testes, registros e critérios objetivos. 

Uma conjectura de 87 anos derrubada por um contraexemplo 

Em julho de 2026, outro episódio ampliou ainda mais o debate. O matemático Levent Alpöge anunciou que, com a contribuição do Claude Fable 5, havia encontrado um contraexemplo para a Conjectura Jacobiana, formulada em 1939. 

De forma simplificada, a conjectura afirmava que determinados mapas polinomiais que passam por um teste matemático de reversibilidade deveriam sempre possuir uma inversa também polinomial. O contraexemplo apresentado possui determinante jacobiano constante e diferente de zero, mas envia três entradas distintas para a mesma saída. Portanto, não pode ser invertido. 

Diferentemente de demonstrações que exigem centenas de páginas, a refutação podia ser verificada diretamente por meio de cálculos exatos. O resultado foi rapidamente conferido de forma independente e já passou a ser utilizado em novos trabalhos matemáticos. Ele encerrou a conjectura nas dimensões a partir de três, embora o caso bidimensional continue aberto. 

Ainda não foram divulgados detalhes suficientes para reconstruir exatamente quanto da descoberta veio do modelo, dos direcionamentos humanos ou da combinação entre ambos. Por isso, é mais preciso dizer que a IA teve participação decisiva na obtenção do contraexemplo, e não que resolveu a questão de maneira completamente autônoma. 

Mesmo com essa ressalva, o caso é histórico. Durante 87 anos, matemáticos buscaram principalmente uma prova de que a conjectura era verdadeira. A IA ajudou a explorar outra direção: encontrar um objeto específico que demonstrasse que ela estava errada. 

Essa é uma vantagem natural dos sistemas computacionais modernos. Eles podem percorrer espaços gigantescos de possibilidades, preservar inúmeras hipóteses e investigar combinações que um pesquisador talvez descartasse por parecerem improváveis ou pouco elegantes. 

A IA também está descobrindo fórmulas 

Outra fronteira menos conhecida, mas igualmente importante, é a descoberta automática de fórmulas matemáticas. Na abordagem tradicional de Machine Learning, um modelo pode aprender a prever resultados com grande precisão sem explicar claramente quais relações encontrou. Ele funciona como uma caixa-preta: recebe variáveis, realiza milhões de operações internas e devolve uma resposta. 

A regressão simbólica segue outra direção. Seu objetivo é encontrar uma expressão matemática compacta que descreva os dados. Em vez de apenas prever o movimento de um sistema, por exemplo, o algoritmo procura uma fórmula que represente as regras responsáveis por esse movimento. 

O método LLM-SR combina o conhecimento científico e a capacidade de programação dos grandes modelos de linguagem com busca evolutiva. A IA propõe estruturas de equações, testa essas hipóteses contra os dados, recebe feedback e gera novas versões. Em experimentos envolvendo física, biologia e ciência dos materiais, o sistema encontrou equações precisas e mais eficientes do que métodos tradicionais de regressão simbólica. 

Em 2026, pesquisadores apresentaram o Deflex, um sistema capaz de extrair fórmulas em diferentes escalas de sistemas complexos. A abordagem combina redes neurais, cálculo simbólico e decomposição de problemas para encontrar relações compactas em fenômenos como dinâmica de partículas, fluidos e movimentos coletivos. Nos testes publicados, o método alcançou eficiência até sete vezes maior do que técnicas anteriores. 

Descobrir uma fórmula não significa automaticamente descobrir uma nova lei da natureza. Dados podem conter ruído, correlações acidentais e variáveis ocultas. Toda expressão precisa ser interpretada, testada e confrontada com conhecimento científico. Ainda assim, a mudança é profunda. A IA começa a fazer mais do que reconhecer padrões. Ela consegue transformar parte desses padrões em estruturas compreensíveis, testáveis e reutilizáveis por seres humanos. 

Algoritmos que melhoram outros algoritmos 

A aplicação desse raciocínio não se limita à matemática teórica. Algoritmos controlam rotas logísticas, centros de dados, mecanismos de busca, sistemas financeiros, redes de telecomunicações, chips e o próprio treinamento de modelos de IA. 

O AlphaEvolve, do Google DeepMind, combina modelos Gemini com avaliadores automáticos e um processo evolutivo. Os modelos propõem programas, os avaliadores executam e pontuam cada alternativa, e as melhores soluções são modificadas para criar novas gerações. Esse processo já foi utilizado para descobrir algoritmos de multiplicação de matrizes mais rápidos, encontrar soluções para problemas matemáticos abertos e melhorar componentes empregados em centros de dados, projetos de chips e treinamentos de IA do próprio Google. 

Aqui, a IA não está apenas escrevendo código de acordo com uma especificação humana. Ela está procurando maneiras melhores de executar uma tarefa, reduzindo operações desnecessárias, simplificando regras ou descobrindo estratégias que não haviam sido consideradas pelos desenvolvedores. 

É uma forma inicial de engenharia algorítmica automatizada. O ser humano define o problema, as restrições e a métrica de sucesso. A máquina explora, testa e melhora as soluções em uma escala impossível para uma equipe tradicional. 

Já estamos na era da superinteligência? 

Os resultados são extraordinários, mas ainda não permitem concluir que a superinteligência foi alcançada. Uma Inteligência Artificial Superinteligente não seria apenas melhor do que seres humanos em uma competição ou em um campo específico. Ela deveria superar os indivíduos, as melhores equipes e até grandes organizações humanas em um espectro muito amplo de tarefas cognitivas, com alto nível de autonomia, adaptação e confiabilidade. Um relatório do Google DeepMind descreve a ASI como um sistema mais inteligente e cognitivamente capaz do que grandes organizações compostas por seres humanos. 

Os modelos atuais apresentam ilhas de desempenho super-humano. Podem encontrar uma construção matemática inédita e, pouco depois, perder o contexto, executar um programa incorretamente ou precisar de orientação para abandonar uma estratégia improdutiva. 

A matemática oferece uma condição especialmente favorável para a IA: muitas respostas podem ser verificadas objetivamente. Um programa funciona ou não funciona. Um contraexemplo satisfaz ou não satisfaz as condições. Uma prova formal é aceita ou rejeitada pelo verificador. 

O mundo empresarial e social é mais ambíguo. As informações podem estar incompletas, os objetivos podem entrar em conflito e as consequências de uma decisão nem sempre aparecem imediatamente. Ser brilhante em matemática não significa automaticamente compreender pessoas, mercados, organizações e riscos. 

Portanto, ainda não estamos diante de uma superinteligência geral. Estamos, porém, diante de sinais concretos de que capacidades super-humanas especializadas estão começando a se conectar. 

A IA já consegue propor, programar, testar, deduzir e revisar. À medida que essas habilidades passam a operar durante períodos mais longos, com menos supervisão e em diferentes áreas, a fronteira entre ferramenta e pesquisador torna-se menos nítida. 

O que a matemática ensina às empresas sobre IA 

A principal lição desses avanços não é que toda organização deva entregar seus problemas a um chatbot e esperar por uma descoberta extraordinária. Os casos mais relevantes surgem quando a IA trabalha dentro de uma estrutura adequada. Ela precisa ter acesso aos dados corretos, ferramentas para executar suas ideias, critérios objetivos de avaliação, ambientes seguros para experimentação, histórico das tentativas e profissionais capazes de interpretar os resultados. 

Foi assim no problema descrito por Knuth. Também é assim no AlphaEvolve e nos sistemas de descoberta de fórmulas. O modelo gera hipóteses, mas o valor aparece quando essas hipóteses entram em um ciclo de execução, medição, refutação e aperfeiçoamento.

Muitos desafios empresariais são, em essência, problemas matemáticos ou algorítmicos. Como distribuir recursos? Qual é a melhor sequência de produção? Como reduzir o custo de infraestrutura? Como prever demanda? Como detectar anomalias? Como organizar rotas, agendas, estoques, preços e equipes? 

A IA pode explorar soluções mais rapidamente, encontrar relações ocultas nos dados e gerar algoritmos adaptados ao contexto de cada empresa. Contudo, transformar uma descoberta em uma solução operacional ainda exige integração, arquitetura de software, segurança, observabilidade, governança e manutenção. 

A inteligência que deixa de responder e começa a descobrir 

A história da computação sempre esteve ligada à matemática. Agora, essa relação entra em uma nova fase. Máquinas que nasceram para executar instruções começam a contribuir para a criação das próprias instruções, fórmulas e estratégias que serão executadas. 

Isso não significa o fim dos matemáticos, cientistas ou engenheiros. Significa uma ampliação radical daquilo que esses profissionais conseguem investigar. Um pesquisador pode coordenar dezenas de tentativas simultâneas. Um engenheiro pode testar alternativas que antes seriam economicamente inviáveis. Uma empresa pode transformar dados acumulados durante anos em novos modelos, regras e oportunidades. 

Com 30 anos de experiência, a Visionnaire acompanha essa transformação como Fábrica de Software e IA, ajudando organizações a integrar modelos, agentes, dados e sistemas em soluções aplicáveis ao negócio. O desafio não é apenas ter acesso à IA mais poderosa. É construir o ambiente no qual ela possa pesquisar, testar, aprender e gerar valor com segurança. 

Talvez ainda não estejamos vivendo a era da superinteligência, mas já entramos em uma era na qual algumas das perguntas mais difíceis da humanidade deixaram de ser investigadas exclusivamente por seres humanos.