Matemáticos do ICM desafiam a narrativa de substituição pela IA em 2026
Kai Williams entrevistou mais de 20 matemáticos no ICM 2026, e suas respostas tornaram mais complexa a narrativa do Techmeme 2026 sobre a IA substituir especialistas.
Vários pesquisadores já usam IA para buscar literatura desconhecida, testar exemplos, revisar rascunhos e preencher lacunas em demonstrações. Ainda assim, a maioria não chega a tratar esses sistemas como colegas matemáticos independentes.
A discordância mais acentuada diz respeito ao que acontecerá a seguir. Um grupo espera que a IA absorva o trabalho técnico enquanto as pessoas escolhem questões e desenvolvem teorias. Outro acredita que essa fronteira desaparecerá à medida que os modelos melhorarem.
Essa disputa importa além da matemática. Demonstrações matemáticas oferecem testes excepcionalmente claros do raciocínio de máquinas porque, às vezes, as conclusões podem ser verificadas com precisão. A área está se tornando um laboratório inicial para entender como a IA transforma o trabalho especializado.
As entrevistas do ICM revelaram uma profissão em transição
Os matemáticos já não debatem se a IA afetará sua profissão. Eles debatem quais partes da profissão permanecerão distintamente humanas.
Williams participou do Congresso Internacional de Matemáticos na Filadélfia, realizado de 23 a 30 de julho. A página oficial do congresso identifica o Pennsylvania Convention Center como local do evento.
O congresso ocorre a cada quatro anos e reúne pesquisadores de ponta de diversas disciplinas matemáticas. Seu programa combina grandes premiações, palestras de pesquisa, apresentações públicas e discussões sobre o futuro da profissão.
Williams publicou suas 20 entrevistas com matemáticos em 4 de agosto. O retrato resultante foi mais nuançado do que tanto uma narrativa de vitória da automação quanto uma defesa do trabalho acadêmico tradicional.
O exemplo de abertura capturou essa tensão. Jacob Tsimerman anunciou em uma coletiva de imprensa em 23 de julho que estava entrando para a equipe de segurança da OpenAI. Ele acabara de receber uma Medalha Fields.
Tsimerman disse a Williams que esperava que a IA se tornasse “robustamente sobre-humana” em trabalhos atualmente realizados por matemáticos profissionais. Ele também afirmou querer usar sua nova visibilidade para direcionar atenção à segurança da IA.
Essa posição veio de alguém no mais alto nível da profissão, não de um prognosticador externo. Ela tornou mais difícil para a comunidade matemática descartar a possibilidade de uma automação ampla.
No entanto, as entrevistas não revelaram um consenso de que os matemáticos estivessem prestes a se tornar obsoletos. Williams constatou que muitos participantes continuavam otimistas sobre o próprio trabalho, especialmente no curto prazo.
Alguns já haviam recebido ajuda prática da IA. Seus exemplos eram mais restritos do que a imagem pública de um sistema autônomo descobrindo teorias inteiras sem orientação humana.
Pesquisadores descreveram o uso de modelos para localizar artigos relevantes, explicar técnicas desconhecidas, construir exemplos especializados e examinar partes de argumentos maiores. Essas aplicações aceleraram projetos que ainda tinham objetivos definidos por humanos.
Essa distinção muda a forma como a história do Techmeme 2026 deve ser lida. A transformação imediata não é a substituição em massa. É a chegada de sistemas úteis aos fluxos de trabalho de pesquisa séria.
Essa mudança ainda é substancial. Uma ferramenta que comprime dias de exploração de literatura em um ponto de partida direcionado altera quais questões os pesquisadores podem investigar.
Ela também pode reduzir o custo de transitar entre especialidades matemáticas. A matemática moderna contém muitos subcampos profundos cuja terminologia e métodos são difíceis de penetrar para quem está de fora.
Um modelo que ajuda pesquisadores a navegar por essas fronteiras pode aumentar o valor de uma curiosidade ampla. Ele pode conectar um problema em uma área a técnicas desenvolvidas em outro lugar.
Williams relatou que a descoberta de literatura foi a aplicação mais comum mencionada por seus entrevistados. Esse padrão se assemelha mais a um assistente avançado de pesquisa do que a uma fábrica autônoma de teoremas.
Outros usos se aproximaram mais da produção matemática. Alonso Castillo-Ramirez disse que o ChatGPT construiu um autômato celular com propriedades necessárias para seu trabalho.
O exemplo teria sido difícil de encontrar apenas com programação convencional, disse ele. Ainda assim, continuou sendo um componente dentro de um projeto maior concebido e dirigido por uma pessoa.
O estudante de pós-graduação Vasiliy Neckrasov descreveu o uso de IA para buscas na literatura, revisão de rascunhos, conclusão de demonstrações e outras tarefas matemáticas. Primeiro, ele forma uma visão geral do projeto antes de pedir ao modelo que trate dos detalhes.
Esse fluxo de trabalho coloca o julgamento humano antes da execução da máquina. O matemático seleciona o problema, decide quais fontes importam e avalia se as etapas geradas atendem ao argumento pretendido.
Assim, as entrevistas revelam duas mudanças ao mesmo tempo. A IA se tornou útil o suficiente para influenciar pesquisas reais, enquanto seus usos mais confiáveis ainda dependem de uma expertise humana substancial.
Essa combinação explica o clima dividido na Filadélfia. Os pesquisadores podem acolher uma exploração mais rápida enquanto se preocupam com o que acontece quando os modelos começam a escolher direções por conta própria.
Por que o Techmeme 2026 acompanha tão de perto a matemática com IA
A matemática se tornou um teste de alto valor porque os sistemas recentes estão passando de problemas de sala de aula para questões de pesquisa em aberto.
Três anos antes, os principais modelos de linguagem falhavam com frequência em aritmética básica. Em 2025, sistemas de fronteira produziam resultados comparáveis aos dos melhores participantes em competições de elite do ensino médio.
A pesquisa matemática apresenta um alvo mais difícil. Os problemas frequentemente exigem argumentos longos, conhecimento especializado, reformulação criativa e julgamento sobre quais caminhos merecem atenção.
Uma resposta correta não basta. Os matemáticos precisam de um argumento que resista a um escrutínio detalhado e se conecte de forma significativa ao conhecimento estabelecido.
Alegações recentes sugerem que os sistemas de IA estão começando a cruzar essa fronteira. Williams citou trabalhos sobre a conjectura da distância unitária de Erdős e um contraexemplo relatado referente à conjectura jacobiana.
Esses exemplos exigem qualificações cuidadosas. Alguns resultados envolvem sistemas não divulgados, relatos fornecidos por empresas, recursos computacionais significativos ou demonstrações que ainda precisam de uma revisão humana prolongada.
Um dado forte vem de pesquisadores do Google DeepMind. Seu sistema matemático agente foi projetado como um espaço de trabalho com estado para busca de literatura, experimentação, demonstração de teoremas e construção de teorias.
O sistema coordena múltiplos agentes, mantém documentos de trabalho, acompanha abordagens que falharam e envia resultados por ciclos de revisão. Ele se assemelha mais a um ambiente de pesquisa do que a uma única conversa com chatbot.
No FrontierMath Tier 4, os pesquisadores relataram 23 respostas corretas entre 48 problemas não públicos, alcançando uma precisão de 48 por cento. A Epoch AI realizou a avaliação cega por meio da interface do sistema.
O artigo também revela uma limitação importante. O sistema usou mais trabalho de inferência do que os ambientes comuns de benchmark e não tinha limite fixo para tokens gerados ou chamadas ao modelo.
Essa ressalva não elimina o resultado. Ela mostra que o design do sistema, as ferramentas, a investigação paralela e a revisão repetida contribuem significativamente para o desempenho.
O mesmo artigo descreve colaborações iniciais com matemáticos profissionais. Pesquisadores usaram o sistema para investigar questões em aberto, localizar literatura negligenciada, realizar experimentos numéricos e desenvolver demonstrações candidatas.
Os autores também relatam satisfação desigual. Alguns matemáticos consideraram o sistema menos eficaz para seu trabalho, e certas demonstrações permaneceram sob revisão humana detalhada.
Esses detalhes esclarecem por que a matemática com IA continua aparecendo na cobertura do Techmeme 2026. A área oferece marcos visíveis, mas cada marco levanta questões sobre avaliação e atribuição.
Quem selecionou o problema? Quem forneceu a formulação-chave? Quanto poder computacional foi utilizado? Um especialista independente inspecionou cada etapa?
Uma manchete pode reduzir essas distinções à frase “a IA resolveu um problema”. A prática matemática exige uma prestação de contas mais cuidadosa de todo o processo de pesquisa.
Os sistemas mais fortes agora combinam várias capacidades. Eles pesquisam literatura, geram conjecturas, escrevem código, testam exemplos, elaboram argumentos e pedem a ferramentas de demonstração formal que verifiquem etapas específicas.
A verificação formal significa expressar um argumento em uma linguagem que um verificador de provas pode validar mecanicamente. Lean é um sistema de destaque usado para esse fim.
Um verificador de provas pode confirmar que etapas formais seguem suas regras lógicas. Ele não estabelece automaticamente que o teorema é importante, que as premissas são adequadas ou que a explicação é esclarecedora.
Demonstrações informais criam um desafio diferente. Elas comunicam ideias no estilo utilizado por matemáticos em atividade, mas podem esconder lacunas por trás de uma linguagem confiante ou condensada.
É por isso que a revisão por especialistas continua essencial. Um argumento plausível pode conter um erro sutil que sobrevive a várias rodadas de verificação superficial.
Os pesquisadores do Google descrevem um modo de falha relacionado em seu sistema. Agentes revisores às vezes podem convergir para um argumento defeituoso cujos erros restantes eles já não conseguem detectar.
Essa admissão é importante. A revisão repetida por máquinas não garante correção quando os revisores compartilham pontos cegos semelhantes.
O progresso nos benchmarks é real, mas não sustenta uma conclusão simples de que a pesquisa matemática foi automatizada. Ele mostra que fluxos de trabalho sofisticados de IA agora podem contribuir para tarefas antes reservadas a especialistas treinados.
A principal divisão é entre orientação humana e descoberta autônoma
A disputa definidora não é entre matemáticos e máquinas. É entre ampliação dirigida por humanos e sistemas que escolhem cada vez mais seus próprios objetivos matemáticos.
Yu Deng ofereceu a visão mais otimista na coletiva de imprensa do ICM. Ele esperava que a IA cuidasse dos detalhes técnicos enquanto os matemáticos desenvolviam novas ideias, teorias e estruturas.
Essa divisão se assemelha a ondas anteriores de automação. Calculadoras reduziram o valor da aritmética manual, enquanto softwares simbólicos automatizaram muitas manipulações algébricas.
Essas ferramentas não acabaram com a matemática. Os pesquisadores migraram para questões que exigiam conceitos, abstrações e formas de julgamento diferentes.
Jordan Ellenberg descreveu esse processo anos antes da onda atual. Quando os computadores tornam uma operação rotineira, os matemáticos frequentemente a reclassificam como computação e concentram-se em outro lugar.
Muitos entrevistados do ICM pareceram estender esse padrão histórico à IA generativa. Eles trataram os modelos atuais como instrumentos que ampliam o alcance do trabalho que um ser humano pode administrar.
O problema é que os sistemas generativos estão indo além do cálculo fixo. Eles podem buscar estratégias, conectar ideias distantes, criticar rascunhos e produzir argumentos extensos.
Essas atividades ocupam um território que os matemáticos antes consideravam criativo. A fronteira entre execução técnica e direção intelectual está se tornando instável.
Tsimerman contestou a suposição de que a construção de teorias oferece um refúgio humano permanente. Previsões anteriores diziam que os modelos de linguagem jamais lidariam com matemática ou problemas de nível de pesquisa.
Essas previsões enfraqueceram à medida que os sistemas melhoraram. Ele vê a nova ênfase na construção de teorias como outra fronteira móvel, e não como uma limitação duradoura.
Greg Burnham, da Epoch AI, levantou uma preocupação semelhante. Avaliar apenas as capacidades atuais pode obscurecer a direção e a velocidade do crescimento das capacidades.
Ainda assim, a extrapolação tem limites. As evidências atuais não estabelecem que a escalabilidade produzirá sistemas capazes de formular consistentemente teorias valiosas ou selecionar programas de pesquisa consequentes.
A capacidade de gerar uma definição inédita difere de reconhecer que essa definição reorganiza uma área. A importância depende, em parte, das relações com outras ideias e comunidades.
A matemática está repleta de questões difíceis, mas não especialmente úteis. Escolher um problema que valha a pena exige sensibilidade técnica, consciência histórica e noção de prioridades compartilhadas.
Os modelos podem aprender padrões associados a esses julgamentos. Ainda não está claro se conseguem desenvolver um senso matemático confiável.
Também há diferença entre propor possibilidades e sustentar uma agenda de pesquisa. Um programa bem-sucedido pode exigir anos de reformulação, comunicação, mentoria e formação de alianças.
A orientação humana, portanto, continua central para o impacto mais crível da IA na matemática. Especialistas fornecem objetivos, interpretam falhas e decidem se um resultado merece mais atenção.
A pressão aumentará se os modelos se tornarem confiáveis nessas tarefas. Nesse ponto, a ampliação das capacidades humanas poderá evoluir para a descoberta autônoma.
Essa transição afetaria mais do que a produtividade individual. Poderia mudar contratações, formação de pós-graduação, distribuição de bolsas, padrões de publicação e a influência das empresas de tecnologia.
Uma universidade poderia financiar menos projetos exploratórios se administradores acreditarem que sistemas comerciais conseguem produzir resultados a um custo menor. Estudantes poderiam perder os problemas manejáveis tradicionalmente usados para desenvolver o julgamento de pesquisa.
Laboratórios privados de IA também poderiam ganhar influência sobre quais questões matemáticas recebem grandes orçamentos computacionais. Seu acesso a modelos e infraestrutura já supera o de muitos grupos acadêmicos.
Essas preocupações moldaram as tensões na pesquisa em IA identificadas pela Nature Machine Intelligence. Seu editorial enfatizou a escolha humana, a verificação e o risco de incentivos distorcidos.
O mapa de adversários, portanto, é institucional tanto quanto técnico. A pesquisa dirigida por humanos valoriza abertura, compreensão, educação e desenvolvimento comunitário.
Sistemas autônomos costumam ser avaliados por problemas resolvidos, pontuações em benchmarks e resultados mensuráveis. Essas métricas capturam apenas parte do que a profissão valoriza.
A questão central é quem define o objetivo. Se os matemáticos dirigirem as ferramentas, a IA poderá ampliar a investigação humana.
Se o desempenho em benchmarks e as prioridades corporativas definirem a agenda, a área poderá produzir mais respostas enquanto enfraquece sua capacidade de compreensão compartilhada.
Provas Mais Rápidas Podem Criar um Gargalo de Conhecimento
Um sistema que gera provas corretas mais rápido do que as pessoas conseguem compreendê-las cria abundância em uma etapa e escassez em outra.
Terence Tao concentrou-se nessa tensão durante sua palestra pública no ICM. A matemática atende a vários objetivos, entre eles resolver problemas, construir explicações, educar pessoas e sustentar comunidades intelectuais.
Historicamente, esses objetivos muitas vezes se reforçavam mutuamente. Resolver um problema importante podia criar novas técnicas, formar pesquisadores e aprofundar a compreensão coletiva.
A IA pode separá-los. Uma prova gerada por máquina pode resolver uma conjectura sem produzir uma explicação que humanos consigam absorver ou reutilizar.
Tao alertou que a matemática se aproximava de uma situação em que um grande resultado poderia ser provado e verificado sem que ninguém o compreendesse.
A correção formal continuaria importante. Ainda assim, uma prova verificada não é idêntica a uma teoria humana útil.
A distinção pode soar filosófica até afetar o fluxo de pesquisa. Matemáticos precisam de conceitos compreensíveis para ensinar estudantes e conectar resultados entre áreas.
Se a produção das máquinas crescer mais rápido do que a compreensão dos especialistas, periódicos e universidades enfrentarão um problema de atenção. Terão de decidir quais provas merecem a escassa revisão humana.
A descrição de William Thurston sobre o progresso matemático oferece um alerta histórico. Ele argumentava que o verdadeiro trabalho da profissão envolve ajudar as pessoas a compreender e pensar sobre matemática.
Thurston certa vez produziu resultados importantes em folheações mais rápido do que comunicou suas ideias subjacentes. Outros pesquisadores deixaram a área, e a comunidade que a sustentava diminuiu.
A IA poderia reproduzir essa dinâmica em escala muito maior. Uma enxurrada de resultados poderia reduzir a motivação para explorar problemas cujas respostas já existem dentro de uma produção opaca de máquina.
Timothy Gowers descreveu uma possibilidade relacionada. A literatura matemática poderia se expandir enquanto a comunidade carece de conhecimento compartilhado sobre grandes partes dela.
Isso seria uma forma incomum de sucesso técnico. A humanidade possuiria mais afirmações validadas, mas menos domínio prático das estruturas que as conectam.
O risco começa antes de uma matemática plenamente autônoma e sobre-humana. A formação de pós-graduação já depende de problemas difíceis o bastante para desenvolver habilidade, mas delimitados o suficiente para que estudantes possam resolvê-los.
Se a IA resolver esses problemas instantaneamente, docentes terão de criar novas formas de ensinar formulação de conjecturas, detecção de erros e senso matemático.
Evitar a IA por completo não resolveria o problema. Estudantes que entram na pesquisa precisam de experiência com as ferramentas que encontrarão ao longo de suas carreiras.
A dependência acrítica cria o perigo oposto. Um estudante que delega raciocínio demais pode concluir tarefas sem desenvolver o julgamento necessário para avaliar a produção do modelo.
A infraestrutura de verificação também continua desigual. Algumas áreas possuem bibliotecas formais maduras, enquanto outras carecem das definições e teoremas de apoio necessários para uma formalização eficiente.
A avaliação informal depende de um pequeno número de especialistas. O tempo deles pode se tornar o recurso limitante à medida que os sistemas geram alegações mais sofisticadas.
O gargalo se assemelha à manutenção de software. Gerar código é barato, mas compreender dependências, validar comportamentos e assumir responsabilidade continua caro.
A matemática eleva o nível de exigência porque erros podem permanecer despercebidos dentro de longos argumentos técnicos. Confiança e prosa refinada são evidências fracas de correção.
A Declaração de Leiden busca estabelecer princípios comunitários para essa transição. Ela abrange pesquisa, educação, publicação, financiamento, políticas e relações com empresas de IA.
A Declaração de Leiden argumenta que os matemáticos preservam escolhas sobre se e como adotam a IA. Ela identifica compreensão, abertura, atribuição e agência humana como valores que valem a pena preservar.
A União Matemática Internacional endossou a iniciativa em junho. Ela foi apresentada e discutida no ICM em 26 de julho.
A declaração não oferece um modelo operacional completo para a matemática na era da IA. Ela fornece um ponto de partida para instituições que decidem quais padrões de evidência, divulgação e acesso exigir.
Políticas práticas poderiam incluir documentar o envolvimento de modelos, separar conjecturas geradas por máquina de resultados verificados e preservar explicações legíveis por humanos ao lado de provas formais.
Pesquisadores também precisam de acesso reproduzível sempre que possível. Um resultado produzido por um modelo não lançado não pode ser examinado nas mesmas condições por equipes independentes.
Isso importa quando empresas de tecnologia divulgam marcos de pesquisa. Demonstrações de empresas podem ser evidências valiosas sem servir como validação final.
A posição cautelosa não é que a matemática gerada por máquinas não tenha valor. É que a produção de provas não deve se tornar a única medida do progresso matemático.
A compreensão humana determina se um resultado pode apoiar educação, novas descobertas e aplicações responsáveis. Sem essa camada, uma biblioteca de provas em expansão corre o risco de se tornar um inventário inacessível.
O Que os Próximos Resultados da IA em Matemática Devem Comprovar
A próxima fase será julgada pela replicação independente, pela compreensão humana duradoura e por evidências de que a IA consegue moldar a pesquisa, em vez de apenas concluir tarefas atribuídas.
O primeiro sinal a observar é a validação independente de alegações sobre grandes problemas em aberto. Especialistas precisam de acesso a argumentos completos, premissas, registros computacionais e atribuição clara.
Quando um sistema não lançado produz um resultado, matemáticos externos devem determinar se a prova está correta e se o método contém ideias genuinamente novas.
Uma replicação bem-sucedida fortaleceria a visão de que a IA entrou em uma matemática de pesquisa confiável. Correções repetidas ou alegações retiradas a enfraqueceriam.
O segundo sinal é se os sistemas de IA conseguem construir teorias úteis. Resolver um problema bem formulado começa depois que alguém já selecionou o destino.
A construção de teorias exige definições que revelem estruturas ocultas, conjecturas que organizem evidências e explicações que outros pesquisadores possam ampliar.
Uma única proposta incomum não resolverá essa questão. O teste mais forte é saber se especialistas humanos adotam conceitos gerados por máquinas em múltiplos projetos.
Essa adoção precisa ir além da curiosidade. Pesquisadores devem concluir que a estrutura proposta esclarece resultados antigos, sugere questões produtivas ou conecta áreas antes separadas.
O terceiro sinal diz respeito às instituições. Universidades, periódicos, financiadores e sociedades matemáticas precisam decidir como tratarão trabalhos assistidos por IA.
Padrões de divulgação mostrarão se a comunidade consegue distinguir assistência rotineira de contribuição substancial da máquina. Políticas de revisão revelarão quem assume a responsabilidade pela correção.
As práticas de formação merecem a mesma atenção. Os programas precisam encontrar formas de preservar o raciocínio profundo enquanto ensinam estudantes a usar a IA como instrumento de pesquisa.
Decisões de financiamento exporão o equilíbrio de poder. Se os recursos fluírem principalmente para sistemas proprietários, a matemática acadêmica poderá se tornar dependente de ferramentas que não consegue inspecionar.
Um acesso mais amplo apoiaria o modelo de ampliação. Pesquisadores poderiam testar sistemas, comparar métodos e adaptar fluxos de trabalho sem abrir mão de suas agendas.
O acesso restrito reforçaria as preocupações com a influência corporativa. Alguns poucos laboratórios poderiam determinar quais projetos recebem suporte avançado de máquinas.
O resultado importa para desenvolvedores e outros trabalhadores do conhecimento. A matemática oferece uma prévia do que acontece quando a IA se torna competente em tarefas centrais para a identidade profissional.
Especialistas podem se tornar mais produtivos enquanto perdem o controle sobre o trabalho de nível inicial. Verificação e julgamento podem ganhar mais valor, mesmo à medida que a produção bruta se torna mais barata.
O mesmo padrão pode surgir em software, direito, ciência e análise financeira. As organizações precisarão de sistemas que preservem fontes, decisões, revisões e contexto humano.
Uma base de conhecimento pessoal pode apoiar esse trabalho ao manter o raciocínio humano conectado ao material que uma IA recupera ou transforma.
A lição da Techmeme 2026 não é que a IA tenha concluído a matemática. É que pesquisadores críveis passaram de descartar a possibilidade para negociar suas consequências.
Alguns veem uma rota mais rápida para a descoberta. Outros veem pressão sobre carreiras, educação, financiamento e compreensão compartilhada.
Ambas as reações podem ser justificadas pelas mesmas evidências. Os sistemas são úteis o suficiente para alterar o trabalho atual, mas seu limite de longo prazo permanece desconhecido.
A resposta prática é testar alegações ousadas sem ignorar a trajetória. Pesquisadores devem exigir reprodutibilidade, preservar explicações compreensíveis e tornar explícitos os valores humanos.
Acompanhe a próxima prova revisada de forma independente, a primeira teoria gerada por IA amplamente adotada e as políticas que regem atribuição e acesso. Esses sinais revelarão se a IA amplia a cultura matemática ou apenas sua produção.
A questão para todos os campos intensivos em conhecimento agora é semelhante: quais partes do trabalho especializado as máquinas devem acelerar e quais precisam permanecer compreensíveis para as pessoas?
