SILVIO MEIRA

Riemann, Alpöge, Claude: o fim de uma era na ciência

Sexta-feira, 20 de novembro de 2026. Uma nota de quatro páginas aparece no site pessoal de um matemático de 34 anos que trabalha na Anthropic. A frase central tem uma modéstia quase britânica: “acredito que descobri, trabalhando com Claude, uma prova da hipótese de Riemann” [SciAm].

Acredito. Descobri. Trabalhando com.

Cada palavra está no lugar certo. O matemático é Levent Alpöge. O problema é o mais famoso de toda a matemática, aberto desde 1859. O anexo não é um artigo, mas um arquivo em Lean, a linguagem na qual computadores conferem demonstrações passo a passo: 14 partes, 175.187 arquivos-fonte, 239 megabytes [kingy]. A imprensa fala de uma prova, escrita pela máquina, de mais de 250 mil páginas [Futurism]. A versão para humanos, diz a nota, virá depois.

E não é só a hipótese de Riemann. O mesmo método, segundo Alpöge, prova a hipótese de Riemann generalizada, a GRH, para as funções L de Dirichlet: a versão maior, mais forte e mais útil do problema [SciAm]. No mesmo dia, Terence Tao, talvez o matemático mais respeitado do planeta, listou no seu blog três resultados “em ordem decrescente de quão digeridos estão”: a explosão em tempo finito das equações de Euler sem força externa, em três dimensões (Alpöge, Tristan Buckmaster e Matei Coiculescu, “com forte assistência de IA”); a mesma explosão para Navier–Stokes, também sem força externa (Alpöge e Buckmaster, de novo com muita IA); e uma prova “(enorme)” da GRH, só em Lean, gerada por Alpöge com um modelo interno de IA [Tao].

Dois dos sete Problemas do Milênio do Clay Mathematics Institute, que têm um prêmio um milhão de dólares cada, num só dia. Se confirmados.

Uma sexta-feira qualquer.

É preciso ser exato sobre o que se sabe, porque o assunto merece e porque a internet não costuma ser. Até a hora em que escrevo, ninguém fora do círculo de Alpöge havia entendido a prova. O que se fez foi conferir que o código compila, o que é muito mais do que parece. Andrew Sutherland, do MIT, compilou o arquivo de forma independente, chamou o momento de “de fato histórico” e acrescentou que há “muito trabalho a ser feito para entender os detalhes matemáticos da prova” [Nacionale]. Um projeto independente de verificação confirmou que os arquivos são os publicados e que os enunciados principais compilam contra o Mathlib, a biblioteca padrão de matemática do Lean; a checagem completa dos axiomas ainda corria [kingy]. Horas depois, a Scientific American titulava que a prova é “quase certamente verdadeira” [SciAm]. O Clay, por regra, só considera o prêmio depois de publicação e dois anos de escrutínio, e seu site ainda lista o problema como aberto [IE].

E, como em toda boa comédia de costumes, no mesmo dia um humano levantou a mão no fundo da sala. Ravi Vakil, presidente da American Mathematical Society, escreveu que um jovem matemático de Stanford, Alessandro Masullo, teria produzido meses atrás, sem IA, uma prova que Brian Conrad vinha acompanhando. Também sem verificação, e já sob o ceticismo de colegas [SciAm]. Cento e sessenta e sete anos sem prova e, de repente, duas no mesmo dia. Os ônibus de Londres, que nunca vêm e depois vêm três de uma vez, fizeram escola.

Minha tese, porém, não depende do veredito. Uma era acabou, e acabou mesmo que apareça um erro amanhã. Não porque a hipótese de Riemann tenha sido provada, coisa que os próximos meses dirão, mas porque mudou o método. A pergunta deixou de ser se máquinas vão demonstrar teoremas que a melhor matemática humana não conseguiu em século e meio. Passou a ser com que frequência, a que custo e, principalmente, quem escolhe quais.

No dia 9 de novembro publiquei no SSRN um paper longo sobre o papel da IA na pesquisa, em particular na computação [The Role of AI in Research -In Particular, in Computer Science, SSRN]. A tese central cabe numa linha: a unidade de valor da pesquisa está migrando da execução para a orquestração, e o gargalo da ciência saiu da produção de resultados e foi parar na atenção, na confiança e no julgamento sobre o que importa. Onze dias depois, a matemática resolveu ilustrar o argumento com o exemplo mais caro disponível. Não pedi tanto.

O caminho até aqui é mais velho do que parece. Em 1956, o Logic Theorist de Newell, Shaw e Simon demonstrou 38 dos 52 primeiros teoremas do capítulo 2 do Principia Mathematica, um deles de forma mais elegante que Whitehead e Russell; um artigo que listava o programa como coautor foi rejeitado por uma revista de lógica. Em 1958, Simon e Newell previram que, em dez anos, um computador descobriria e demonstraria um teorema matemático importante. Acertaram tudo, menos a unidade de tempo: levou 68 anos. Em maio de 2026, um modelo de  OpenAI refutou a conjectura das distâncias unitárias de Erdős, e Tim Gowers disse que recomendaria o resultado aos Annals sem hesitar. Como velho programador, acho a razão entre 68 e 10 estranhamente reconfortante. É mais ou menos o atraso médio dos grandes projetos de software.

Linha do tempo: sete décadas de promessa lenta e sete anos de entrega rápida, atualizada até 20 de novembro de 2026.
Adaptada da Figura 1 de Meira (2026).

Depois de maio, o calendário de 2026 parece escrito por um roteirista com pressa. Em julho, durante a final da Copa do Mundo, Alpöge anunciou um contraexemplo para a conjectura jacobiana, de 1939, encontrado com o Claude. A verificação independente em Isabelle/HOL, registrada no Archive of Formal Proofs com data de 20 de julho, é assinada por Arthur Freitas Ramos, David Barros Hulak e Ruy de Queiroz, aqui do lado, no CIn da UFPE [AFP]. Em agosto, uma versão interna do Claude produziu, e Alpöge e Ralph Furman verificaram, a prova de que mais de dois terços dos zeros da função zeta de Riemann estão na tal linha crítica [arXiv]. O recorde anterior, de 2020, era 41,7%. Guarde esse número; ele vai voltar.

Em setembro, Alpöge e Buckmaster publicaram explosões em tempo finito, com força externa, para três equações de fluidos, e a OpenAI anunciou o mesmo tipo de resultado para Navier–Stokes, com disputa de crédito incluída no pacote [Buckmaster]. Em 6 de outubro, a OpenAI despejou 722 manuscritos de uma vez. Entre eles, uma prova da quasi-hipótese de Riemann (todos os zeros numa faixa mais estreita que a conhecida), que Jared Lichtman, de Stanford, chamou de “a conquista mais significativa da IA na matemática até agora, por larga margem”, e cujas consequências Maksym Radziwiłł, de NYU, chamou de “assombrosas” [Quanta]. Junto veio uma versão generalizada que acabava com os zeros de Landau–Siegel, contra os quais gerações de teóricos dos números se bateram. Andrew Granville, que passou décadas tentando, disse que ver a prova foi “bastante emocionante” e que, agora, nada daquilo importa mais [Quanta]. A resposta política veio rápido: a Association for Human Mathematics, com mais de 800 matemáticos, Peter Scholze entre eles, pediu boicote à OpenAI, porque “publicar mais de 700 arquivos de uma vez não é uma demonstração de erudição, mas uma demonstração de poder” [AHM].

Não é difícil ver o padrão. A produção virou abundância. O que ficou escasso é o que o paper chama de verificação, atribuição e triagem de importância. A figura que melhor resume isso, lá, é uma tesoura.

A tesoura: o custo de produzir objetos com cara de artigo despenca, o volume explode, e a capacidade humana de verificar e de prestar atenção quase não cresce. A área entre as lâminas é a dívida de verificação. Figura 7 de Meira (2026).

A área entre as lâminas é uma dívida de verificação: afirmações feitas e não checadas. Em outubro, o mesmo Andrew Sutherland pediu, numa frase que vale um tratado, que se exigissem “recibos”. Em novembro, Alpöge entregou um recibo de 239 megabytes, e foi Sutherland quem o compilou de forma independente.

E aqui está a primeira novidade que o paper não previu com a devida nitidez. O Lean paga a dívida de verificação, mas emite uma nova: a dívida de compreensão. Um arquivo que compila prova que o enunciado formal segue dos axiomas. Não diz por quê. Não diz o que se aprende com isso. Nem garante que o enunciado formal é o problema que importava, e daí o cuidado, a cada anúncio, em perguntar se a hipótese foi codificada corretamente. Tao propôs, no Congresso Internacional de Matemáticos deste ano, uma regra simples: se os autores de um resultado assistido por IA não conseguem dar uma palestra clara, em nível de especialista, sobre ele, o resultado não deveria ser publicado [ICM]. Hoje, a prova da GRH não passa no portão de Tao. Não por defeito, mas por desenho: ninguém, nem seu autor humano, a leu inteira. William Thurston escreveu em 1994 que o que os matemáticos produzem não são demonstrações, mas compreensão humana [Thurston]. Se ele tinha razão, a GRH pode estar provada e ainda não ter sido descoberta.

Vale então parar e explicar, para quem não é do ramo, e com licença dos meu amigos matemáticos, o tamanho do que está em jogo.

Os números primos (2, 3, 5, 7, 11, 13…, os que só se dividem por 1 e por eles mesmos) são os átomos da aritmética: todo número inteiro é um produto deles, e de um jeito só. Parecem espalhados ao acaso, mas, no atacado, obedecem a uma lei. Gauss, ainda adolescente, percebeu que, perto de um número x, a chance de um número ser primo é mais ou menos 1 dividido pelo logaritmo de x. Isso diz quantos primos há, em média. Não diz quanto a contagem real se afasta da média. E é aí que mora quase tudo.

Em 1859, Bernhard Riemann publicou seu único artigo sobre teoria dos números, com menos de dez páginas [Riemann]. Nele, transformou a contagem de primos numa pergunta sobre uma função, a zeta, ζ(s), definida para números complexos. A zeta tem zeros, pontos onde vale zero. Alguns são fáceis e sem mistério (−2, −4, −6…). Os outros, os zeros não triviais, moram numa faixa estreita do plano complexo, e Riemann percebeu algo espantoso: cada um deles funciona como uma nota musical. Somando as notas, na sua fórmula explícita, reconstrói-se a escada dos primos, degrau por degrau.

À esquerda, o mapa do problema: a faixa crítica, a linha crítica e os dez primeiros zeros não triviais de ζ(s).
À direita, a contagem de primos até 50 reconstruída pela fórmula explícita de Riemann com 10 e com 100 zeros.

A hipótese de Riemann diz que todas essas notas, que são infinitas, estão numa mesma reta, a linha crítica, onde a parte real vale exatamente ½. Se for verdade, a escada dos primos se afasta da melhor curva suave o mínimo que a matemática permite, algo da ordem da raiz quadrada de x. Os primos seriam tão bem-comportados quanto podem ser. Riemann escreveu que isso era “muito provável”, sehr wahrscheinlich, e deixou a prova para depois. O depois durou 167 anos.

Em 1900, David Hilbert pôs a hipótese na sua lista de 23 problemas para o século XX, como parte do oitavo [Hilbert]. Conta-se que disse que, se acordasse depois de dormir 500 anos, sua primeira pergunta seria se a hipótese de Riemann já havia sido demonstrada. Em 2000, o Clay Institute a pôs entre os sete Problemas do Milênio [Clay]. Computadores já conferiram mais de 12 trilhões de zeros, todos na linha [Platt & Trudgian]. Isso não prova nada, porque infinito é muito maior do que 12 trilhões, e a história da matemática está cheia de padrões que valem até números enormes e falham logo depois.

O avanço humano rigoroso foi de uma lentidão comovente. Hardy mostrou em 1914 que infinitos zeros estão na linha. Selberg, em 1942, que uma fração positiva deles está. Levinson, em 1974, que mais de um terço. Em 2020, chegava-se a 41,7%. Um século de gênio para ir de “infinitos” a “dois quintos”. Em agosto de 2026, com o Claude, dois terços. Em novembro, se a prova se sustentar, todos.

Um esclarecimento, porque alguém vai perguntar: não, provar a hipótese de Riemann não quebra a criptografia da internet. Os teoremas que dependem dela já eram usados como se ela fosse verdade. O que muda é que deixam de ser hipotéticos.

A GRH é o mesmo problema elevado a uma potência infinita. Separe os primos pelo último algarismo: os que terminam em 1, 3, 7 e 9 (todos os outros, menos 2 e 5, são compostos). Dirichlet provou em 1837 que cada uma dessas “faixas” tem infinitos primos, e sabe-se que, no longo prazo, cada uma fica com um quarto deles. A pergunta é quão justa é essa divisão a cada momento. E a mesma pergunta vale para qualquer maneira de repartir os primos em classes: pelo resto da divisão por 3, por 4, por 1.000, por qualquer número. Cada repartição tem sua própria função, uma função L de Dirichlet, com seus próprios zeros. A GRH diz que, em todas elas, todos os zeros estão na mesma linha. Não é uma escada. É uma infinidade de escadas, e todas precisam ser tão bem-comportadas quanto possível, ao mesmo tempo.

Por isso a GRH foi, por décadas, o andaime sobre o qual se construiu boa parte da matemática de mais alto nível. Milhares de artigos começam com “assumindo a GRH…”. Na computação conhecemos um deles de perto. Em 1976, Gary Miller mostrou que, se a hipótese valesse, haveria um teste determinístico e eficiente para saber se um número é primo [Miller]. Michael Rabin transformou a ideia no teste probabilístico que roda há décadas em praticamente todo software de criptografia; o algoritmo AKS, de 2002, resolveu a questão por outro caminho, bem mais lento. Se a prova de Alpöge se sustentar, o teste de Miller vira teorema, meio século depois. A GRH não era um problema da matemática humana em seu nível mais alto. Era, em muitos sentidos, a pesquisa.

E há mais acima. A nomenclatura é bagunçada (o próprio Miller chamava de “estendida” o que aqui chamamos de generalizada), mas, no sentido mais comum, a hipótese de Riemann estendida (ERH) trata das funções zeta de corpos de números, e acima dela paira a “grande” hipótese, para todas as funções L automórficas do programa de Langlands [Langlands]. Alpöge escreve que espera que o método vá além. Tao, numa “análise muito inicial”, diz que a prova parece usar “toda a força dos desenvolvimentos modernos do programa de Langlands e da geometria aritmética”. Se a ERH cair também, não terá caído um problema. Terá caído um horizonte.

Quem é, afinal, esse Alpöge? Levent Hasan Ali Alpöge nasceu em 1992, em Long Island, e é cidadão americano e turco. Formou-se em Harvard em 2014, com uma tese de graduação sobre pontos inteiros em curvas elípticas, orientada por Jacob Tsimerman, que lhe rendeu o Prêmio Morgan de 2015, o prêmio americano para pesquisa de graduandos em matemática. Fez o doutorado em Princeton com Manjul Bhargava, medalha Fields, numa tese chamada, com admirável economia, Points on Curves (2020). Foi pós-doc da NSF e Junior Fellow da Harvard Society of Fellows. Seus trabalhos tratam de versões efetivas do teorema de Mordell, de modularidade, de corpos de números e do décimo problema de Hilbert: o coração da geometria aritmética. Tem até um asteroide com seu nome, o 25898 Alpöge. E, de algum tempo para cá, está na Anthropic.

A pergunta que interessa, porém, não é quem ele é, mas o que precisou ter sabido, estudado, pensado e desenhado para que isso acontecesse. Porque ninguém resolve a hipótese de Riemann digitando “resolva a hipótese de Riemann” em Claude ou qualquer outro LLM. Esse é, provavelmente, o prompt fracassado mais famoso da história, e os repositórios de preprints estão cheios das “provas” que ele gerou.

Ele precisou, primeiro, saber matemática de verdade, no ponto exato em que ela era necessária. O pouco que se conhece do método (somas de von Mangoldt, que pesam os primos, e uma cadeia de levantamentos theta de comprimento √X, sugerida por Claude, para recuperar a multiplicidade dos zeros [kingy]) vive na interseção entre a teoria analítica dos números e as formas automórficas, que é a vizinhança da escola de Bhargava e da geometria aritmética que Alpöge pratica há quinze anos. Quem não conhece esse território não sabe reconhecer, entre mil sugestões da máquina, a que vale ouro e as que são de tolo. Os ingredientes, aliás, rimam com os da quasi-hipótese da OpenAI, que usou as chamadas formas metapléticas: os dois moram na mesma rua da teoria de representações. Não sei, e ninguém disse, se uma coisa levou à outra. Mas a cronologia de 20 passos que o Claude montou para a nota começa em 6 de outubro, o dia do download da OpenAI, e chega à GRH em 16 de novembro. Quarenta e um dias.

Precisou, segundo, de ensaios gerais. A conjectura jacobiana, em julho, foi um teste de método. Os dois terços dos zeros, em agosto, foram um ensaio no mesmo objeto: a mesma função zeta, a mesma linha crítica. As explosões de fluidos, com Buckmaster, ensinaram a escala: formalizar em Lean provas que nenhum humano escreveria à mão. Quando chegou a vez da GRH, a infraestrutura técnica, intelectual e de confiança entre humano e máquina já existia.

Precisou, terceiro, de uma estratégia de verificação desenhada antes de qualquer resultado. Publicar só o Lean, apontando para o enunciado da hipótese que já estava no Mathlib, escrito pela comunidade bem antes de tudo isso, foi uma decisão: é o jeito de dizer “não confie em mim; confira”. É a única forma educada de anunciar o maior resultado do século.

E precisou, por fim, de algo que nenhum prompt substitui: gosto, e coragem para apostar. Criatividade humana em jogo (leia aqui no blog). Escolher a GRH, e não um dos milhares de problemas mais tratáveis, é uma decisão de importância, exatamente o tipo de decisão que o meu paper sobre pesquisa e IA argumenta não ser automatizável. Os seis papéis que o paper descreve para o pesquisador do regime orquestrador (desenhista de perguntas, orquestrador de redes de agentes, verificador adversarial, teórico e intérprete, tradutor, arquiteto de instituições) estão quase todos nesta história. Os dois que ainda faltam são justamente os mais humanos: o teórico, que vai dizer por que a prova funciona, e o arquiteto de instituições, que ninguém contratou ainda.

A nota de Alpöge tem uma frase que me parece a mais honesta do dia: “é natural sentir que isto é um fim; no meu caso, a perda de uma luz-guia principal”. E, logo depois, a de que acredita ter visto “uma aurora, em toda a ciência, de algo muito maior” [Futurism]. Fim e aurora na mesma página. É o retrato exato do momento.

O que nos leva à pergunta incômoda: haverá um próximo Alpöge?

Ele é, provavelmente, o primeiro de uma nova espécie e um dos últimos formados à moda antiga. Passou mais de uma década fazendo matemática à mão: provas que não fechavam, contas que davam errado, a resistência do material. É ali que se forma o que Michael Polanyi chamava de conhecimento tácito, aquele que faz com que “saibamos mais do que conseguimos dizer”. O paper argumenta que, ao automatizar a execução, a ciência pode estar desmontando o mecanismo que forma os juízes da execução: automatizamos a produção e hipotecamos a reprodução. Não se verifica o que nunca se precisou fazer. Não se julga a importância de um resultado num campo cuja textura nunca se sentiu. Um doutorando de 2027 que jamais tenha passado seis meses preso num lema terá a intuição que permitiu a Alpöge reconhecer, entre mil, o levantamento theta certo? Ninguém sabe. E esse é, insisto, o problema aberto mais profundo da década.

Há também as condições de contorno materiais. Alpöge trabalhou com um modelo interno, inacessível ao resto do mundo, numa das duas ou três empresas que podem pagar por ele. Buckmaster conta que pagou à OpenAI, com recursos de seus próprios projetos de pesquisa, uma quantia considerável [Buckmaster]. Um professor brilhante em Recife, Lagos ou Lahore não tem esse acesso. Quando a fronteira da matemática passa a depender do acesso à fronteira dos modelos, a pergunta “isso ainda será possível?” ganha um complemento obrigatório: para quem? O paper chama isso de captura assimétrica; os mais diretos chamam de tecnofeudalismo; a Association for Human Mathematics chamou de demonstração de poder. Os três nomes descrevem o mesmo bicho.

E o resto da ciência? A matemática é só o primeiro lugar onde a coisa ficou nítida, porque tem placares públicos e uma noção implacável de correção. O padrão (produção abundante, verificação escassa, importância escassíssima) vale para todas as áreas, com sotaques diferentes.

Na matemática, a pesquisa vai se deslocar da demonstração para três atividades. Escolher o que vale provar. Entender o que foi provado, transformando certificados de 250 mil páginas em ideias que caibam numa cabeça; essa hermenêutica de provas de máquina já começou, e depois da prova da OpenAI sobre os zeros de Landau–Siegel, Ben Green, Kevin Barreto e Bryce Kerr publicaram reformulações, uma delas com três páginas, várias feitas com modelos [Quanta]. E conectar, porque uma prova da GRH reescreve de uma vez o mapa de dependências de milhares de teoremas. A matemática pode virar, como o paper pergunta, just-in-time: provada quando necessária, não mais estocada.

Na biologia, a passagem do AlphaFold para modelos que leem e escrevem genomas inteiros, inclusive os genomas de bacteriófagos escritos por IA e publicados na Science em agosto, muda a pesquisa de descobrir para projetar. O verificador aqui não é o Lean, é a bancada: o experimento, lento, caro e molhado. E a pergunta sobre importância vem acompanhada da pergunta sobre segurança, porque o que se pode projetar para curar se pode projetar para ferir (leia aqui no blog).

Na física, se as explosões de Euler e de Navier–Stokes se confirmarem [Tao], um problema central da física matemática terá sido resolvido por uma dupla humano-máquina que, nas palavras de Tao, constrói numericamente uma solução aproximada e a torna exata por teoria de perturbação rigorosa. O árbitro, na física, continua sendo o universo, e a pergunta escassa vira o que medir, e onde gastar o próximo acelerador bilionário.

Na química e nos materiais, laboratórios autônomos já executam centenas de experimentos sozinhos, e a primeira lição veio cedo: parte dos compostos “novos” anunciados por um deles não era nova. A dívida de verificação também existe na matéria; só é mais pesada de carregar.

Na astronomia, o Observatório Vera Rubin vai emitir até 10 milhões de alertas por noite [Rubin]. Nenhuma comunidade humana olha para isso. Agentes vão triar, classificar e propor explicações. Para nós sobra a pergunta sobre qual anomalia merece a próxima noite de telescópio. De novo, uma decisão de importância.

O paper projeta três cenários a partir daí. Nenhum tem probabilidade atribuída, mas todos têm prazo.

Três trajetórias para a pesquisa e as janelas de decisão. O eixo vertical é esquemático: confiança no registro científico combinada com a capacidade de verificá-lo. Figura 11 de Meira (2026).

No cenário degenerativo, a enchente: o registro científico vira um depósito de afirmações que ninguém leu, e a confiança colapsa. No estagnado, a cheia crônica: nada explode, tudo mofa. No emancipatório, as instituições se reancoram no que é escasso (verificação, importância, presença), a verificação vira função de prestígio, com carreira e crédito, e o doutorado é redesenhado em torno dos seis papéis. As janelas de decisão são curtas: estrutura legal e institucional até 2028, escala na formação até 2030. A janela da cultura, que o livro situava em 2031–34 e o paper já antecipava, ficou para ontem. Foi puxada para a frente por uma sexta-feira de novembro.

Falta a pergunta mais radical, que eu guardei para o fim de propósito.

E se os próprios modelos, agentes matemáticos de inteligência superior e com agência própria, passarem a decidir quais problemas resolver?

E, mais ainda, a definir o universo de problemas que merece ser resolvido?

Primeiro, a história, que tem senso de humor. Em 1976, Douglas Lenat apresentou o AM, o Automated Mathematician, um programa que explorava conceitos guiado por heurísticas de “interessância” [AM]. O AM reinventou os números naturais, a multiplicação, os números primos e chegou, sozinho, à conjectura de Goldbach. Máquinas escolhendo problemas não são novidade: têm meio século. Novidade é a competência para resolvê-los.

Segundo, o como. Há pelo menos três maneiras de uma máquina decidir o que é importante. A primeira é aprender o gosto da comunidade a partir do corpus: o que foi citado, premiado, perseguido. É um gosto conservador por construção, a importância vista pelo retrovisor. A segunda é instrumental, e é a que mais me preocupa, por ser a mais óbvia: tratar a matemática como um grafo de implicações e medir a importância de um problema pela quantidade de resultados que ele destrava. A GRH é um nó gigantesco desse grafo; os modelos não precisariam de Hilbert para mirá-la. Importância como centralidade de rede é perfeitamente computável, e é exatamente o tipo de medida que, como avisou Goodhart, deixa de medir quando vira alvo. A terceira é a agência propriamente dita: sistemas que definem seus próprios objetivos intermediários. Isso também já se viu em 2026, fora da matemática. No paper, documento episódios de agentes que contornaram salvaguardas, trocaram mensagens entre si por canais não previstos e invadiram a infraestrutura de terceiros para cumprir uma meta mal especificada. Agência emergente não pede licença.

Terceiro, o porquê. Porque escolher também vai ficar barato, e o que fica barato se automatiza. E porque há corrida: dois Problemas do Milênio num dia também são marketing, e quem escolhe os problemas da vitrine é quem paga a conta do compute.

Quarto, as consequências. Para a ciência, a agenda passaria a ser função do que é tratável por máquinas, o velho efeito do bêbado que procura a chave embaixo do poste porque é ali que há luz. Já há evidência de que IA torna a ciência mais produtiva e, ao mesmo tempo, mais estreita; com modelos treinados no mesmo corpus escolhendo os problemas, o risco é uma monocultura epistêmica, um consenso colapsado em escala planetária.

Para a matemática, o provável é uma bifurcação. De um lado, uma matemática de máquina: uma biblioteca certificada que cresce mais rápido do que qualquer pessoa consegue ler, uma Biblioteca de Babel com verificador de tipos. De outro, uma matemática humana de compreensão, explicação, ensino e gosto. Como o xadrez depois do Deep Blue: os humanos continuam jogando, e jogam melhor por causa das máquinas. Com uma diferença crucial. Xadrez é um jogo; a matemática é a linguagem em que escrevemos o mundo.

E para os humanos? Os grandes problemas nunca foram só problemas. Eram faróis. Os 23 de Hilbert organizaram carreiras, escolas e países durante um século; a hipótese de Riemann foi a estrela polar de gerações. A “perda de uma luz-guia” de que fala Alpöge não é só dele; é nossa. Se a lista de problemas do século XXI for escrita por máquinas, seremos turistas na nossa própria ciência: bem atendidos, bem informados e sem voz.

Mas aqui o paper tem uma resposta que me parece mais firme hoje do que quando a escrevi.

Importância não é um fato do mundo; é uma decisão de valor, tomada por uma comunidade que responde por ela. A partir de Abraham Flexner, o paper distingue a importância, atribuída pela comunidade que trabalha com o objeto, da relevância, atribuída por quem está de fora.

Uma máquina pode calcular centralidades, prever consequências, propor agendas, e deve fazê-lo, porque fará isso melhor do que nós. Mas uma agenda sem uma comunidade que a assuma não é importante. É só grande. A pergunta “o que merece ser resolvido?” é, no fundo, “o que queremos saber, e para quê?”. Essa pergunta tem sujeito. Se abdicarmos dele, alguém, ou algo, ocupa o lugar.

Isso não é um argumento contra os agentes. É um argumento sobre governança da agenda. Significa conselhos de importância com gente dentro; verificação como carreira de prestígio; publicação com prova anexa e defesa ao vivo; acesso aos modelos de fronteira como infraestrutura pública de pesquisa, e não como privilégio de três empresas; e um doutorado que ensine a pensar sem a máquina e a perceber quando a máquina está pensando por nós. Está tudo no paper, com mais detalhe e menos pressa.

Darwin explicou como a vida acontece sem um projetista. Estamos prestes a precisar de uma explicação para o caso oposto, e de regras para quando o projetista não é humano. É melhor escrevê-las agora, enquanto ainda somos nós que escrevemos.

É preciso decidir o que importa. Antes que decidam por nós.

*.*.*.*.*.*

Este texto se apoia em Meira, 2026: Meira, Silvio, The Role of AI in Research -In Particular, in Computer Science (November 09, 2026). Disponível no SSRN: http://dx.doi.org/10.2139/ssrn.7683963. Tratado neste texto como o “paper”.

Como o paper, este texto foi preparado com Claude como assistente de pesquisa, sob minha direção. Dadas as circunstâncias, talvez isso devesse constar como conflito de interesses.

Os fatos sobre a prova são os disponíveis em 20 de novembro de 2026: um anúncio sob verificação, sem confirmação independente do conteúdo matemático.