Em um momento decisivo para a inteligência artificial e as ciências matemáticas, a Axiom, uma startup de pesquisa de IA dedicada, anunciou a resolução bem-sucedida de quatro problemas matemáticos anteriormente não resolvidos. O avanço, impulsionado por seu mecanismo neurosimbólico proprietário AxiomProver, marca um afastamento significativo da aproximação estatística típica dos Grandes Modelos de Linguagem (Large Language Models - LLMs). Em vez disso, demonstra a capacidade de raciocínio rigoroso, criativo e formalmente verificado em um nível de pesquisa.
O anúncio, feito em 4 de fevereiro de 2026, repercutiu em toda a comunidade acadêmica. Entre os problemas resolvidos está uma conjectura complexa em geometria algébrica que havia paralisado especialistas por cinco anos, juntamente com uma nova prova relacionada às obras de Srinivasa Ramanujan. Este desenvolvimento sugere que a IA não é mais apenas uma ferramenta para computação ou classificação de dados, mas evoluiu para um colaborador capaz de descobertas genuínas.
O mais destacado desses feitos diz respeito a um obstáculo específico na geometria algébrica envolvendo diferenciais — elementos de cálculo usados para medir a distância ao longo de superfícies curvas. Há cinco anos, os matemáticos Dawei Chen e Quentin Gendron encontraram um bloqueio teórico ao tentar classificar certas estruturas geométricas. Seu argumento dependia de uma "fórmula estranha" da teoria dos números que eles não conseguiam provar nem justificar, forçando-os a publicar suas descobertas como uma conjectura em vez de um teorema.
A resolução veio durante um encontro fortuito em uma conferência de matemática em Washington, D.C., em janeiro de 2026. Ken Ono, um renomado matemático e executivo recém-nomeado na Axiom, foi abordado por Chen sobre o problema estagnado. Segundo relatos, Ono apresentou a Chen uma prova completa e formalmente verificada logo na manhã seguinte.
"Tudo se encaixou naturalmente depois disso", comentou Chen em uma entrevista após o lançamento da prova no repositório arXiv. "O que o AxiomProver encontrou foi algo que todos os humanos haviam perdido."
A IA identificou uma conexão sutil entre o problema de geometria algébrica e um fenômeno numérico originalmente estudado no século XIX. Ao contrário dos LLMs padrão que podem "alucinar" um link que soa plausível, mas é matematicamente inválido, o AxiomProver gerou uma prova e verificou simultaneamente sua correção usando o Lean, uma linguagem de programação especializada para matemática formal.
A inovação central da Axiom reside em sua arquitetura. Enquanto modelos generativos como o GPT-4 ou o Gemini se destacam na previsão do próximo token em uma sequência com base em vastos dados de treinamento, eles frequentemente lutam com a consistência lógica estrita exigida para a matemática avançada. O AxiomProver utiliza uma abordagem neurosimbólica, combinando o reconhecimento intuitivo de padrões das redes neurais com o andaime lógico rígido de provadores formais de teoremas.
Carina Hong, a cofundadora da Axiom de 24 anos e principal arquiteta por trás do sistema, projetou o AxiomProver para tratar a matemática não como texto, mas como um sistema de restrições e regras lógicas. Ao integrar-se ao Lean, o sistema garante que cada etapa de uma prova gerada seja matematicamente válida antes de ser aceita.
Este loop de "gerar e verificar" permite que a IA explore novos caminhos de solução que os matemáticos humanos podem ignorar devido ao viés cognitivo ou à pura complexidade dos cálculos necessários. No caso da Conjectura de Fel — outro dos quatro problemas resolvidos — o AxiomProver elaborou autonomamente uma prova do início ao fim. Este problema dizia respeito a sizígias, expressões matemáticas que descrevem relações entre polinômios, e envolveu inesperadamente fórmulas encontradas nos cadernos do lendário matemático indiano Srinivasa Ramanujan.
A tabela a seguir descreve os avanços específicos alcançados pelo AxiomProver neste anúncio recente, contrastando a complexidade das tarefas com os resultados.
Tabela 1: Principais Feitos Matemáticos do AxiomProver (Fevereiro de 2026)
| Problema/Desafio | Campo | Resultado do AxiomProver |
|---|---|---|
| Conjectura de Chen-Gendron | Geometria Algébrica e Teoria dos Números | Identificou link do século XIX; Prova formal completa |
| Conjectura de Fel | Sizígias (Álgebra Comutativa) | Prova autônoma de ponta a ponta; Conexão com Ramanujan encontrada |
| Competição Putnam 2025 | Matemática de Graduação | Pontuação Perfeita 12/12 (Pontuação humana mediana: 0-1) |
| Problema de Topologia Não Especificado | Topologia | Nova prova gerada (Detalhes pendentes de revisão por pares) |
As implicações desse sucesso estendem-se muito além dos teoremas específicos provados. Para a indústria de IA em geral, o sucesso da Axiom valida o forte investimento em modelos de "raciocínio" em vez de modelos puramente "generativos" (Generative AI).
O desempenho da startup no Putnam 2025, comumente considerado a competição de matemática de graduação mais difícil da América do Norte, serve como um ponto de referência para essa mudança. Enquanto os modelos anteriores lutavam para marcar até mesmo alguns pontos, o AxiomProver supostamente alcançou uma pontuação perfeita de 12/12. Este feito implica um nível de versatilidade na resolução de problemas que se generaliza bem além de conjuntos de dados de treinamento específicos.
No entanto, a reação acadêmica permanece cautelosamente otimista. Embora a velocidade e a precisão das provas sejam inegáveis, as questões relativas à "explicabilidade" persistem. Uma prova formalmente verificada no Lean tem a garantia de estar correta, mas nem sempre é legível por humanos ou "esclarecedora" no sentido tradicional.
Figuras proeminentes no campo opinaram. Terence Tao, um medalhista Fields que há muito defende a integração da IA na matemática, sugeriu que esses resultados indicam que a IA está alcançando marcos significativos mais cedo do que o antecipado. Por outro lado, pesquisadores de AGI como Ben Goertzel sustentam que, embora essas sejam super-realizações "estreitas", o salto para a inteligência criativa geral continua sendo um desafio para o horizonte de 2027–2028.
O avanço da Axiom sinaliza uma transição no papel da IA na ciência: de um mecanismo de busca ou assistente de código para um investigador primário. A startup, que atraiu talentos como François Charton e Hugh Leather, visa construir um "raciocinador superinteligente que se autoaperfeiçoa".
Para instituições e empresas, a tecnologia demonstrada pelo AxiomProver tem aplicações potenciais em:
Como Ken Ono observou, a colaboração entre a intuição humana e a precisão da máquina está apenas começando. "A IA ainda não resolveu a Hipótese de Riemann", disse Ono aos repórteres, referindo-se a um dos problemas não resolvidos mais famosos. "Mas encontrou respostas para perguntas que confundem especialistas há anos. Isso é um começo."
Este desenvolvimento coloca a Axiom na vanguarda do setor de "IA-Matemática", distinta da concorrência focada em chatbots, e estabelece um novo padrão para o que é computacionalmente possível no século XXI.
O GPT‑5.2 da OpenAI demonstra uma capacidade inovadora de resolver problemas matemáticos de Erdős que não tinham sido resolvidos. Desde o Natal, 15 problemas passaram de em aberto para resolvidos com envolvimento de IA.
A partir de janeiro de 2026, a OpenAI começa a testar anúncios nos planos Gratuito e Go do ChatGPT, com anúncios aparecendo na parte inferior das respostas. Assinantes Premium continuam sem anúncios.
A startup de IA na área de saúde OpenEvidence, frequentemente chamada de 'ChatGPT para médicos', dobrou sua avaliação para US$12 bilhões após uma rodada de financiamento Série D de US$250 milhões liderada pela Thrive Capital e DST Global.
O chefe do Google DeepMind, Demis Hassabis, alerta que a atual onda de investimentos em IA mostra sinais de uma bolha, com avaliações de algumas startups desconectadas da realidade.
O recém-criado Superintelligence Labs da Meta atinge um marco importante ao entregar seus primeiros modelos de IA internos apenas seis meses após a formação, enquanto o CTO Andrew Bosworth aponta 2026–2027 como um período decisivo para a IA de consumo.
