Em abril de 2026, uma equipe de pesquisadores da Vrije Universiteit Brussel (VUB), na Bélgica, publicou um estudo que sacudiu simultaneamente os mundos da inteligência artificial e da matemática pura: o ChatGPT-5.2, modelo de linguagem da OpenAI, gerou uma prova matemática original para uma conjectura de geometria formulada em 2024 — um problema que nenhum matemático humano havia conseguido resolver formalmente até então.
A notícia não é apenas sobre uma máquina "acertando uma conta". É sobre um sistema de IA produzindo raciocínio matemático genuíno, construindo argumentos lógicos encadeados ao longo de múltiplas sessões de conversa, e chegando a uma conclusão que foi posteriormente verificada e validada por matemáticos humanos. O método utilizado foi batizado de "vibe-proving" — um termo que captura a natureza colaborativa e iterativa do processo entre humano e máquina.
Essa descoberta levanta questões profundas sobre o papel da inteligência artificial na pesquisa científica, os limites do raciocínio computacional e o futuro da matemática como disciplina humana.
O Que Aconteceu
O processo que levou à prova não foi instantâneo nem automático. Segundo o estudo publicado pela equipe da VUB, a prova emergiu ao longo de 7 sessões de chat e 4 rascunhos de argumentos em evolução. Os pesquisadores não simplesmente pediram ao ChatGPT "resolva este problema" e receberam uma resposta pronta. O trabalho foi iterativo, colaborativo e profundamente dependente da interação humana.
Na primeira sessão, os pesquisadores apresentaram a conjectura de geometria ao modelo, fornecendo o contexto matemático necessário — definições, teoremas relacionados e tentativas anteriores de prova que haviam falhado. O ChatGPT-5.2 respondeu com uma abordagem inicial que, embora incompleta, continha insights promissores sobre a estrutura do problema.
Nas sessões seguintes, os matemáticos refinaram as perguntas, apontaram falhas nos argumentos do modelo, sugeriram direções alternativas e pediram que o ChatGPT explorasse caminhos específicos de raciocínio. A cada iteração, o modelo produzia versões mais sofisticadas do argumento, incorporando as correções e sugestões dos pesquisadores.
O quarto rascunho continha a estrutura essencial da prova. Os pesquisadores então verificaram cada passo lógico manualmente, confirmaram a validade dos argumentos e preencheram lacunas menores que o modelo havia deixado. O resultado final foi uma prova completa e rigorosa que resistiu ao escrutínio da comunidade matemática.
O aspecto mais notável do processo foi a divisão de trabalho: o ChatGPT se mostrou extraordinariamente útil na busca e exploração de caminhos de prova — testando abordagens, combinando técnicas de diferentes áreas da matemática e gerando candidatos a argumentos em velocidade impossível para um humano. Já os pesquisadores humanos foram essenciais para a verificação de correção — garantindo que cada passo lógico era válido, que não havia saltos injustificados e que a prova como um todo era matematicamente sólida.
Como resumiu um dos autores do estudo: "A IA foi brilhante para buscar; os humanos foram indispensáveis para verificar."
Contexto e Histórico
O termo "vibe-proving" foi cunhado pelos pesquisadores da VUB para descrever esse novo método de raciocínio matemático assistido por IA. O nome é uma referência ao conceito de "vibe coding" — a prática de programar de forma intuitiva com assistência de IA, sem necessariamente entender cada linha de código gerada — mas aplicado ao domínio muito mais rigoroso da prova matemática.
No vibe-proving, o matemático humano atua como um diretor de pesquisa: define o problema, avalia a qualidade dos argumentos gerados pela IA, redireciona o raciocínio quando necessário e valida o resultado final. A IA, por sua vez, funciona como um assistente de pesquisa incansável: explora dezenas de abordagens possíveis, combina técnicas de diferentes campos, gera candidatos a provas e refina seus argumentos com base no feedback humano.
A importância do vibe-proving vai além de um único problema resolvido. O método sugere um novo paradigma para a pesquisa matemática, onde a IA não substitui o matemático, mas amplifica dramaticamente sua capacidade de exploração. Problemas que levariam meses ou anos de tentativa e erro por um pesquisador humano podem ter seu espaço de soluções explorado em horas ou dias com assistência de IA.
No entanto, os próprios autores do estudo fazem questão de enfatizar as limitações: o ChatGPT não "entende" matemática no sentido humano. Ele não possui intuição geométrica, não visualiza figuras, não sente a elegância de um argumento. O que ele faz é manipular padrões linguísticos e lógicos com uma eficiência sobre-humana, gerando candidatos a argumentos que podem ou não ser corretos. A verificação humana permanece absolutamente essencial.
O feito da prova de geometria não foi um caso isolado. Em 2025, o ChatGPT foi testado nos problemas da Olimpíada Internacional de Matemática (IMO), uma das competições mais prestigiosas e difíceis do mundo, que reúne os melhores estudantes de matemática de dezenas de países.
O resultado foi impressionante: o ChatGPT resolveu corretamente 5 dos 6 problemas da competição. Para contextualizar, a IMO apresenta problemas que desafiam até os mais talentosos jovens matemáticos do planeta. Muitos competidores com anos de treinamento intensivo não conseguem resolver todos os seis problemas no tempo disponível.
O único problema que o ChatGPT não conseguiu resolver envolvia uma construção geométrica particularmente criativa que exigia um tipo de insight visual que os modelos de linguagem ainda não dominam. Esse resultado ilustra tanto o poder quanto as limitações atuais da IA em matemática: ela é extraordinariamente competente em problemas que podem ser abordados por manipulação simbólica e lógica formal, mas ainda tropeça em problemas que exigem criatividade visual ou intuição espacial.
A performance na IMO também levantou debates sobre o futuro das competições matemáticas. Se uma IA pode resolver a maioria dos problemas, qual é o valor de treinar humanos para fazer o mesmo? A resposta da comunidade matemática tem sido surpreendentemente pragmática: as competições testam habilidades humanas específicas — criatividade, elegância, velocidade sob pressão — que continuam valiosas independentemente do que as máquinas conseguem fazer.
A conjectura específica que o ChatGPT ajudou a provar foi formulada em 2024 por um grupo de matemáticos europeus e envolvia propriedades de certas configurações de pontos e retas em geometria projetiva. Sem entrar em detalhes técnicos excessivos, o problema perguntava se uma determinada relação entre ângulos e distâncias em uma família de figuras geométricas era sempre verdadeira, ou se existiam contraexemplos.
Várias tentativas de prova haviam sido publicadas entre 2024 e 2025, mas todas continham lacunas ou erros que foram identificados por revisores. O problema era considerado "provavelmente verdadeiro" pela comunidade — havia forte evidência computacional e muitos casos particulares verificados — mas ninguém havia conseguido construir uma prova geral rigorosa.
O ChatGPT-5.2, nas sessões com os pesquisadores da VUB, abordou o problema de uma forma que nenhum dos matemáticos havia tentado: combinou técnicas de geometria algébrica com métodos de teoria dos números, criando uma ponte entre dois campos que raramente são conectados nesse tipo de problema. Essa abordagem interdisciplinar — que a IA gerou por reconhecimento de padrões em sua vasta base de treinamento — foi a chave para desbloquear a prova.
Os pesquisadores reconheceram que provavelmente não teriam chegado a essa abordagem sozinhos, pelo menos não no curto prazo. A capacidade da IA de "pensar fora da caixa" — ou, mais precisamente, de não estar limitada pelas mesmas caixas mentais que os especialistas humanos desenvolvem ao longo de suas carreiras — foi o diferencial decisivo.
O feito do ChatGPT em matemática faz parte de uma tendência mais ampla de IA contribuindo para descobertas científicas. O AlphaFold, do Google DeepMind, revolucionou a biologia ao prever estruturas de proteínas. O GNoME descobriu milhões de novos materiais cristalinos. Modelos de IA estão acelerando a descoberta de medicamentos, otimizando reações químicas e até prevendo terremotos com maior precisão.
O que torna o caso da matemática especial é que a matemática é frequentemente considerada o domínio mais "puro" do raciocínio humano — a disciplina onde a criatividade, a intuição e a lógica se encontram em sua forma mais abstrata. Se a IA pode contribuir aqui, argumentam alguns, ela pode contribuir em qualquer lugar.
Outros são mais cautelosos, lembrando que a matemática também é o domínio onde a verificação é mais rigorosa. Uma prova está correta ou não está — não há espaço para "quase certo" ou "provavelmente verdadeiro". Essa clareza binária torna a matemática um campo ideal para colaboração humano-IA: a máquina gera candidatos, o humano verifica com certeza absoluta.
A expectativa é que, nos próximos anos, veremos uma explosão de resultados matemáticos produzidos por colaborações humano-IA, com o vibe-proving se tornando uma ferramenta padrão no arsenal de pesquisadores ao redor do mundo.
Impacto Para a População
| Aspecto | Situação Anterior | Situação Atual | Impacto |
|---|---|---|---|
| Escala | Limitada | Global | Alto |
| Duração | Curto prazo | Médio/longo prazo | Significativo |
| Alcance | Regional | Internacional | Amplo |
O Que Dizem os Envolvidos
A publicação do estudo da VUB também reacendeu debates sobre autoria, crédito e ética na pesquisa assistida por IA. Se o ChatGPT gerou a estrutura essencial da prova, ele deveria ser listado como coautor do artigo? A comunidade acadêmica está dividida.
Algumas revistas científicas já proíbem listar modelos de IA como coautores, argumentando que autoria implica responsabilidade — e uma IA não pode ser responsabilizada por erros ou fraudes. Outras adotam uma posição mais flexível, exigindo apenas que o uso de IA seja declarado de forma transparente.
Os pesquisadores da VUB optaram por uma abordagem intermediária: não listaram o ChatGPT como coautor, mas dedicaram uma seção inteira do artigo a descrever em detalhes como a IA foi utilizada, incluindo transcrições das sessões de chat. Essa transparência foi elogiada pela comunidade como um modelo a ser seguido.
Há também preocupações sobre o impacto na formação de novos matemáticos. Se estudantes podem usar IA para resolver problemas difíceis, como desenvolverão as habilidades de raciocínio profundo que são a essência da formação matemática? Universidades ao redor do mundo estão reformulando seus currículos para incorporar o uso responsável de IA, tratando-a como uma ferramenta a ser dominada, não como um atalho a ser explorado.
Próximos Passos
A descoberta da VUB tem implicações profundas para o futuro da pesquisa matemática e científica em geral. Pela primeira vez, temos evidência concreta de que modelos de linguagem podem contribuir de forma substantiva para a produção de conhecimento matemático novo — não apenas verificando provas existentes ou resolvendo exercícios de livro-texto, mas gerando argumentos originais que avançam a fronteira do conhecimento humano.
Isso não significa que os matemáticos estão prestes a ser substituídos. Pelo contrário, o estudo da VUB demonstra que a colaboração humano-IA é muito mais poderosa do que qualquer um dos dois trabalhando sozinho. O ChatGPT sem orientação humana produz argumentos que frequentemente contêm erros sutis ou saltos lógicos injustificados. Os matemáticos sem assistência de IA estão limitados pela velocidade do pensamento humano e pelos vieses de suas formações específicas.
Juntos, porém, eles formam uma equipe formidável: a IA explora o espaço de possibilidades com velocidade e amplitude sobre-humanas, enquanto o matemático humano filtra, valida e direciona essa exploração com rigor e intuição que a máquina não possui.
Vários grupos de pesquisa ao redor do mundo já estão adotando variações do método vibe-proving para atacar problemas abertos em diferentes áreas da matemática. Há expectativa de que, nos próximos anos, veremos uma aceleração significativa na resolução de conjecturas que permaneceram abertas por décadas.
Apesar do entusiasmo, é fundamental manter uma perspectiva equilibrada sobre o que a IA pode e não pode fazer em matemática. O estudo da VUB é explícito sobre as limitações observadas durante o processo.
Primeiro, o ChatGPT frequentemente produzia argumentos que pareciam corretos mas continham erros sutis. Em várias das 7 sessões, os pesquisadores identificaram passos lógicos inválidos que o modelo apresentava com total confiança. Sem a verificação humana, esses erros teriam passado despercebidos e a "prova" seria inválida.
Segundo, o modelo demonstrou dificuldade com problemas que exigem construções criativas — inventar novos objetos matemáticos, definir funções auxiliares engenhosas ou encontrar contraexemplos inesperados. Sua força está na combinação e aplicação de técnicas existentes, não na invenção de técnicas genuinamente novas.
Terceiro, a qualidade do resultado depende criticamente da qualidade da interação humana. Pesquisadores que sabiam fazer as perguntas certas, identificar os caminhos promissores e redirecionar o modelo quando necessário obtiveram resultados muito superiores aos de pesquisadores que simplesmente pediram ao ChatGPT para "resolver o problema".
Esses limites sugerem que a IA é melhor entendida como uma ferramenta de amplificação do que como um substituto para o raciocínio matemático humano. Ela acelera a descoberta, mas não elimina a necessidade de expertise, julgamento e criatividade humanos.
Fechamento
Esses limites sugerem que a IA é melhor entendida como uma ferramenta de amplificação do que como um substituto para o raciocínio matemático humano. Ela acelera a descoberta, mas não elimina a necessidade de expertise, julgamento e criatividade humanos.
