Ensaio argumenta que a matemática está efetivamente morta com IA

A tese: não é solução, é morte

Em um ensaio publicado em setembro de 2026, o autor doomslide responde ao texto de Daniel Litt sobre o futuro próximo da matemática. Ele concorda parcialmente com Litt, mas argumenta que o enquadramento habitual dessas discussões - tratar a IA como uma ferramenta cujos efeitos institucionais devem ser geridos - ignora o problema central. Sua conclusão é que a matemática acadêmica está efetivamente morta: não resolvida pela IA, mas desestruturada por ela.

O que é matemática

Para o autor, matemática pura é, essencialmente, discurso. Diferente das ciências aplicadas, que tomam emprestados os padrões de qualidade de seus domínios externos, a matemática não tem domínio externo: seus objetos e padrões derivam recursivamente do trabalho de gerações anteriores de matemáticos. O produto não são apenas teoremas, mas o discurso da comunidade - uma coleção de proposições corretas trancada em uma empresa se esvanece sem uma comunidade que a discuta e reinterpret. É esse mesmo discurso que atribui crédito: saber de onde veio um resultado é condição para a meritocracia acadêmica, e o reconhecimento é parte da remuneração de matemáticos mal pagos.

O que a IA faz

Baseado em sua experiência anedótica, o autor modela os sistemas de IA como alternantes entre duas tarefas: busca semântica na literatura (explícita ou via pesos) e busca estocástica de provas contra um oráculo de verificação - numérico (NumPy, SciPy), simbólico (Sage, Lean) ou outro LLM julgador. Resultados com verificadores externos escalaram muito mais que os demais: os problemas mais impressionantes resolvidos o foram por combinação rasa de técnicas existentes ou execução técnica incompreensível, não por abstrações novas. Ele especula que a síntese de abstrações de nível alto pode melhorar apenas logaritmicamente sob o paradigma atual, e não assumiria que modelos assumirão toda a geração de provas em breve - uma prova de Hodge, BSD ou RH sem depender de bugs de soundness o faria atualizar essa visão.

O que a IA é: o problema da proveniência

O ponto decisivo não é a capacidade, mas a natureza do serviço. Partindo do postulado de que laboratórios destilam periodicamente dados de usuários para melhorar seus modelos - citado com base em declarações de ex-executivos da OpenAI -, a caixa de entrada/saída tem memória entre usuários: o que um matemático digita pode afetar o que outro recebe, sem registro. Assim, os laboratórios são, de forma involuntária ou não, participantes do discurso matemático.

O cenário ilustrativo: o grupo A trabalha meses com IA em um problema; o laboratório destila essas interações; o grupo B, com o modelo atualizado, resolve o problema com métodos semelhantes e publica antes, sem saber que cometeu o que antes seria fraude acadêmica. Quando o trabalho intelectual não pode ser rastreado à origem, a hierarquia da academia colapsa e resta política e status herdado. Como a matemática só existe como discurso aberto, ela não pode sequer recuar a laboratórios proprietários como as outras ciências.

Autoria e os episódios recentes

O autor discute ainda a responsabilidade: um autor nomeado deve dar garantia de correção e preencher lacunas, e um modelo não pode fazer isso - uma prova creditada ao Claude não tem autor, salvo quem a posta assumir a função. Ele relata o caso da esfera seis complexa: Levent Alpöge publicou uma construção creditada ao Claude com 100+ páginas de prova ilegível creditadas ao Opus; o autor suspeita que o documento era uma deformalização de uma prova Lean não divulgada. Se os manuscritos gerados por IA forem deformalizações sem divulgação, isso é 'proof laundering' - esconder métodos remove informação crítica.

Ele também cita a disputa Navier–Stokes: a OpenAI disse ter começado a trabalhar no problema após ouvir que Alpöge e Buckmaster usavam um modelo interno da Anthropic; usando milhões de dólares em compute, publicou um contraexemplo, e Buckmaster depois alegou que a OpenAI roubou ideias de seus logs do codex. Independentemente de quem se acredite, qualquer pessoa com modelos capazes pode pegar ideias abertas, gastar tokens até que cedam, e colher o prestígio.

O que poderia ser feito

Não há contradição técnica entre IA poderosa e matemática com proveniência fiel: modelos open-weights com histórico de treino documentado rodados localmente, ou serviços com compromissos ZDR críveis, resolveriam - mas o primeiro é financeiramente inviável, e botões de opt-out são, segundo o autor, operacionalmente sem sentido dados os termos de uso. A solução seria um padrão acadêmico (e possivelmente regulatório) proibindo uso de dados privados de consumidores para melhorar modelos, com garantia técnica e transparência, e regras contra serviços que não ofereçam isso. Mesmo assim, restaria o incentivo ao sigilo: com provas baratas, compartilhar ideias inacabadas vira risco de scoop, e a comunidade migraria para uma 'floresta escura' de trabalho privado.

Conclusão

Sob uma cadeia estreita de circunstâncias - política governamental, liderança corporativa e reforma institucional - a matemática acadêmica poderia sobreviver a uma IA extremamente poderosa, talvez com uma cultura mais humanística e secreta. O autor não espera que essas circunstâncias ocorram: entre a ambiguidade de crédito e as assimetrias de recursos, exigiria um esforço hercúleo contra incentivos corporativos de curto prazo. Por isso, conclui que a matemática acadêmica está efetivamente morta.