🎬 Assista esta matéria
Um grupo de matemáticos usou agentes de inteligência artificial para resolver o caso do grupo de Mathieu M23, peça que faltava no chamado problema inverso de Galois. O resultado foi relatado em 22 de setembro de 2026 pela revista Scientific American.
O problema nasce do trabalho de Évariste Galois, matemático francês morto aos 20 anos, em 1832, depois de ser ferido em um duelo. Ele estudava os padrões de simetria que aparecem nas raízes de equações polinomiais com coeficientes racionais. A versão inversa pergunta o contrário: dado um grupo de simetrias, existe um polinômio cujas raízes produzam exatamente aquele grupo?
O caso que resistia
Para a maioria dos grupos, a resposta já era conhecida. O M23 era a exceção teimosa — um grupo esporádico que resistiu por décadas às tentativas de construção.
A equipe reúne Rachel Pries, da Colorado State University, Bjorn Poonen, do MIT, Xiaoyu Huang, da Temple University, Blake Jackson, do Institute for Computer-Aided Reasoning in Mathematics, Kyu-Hwan Lee, da University of Connecticut, e Shaowu Zhang, doutorando no Caltech.
Os agentes de IA foram postos a varrer combinações de simetrias do M23, aproximar equações de superfícies geométricas e testar novos sistemas de coordenadas. Um deles acabou apontando uma superfície viável — momento que os pesquisadores descreveram como “milagroso”.
A partir daí veio a solução: um polinômio de grau 23, com 23 raízes a organizar, cujas simetrias formam o M23.
Máquina e multidão
O detalhe mais interessante do episódio é que a IA não trabalhou sozinha, nem venceu quando competiu de igual para igual.
Em paralelo, uma competição internacional aberta completou as cerca de 25 mil relações entre polinômios e grupos de simetria que agem sobre 24 raízes. A disputa, terceira edição de uma série proposta em junho de 2026 no blog do matemático Terence Tao, recebeu participação de profissionais e amadores. As entradas vencedoras vieram de matemáticos humanos, não de abordagens conduzidas por IA.
O resultado combinado, portanto, é menos sobre um modelo que “faz matemática” e mais sobre onde a ferramenta rende. A IA busca combinações, sugere padrões e escreve código em uma escala que muda o que um pesquisador considera tratável — mas a decisão sobre o que vale perseguir continuou humana.
“Não era realmente possível cinco anos atrás”, disse Lee sobre a eficiência alcançada.
Para a comunidade de matemática, o caso entra numa lista curta e recente de problemas antigos destravados com ajuda de máquina. Para quem acompanha IA, serve de contraponto útil ao discurso de automação total: o ganho apareceu na busca bruta, não na formulação do problema.
Fontes: Scientific American · Terence Tao · Epoch AI
🎙️ Gostou? Receba só o que te interessa, todo dia
Escolha seus temas e receba um briefing diário em áudio e texto, de graça, no WhatsApp ou e-mail.
Montar meu briefing grátis