Co-matemático de IA do Google: a bancada agente de matemática da DeepMind

Em maio de 2026, pesquisadores do Google DeepMind publicaram um preprint no arXiv intitulado "AI co-mathematician: Accelerating mathematicians with agentic AI", descrevendo uma bancada de IA agente que orquestra o ciclo completo de trabalho matemático, incluindo ideação, busca bibliográfica, computação, tentativas de prova e construção teórica.

O co-matemático de IA, atualmente em liberação limitada para um grupo seleto de pesquisadores, não é por si só um resolvedor ou um chatbot, mas sim um espaço de trabalho com estado que orquestra o fluxo matemático não linear e desordenado. Ele gerencia trilhas de pesquisa paralelas, acompanha incertezas e preserva tentativas fracassadas para referência futura. As saídas são em LaTeX, o formato padrão usado em pesquisas de matemática e física.

Ele é construído sobre o Gemini 3.1. No momento, usa o Gemini Deep Think internamente para tentativas de prova e integra execução de Python para exploração computacional. Ainda não incorpora motores matemáticos especializados da DeepMind (AlphaProof, AlphaEvolve, Aletheia) como componentes internos, mas foi projetado para fazê-lo no futuro.

Por que o co-matemático de IA é importante?

Matemáticos usam LLMs para ajudar em várias tarefas:

• Revisão de literatura
• Esboço informal de provas
• LaTeX de praxe
• Código exploratório

Eles também usam ferramentas de IA, como assistentes de prova formais, para verificar provas de forma mecânica. 

Embora cada ferramenta seja forte em uma parte específica do fluxo de trabalho, é o matemático quem precisa costurar os resultados de forma ad hoc. Até agora, não havia uma ferramenta de infraestrutura para orquestrar o processo não linear que os matemáticos de fato usam.

Como funciona o co-matemático de IA

O modelo de fluxo de trabalho é livremente adaptado de ferramentas de IA para código, como Claude Code ou Codex. Porém, esse fluxo não pode ser transposto diretamente. Software tem especificação e suíte de testes. Pesquisa em matemática é não linear. O próprio objetivo pode ser vago ou indefinido no início, e descobertas no caminho podem redefinir completamente a pergunta.

O fluxo de trabalho do co-matemático é alimentado por um sistema multiagente e segue este caminho:

1. Exploração inicial. Em vez de exigir um prompt perfeito em uma tacada só, o pesquisador tem um diálogo interativo com o sistema para refinar metas de alto nível e formalizar a questão de pesquisa. Isso deixa a intenção explícita antes de começar o trabalho.
2. Revisão de literatura. O co-matemático faz uma revisão bibliográfica, identifica artigos-chave e extrai provas e técnicas matemáticas relevantes.
3. Framework computacional. O co-matemático cria uma biblioteca Python computacional, com casos de demonstração e testes associados.
4. Execução da busca. Depois que o framework computacional é criado, a biblioteca personalizada é importada e a busca escala em um cluster na nuvem. Ele entrega ao pesquisador relatórios de progresso de alto nível, sem afogá-lo em logs de baixo nível.
5. Resultado final. A entrega final é um relatório compilado em LaTeX. O documento explica o processo de descoberta, não só o resultado, e usa anotações na margem para vincular afirmações a referências específicas ou saídas de código. Um relatório só é marcado como finalizado depois que todos os agentes revisores o aprovam. Relatórios que reprovam ainda são mostrados ao pesquisador, sinalizados como pendentes — foi assim que a prova com falha chegou a Lackenby.

Arquitetura de fluxos de trabalho do co-matemático de IA

A arquitetura do co-matemático de IA é um sistema multiagente com um agente coordenador de projeto no topo e subagentes especializados.

Coordenação do fluxo

Antes de qualquer trabalho para atacar o problema, o coordenador do projeto abre um diálogo com o pesquisador para refinar a meta por meio de perguntas esclarecedoras. Por exemplo, um pesquisador perguntando sobre limites superiores no "problema do sofá", uma questão em aberto em geometria computacional, pode ser questionado se deve focar em uma ou outra variante, ou em ambas. O objetivo preciso, acordado entre as partes, delimita o problema antes do despacho de agentes.

Uma vez definido o objetivo, o coordenador delega o trabalho a agentes e subagentes, que atuam em paralelo, a menos que haja dependências. Um agente faz a revisão bibliográfica, outro constrói o framework computacional e outro executa a busca. Existe uma dependência: a busca não pode ser executada até que a biblioteca personalizada do framework computacional exista.

Evitando alucinações

Agentes comuns costumam encontrar atalhos inválidos, alucinar lemas ou declarar vitória antes da hora. O co-matemático de IA usa mecanismos para evitar essas falhas, incluindo agentes revisores. 

Por exemplo, se o espaço de busca explode durante a exploração computacional, o subagente de código não pode marcar o código como concluído até que todos os testes passem e o agente revisor aceite os resultados, travando o fluxo. Essa exploração fracassada é registrada e enviada ao coordenador do projeto, que então alerta o pesquisador no chat. O pesquisador pode sugerir outro caminho.

Esses becos sem saída não são apenas registrados; são tratados como informação. Eles são versionados e preservados como parte do histórico da pesquisa. Em matemática, uma abordagem malsucedida muitas vezes revela uma restrição ou aponta para outro rumo.

Ao longo do processo, o coordenador filtra o ruído de baixo nível por padrão, mas o pesquisador pode abrir qualquer fluxo e modificá-lo quando necessário.

Primeiros estudos de caso e modos de colaboração

Alguns casos iniciais mostram diferentes modos de colaboração: uma prova com falha que desbloqueou insight humano, um comentário na margem que reformulou a pergunta e a detecção rápida de um beco sem saída que poupou uma semana de esforço desviado.

Consertando uma prova que o sistema marcou como errada

Marc Lackenby, professor de matemática da Universidade de Oxford, aplicou o sistema a um problema do caderno de Kourovka (um compêndio de problemas de pesquisa em aberto em Teoria dos Grupos). A IA fez uma tentativa de prova, um agente revisor encontrou uma falha e informou Lackenby. Ele soube como corrigir a lacuna.

Essa passagem de bastão é o ponto central. Um humano pegou o que a máquina não viu, e a máquina fez o pesado ao redor disso. 

Seguindo um comentário na margem até um novo insight

Outro professor de matemática, Gergely Bérczi, pesquisou um problema envolvendo conjecturas de coeficientes de Stirling. Para a revisão inicial, ele forneceu ao co-matemático de IA o tema, o contexto, os métodos conhecidos e um possível caminho sugerido por experimentos com AlphaEvolve. 

O co-matemático de IA produziu provas (atualmente sob revisão matemática humana) para duas das conjecturas, com evidências computacionais detalhadas para embasar as afirmações. Bérczi relatou que o sistema o ajudou com um comentário na margem no documento final, que chamou a atenção para um insight-chave, depois explorado por ele na interface de chat.

Detectando um beco sem saída antes que custasse uma semana

Por fim, Semon Rezchikov propôs um problema técnico sobre difeomorfismos hamiltonianos. Ele e o coordenador do projeto discutiram até concordarem com uma definição precisa da tarefa. O documento produzido pela IA incluiu um lema-chave com prova (posteriormente verificada) que, na prática, resolveu a questão. 

No caminho, uma abordagem foi explorada, mas chegou a um beco sem saída. A IA chegou ao beco sem saída muito mais rápido do que seria de outra forma, então ele não desperdiçou uma semana perseguindo algo inviável. O sistema comprimiu uma semana de esforço perdido em horas.

Resultados no benchmark FrontierMath

O co-matemático de IA é uma ferramenta de fluxo de trabalho, não uma ferramenta de resolução de problemas matemáticos em si. Ainda assim, é importante que os autores mostrem bons resultados de benchmark por vários motivos:

• Mostrar que o motor matemático subjacente é capaz o suficiente para colaborar em matemática de fronteira.
• Demonstrar que benchmarks fornecem um ambiente controlado para medir quanto a camada de orquestração agrega.
• Servir como proxy de eficácia colaborativa, já que não existe uma medida padronizada.

Os resultados: o co-matemático de IA marcou 48% no FrontierMath Tier 4, um benchmark em nível de pesquisa. Este é o maior resultado reportado, incluindo o próprio Gemini 3.1 Pro do Google, que marcou 19% no mesmo teste, mesmo nível. A Epoch AI encontrou erros em cerca de um terço dos problemas do FrontierMath (nos Tiers 1–4) e está conduzindo revisão humana.

O co-matemático de IA marcou 87% em um benchmark interno do Google composto por 100 problemas inéditos de matemática em nível de pesquisa, com respostas verificáveis por código, fornecidos por matemáticos profissionais, enquanto o Gemini 3.1 Pro marcou 57% e o Gemini 3.1 Deep Think marcou 70%.

Limitações conhecidas do co-matemático de IA

O artigo é transparente sobre limitações estruturais:

• O controle de qualidade principal vem de agentes revisores e de prova. O ciclo de revisão adversarial pode exibir um viés de agradar ao revisor, em que os agentes convergem para argumentos que satisfazem o agente revisor em vez de estarem corretos. Essa é uma vulnerabilidade estrutural real.
• Um LaTeX polido pode criar falsa sensação de rigor. Um documento bem formatado parece finalizado, independentemente de a matemática por trás estar correta ou não.
• O sistema só funciona bem quando o pesquisador é de fato especialista no domínio. Há o risco de um não especialista entregar um problema vago ao sistema e confiar cegamente no resultado.
• Provas de IA ainda exigem verificação humana. As provas de Bérczi, por exemplo, ainda estavam em revisão humana na publicação.

Considerações finais

O co-matemático de IA reflete a mudança de pedir que a IA resolva um problema para trabalhar com a IA no processo iterativo e bagunçado da pesquisa matemática. O verdadeiro gargalo é a infraestrutura de fluxo de trabalho que espelha como os matemáticos realmente trabalham.

Se você quer construir sistemas agentes como este, as trilhas Associate AI Engineer for Developers e Associate AI Engineer for Data Scientists da DataCamp são um ótimo ponto de partida.