Pesquisador passou um ano e meio tentando provar a hipótese de Riemann com Claude e Lean, mas não conseguiu
O pesquisador independente Vladimir Radkevich passou um ano e meio tentando provar a hipótese de Riemann com Claude e Lean, mas um multiplicador crescente consumia todo o ganho, como se acelerar uma operação no código fizesse a preparação dos dados ficar mais lenta na mesma medida. Segundo ele, em 20 de novembro de 2026 Levent Alpöge provou a hipótese, também com Claude; Lean e Mathlib confirmaram a verificação. A conclusão: uma cadeia de IA precisa de um verificador rigoroso, caso contrário produz cálculos convincentes sem resultado.
Processado por IA de Habr AI; editado por Hamidun News
Acontece de você passar uma semana otimizando código, cada ajuste parece razoável, os testes estão verdes, mas o tempo de execução não muda. Algo discretamente consome todo o ganho. Mais ou menos assim foi o trabalho de um ano e meio do pesquisador independente Vladimir Radkevich, que, junto com os modelos Claude e Codex e com o sistema de verificação Lean, tentou provar a hipótese de Riemann. Não conseguiu. Em compensação, ele publicou no Habr uma análise detalhada de como se parece uma ideia "quase funcionando" e por que é tão fácil enganar uma pessoa, ou uma IA, com os próprios cálculos.
Uma ressalva imediata: tudo o que se segue se baseia no relato do autor, não verificamos essas informações de forma independente. O texto original no Habr é o primeiro de uma série de três partes, e no nosso material está disponível apenas essa parte; sobre a segunda e a terceira, só é possível julgar pelo anúncio do próprio autor.
Onde o ganho desaparecia
O autor descreve uma falha típica. Para reduzir o erro a zero, ele ampliava a janela de cálculo: quanto mais larga a janela, pensavam eles, mais precisa a estimativa. Os cálculos estavam corretos, as desigualdades auxiliares também, e parte do material chegou a ser checada no computador. Depois, porém, ficou claro que, junto com a janela, crescia um multiplicador, e ele consumia exatamente o que tinha sido ganho. Várias páginas de cálculos convincentes e, no fim, progresso nulo.
Para um desenvolvedor, esse quadro é familiar: você acelerou uma operação, mas a preparação dos dados para ela ficou mais lenta na mesma medida. O ganho local é real, o total é zero. Por isso o autor recomenda fazer, de antemão, uma pergunta incômoda a qualquer ideia nova: onde está escondido o custo e não será ele igual ao ganho?
Como a hipótese vira uma tarefa "quase de ML"
A hipótese de Riemann afirma que todos os zeros não triviais da função zeta estão sobre uma mesma reta vertical no meio da faixa. Computadores verificaram trilhões de zeros, e todos estão nessa reta. Mas a palavra "todos" não se substitui por um grande número de exemplos: o próximo zero pode ser o primeiro incorreto.
O projeto de Radkevich se chama NymanBeurling, em referência ao critério de Nyman–Beurling. Ele transforma a questão sobre os zeros em uma questão de aproximação. Com as partes fracionárias dos números, constrói-se uma família de funções "irregulares" no intervalo de 0 a 1.
Pense nelas como ondas sonoras curtas: é possível ajustar o volume e trocar o sinal de cada uma. A tarefa é somar essas ondas para obter uma linha reta e constante, igual a um, de modo que o erro pelo método dos mínimos quadrados tenda a zero. Na formulação de Báez-Duarte, o critério diz que a hipótese é verdadeira se, e somente se, esse erro tende a zero.
Ouvido de longe, isso soa quase como aprendizado de máquina: você ajusta os coeficientes e observa a queda do erro. Mas por que somar ondas poderia saber algo sobre os zeros da função zeta, o autor explica em um raciocínio separado. Se existisse um zero "incorreto", haveria um instrumento que nenhum dos blocos de construção percebe, mas que enxerga o alvo.
Um instrumento estável significa que não seria possível chegar perto do alvo.
Erros simples também aconteciam. Por descuido, incluiu-se no "base linearmente independente" uma função identicamente igual a zero, e surgiu uma linha nula na matriz.
O que o Lean fazia e o que vale adotar
No Lean, a afirmação é escrita como um tipo, e a prova, como um valor desse tipo. Um núcleo especial verifica se o valor foi construído segundo as regras permitidas. Para um programador, essa é a diferença entre interface e implementação, só que a implementação deve ser um testemunho da verdade, e não uma função que devolve true. Se o Lean aceitou a prova, ela vale para todos os objetos que satisfazem as condições, e não há como quebrá-la "na próxima entrada".
Há, porém, um limite para a verificação: o significado das definições e das condições ainda precisa ser compreendido por uma pessoa. O autor avisa logo de início que isso eles "vão testar na própria pele".
Os papéis se distribuíam assim. Radkevich escolhia as perguntas, discutia construções e tentava amarrar os resultados em um todo. Claude e Codex propunham argumentos, escreviam código, procuravam erros uns nos outros e também erravam. O trabalho começou em agosto de 2025, e a crônica principal se concentra entre janeiro e outubro de 2026.
O desfecho da história, segundo o autor, é o seguinte: em 20 de novembro de 2026, a hipótese foi provada por outra pessoa, Levent Alpöge, também em par com Claude. Ele publicou uma biblioteca em Lean com cerca de 17 milhões de linhas, e em 21 de novembro as comunidades Lean e Mathlib publicaram um comunicado conjunto: a prova e a formulação foram verificadas. O próprio Radkevich não repetiu a verificação por máquina e não afirma ter compreendido todos os 17 milhões de linhas.
A lição prática para quem constrói agentes e cadeias longas de modelos é esta: sem um árbitro externo e rigoroso, eles produzem páginas convincentes sem resultado. Nessa história, o verificador formal funcionou como um conjunto rígido de testes. Ele não inventa a solução, mas mostra com honestidade o que realmente foi obtido. O repositório do projeto continua fechado, e o autor concede acesso mediante solicitação.
- 22 de nov. de 2026Desenvolvedor de backend sem experiência em Unity criou um jogo 3D com agente de IA: assinaturas custam US$ 112
- 22 de nov. de 2026Cientista-chefe da OpenAI propõe limite de velocidade para a IA: perplexidade do GPT-4 era 0,91, agora está abaixo de 0,8
- 22 de nov. de 2026Veterano do DeepSeek abre o código do Linger: agente de IA local que responde até 5 vezes mais rápido
- 22 de nov. de 2026Ações da Anthropic caem 8,5% em um dia e quase voltam ao preço do IPO de US$ 83
Perguntas frequentes sobre a notícia
Onde o ganho desaparecia?
O autor descreve uma falha típica. Para reduzir o erro a zero, ele ampliava a janela de cálculo: quanto mais larga a janela, pensavam eles, mais precisa a estimativa. Os cálculos estavam corretos, as desigualdades auxiliares também, e parte do material chegou a ser checada no computador. Depois, porém, ficou claro que, junto com a janela, crescia um multiplicador, e ele consumia exatamente o que tinha sido ganho. Várias páginas de cálculos convincentes e, no fim, progresso nulo.
Como a hipótese vira uma tarefa "quase de ML"?
A hipótese de Riemann afirma que todos os zeros não triviais da função zeta estão sobre uma mesma reta vertical no meio da faixa. Computadores verificaram trilhões de zeros, e todos estão nessa reta. Mas a palavra "todos" não se substitui por um grande número de exemplos: o próximo zero pode ser o primeiro incorreto. O projeto de Radkevich se chama NymanBeurling, em referência ao critério de Nyman–Beurling. Ele transforma a questão sobre os zeros em uma questão de aproximação.
O que o Lean fazia e o que vale adotar?
No Lean, a afirmação é escrita como um tipo, e a prova, como um valor desse tipo. Um núcleo especial verifica se o valor foi construído segundo as regras permitidas. Para um programador, essa é a diferença entre interface e implementação, só que a implementação deve ser um testemunho da verdade, e não uma função que devolve true. Se o Lean aceitou a prova, ela vale para todos os objetos que satisfazem as condições, e não há como quebrá-la "na próxima entrada".
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.