Matemático · Dos escribas babilônicos aos medalhistas Fields e às provas assistidas por IA: a profissão que transforma questões difíceis em certezas permanentes, um teorema de cada vez.
A matemática é a rara profissão em que as máquinas vêm primeiro para tarefas de prestígio. O cálculo caiu há décadas; em 2024–25, os sistemas de IA alcançaram o padrão de medalha de prata e depois de ouro em problemas das Olimpíadas Internacionais de Matemática, e assistentes de prova como Lean verificaram argumentos na fronteira da pesquisa – incluindo, em 2022, um teorema que seu próprio autor temia verificar manualmente. Nenhum matemático sério aposta agora que a prova rotineira de lemas permanecerá humana por muito tempo.
No entanto, a reacção da profissão tem estado mais próxima da excitação do que do pavor, porque o seu trabalho mais escasso está a montante de tudo o que as máquinas fazem: decidir quais as questões que valem anos de vida, inventar as definições que tornam comprovável uma vaga intuição e julgar quais das infinitas afirmações verdadeiras que significam alguma coisa. Terence Tao, entre outros, descreve o futuro próximo como matemáticos dirigindo equipes de colaboradores de máquinas incansáveis e semi-confiáveis.
Uma parte real do dia de trabalho – pesquisa de literatura, verificação, cálculo, resolução de problemas bem colocada – está agora a ser automatizada, e a IA já comprova resultados a nível de competição. Mas as tarefas que definem a carreira (escolher problemas, formar conceitos, julgar a importância, ensinar seres humanos) estão mais distantes do que os sistemas atuais fazem. O resultado mais provável é menos horas provando lemas rotineiros e mais horas gastas decidindo o que provar: transformação do emprego, não remoção da profissão.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →Um provador de teoremas pode atacar uma conjectura declarada; não pode decidir que uma questão vale dez anos, ou perceber que uma questão diferente é a mais importante. A escolha do problema é a vantagem acumulada da profissão.
Os movimentos mais profundos do campo - os esquemas de Grothendieck, os anéis de Noether, os infinitos de Cantor - criaram os objetos com os quais o trabalho posterior computará. A formação de conceitos, e não a dedução, é onde a matemática realmente cresce, e nenhum sistema ainda o faz.
Existem infinitas afirmações verdadeiras; quase todos são inúteis. Julgar quais resultados iluminam, quais provas explicam em vez de apenas verificar e quais direções são férteis continua sendo um consenso humano construído ao longo de carreiras.
Quando a matemática certifica um criptosistema, as estatísticas de um ensaio de drogas ou uma lei de controle de aeronaves, um ser humano nomeado deve apoiar o que o teorema realmente diz sobre o mundo. Verificado por máquina não é o mesmo que modelado corretamente.
A cadeia de aprendizagem – orientador do aluno, corpo a corpo desde as universidades medievais – transmite gostos e padrões, não apenas conteúdo, e continua sendo a forma como a profissão se reproduz.
Já se foi: os sistemas de álgebra computacional cuidam do cálculo, da integração e da resolução de equações na área desde a década de 1980, e nenhum matemático ativo se arrepende disso.
Os modelos de linguagem recuperam agora lemas relevantes, técnicas conhecidas e arte anterior em milhões de artigos mais rapidamente do que qualquer leitura humana – minando a vantagem da memória enciclopédica que definiu estudiosos como Erdős.
Verificar a correção linha por linha – o dever mais tedioso do árbitro – pertence cada vez mais a sistemas formais como Lean e Coq, que fazem isso com um rigor que não cansa as partidas de árbitros humanos.
Dado um problema de estilo de competição definido com precisão, os sistemas de IA alcançaram o padrão da medalha de ouro da IMO em 2025. Estender isso aos lemas de investigação de rotina – declarados por um ser humano, comprovados por uma máquina – é a fronteira que está a ser atravessada agora.
O experimento Liquid Tensor de Peter Scholze (2021–22) viu a comunidade Lean verificar um teorema que ele considerava o mais importante e menos verificável, convertendo muitos céticos; Novas provas importantes são cada vez mais enviadas com companheiros verificados por máquina, e os periódicos estão começando a esperar por isso.
O artigo da DeepMind na Nature de 2021 gerou conjecturas na teoria dos nós e na teoria da representação que os matemáticos Geordie Williamson e colegas provaram; AlphaProof veio em 2024. A divisão emergente do trabalho: máquinas propõem e trituram, humanos enquadram e julgam.
A classificação de grupos finitos simples consumiu dezenas de milhares de páginas de periódicos e mais de cem autores; Projetos Polymath desde 2009 comprovam teoremas por meio de multidões online abertas. A autoria média continua aumentando – o fluxo de trabalho do gênio solitário está se aposentando silenciosamente.
Laboratórios de IA, empresas comerciais e equipes de criptografia agora concorrem diretamente a matemáticos pesquisadores, contratando exatamente o talento que a academia treina, mas não pode pagar. O centro de gravidade da profissão está a desviar-se do departamento de matemática para a indústria, tal como aconteceu com a física no século XX.
A matemática da aprendizagem profunda – otimização, probabilidade, geometria de espaços de alta dimensão – é tênue e abertamente reconhecida como tal; matemáticos pesquisadores são contratados para construir a teoria que os resultados empíricos ainda aguardam.
As empresas comerciais funcionam com base em cálculo estocástico, estatística e otimização, e recrutam diretamente dos departamentos de matemática com salários várias vezes superiores aos académicos – a maior rampa de saída para doutoramentos na área.
Os padrões pós-quânticos do NIST finalizados em 2024 baseiam-se em problemas de rede da teoria pura dos números; a segurança das comunicações mundiais é agora, literalmente, investigação matemática aplicada com um prazo de implementação.
As mesmas habilidades de assistente de prova que entram na matemática pura são trabalho industrial remunerado em fabricantes de chips e fornecedores de nuvem – a Intel verificou formalmente unidades de ponto flutuante desde que o bug da divisão Pentium de 1994 custou US$ 475 milhões, e a AWS comprova propriedades de seus protocolos principais.
A imagem honesta a curto prazo: as partes do trabalho que parecem ser resolvidas - bem colocadas, independentes, verificáveis - serão cada vez mais feitas com ou por máquinas, exactamente como o foi o cálculo. As partes que parecem perguntar – enquadrar, definir, julgar, ensinar – não mostram sinais de automatização e são as partes que os profissionais sempre identificaram como o verdadeiro trabalho.
A economia aponta na mesma direção. A procura de pessoas com formação matemática está a aumentar em todo o lado onde as máquinas se tornam mais inteligentes, porque alguém tem de especificar o que as máquinas devem fazer e verificar o que fizeram; o Bureau of Labor Statistics dos EUA projecta um crescimento de dois dígitos para as profissões matemáticas até 2033. O título no distintivo pode dizer investigador, quantitativo ou cientista, mas a formação é do matemático.
A questão em aberto é cultural e não económica: se um campo cuja identidade foi construída com base em provas humanas sem ajuda tratará os teoremas assistidos por máquinas como conhecimento de propriedade plena. A controvérsia das quatro cores de 1976 previu o argumento; a era Lean está resolvendo isso na prática, uma prova formalizada de cada vez. A profissão que sobreviveu à perda do seu próprio nome – computador – para uma máquina provavelmente sobreviverá partilhando as suas provas com uma.
O estudioso pagou para professar um assunto em público – vinte e cinco séculos de ensino e descoberta, desde o bosque de Platão até o cargo efetivo e o tutor de IA.
AI-resistant 76 🎬Transforma um roteiro em um filme finalizado, decidindo cada tomada, performance e corte, e depois convence o produtor, o estúdio e o público de que a visão valeu o orçamento.
AI-resistant 73 🧩O cientista da mente e do comportamento, do laboratório de Wundt em Leipzig, em 1879, à sala de terapia - treinado para ouvir o que uma pessoa ainda não consegue dizer por si mesma.
AI-resistant 82 💱O estudioso da escassez – desde a fábrica de alfinetes de Adam Smith até à sala de decisões do banco central – ainda pediu para prever o que nenhum modelo capta totalmente.
AI-resistant 62 🔭O cientista que mede o universo, desde as tabuletas de argila da Babilônia até os telescópios espaciais, ainda decidindo qual oscilação nos dados é uma descoberta.
AI-resistant 70 ⚖️A pessoa em quem as sociedades confiam para decidir: desde a estela de Hamurabi até às audiências de fiança avaliadas pela IA, as disputas mais difíceis ainda terminam na frente de um ser humano responsável.
AI-resistant 90Deriva e testa as leis matemáticas que regem a matéria, a energia, o espaço e o tempo, desde um quadro-negro solitário até um artigo sobre o acelerador de partículas de 3.000 autores.
AI-resistant 65 🧬O cientista que estuda a própria vida, desde Linnaeus nomeando espécies manualmente até a edição de genomas com CRISPR, ainda testando todas as ideias contra um organismo vivo.
AI-resistant 64 🧪O cientista que fabrica e mede a própria matéria – desde o perfume babilónico de Tapputi até aos laboratórios robóticos de hoje, continua a ser aquele que decide o que significa o espectro.
AI-resistant 70 📊Encontra padrões e constrói modelos preditivos a partir de dados – um cargo de 2008 baseado em três séculos de contagem, teste e visualização de evidências.
AI-resistant 38 🔭O cientista que mede o universo, desde as tabuletas de argila da Babilônia até os telescópios espaciais, ainda decidindo qual oscilação nos dados é uma descoberta.
AI-resistant 70 🧿Constrói, mede e controla dispositivos que exploram estados quânticos para computação, detecção, comunicação e pesquisa de materiais.
AI-resistant 78 🧫Utiliza dados clínicos, de ensaios e do sistema de saúde para gerar evidências confiáveis para cuidados, pesquisas e decisões operacionais mais seguras.
AI-resistant 68