Como Lean, Coq e Isabelle estão mudando as provas matemáticas

Agora o software entrou no jogo - e aponta falhas que ninguém conseguia enxergar.

Em escritórios silenciosos, entre quadros de giz e cadernos, por muito tempo valeu uma regra não escrita: um teorema é tão confiável quanto os melhores nomes da área acreditarem nele. Só que esse período está ficando para trás. Cada vez mais pesquisadores de ponta mandam seus resultados para programas como Lean, Coq ou Isabelle, que reconstroem a prova linha por linha. O que antes era obra de gênios isolados passa a ser trabalho coordenado; no lugar da confiança, entra a lógica verificável em código.

Do gênio solitário ao projeto conectado

Durante séculos, a pesquisa em matemática seguiu um roteiro previsível: uma pessoa (ou um grupo pequeno) elabora uma ideia de prova, escreve um texto, envia para uma revista e, depois, colegas passam meses lendo e relendo. Quando tudo dá certo, ninguém encontra um buraco. Quando dá errado, um erro aparece anos depois e derruba o resultado.

Esse tipo de incerteza também incomodou Peter Scholze, um dos matemáticos alemães mais conhecidos e vencedor da Medalha Fields. Em 2018, ele publicou uma demonstração extremamente complexa sobre “espaços compactos”, numa formulação nova e muito abstrata. Praticamente só um punhado de especialistas no mundo conseguia acompanhar - e o próprio Scholze não tinha certeza absoluta de que não existia algum deslize minúsculo escondido no raciocínio.

Em vez de pedir mais pareceres, ele escolheu uma alternativa bem mais radical: anunciou publicamente o “Liquid Tensor Experiment”. A proposta era simples e exigente ao mesmo tempo: quem dominasse a linguagem de prova Lean deveria tentar formalizar toda a argumentação nessa linguagem. Nada de texto solto; tudo viraria código rigorosamente estruturado, legível e checável por máquina.

Um teorema, nesse novo cenário, só passa a ser aceito quando não apenas pessoas, mas também um algoritmo rigoroso aprova cada linha.

Depois de cerca de seis meses, uma equipe internacional informou que tinha dado certo: aproximadamente 180.000 linhas de código em Lean cobriam toda a argumentação - sem lacunas lógicas. Para Scholze, isso representava um patamar de qualidade diferente de qualquer revisão tradicional. Para a comunidade, foi um marco: um ofício com milhares de anos se transformou, de uma vez, numa iniciativa coletiva apoiada por computador.

Software torna controláveis provas antes “impossíveis de checar”

O episódio de Scholze não foi um caso isolado. Há outro exemplo de alto perfil: a matemática ucraniana Maryna Viazovska resolveu um enigma antigo sobre o empacotamento de esferas mais denso em oito dimensões - um problema altamente abstrato que permaneceu em aberto por séculos. Essa solução também lhe rendeu a Medalha Fields, em 2022.

A arquitetura da prova era brilhante, mas tão compacta que uma verificação totalmente manual consumiria anos. Por isso, um grupo de pesquisadores decidiu converter o trabalho para Lean. Durante meses, eles quebraram cada parte em passos lógicos ainda menores, até que a demonstração inteira existisse como um programa. Em 2024, o código completo foi publicado no GitHub - e a prova passou a estar garantida também em formato formal, legível por máquina.

Aí está a real força explosiva dessa tecnologia: demonstrações que antes eram classificadas como “longas demais”, “técnicas demais” ou “na prática, impossíveis de conferir” agora podem ser divididas em subprojetos que dá para gerenciar.

• Teoremas enormes podem ser decompostos em muitos blocos pequenos.
• Equipes em vários continentes conseguem trabalhar em paralelo em partes diferentes.
• No fim, a máquina encaixa as peças e valida a lógica do conjunto.

Nesse contexto, Mathlib é central: trata-se da grande biblioteca padrão do Lean. Ela já reúne mais de um milhão de linhas de definições formalizadas e proposições demonstradas. Assim, uma prova nova consegue se apoiar nesse alicerce crescente, em vez de recomeçar do zero. Isso acelera projetos de forma dramática e reduz a barreira de entrada.

Quando o computador corrige vencedores da Medalha Fields

Esses programas não servem apenas para carimbar demonstrações que já estão corretas. Eles também expõem fragilidades que até especialistas deixam passar. Em 2021, pesquisadores formalizaram em Lean um resultado já premiado. O trabalho era respeitado, um prêmio tinha sido concedido, a reputação estava consolidada.

Ao converter a prova para código, o Lean travou em uma construção de passo intermediário: faltava uma condição, e a cadeia lógica não estava fechada de maneira limpa. Nenhuma avaliação humana anterior tinha notado a inconsistência. Os autores precisaram ajustar o argumento e escrever de forma mais precisa.

Isso evidencia como essas ferramentas operam. Enquanto uma pessoa, diante de uma prova de 100 páginas, em algum momento se cansa ou acaba “passando batido” por hábito, o software não aceita saltos. Toda variável precisa estar definida; toda inferência deve ser justificada com exatidão. O resultado é menos atalho informal e mais lógica robusta, demonstrável.

A máquina não negocia: ela exige completude - ou simplesmente não autoriza o próximo passo.

Como proof-assistants mudam o dia a dia da matemática

Durante muito tempo, esses sistemas foram vistos como um brinquedo de cientistas da computação teórica. Para usar, era preciso saber programar, ter muita paciência e uma boa dose de resistência. Só que isso está mudando rapidamente.

Interfaces mais modernas e assistentes com IA estão removendo boa parte dos obstáculos. Modelos de linguagem sugerem trechos de código Lean quando pesquisadoras e pesquisadores descrevem um pedaço de uma prova feita à mão. Ambientes interativos mostram, em tempo real, se um passo se sustenta formalmente ou se ainda faltam hipóteses. Com isso, doutorandas e doutorandos conseguem aprender, gradualmente, a converter ideias em código preciso.

O que Lean, Coq e Isabelle realmente fazem

Todas essas ferramentas pertencem ao grupo dos chamados assistentes de prova (proof-assistants). O princípio central é:

• Afirmações matemáticas são traduzidas para uma linguagem formal estrita.
• O software opera com um conjunto fixo de regras lógicas e inferências permitidas.
• Cada etapa da demonstração precisa ser válida segundo essas regras.
• Se existir um salto ou uma lacuna, o processo de prova é interrompido.

Em vez de “inventar” automaticamente uma prova completa, os programas acompanham a pessoa enquanto ela constrói. Eles sugerem caminhos parciais, checam hipóteses ou indicam alternativas quando uma estratégia fica sem saída. No melhor cenário, surge um diálogo entre a intuição humana e a rigidez formal do sistema.

Oportunidades, riscos e perguntas em aberto

As vantagens são evidentes: mais segurança de que resultados publicados realmente se sustentam. Verificação mais rápida de projetos extremamente complexos. Mais transparência, já que cada passo fica explicitado no código.

Ao mesmo tempo, aparece uma questão delicada: até que ponto a comunidade pode se apoiar nesse software? Será que, em algum momento, pesquisadores vão apenas conferir se o computador “ficou verde”, sem compreender cada etapa? Há quem já alerte para uma espécie de “matemática no piloto automático”, em que só poucas pessoas entendem de fato o código e o funcionamento interno das ferramentas.

Também existe a dependência de plataformas e linguagens específicas. Quem constrói a carreira com provas em Lean se vincula a um ecossistema. E se, no futuro, a comunidade migrar para outro sistema? Esse tipo de dúvida aparece cada vez mais em debates especializados.

O que muda para estudantes e docentes

Em muitas universidades, disciplinas de provas formais e proof-assistants estão entrando no currículo. Além das estratégias clássicas, estudantes passam a aprender como codificar argumentos de maneira formal. Isso aprofunda o entendimento: quando alguém é obrigado a escrever de modo explícito cada afirmação “óbvia”, fica fácil perceber o que antes era só sensação, e não compreensão.

Docentes enxergam aí uma chance de aumentar a transparência. Questões de prova podem, por exemplo, vir acompanhadas de scripts simples em Lean, permitindo que as pessoas testem por conta própria se o raciocínio está logicamente consistente. Assim, o termo “prova”, muitas vezes tratado como algo quase místico, vira um processo bem estruturado, praticável passo a passo.

Como segue: criatividade humana, rigor da máquina

Muitos pesquisadores acreditam que, nos próximos anos, vai se firmar um modelo de divisão de trabalho: pessoas criam conceitos novos, arriscam conjecturas ousadas e desenham estratégias gerais. Depois vem a etapa de detalhamento no proof-assistant, com apoio de IA que reconhece padrões adequados a partir de milhões de linhas de código já existente.

Especialmente na fronteira do conhecimento - onde provas chegam a centenas de páginas ou milhares de linhas de código - essa combinação pode acelerar a área de forma significativa. Projetos antes considerados “arriscados demais” ou “trabalhosos demais” se tornam mais viáveis. Com isso, podem surgir teorias cuja complexidade ultrapassa o que qualquer mente isolada conseguiria abarcar por completo - e, ainda assim, consideradas seguras, porque cada linha de lógica formal permanece verificável.

Isso também desloca a própria noção do que é uma prova. Não apenas um texto elegante numa revista, mas um objeto composto de texto, código e bibliotecas mantidas coletivamente. A antiga imagem do gênio sozinho à mesa dá lugar a equipes conectadas que, junto com software, empurram os limites do que é demonstrável em matemática.

---