OpenAI resolve 377 problemas matemáticos complexos em horas

Inteligência Artificial

Modelo da OpenAI solucionou centenas de desafios matemáticos avançados, impulsionando debates sobre o futuro da disciplina.

Leia também: Estudiantes x Flamengo hoje: IA prevê vitória do Fla por 2 a 0

Um modelo de inteligência artificial da OpenAI resolveu 377 problemas matemáticos complexos, entre 4 mil submetidos, em áreas como teoria dos números, topologia e lógica, com demonstrações publicadas em um repositório no GitHub e agora colocadas sob escrutínio da comunidade científica.

IA acelera produção matemática, mas exige revisão humana

Segundo a OpenAI, cada um dos 377 problemas consumiu, em média, recursos computacionais equivalentes a três horas de processamento do ChatGPT Pro. Parte dessas questões desafiava especialistas há anos, em campos que vão da álgebra à ciência da computação teórica. A divulgação, feita nesta semana na plataforma da empresa e no GitHub, marca um salto na capacidade da IA de atuar em fronteira de pesquisa — e não apenas em exercícios escolares ou provas padronizadas.

Os resultados, porém, ainda não são tratados como conhecimento consolidado. Matemáticos ao redor do mundo começaram a examinar as demonstrações para verificar se são corretas, se trazem técnicas realmente novas e como se encaixam no que já se sabe. O volume de material — centenas de provas divulgadas de uma vez — cria um gargalo de revisão num meio acostumado a checar, com calma, poucos trabalhos por vez.

“A coisa é muito impactante, muito forte e vai trazer transformações muito importantes na matemática”, afirma Fábio Tal, professor do Departamento de Matemática Aplicada do Instituto de Matemática, Estatística e Ciência da Computação da USP. Para ele, mesmo que parte das soluções se revele incorreta, o saldo tende a ser um conjunto de descobertas maior do que grupos humanos produziriam no mesmo intervalo de tempo.

Entenda o contexto

Tradicionalmente, problemas difíceis em matemática exigem anos ou décadas de tentativas até que alguém encontre uma solução. Em muitos casos, uma única demonstração extensa passa meses em avaliação por revisores especializados antes de ser aceita por uma revista científica. A iniciativa da OpenAI quebra esse ritmo: em vez de gotejamento, a comunidade recebeu, de uma só vez, centenas de provas geradas por máquina.

A companhia reconhece que alguns resultados podem conter falhas e diz que pretende corrigir erros identificados, além de financiar workshops, conferências e programas para discutir e entender as descobertas produzidas pela IA. Ferramentas de verificação formal, como o sistema Lean, são usadas por pesquisadores para checar a consistência lógica das demonstrações, mas não substituem o exame matemático tradicional, em que especialistas leem linha a linha, procuram brechas e avaliam o interesse científico do que foi obtido.

Resolver não é o mesmo que compreender

Uma das principais críticas de matemáticos e especialistas em IA é a diferença entre chegar a uma resposta e entender o que ela significa. Na prática acadêmica, um problema raramente é visto como objetivo final: ele funciona como peça de um projeto maior de investigação, que ajuda a criar novas ferramentas e a formar o raciocínio de pesquisadores.

Fábio Tal alerta que o modelo da OpenAI trata todos os problemas como fins em si. “Enquanto o problema era o foco, ele não era o objetivo. E a IA está meio tratando todos os problemas como se fossem objetivos”, resume. O risco, aponta, é transformar a matemática em uma lista de enigmas resolvidos, sem o trabalho de interpretação, conexão com resultados anteriores e extração de novas perguntas.

Esse descompasso se agrava pelo volume. Mesmo que ferramentas automáticas confirmem que uma prova é logicamente correta, ainda é preciso entender se ela usa ideias já conhecidas, se introduz técnicas originais e em quais outras questões pode ser aplicada. Sem esse esforço humano de leitura e síntese, a produção da IA corre o risco de permanecer como um acervo pouco explorado de respostas pontuais.

Impacto nas universidades e na formação de matemáticos

A possibilidade de uma IA resolver rapidamente problemas que antes ocupavam anos de pesquisa também mexe com a sala de aula e com a formação de novos matemáticos. Em mestrados e doutorados, estudantes tradicionalmente recebem questões difíceis, erram diversas vezes, ajustam estratégias e, nesse processo, desenvolvem intuição e ferramentas próprias de trabalho.

Tal lembra que o erro é parte central desse aprendizado. Para ele, recorrer diretamente a um modelo capaz de entregar a solução pode encurtar um caminho que, na prática, sempre foi formativo. O desafio passa a ser ensinar futuros pesquisadores a usar a IA como apoio, sem abrir mão da capacidade de compreender, defender e criticar as demonstrações que assinam como autoras.

A responsabilidade científica, destaca o professor, não desaparece só porque uma prova foi gerada por máquina: quem publica um artigo precisa entender o que está sendo afirmado e ser capaz de sustentar os argumentos em detalhes, inclusive quando parte deles veio de um sistema automatizado.

O que sobra para os humanos na matemática?

Para o especialista em IA Álvaro Machado Dias, o anúncio da OpenAI sinaliza uma mudança de escala na própria definição do trabalho matemático. “O que a OpenAI divulgou aponta para um horizonte em que resolver problemas matemáticos em aberto deixa de ser trabalho humano. Isso pesa mais do que qualquer um dos resultados tomado isoladamente”, afirma.

Ele ressalta que a dificuldade de medir a importância de um resultado não é novidade na área, mas agora a desproporção entre o volume de conteúdo e o número de pessoas capazes de julgá-lo é inédita. A seleção de problemas submetidos ao modelo também influencia o impacto: a empresa pode ter priorizado questões em que a tecnologia tem mais chance de brilhar, que nem sempre coincidem com as prioridades científicas da comunidade.

Na avaliação de Machado Dias, a criatividade da máquina é de outra natureza. Em vez de depender de intuição e experiência, o sistema pode testar simultaneamente muitas combinações de ideias até encontrar uma que funcione — algo inalcançável para um pesquisador individual. Cabe aos humanos, então, filtrar o que surgiu dessa busca massiva, decidir o que vale ser estudado a fundo e integrar essas peças ao corpo de conhecimento existente.

À medida que modelos como o da OpenAI se tornam capazes de atacar problemas em aberto, o papel dos matemáticos tende a se deslocar da busca solitária por soluções para tarefas de interpretação, curadoria e validação. A comunidade agora corre para criar métodos, ferramentas e rotinas que permitam transformar o que está no GitHub em teoremas incorporados de fato ao edifício da matemática.

Fonte: matéria original