Resolver um problema matemático aberto pode consumir anos ou até décadas da carreira de um pesquisador. Agora imagine uma inteligência artificial avançando sobre mais de uma centena deles em pouco tempo. É justamente isso que a OpenAI afirma ter conseguido. O anúncio impressiona, mas também provocou uma discussão incômoda entre matemáticos: chegar à resposta é suficiente quando ainda precisamos compreender, verificar e reconhecer de onde vieram as ideias?
Mais de 100 problemas que permaneciam sem solução
A OpenAI afirma que um de seus modelos de inteligência artificial conseguiu resolver mais de 100 problemas matemáticos abertos de longa data, distribuídos por grande parte das áreas da matemática. Segundo a empresa, a velocidade do progresso surpreendeu até seus próprios especialistas.
A dimensão da alegação chama atenção porque problemas abertos não são exercícios convencionais. São questões para as quais a comunidade matemática ainda não possuía uma solução aceita, muitas vezes depois de anos de tentativas realizadas por pesquisadores especializados.
O anúncio acontece pouco depois de outro episódio que colocou a empresa sob os holofotes. Um modelo da OpenAI havia conseguido avançar em uma questão relacionada ao problema de existência e suavidade das equações de Navier-Stokes, um dos famosos Problemas do Milênio.
A divulgação daquele resultado, entretanto, recebeu críticas pela maneira como foi apresentada. Houve questionamentos sobre o que realmente havia sido solucionado e sobre a atribuição adequada dos trabalhos matemáticos utilizados.
Agora, existe outra dificuldade: a OpenAI ainda não revelou publicamente quais são todos esses mais de 100 problemas que considera resolvidos nem disponibilizou as respectivas soluções para análise ampla.
Sem esses detalhes, ainda é difícil determinar a dimensão científica real do avanço.
A matemática não termina quando aparece uma resposta
A discussão revela uma diferença fundamental entre resolver um exercício e produzir conhecimento matemático.
Quando um pesquisador apresenta uma solução para um problema importante, o processo está longe de terminar. Outros especialistas precisam examinar a demonstração, procurar erros, entender os métodos empregados e descobrir como aquela abordagem se conecta a resultados anteriores.
Em setembro, um grupo de matemáticos publicou uma carta criticando justamente a utilização de problemas matemáticos abertos como uma espécie de placar para medir o progresso da inteligência artificial.
Os autores reconhecem que grandes modelos de linguagem avançaram rapidamente e já demonstram capacidade para atacar problemas relevantes. A preocupação está na possibilidade de transformar a obtenção de respostas em objetivo final.
Na matemática, compreender por que algo funciona pode ser tão importante quanto demonstrar que funciona.
Uma solução realmente relevante pode apresentar uma técnica inédita, revelar relações anteriormente desconhecidas ou permitir que pesquisadores formulem perguntas completamente novas.
Existe também uma questão de atribuição. Modelos de IA trabalham a partir de enormes quantidades de conhecimento produzido anteriormente por seres humanos. Quando aparece uma nova demonstração, identificar quais ideias são genuinamente novas e quais dependem de trabalhos anteriores pode se tornar uma tarefa complicada.
E a OpenAI parece ter percebido que precisará enfrentar esse problema.
Três vencedores da Medalha Fields entram na discussão
Como resposta às críticas, a empresa anunciou a criação de um grupo independente de aconselhamento formado por matemáticos de destaque.
Entre os integrantes estão Timothy Gowers, Martin Hairer e Edward Witten, todos vencedores da Medalha Fields, uma das maiores distinções da matemática. Também participam nomes como Camillo De Lellis, Ravi Vakil, Nikhil Srivastava, François Charles, Ulrike Tillmann e Melanie Matchett Wood.
O grupo deverá funcionar como uma ponte entre a comunidade matemática e a OpenAI.
Entre suas atribuições estarão avaliar a relevância dos resultados obtidos com inteligência artificial, orientar como essas descobertas devem ser comunicadas e ajudar a estabelecer padrões acadêmicos e profissionais para pesquisas matemáticas realizadas com auxílio desses sistemas.
Segundo a empresa, os integrantes terão independência inclusive para fazer recomendações públicas e criticar o impacto da própria OpenAI sobre a disciplina.
A criação do conselho revela algo importante sobre o estágio atual da tecnologia.
A questão já não é apenas saber se uma IA consegue resolver problemas difíceis. Também será necessário determinar como validar aquilo que ela produz e como incorporar essas descobertas ao conhecimento científico existente.
O verdadeiro impacto pode ir muito além da matemática
A matemática oferece um laboratório especialmente interessante para testar inteligência artificial porque suas conclusões podem, em princípio, ser verificadas por demonstrações rigorosas.
Mas a discussão aberta por esses sistemas não termina nos números.
Se máquinas conseguirem acelerar drasticamente a resolução de problemas científicos, áreas inteiras poderão enfrentar uma mudança na maneira como o conhecimento é produzido.
Imagine pesquisadores recebendo dezenas ou centenas de novas demonstrações em um período no qual anteriormente surgiriam apenas algumas. O gargalo poderia deixar de ser encontrar possíveis respostas e passar a ser compreendê-las, verificá-las e decidir quais realmente importam.
Os matemáticos críticos à corrida por resultados alertam justamente para esse risco: a pesquisa não existe apenas para produzir afirmações verdadeiras ou falsas. Ela também desenvolve intuição, compreensão conceitual e a capacidade de formular novas perguntas.
É por isso que a alegação de mais de 100 problemas resolvidos é simultaneamente impressionante e incompleta.
Se as soluções resistirem à análise independente e apresentarem contribuições genuinamente novas, estaremos diante de uma demonstração poderosa de como a IA pode acelerar a pesquisa matemática.
Mas o próximo grande teste não será simplesmente aumentar esse número para 200 ou 1.000.
Será descobrir se seres humanos conseguirão transformar a velocidade das máquinas em algo muito mais difícil de medir: conhecimento que realmente compreendemos.
[Fonte: El espectador]
