A matemática sempre avançou lentamente. Demonstrações levam anos. Carreiras são construídas em torno de conjecturas isoladas. A disciplina preza o rigor acima de tudo, e esse rigor tem um custo: o progresso é medido em décadas, não em trimestres. Esse ritmo agora está sendo interrompido. A OpenAI anunciou recentemente que um modelo interno chamado Astra produziu soluções para 10 problemas matemáticos de longa data, alguns dos quais resistiam à resolução havia décadas. Para os matemáticos que dedicaram suas carreiras a problemas como esses, o anúncio chegou com o peso de algo que não pode ser desfeito.
Dez Problemas, Décadas de Fracasso, Um Modelo
Os problemas que o Astra resolveu não foram selecionados por sua simplicidade. Eles abrangeram uma ampla gama de campos matemáticos, desde estruturas abstratas até questões com consequências práticas diretas. Um resultado abordou quão compactamente esferas podem ser empacotadas em dimensões além de três, uma questão conectada a quão eficientemente os dados podem ser codificados e transmitidos. Outro avançou na teoria dos códigos corretores de erros, que ajudam a recuperar informações de sinais ruidosos. Um terceiro resolveu questões sobre quão complexas as redes conectadas podem se tornar antes que padrões estruturais emerjam. Outros resultados tocaram na teoria dos jogos quânticos e na geometria de grades de alta dimensão, com implicações para a cibersegurança pós-quântica.
Yang-Hui He, pesquisador do London Institute for Mathematical Sciences, expressou a importância com clareza: resolver qualquer um desses dez problemas, disse ele, seria suficiente para garantir um emprego acadêmico. Ele acabara de voltar de uma conferência de pesquisa na Coreia do Sul, onde muitos participantes descreveram uma sensação de “transição de fase” ao longo dos seis meses anteriores, com a IA produzindo avanços que os pesquisadores consideraram genuínos e significativos. James Maynard, professor da University of Oxford e ganhador da Medalha Fields, observou que, até recentemente, os avanços da IA na matemática tendiam a envolver problemas que haviam atraído pouca atenção séria dos pesquisadores. Esse não é mais o caso.
Crédito, Correção e a Desorganização da Colaboração
O resultado mais examinado na coleção dizia respeito aos grupos não sóficos: estruturas matemáticas infinitas que, grosso modo, não podem ser aproximadas por finitas. Se tais estruturas sequer existiam era uma questão em aberto havia décadas. O anúncio original da OpenAI descreveu a coleção como abordando problemas que não haviam visto “nenhum progresso no resultado principal por pelo menos uma década”. Essa moldagem atraiu resistência imediata.
Francesco Fournier-Facio, matemático da University of Cambridge, disse que ele e seus colegas acreditavam que o anúncio minimizava as contribuições dos pesquisadores Andreas Thom e Gábor Kun, cujo trabalho recente ajudou a estabelecer as bases para o resultado dos grupos não sóficos. Kun, pesquisador do Alfréd Rényi Institute of Mathematics na Hungria, disse ao The Verge que a OpenAI havia entrado em contato com ele por e-mail pouco antes da publicação. Ele descreveu a linguagem abrangente no anúncio original como “bastante cômica”, observando que o artigo de pesquisa anexo “dizia claramente que se baseia nos meus resultados de 2016 e 2019”. Ele chamou o descuido de “bastante displicente”.
A OpenAI posteriormente atualizou o anúncio para dizer que estava compartilhando “resultados, cada um dos quais resolve ou faz progresso substancial em um problema em aberto de longa data”, e confirmou que a mudança foi feita para refletir melhor a pesquisa anterior sobre a qual os resultados se constroem. Nenhuma nota de correção foi adicionada à página. Kun disse que se perguntava se lacunas de atribuição semelhantes poderiam existir nos outros resultados, que ficavam fora de suas áreas de expertise. O episódio ilustra algo que tende a se perder em anúncios desse tipo: os sistemas de IA não geram resultados do nada. Eles se baseiam no trabalho acumulado de pesquisadores, e a forma como essa dívida é reconhecida importa.
O Que Significa Quando uma Disciplina Perde Seu Monopólio sobre a Descoberta
Isto é o que a maior parte da cobertura sobre IA e matemática perde. A questão não é simplesmente se a IA pode resolver problemas difíceis. Ela claramente pode. A questão mais profunda é o que acontece com um campo quando a atividade central que o define, a lenta busca humana pela demonstração, não é mais exclusivamente humana.
Maynard descreveu ter passado tempo significativo no ano passado em “busca de alma” sobre o futuro da matemática como disciplina. Ele não está sozinho. Os matemáticos que falaram ao The Verge expressaram uma mistura de entusiasmo e apreensão, com alguns descrevendo algo mais próximo do desespero sobre o que a aceleração da capacidade da IA significa para as pessoas que dedicaram suas vidas ao campo, e para as gerações futuras que poderiam ter feito o mesmo.
A preocupação não é simplesmente sobre empregos. É sobre significado, identidade e a estrutura de uma disciplina que sempre premiou a paciência e a profundidade. Quando a IA pode comprimir décadas de tentativas falhas em uma única execução de modelo, a relação humana com a descoberta matemática muda de maneiras que ainda não são totalmente compreendidas. Poucos pesquisadores duvidam de que uma profunda revolução já esteja em curso. A maioria ainda está descobrindo o que pensar sobre isso.
Em Resumo
O modelo Astra da OpenAI resolveu 10 problemas matemáticos de longa data, abrangendo desde o empacotamento de esferas até a teoria dos jogos quânticos, problemas sérios o suficiente para que a resolução de qualquer um deles, segundo pesquisadores, sustentasse uma carreira acadêmica. O anúncio também trouxe à tona uma tensão real em torno de créditos e atribuição, com pelo menos um pesquisador cujo trabalho serviu de base para os resultados descrevendo a formulação original como displicente. Mais amplo do que qualquer resultado isolado, o episódio sinaliza que a IA agora é capaz de descobertas matemáticas genuínas, e que o campo está apenas começando a ponderar o que isso significa.
Com base em reportagem de The Verge.