The Brief
Como funciona a IA 5 min de leitura

As Raízes Antigas da Matemática que Alimenta a IA Moderna

NAVION

Partilhar

A matemática não chegou à inteligência artificial por acaso. As ferramentas que tornam a aprendizagem automática possível, desde as operações com matrizes até às cadeias de probabilidade, foram desenvolvidas ao longo de séculos por pessoas que resolviam problemas totalmente diferentes. Um novo livro dos matemáticos Steven Strogatz e Alex Townsend, Big Math (Little, Brown and Company, 2026), traça essa linhagem com uma clareza invulgar. O resultado é um retrato de como o pensamento matemático abstrato, frequentemente com séculos de existência, se tornou discretamente o motor da tecnologia mais consequente da era atual.

As Varas de Bambu que Previram as Redes Neuronais

Um dos argumentos mais marcantes em Big Math é o de que a matemática central para a IA não é nova. Strogatz e Townsend descrevem como antigos matemáticos chineses resolviam problemas de contabilidade, especificamente estimando o rendimento de arroz comestível a partir de feixes de arroz não processado, manipulando varas de bambu. A estrutura subjacente desses cálculos, expressa em termos modernos, envolve sistemas de equações lineares, matrizes e vetores.

Isto não é uma curiosidade histórica. Essas mesmas estruturas matemáticas estão no núcleo do funcionamento atual das redes neuronais. A manipulação de matrizes massivas, contendo centenas de milhares de milhões e até biliões de números, é descrita no livro como o coração da IA generativa. Os “contabilistas” chineses que trabalhavam com bambu faziam ideia de que estavam a desenhar o plano para uma tecnologia que chegaria cerca de dois milénios mais tarde.

O livro recupera também uma observação reveladora do matemático do século dezanove James Joseph Sylvester, que cunhou a palavra “matriz” e a descreveu como “uma mãe, um gerador, uma entidade que deu origem a outros objetos matemáticos”. Strogatz e Townsend observam que esta formulação parece assustadoramente premonitória tendo em conta o que as matrizes produzem atualmente.

Das Redes Sociais aos Motores de Busca: O Longo Arco dos Métodos Matriciais

O livro não se fica pela história antiga. Traça a forma como os métodos matriciais evoluíram ao longo do século vinte para se tornarem ferramentas de compreensão das relações humanas. A ideia de Leon Festinger de 1949 de que multiplicações repetidas entre matrizes e vetores podiam revelar estruturas ocultas em redes sociais deu origem, com o tempo, a métodos para medir a influência, detetar aglomerados e classificar indivíduos pelo seu grau de conexão.

Essa linhagem conduz diretamente a uma das aplicações mais familiares na história da tecnologia. Strogatz e Townsend explicam como o jogo de tabuleiro das escadas e serpentes pode ser utilizado para compreender uma cadeia de Markov, uma formulação matemática em que a probabilidade do estado seguinte depende apenas do estado atual, e não de qualquer anterior. Esta estrutura foi fulcral para os primeiros algoritmos de busca da Google.

O livro relata também a história de George Dantzig que, enquanto estudante de pós-graduação na Universidade da Califórnia, em Berkeley, em 1939, chegou tarde a uma aula de estatística e copiou duas equações do quadro negro, assumindo que eram trabalhos de casa. Resolveu-as dias mais tarde e pediu desculpa pelo atraso. Eram problemas em aberto, por resolver. A história tornou-se mais tarde a base para uma cena no filme de 1997 Good Will Hunting.

Estas anedotas não são decoração. Ilustram um padrão: as ferramentas matemáticas desenvolvidas num contexto, frequentemente sem qualquer propósito aplicado em mente, revelam-se repetidamente exatamente aquilo que uma tecnologia futura exige.

Porque é que a História da Matemática é Também a História da IA

Eis o que a maior parte da cobertura sobre a IA perde de vista. O debate público sobre a inteligência artificial tende a focar-se nos avanços recentes, no que um modelo consegue fazer hoje em comparação com o que conseguia fazer no ano passado. Big Math reformula a questão. As capacidades que parecem súbitas assentam em fundações matemáticas que são tudo menos isso.

A história de Regina Barzilay, que abre o livro, torna isto concreto. Sendo uma cientista informática que teve cancro da mama, Barzilay decidiu, após concluir o tratamento em 2014, abordar a falta de ferramentas para deteção precoce. A tecnologia de que precisava já existia sob a forma de aprendizagem automática, mas era utilizada principalmente para recomendar filmes e guiar o comportamento de compras online. Ao colaborar com radiologistas e cientistas informáticos, desenvolveu um modelo de aprendizagem automática capaz de prever o risco de uma pessoa desenvolver cancro da mama nos cinco anos seguintes a partir de uma única mamografia.

A matemática por trás desse modelo não foi inventada para a medicina. Foi adaptada a partir de estruturas que se vinham a acumular durante séculos. Este é o ponto mais profundo que Strogatz e Townsend estão a defender: a “grande matemática”, como lhe chamam, é o substrato partilhado por baixo das tecnologias que estão a remodelar a forma como as pessoas trabalham, aprendem, fazem compras, viajam, comunicam e curam.

Compreender esse substrato não exige tornar-se matemático. Mas exige reconhecer que a IA não é uma rotura com o passado. É a culminação de um.

Em Resumo

A matemática que alimenta a IA, incluindo matrizes, vetores, equações lineares e cadeias de Markov, foi desenvolvida ao longo de séculos para resolver problemas que nada tinham a ver com computação. Big Math, de Steven Strogatz e Alex Townsend, traça essa história desde a contabilidade chinesa antiga até aos algoritmos de busca da Google, mostrando que o que parece uma revolução tecnológica é também o capítulo mais recente de uma história matemática muito longa.

Com base em reportagem de Nature.

Escrito por

NAVION