Terence Tao: IA que resolve problemas muito rápido pode “envenenar” a matemática

Terence Tao é o tipo de matemático que passou anos experimentando silenciosamente novas ferramentas de IA e elogiando abertamente as boas. Mas depois que o GPT-6 Astra foi lançado, ele escreveu algo que poucas pessoas esperavam dele: se as redes neurais começarem a distribuir respostas para os grandes problemas em aberto muito rapidamente e sem um processo transparente, a matemática poderá perder mais do que ganhar. O gatilho foi um resultado concreto – o novo modelo da OpenAI reivindicou progresso no problema dos gêmeos primos.

Primeiro, os fatos. GPT-6 Astra, de acordo com OpenAI, usou provas formais em Lean para reduzir o limite superior da lacuna entre primos consecutivos de 246 para 186. Para escala: em 2013, Yitang Zhang provou que existem infinitos pares de primos separados por não mais que 70 milhões. James Maynard, que ganhou a Medalha Fields em 2022, reduziu esse limite para 600, e a comunidade mais tarde o reduziu para 246. Agora, três laboratórios relataram novos números ao mesmo tempo: OpenAI em 186, Anthropic em 188, Axiom em 212.

Superficialmente, motivo de comemoração. Tao viu outra coisa – um sinal de alerta.

A resposta não é a parte mais valiosa

O ponto central de Tao parece quase paradoxal: um grande problema em aberto é valioso não pela sua resposta, mas pelo caminho para ele. Quando os matemáticos lutam contra um problema durante anos, eles inventam novos métodos, conceitos e teorias inteiras ao longo do caminho – e esses “subprodutos” são o que realmente fazem a ciência avançar. Mesmo os becos sem saída são úteis: compreender por que razão uma abordagem falhou é muitas vezes mais importante do que encontrar a solução.

Agora imagine que a resposta vem de uma rede neural. Rápido, uma caixa preta, sem etapas intermediárias mostradas. O problema está formalmente resolvido — mas o processo que deveria gerar novas ideias nunca aconteceu. Tao chama isso de problema “poluente”: deixa de ser fonte de descobertas futuras.

O exemplo Navier-Stokes

Tao desenvolve o seu argumento num caso concreto — o problema de regularidade global para as equações de Navier-Stokes, um dos sete problemas do Prémio Milénio. Os matemáticos já têm quase certeza de que a resposta é negativa: existem condições iniciais em que a solução “explode” em tempo finito. Existe até um plano de quatro etapas esboçado, desde a construção de uma solução aproximada e auto-semelhante até a verificação de sua estabilidade.

O problema é que cada etapa é brutalmente difícil para um ser humano, mas se encaixa perfeitamente em uma linha de montagem de “aprendizado de máquina + aritmética rigorosa + provas formais”. Tao admite que tal híbrido pode realmente resolver o problema. E aqui está o problema: se a solução se revelar tão complexa que nenhum ser humano consiga compreendê-la, e a empresa que gere a IA esconder todo o processo a portas fechadas, a matemática recebe uma caixa de verificação, mas não aprende quase nada.

Por que isso é importante além dos matemáticos

A lógica de Tao é mais ampla do que parece. Aplica-se a qualquer campo onde o valor é criado no processo e não na resposta final. Se a IA começar instantaneamente a produzir soluções “corretas” e as pessoas pararem de trilhar o caminho da tentativa e erro, corremos o risco de perder não a velocidade, mas a compreensão. Tao diz isso sem rodeios: na pior das hipóteses, a influência da IA ​​na matemática poderia passar de positiva para negativa.

Ele não é contra a IA na ciência – longe disso, ele é um dos seus usuários mais ativos. O que o preocupa é um cenário específico: um sistema autônomo que gira dentro de si todo o ciclo “hipótese – teste – rejeição”, em uma computação enorme, e distribui apenas a resposta final. Sem rastros, sem rascunhos, sem como aprender com seus erros.

O que vem a seguir

Por enquanto, isso é um aviso, não um veredicto. O GPT-6 Astra reduziu o limite para 186, mas a própria conjectura dos primos gêmeos – de que existem infinitos pares desse tipo – permanece não comprovada. Este é um resultado intermediário, porém notável. A questão que Tao levanta é mais profunda: como fazer com que a IA acelere a ciência sem esvaziá-la. Ele ainda não tem resposta – e, honestamente, ninguém mais tem.

Fonte: 量子位 (QbitAI): 陶哲轩吐槽GPT-6孪生素数新突破.