Especialistas em matemática apontam falhas na abordagem da OpenAI ao resolver problemas complexos, destacando a falta de compreensão humana nos resultados.
Desafios na validação de provas matemáticas por IA
A OpenAI divulgou recentemente centenas de soluções para problemas matemáticos complexos, mas a iniciativa está a gerar controvérsia entre a comunidade científica. Apesar de a empresa ter consultado um grupo de especialistas, investigadores apontam que os resultados não cumprem os padrões de rigor e compreensão humana esperados para este tipo de avanços.
O Advisory Group on Mathematics and Artificial Intelligence (AGMAI), composto por investigadores de diversas instituições, tinha estabelecido diretrizes claras para laboratórios que utilizam IA em matemática. Entre as recomendações, destacava-se a necessidade de garantir que os resultados sejam compreensíveis por humanos e a formalização das provas. Contudo, apenas 42% das provas publicadas pela OpenAI foram formalizadas, e apenas dez dos 719 manuscritos incluíram a "cadeia de pensamento" (chain of thought) do modelo.
Problemas de tradução e rigor
Um estudo recente, conduzido por matemáticos da Universidade de Cambridge e do King's College de Londres, sublinha as dificuldades na transição entre a linguagem natural e a linguagem de programação Lean, utilizada para verificar a precisão das provas. O documento identifica discrepâncias em soluções para problemas derivados das equações de Navier-Stokes, levantando dúvidas sobre a fiabilidade de modelos que tentam formalizar as suas próprias soluções sem supervisão humana constante.
Terence Tao, um dos matemáticos mais influentes da atualidade, criticou publicamente a abordagem, afirmando que os problemas estão a ser resolvidos de forma autónoma por utilizadores que, frequentemente, não compreendem profundamente o output da IA nem conseguem interagir com o resto da comunidade científica sobre o resultado.
Implicações para a investigação
A crítica central reside na falta de responsabilidade pela "compreensão humana" dos resultados. Para a comunidade matemática, a descoberta de novos teoremas exige um processo de escrutínio, seminários e publicações que permitam a aplicação prática do conhecimento. Como refere Melanie Wood, professora de matemática em Harvard, quando uma IA gera uma solução, o trabalho humano de validação e interpretação apenas começa nesse momento.
A OpenAI, por seu lado, defende que está a avaliar os seus modelos proprietários utilizando problemas de investigação abertos, mas a ausência de metadados legíveis por máquina que correlacionem a linguagem natural com os artefactos formais — uma recomendação explícita do AGMAI — continua a ser um ponto de fricção significativo.
Fontes
Antes de comprares, compara no AHT Scan
Vê preços em várias lojas, promoções e histórico observado num único lugar.
AMD Instinct MI450X: nova GPU reforça flexibilidade na série MI400
GitHub Copilot: guia prático revela como estruturar 'agent skills' reutilizáveis
XPENG apresenta GroundingPI, novo modelo de perceção visual para Physical AI