A Inteligência Artificial Está Resolvendo os Problemas de Erdős. O Que Vem a Seguir?

Há apenas alguns meses, a pergunta parecia principalmente filosófica: se a inteligência artificial pode ajudar a resolver problemas matemáticos abertos, o que acontece com a ideia de gênio humano?

Essa pergunta não é mais teórica. Dois desenvolvimentos recentes envolvendo OpenAI e Google DeepMind sugerem que a IA está se movendo de assistente matemático para participante matemático. Não no sentido de substituir matemáticos completamente, mas no sentido mais preciso e mais importante de gerar, procurar, verificar e às vezes descobrir argumentos que podem sobreviver à escrutínio de especialistas.

O primeiro desenvolvimento veio da OpenAI, que anunciou que um modelo de raciocínio geral interno havia feito um avanço no problema da distância unitária plana, uma famosa pergunta proposta por Paul Erdős em 1946. O problema pergunta quantos pares de pontos em um plano podem estar exatamente a uma unidade de distância. Por décadas, a crença predominante era de que as construções em grade quadrada eram essencialmente ótimas. O modelo da OpenAI encontrou uma nova família de construções que desmentiu essa crença.

O segundo veio de pesquisadores da Google DeepMind, que publicaram um artigo intitulado Avançando a Pesquisa Matemática com Busca de Prova Formal Impulsionada por IA. Seu sistema, AlphaProof Nexus, avaliou a geração de provas impulsionada por IA em problemas de pesquisa de nível aberto e relatou que seu agente mais forte resolveu autonomamente 9 de 353 problemas abertos de Erdős. Ele também provou 44 de 492 conjecturas abertas da Enciclopédia Online de Sequências Inteiras.

Juntos, esses resultados marcam uma mudança. A história importante não é que a IA resolveu repentinamente a matemática. Ela não o fez. A história importante é que os sistemas de IA estão começando a operar dentro do próprio loop de pesquisa.

Por Que os Problemas de Erdős São um Teste Sério para a IA

Paul Erdős foi um dos matemáticos mais prolíficos da história, e os problemas associados ao seu trabalho ocupam um lugar especial na matemática. Muitos são fáceis de formular, difíceis de resolver e conectados a áreas profundas como combinatoria, teoria dos números, teoria dos grafos e geometria discreta.

Isso os torna especialmente úteis como um benchmark para o raciocínio da IA. Eles não são exercícios escolares. Eles também não são sempre conjecturas gigantescas e teóricas como a hipótese de Riemann. Em vez disso, muitos problemas de Erdős estão no meio, onde o progresso depende de encontrar a conexão certa, a construção certa ou o lema negligenciado certo.

É exatamente aqui que a IA pode ser mais útil no início. Os sistemas de raciocínio modernos não são apenas calculadoras. Eles podem explorar muitos caminhos de prova possíveis, comparar estratégias parciais, recuperar ideias distantes de campos adjacentes e testar se um argumento pode ser tornado rigoroso.

O resultado da OpenAI é impressionante porque o modelo não apenas poliu uma rota conhecida. Ele encontrou uma ponte inesperada entre geometria discreta e teoria algébrica dos números. Esse é o tipo de salto conceitual que os matemáticos geralmente associam à criatividade genuína.

OpenAI e o Avanço da Distância Unitária

O problema da distância unitária plana é simples de descrever. Coloque n pontos no plano. Conte quantos pares de pontos estão exatamente a uma unidade de distância. O objetivo é entender como grande pode ser essa contagem à medida que n cresce.

Por quase 80 anos, os matemáticos suspeitavam que as melhores construções não superariam dramaticamente os arranjos baseados em grade quadrada. O modelo da OpenAI desafiou essa suposição produzindo uma família infinita de exemplos que superam a limitação esperada por uma melhoria polinomial.

Isso importa por duas razões. Primeiro, muda a imagem matemática. Sugere que as construções teóricas dos números podem ter mais a contribuir para a geometria discreta do que muitos pesquisadores supunham. Segundo, muda a imagem da IA. O modelo envolvido foi descrito como um modelo de raciocínio geral, não como um sistema construído apenas para esse problema específico.

Em outras palavras, o sistema parece ter transferido poder de raciocínio para um ambiente de pesquisa desconhecido. Ele não simplesmente memorizou uma prova conhecida. Ele gerou um resultado que os matemáticos externos trataram como uma contribuição importante.

Google DeepMind e Busca de Prova Formal

O artigo da Google DeepMind aborda uma questão diferente, mas igualmente importante: como a matemática gerada por IA pode ser tornada confiável?

Modelos de linguagem podem produzir argumentos que parecem elegantes, mas que contêm erros sutis. Em prosa normal, esses erros podem ser difíceis de detectar. Na matemática, um passo errado pode invalidar toda a prova. É por isso que sistemas de prova formal como Lean são importantes. Lean não se importa se um argumento soa persuasivo. Cada passo lógico deve ser verificado.

AlphaProof Nexus usa essa restrição como parte do fluxo de trabalho. Agentes de IA geram tentativas de prova em Lean, recebem feedback do compilador, revisam sua abordagem e continuam procurando. A versão mais forte coordena subagentes e usa ferramentas de prova mais avançadas para focar a busca.

O resultado da DeepMind é especialmente importante porque conecta o raciocínio da IA à verificação. O sistema não precisa ser confiável da mesma forma que um chatbot de linguagem natural precisa ser confiável. Sua prova compila ou não.

O Que Isso Significa para a Pesquisa Matemática

A lição atual não é que os matemáticos são obsoletos. É que o gargalo na matemática pode estar mudando.

Historicamente, um pesquisador precisava fazer quase tudo: formular o problema, pesquisar a literatura, testar ideias, construir a prova, verificar cada passo e comunicar o resultado. A IA agora ameaça redistribuir esse trabalho. Algumas partes do fluxo de trabalho podem se tornar mais rápidas, baratas e automatizadas.

• A IA pode explorar muitas rotas de prova antes que um humano comprometa tempo com uma.
• Sistemas formais podem verificar passos que de outra forma exigiriam verificação lenta de especialistas.
• Pesquisadores podem usar a IA para procurar em subcampos matemáticos distantes.

Isso pode produzir um novo estilo de pesquisa. Em vez de pedir à IA por uma resposta, os matemáticos podem cada vez mais supervisionar frotas de agentes de prova. O papel humano se torna menos como um calculador e mais como um diretor de pesquisa: escolhendo os problemas certos, interpretando os resultados, detectando a significância conceitual e decidindo quais caminhos merecem atenção mais profunda.

Os Limites Ainda São Reais

É importante não exagerar o momento. O sistema da Google DeepMind resolveu 9 de 353 problemas de Erdős tentados. Isso é impressionante, mas também significa que a maioria permaneceu sem solução. O resultado da distância unitária da OpenAI é um marco, mas não implica que todas as conjecturas famosas estejam agora ao alcance fácil.

Os sistemas de IA ainda lutam quando um problema exige um novo quadro conceitual, quando a matemática relevante está mal formalizada ou quando uma prova depende de longas cadeias de insights que não podem ser facilmente decompostas em passos pesquisáveis. As bibliotecas de provas formais também são irregulares. Áreas com cobertura Lean madura são mais acessíveis aos agentes de IA do que áreas onde o material fundamental ainda precisa ser codificado.

• Os sistemas permanecem dependentes da seleção e interpretação de problemas humanos.
• A formalização pode ser difícil quando as definições são ambíguas ou subdesenvolvidas.
• As tentativas de prova geradas por IA ainda podem esconder trabalho árduo dentro de alegações de ajudantes não provadas.

Esses limites não são falhas. Eles esclarecem onde os próximos avanços devem acontecer. Agentes de teorema mais fortes, bibliotecas formais mais ricas, fluxos de trabalho de verificação mais fortes e interfaces humano-IA mais eficazes serão todos importantes.

O Que Vem a Seguir Depois que a IA Resolve os Problemas de Erdős?

O futuro mais provável no curto prazo não é um momento dramático em que a IA resolve toda a matemática. É uma expansão constante da pesquisa assistida por IA em domínios com declarações de problemas limpas, bibliotecas formais fortes e grandes corpos de trabalho anterior fragmentado.

Combinatória, teoria dos grafos, teoria dos números, otimização e geometria discreta são alvos naturais iniciais. Esses campos frequentemente contêm problemas onde a pergunta é concisa, mas a solução depende de costurar ideias de lugares distantes. A IA é bem adaptada a esse tipo de busca.

Com o tempo, o mesmo padrão pode se estender além da matemática. Se um modelo pode manter um argumento difícil junto, testar alegações intermediárias e conectar ideias em campos, essas capacidades importam em física, biologia, ciência de materiais, criptografia e pesquisa de IA em si.

A consequência mais profunda é cultural. A matemática sempre valorizou a prova, mas também valorizou o gosto: a capacidade de saber qual pergunta importa, qual abstração vale a pena inventar e qual resultado muda a forma de um campo. À medida que a busca de prova se torna mais automatizada, o gosto pode se tornar mais importante, não menos.

Conclusão: O Gênio Sobe a Pilha

A resposta à pergunta anterior agora é mais clara. Se a IA pode resolver problemas matemáticos abertos, o gênio humano não some. Ele sobe a pilha.

A habilidade escassa não será a capacidade de passar por todos os passos técnicos sozinho. Será a capacidade de fazer as perguntas certas, formular as abstrações certas, julgar o significado dos resultados descobertos pela máquina e guiar os sistemas de IA em direção a problemas que importam.

O avanço da distância unitária da OpenAI e os resultados da busca de prova formal da Google DeepMind não fecham o livro sobre a criatividade matemática humana. Eles abrem um novo capítulo em que os matemáticos podem trabalhar com sistemas que podem explorar o terreno mais rápido do que qualquer mente individual.

O futuro da matemática pode não pertencer a humanos ou máquinas sozinhos. Pode pertencer aos pesquisadores que aprendem a fazer ambos pensarem juntos.