A mídia estrangeira relata que o professor da UCLA e ganhador da Medalha Fields, Terence Tao, alertou recentemente publicamente que a IA está consumindo problemas abertos genuínos que realmente impulsionam a disciplina, mais rapidamente do que a comunidade matemática consegue suprir novas questões. Segundo ele, o risco não está em modelos escreverem mais provas, mas em potencialmente comprimir muito rapidamente o espaço de exploração que pesquisadores levam anos para desenvolver.
Os problemas de alto valor estão se tornando menos frequentes
Terence Tao observou que problemas matemáticos podem ser gerados infinitamente, mas poucos são verdadeiramente importantes. Muitos problemas não resolvidos, embora existam, não necessariamente levam a novos métodos nem conseguem impulsionar o avanço dos campos relacionados. No passado, os pesquisadores dependiam de experiência para determinar quais problemas valiam a pena dedicar meses ou até anos.
Ele acredita que a IA está perturbando esse ritmo. No passado, novas ferramentas reduziam a dificuldade de certos problemas, mas também abriam novas direções além dos limites de capacidade. Hoje, o limite dos modelos não é claro, e os pesquisadores têm dificuldade em determinar quais problemas ainda merecem investimento de longo prazo e quais podem ser resolvidos diretamente pelos modelos em breve.
O laboratório de IA já iniciou a competição de resolução rápida de problemas
A report mentioned that in May this year, OpenAI's model provided a counterexample to the Erdős unit distance conjecture, addressing a mathematical problem that had existed for approximately 80 years. External mathematicians, including Fields Medalist Tim Gowers, subsequently verified it.
Quase ao mesmo tempo, pesquisadores da Anthropic também testaram a mesma questão com o ainda não lançado Claude Mythos. Engenheiros da empresa afirmaram que o modelo produziu uma prova mais curta; alguns matemáticos consideram que sua versão é ligeiramente inferior à da OpenAI, mas igualmente encontrou uma solução viável.
O relatório também afirmou que, desde então, a Anthropic formalizou a prova histórica do Último Teorema de Fermat. Poucos dias depois, a OpenAI resolveu um problema com cerca de 90 anos de história, apenas algumas horas após um pesquisador ter publicado sua própria prova. Essa velocidade é exatamente o que Tao Terence teme.
Sugere aumentar o peso do processo de raciocínio
Terence Tao propôs que alguns problemas possam ser marcados como "requerendo análise". Sob esse critério, o valor de fornecer apenas a resposta correta é reduzido; os pesquisadores precisam explicar simultaneamente o processo de raciocínio e como esse processo pode oferecer insights para problemas adjacentes.
Ele acredita que buscar apenas extrair respostas o mais rápido possível resolve, a curto prazo, os problemas imediatos, mas sacrifica o ecossistema de questões necessário para a próxima rodada de pesquisa e dificulta a compreensão de por que os resultados existentes são válidos. Segundo a reportagem, essa sugestão ainda não se tornou uma regra formal, e o avanço contínuo dos grandes laboratórios de IA pode levar a comunidade matemática a enfrentar mais rapidamente a disputa sobre padrões de avaliação.