Google DeepMind leva a prata: IA resolve problemas de olimpíada, mas a que custo?

Enquanto o mundo discute se o ChatGPT algum dia vai parar de errar receitas de torta, a Google DeepMind decidiu mirar em algo sagrado: a Olimpíada Internacional de Matemática (IMO). Os resultados do AlphaProof e do AlphaGeometry 2 fizeram a indústria estremecer: os sistemas resolveram quatro de seis problemas, o que corresponde ao nível de um medalhista de prata. Parece o momento da singularidade, em que o silício finalmente venceu o carbono na lógica pura. Mas, olhando os detalhes, o triunfo lembra mais uma vitória heroica contra as circunstâncias do que um passeio fácil.

A matemática sempre foi o calcanhar de Aquiles dos modelos de linguagem. Os LLMs comuns trabalham com probabilidades, prevendo a próxima palavra, o que no mundo rigoroso das demonstrações leva a alucinações inevitáveis. Para resolver o problema, os engenheiros da DeepMind seguiram o caminho da hibridização. O AlphaProof combina a flexibilidade do aprendizado por reforço com a disciplina severa da linguagem de verificação formal Lean. Isso permite que a inteligência artificial não apenas chute uma resposta, mas escreva código que se verifica a cada passo lógico. O AlphaGeometry 2, por sua vez, recebeu uma forte injeção do modelo Gemini, o que o deixou dezenas de vezes mais rápido que o antecessor na resolução de quebra-cabeças geométricos.

No entanto, por trás do brilho da medalha de prata há uma realidade dura. Os participantes humanos resolveram os problemas em duas sessões de quatro horas e meia, enquanto a IA precisou de vários dias de computação contínua para algumas demonstrações. Isso evidencia o principal problema dos sistemas atuais: eles são monstruosamente ineficientes em comparação com o cérebro humano. É um exemplo clássico de colher os frutos mais baixos. Sim, a IA aprendeu a trabalhar nos limites rígidos das linguagens formais, mas ainda gasta recursos computacionais colossais onde um adolescente talentoso precisa apenas de uma folha de papel e algumas horas de reflexão. A diferença de eficiência energética entre a mente biológica e a digital continua enorme.

Por que isso importa agora? Estamos vendo uma mudança fundamental na estratégia de desenvolvimento de IA. A indústria percebeu que simplesmente escalar dados não traz mais saltos de qualidade em tarefas realmente difíceis. O futuro pertence a sistemas capazes de raciocinar e verificar suas conclusões. O Google na prática está criando o chamado Sistema 2 para a IA: um pensamento lento e deliberado que complementa o Sistema 1, rápido e intuitivo, dos chatbots comuns. Isso é crítico não só para a matemática pura, mas também para programação, cibersegurança e projeto de sistemas de engenharia complexos, onde um erro de um único bit pode causar uma catástrofe.

Mesmo assim, Demis Hassabis e sua equipe admitem com franqueza que o processo de treinamento e operação desses modelos continua penoso. Para o AlphaProof funcionar, os problemas precisam ser traduzidos para Lean manualmente: a IA ainda não sabe interpretar sozinha, com precisão suficiente, enunciados em linguagem natural. Temos uma ferramenta poderosa que, por ora, exige um exército de engenheiros-tradutores. Lembra os primeiros computadores, que ocupavam salas inteiras e exigiam cartões perfurados. O potencial é enorme, mas ainda levará anos até termos no bolso um matemático capaz de fazer descobertas em tempo real.

O ponto principal: a Google DeepMind provou que a IA pode lidar com lógica avançada sem erros, mas o preço dessa ausência de falhas ainda é proibitivo. A empresa conseguirá acelerar radicalmente o raciocínio de seus sistemas até o fim do ano?