Renomado matemático alerta: utilidade da IA é quase nula para a matemática avançada
Para Joel David Hamkins, o problema não são apenas os erros, mas a insistência da máquina em parecer certa mesmo quando está errada.
A inteligência artificial vem sendo apresentada como uma aliada poderosa da ciência. Há relatos de sistemas que teriam auxiliado na resolução de problemas matemáticos complexos, inclusive desafios associados ao trabalho de Paul Erdős. Mas, quando essas ferramentas são colocadas à prova por matemáticos atuantes, o entusiasmo nem sempre se confirma.
Foi justamente essa discrepância que levou Joel David Hamkins, matemático e professor de lógica na Universidade de Notre Dame, nos Estados Unidos, a compartilhar uma avaliação direta sobre o uso atual da IA na matemática. Em entrevista ao Lex Fridman Podcast, em 31 de dezembro, Hamkins descreveu sua experiência prática com grandes modelos de linguagem — e o resultado ficou longe das expectativas.
Um matemático testando a IA na prática
Hamkins não fala a partir de projeções futuras nem de testes abstratos. Ele relata ter experimentado diferentes sistemas de IA, incluindo modelos pagos, aplicando-os a questões matemáticas reais. Sua conclusão foi objetiva:
“Já experimentei e testei, mas não achei nada útil. Basicamente, zero. Não me ajuda em nada.”
Ainda assim, ele faz uma distinção importante logo no início:
“Acho que eu faria uma distinção entre o que temos atualmente e o que poderá surgir nos próximos anos.”
Ou seja, sua crítica se refere ao estado atual da tecnologia, não a uma rejeição definitiva do potencial da IA.
Onde a IA falha, segundo Hamkins
O problema central, para Hamkins, não é apenas que a IA comete erros — algo esperado em qualquer ferramenta —, mas o tipo de erro que ela comete. Segundo ele, ao lidar com questões matemáticas:
“Minha experiência típica é que a IA dá respostas sem sentido, que não são matematicamente corretas.”
Em matemática avançada, respostas plausíveis, mas incorretas, são especialmente problemáticas. Cada argumento precisa ser logicamente consistente e verificável, algo que os modelos atuais ainda não conseguem garantir de forma confiável.
O ponto mais delicado: resistência à correção
Além dos erros em si, Hamkins chama atenção para a forma como os modelos lidam com críticas. Ele descreve interações em que aponta falhas específicas no raciocínio apresentado, mas não observa uma correção consistente por parte do sistema.
“O frustrante é quando você tem que discutir se o argumento está correto ou não, aponta exatamente o erro, e a resposta é: ‘Ah, está tudo bem.’”
Segundo Hamkins, essa resistência à correção dificulta a construção de um diálogo produtivo, algo essencial no trabalho matemático colaborativo. Ele observa que, em um contexto humano, esse tipo de interação tenderia a ser evitado:
“Se eu estivesse passando por uma experiência dessas com alguém, simplesmente me recusaria a falar com essa pessoa novamente.”
Uma crítica compartilhada por outros matemáticos
A avaliação de Hamkins não é isolada. Matemáticos como Terrance Tao já apontaram que sistemas de IA podem produzir demonstrações que parecem bem estruturadas, mas contêm erros sutis, difíceis de detectar sem análise cuidadosa.
O problema, portanto, não é apenas errar, mas errar com excesso de confiança, resistindo ao feedback — algo que mina a confiança necessária para o trabalho matemático colaborativo.
Entre testes impressionantes e utilidade real
Hamkins também chama atenção para a diferença entre bons resultados em benchmarks e utilidade prática na pesquisa científica. Desempenhos elevados em testes padronizados não significam, necessariamente, que a IA esteja pronta para atuar como parceira confiável em matemática de alto rigor.
Entre avanços e limites da IA na matemática
A experiência de Joel David Hamkins sugere que, apesar dos avanços recentes, os modelos atuais de inteligência artificial ainda enfrentam limitações significativas na matemática avançada. Erros frequentes, dificuldades de correção e respostas excessivamente confiantes reduzem sua utilidade em contextos de pesquisa formal.
Sua posição não é de rejeição definitiva, mas de ceticismo fundamentado na prática. Para Hamkins, o futuro da IA na matemática permanece em aberto — mas o presente, ao menos por enquanto, ainda exige cautela.
