A IA vence as Olimpíadas, mas tem dificuldades com a matemática escolar básica

O ano de 2025 foi um marco notável, quando os sistemas DeepMind e OpenAI do Google entregaram medalhas de ouro na Olimpíada Internacional de Matemática. Esses modelos de IA resolveram problemas que, normalmente, são resolvidos apenas por alguns dos jovens matemáticos mais brilhantes do mundo. No entanto, esses mesmos sistemas frequentemente tropeçam em aritmética básica que qualquer estudante do ensino médio poderia resolver. Esse surpreendente paradoxo revela algo fundamental sobre a IA contemporânea: estamos testemunhando o surgimento de uma inteligência irregular, em que as máquinas demonstram capacidade sobre-humana em domínios específicos, mas falham em tarefas que consideramos elementares.

O triunfo da Olimpíada

A Olimpíada Internacional de Matemática representa o auge da competição matemática pré-universitária. A cada ano, os melhores alunos enfrentam seis problemas que exigem profunda percepção, criatividade e técnicas avançadas de prova. Em 2025, a IA do Google DeepMind e da OpenAI obteve 35 de 42 pontos, garantindo medalhas de ouro. O AlphaGeometry 2 da DeepMind resolveu um problema complexo de geometria em apenas 19 segundos, enquanto o AlphaProof enfrentou problemas de teoria dos números e álgebra que deixaram perplexa a maioria dos participantes humanos.

Esses avanços se baseiam em anos de progresso constante. Os sistemas utilizam linguagens matemáticas formais, como o Lean, para construir provas rigorosas e empregam métodos como o aprendizado curricular, treinando em problemas de dificuldade crescente. Esse processo permite que a IA compreenda relações complexas entre objetos matemáticos, reconheça padrões sutis e formule provas elegantes.

A luta elementar

A própria IA que triunfa na Olimpíada muitas vezes vacila em tarefas aparentemente triviais. Quando solicitada a multiplicar números grandes, ela pode produzir com confiança uma resposta incorreta. Seu desempenho em outras operações aritméticas básicas pode ser igualmente imprevisível. O problema vai além do simples cálculo. Esses sistemas geralmente têm dificuldades com problemas de palavras que exigem o controle de várias quantidades, a compreensão do contexto do mundo real ou a aplicação sequencial de operações fundamentais.

Esse ponto fraco está enraizado na forma como esses modelos operam. Os grandes modelos de linguagem preveem a próxima parte do texto com base em padrões em seus dados de treinamento. Quando veem "2 + 2", eles produzem corretamente "4", não porque compreendam a adição, mas porque essa sequência aparece de forma onipresente em seu treinamento. Apresente a eles cálculos incomuns, raramente vistos, e o desempenho deles cai drasticamente. Eles são mecanismos de correspondência de padrões, excelentes com padrões claros e consistentes, mas com dificuldades quando forçados a computar algo novo.

O paradoxo da arquitetura

A contradição entre o sucesso nas Olimpíadas e o fracasso na aritmética aponta para uma questão arquitetônica mais profunda. A IA moderna se destaca em problemas solucionáveis por meio de reconhecimento de padrões, dedução lógica e exploração sistemática de espaços de solução. Os problemas das Olimpíadas, embora difíceis, geralmente possuem estruturas elegantes que a IA pode aproveitar. Os sistemas podem explorar estratégias de prova, verificar etapas lógicas e desenvolver estruturas matemáticas estabelecidas, operando em um mundo regido por símbolos, regras e lógica.

A aritmética básica, paradoxalmente, apresenta um desafio diferente. Ela exige a manipulação precisa de quantidades, não a correspondência de padrões. Ela exige uma compreensão da magnitude numérica e de relações que não podem ser aproximadas. Quando um modelo de IA trata a aritmética como uma tarefa de modelagem de linguagem, ele vê os números como tokens a serem previstos em vez de quantidades a serem computadas. Essa incompatibilidade fundamental entre o requisito da tarefa e a arquitetura do modelo cria a lacuna de desempenho observada.

Dados de treinamento e suas limitações

Os recursos de IA são fortemente moldados pelos dados de treinamento. As provas matemáticas e os problemas avançados geralmente existem on-line em formatos bem estruturados, como artigos acadêmicos, livros didáticos e recursos educacionais, que fornecem exemplos claros de raciocínio. A Internet está repleta de discussões sobre conceitos matemáticos e estratégias de solução de problemas, criando um corpus rico para o aprendizado do pensamento avançado.

A matemática elementar enfrenta um problema diferente. Embora a aritmética básica seja comum on-line, ela raramente é acompanhada de explicações detalhadas sobre o processo subjacente. Cálculos simples são apresentados como fatos, não explicados como procedimentos. Os dados de treinamento contêm os resultados dos cálculos, mas não o raciocínio passo a passo, criando uma lacuna na compreensão que se manifesta como um desempenho ruim em tarefas fundamentais.

Implicações para o desenvolvimento da IA

Essa inteligência irregular tem implicações cruciais para o projeto e a implementação da IA. O sucesso em tarefas complexas não garante a competência em tarefas mais simples. Uma IA que prova teoremas pode não conseguir equilibrar um talão de cheques; um sistema que escreve código pode ter dificuldades com a contagem básica. Essa realidade exige uma avaliação cuidadosa dos recursos e das limitações dos aplicativos do mundo real.

O fenômeno também ressalta o valor das abordagens híbridas. Em vez de esperar que um único modelo dê conta de tudo, talvez precisemos de sistemas especializados para diferentes tarefas. A combinação de computação simbólica para aritmética com modelos de linguagem para raciocínio pode gerar soluções mais confiáveis. O futuro pode estar na orquestração de vários sistemas especializados em vez de buscar uma inteligência única e monolítica.

O caminho a seguir

O reconhecimento da inteligência irregular esclarece o caminho para uma IA mais capaz. Os pesquisadores estão desenvolvendo maneiras de integrar ferramentas computacionais aos modelos de linguagem, permitindo que eles descarreguem a aritmética em calculadoras dedicadas. Novas estratégias de treinamento ensinam aos modelos quando usar ferramentas externas em vez de internalizar cada habilidade. Isso reflete a inteligência humana, em que usamos ferramentas para computação e concentramos nossa energia mental no raciocínio de nível superior.

Em última análise, o paradoxo da inteligência irregular ensina humildade. Esses sistemas não são universalmente superiores nem uniformemente limitados. Eles possuem uma complexa tapeçaria de pontos fortes e fracos que precisamos entender para usá-los e aprimorá-los de forma eficaz. O progresso exige não apenas a expansão dos recursos da IA, mas também a solução de suas lacunas fundamentais. As máquinas que provam teoremas, mas falham na adição básica, nos lembram que a inteligência - artificial ou humana - continua sendo um fenômeno multifacetado que desafia uma definição simples.

O resultado final

A capacidade da IA de resolver problemas de Olimpíadas, mas não de matemática simples, demonstra que a inteligência se desenvolve de forma desigual. Um sistema pode ser brilhante em uma área e surpreendentemente fraco em outra. Compreender esse perfil irregular é essencial para projetar e aplicar a IA de forma responsável. Em vez de um único modelo para todas as tarefas, a solução pode envolver a combinação de diferentes abordagens que aproveitem os pontos fortes de cada sistema. O progresso no mundo real virá da criação de uma IA que funcione de forma confiável na prática, e não da suposição de que ela será excelente em tudo.