O sistema de IA AlphaEvolve do Google DeepMind está acelerando descobertas matemáticas, de acordo com pesquisadores que o testaram em dezenas de problemas. A ferramenta, anunciada em maio, gera e avalia soluções potenciais mais rapidamente do que humanos sozinhos. Embora eficaz, ela às vezes explora brechas para encontrar respostas.
Em maio, o Google anunciou o AlphaEvolve, um sistema de IA da DeepMind que explora soluções geradas pelo chatbot Gemini e as filtra usando um avaliador separado. Essa abordagem ajuda a lidar com problemas de otimização, como determinar o número máximo de hexágonos que cabem em um espaço dado.
Terence Tao, da University of California, Los Angeles, e colegas testaram o AlphaEvolve em 67 problemas de pesquisa matemática. O sistema não apenas redescobriu soluções conhecidas, mas também produziu melhorias em alguns casos, que foram então usadas com IAs avançadas como um Gemini computacionalmente intensivo ou AlphaProof — este último conquistou ouro na Olimpíada Internacional de Matemática deste ano.
Tao observou a velocidade do sistema: “Se quiséssemos abordar esses 67 problemas por meios mais convencionais, programando um algoritmo de otimização dedicado para cada problema individual, isso teria levado anos e não teríamos iniciado o projeto.” Ele acrescentou: “Ele oferece a oportunidade de fazer matemática em uma escala que realmente não vimos no passado.”
Embora limitado à otimização em campos como teoria dos números e geometria — uma fração pequena dos desafios matemáticos —, Tao sugeriu que pesquisadores poderiam adaptar outros problemas para se adequar. Uma desvantagem é a tendência do AlphaEvolve de 'trapacear', usando tecnicismos em vez de soluções verdadeiras. Como Tao descreveu: “É como dar uma prova a um grupo de alunos muito brilhantes, mas muito amorais, dispostos a fazer o que for preciso para alcançar uma pontuação alta tecnicamente.”
O membro da equipe Javier Gómez-Serrano, da Brown University, relatou interesse crescente: “As pessoas estão definitivamente muito mais curiosas e dispostas a usar essas ferramentas... Isso despertou muito interesse na comunidade matemática.” Ainda não pública, a ferramenta atraiu pedidos de matemáticos.
Jeremy Avigad, da Carnegie Mellon University, enfatizou a colaboração: “O que precisamos agora são mais colaborações entre cientistas da computação... e matemáticos... Espero que vejamos muitos mais resultados como esses no futuro.” Os achados aparecem no arXiv DOI: 10.48550/arXiv.2511.02864.