Reconheço especialmente o ponto de vista de Terence Tao: na fase atual, o uso mais adequado da IA não é usar diretamente os modelos de IA mais poderosos para resolver os problemas matemáticos mais difíceis, mas sim um uso mais amplo e prático, que pode ser aproveitar ferramentas de IA com desempenho moderado para ajudar os matemáticos a acelerar a conclusão de tarefas de pesquisa básica que são diárias, tediosas, mas essenciais. Recentemente, ouvi uma pessoa da CVS compartilhar que a farmácia CVS está muito ocupada, mas a maior parte do tempo é desperdiçada em algumas tarefas tediosas, como contar comprimidos, porque a quantidade de comprimidos de cada paciente é diferente, necessitando de dois farmacêuticos profissionais: um responsável por colocar a quantidade especificada de comprimidos no frasco e outro responsável por verificar se a contagem dos comprimidos no frasco está correta. Um grupo de farmacêuticos altamente qualificados e treinados gasta muito tempo diariamente nessas tarefas. Portanto, eles recentemente automatizaram esse processo usando IA + robôs, liberando os farmacêuticos para fazerem coisas mais importantes. No meu dia a dia, o uso da IA é semelhante; ela pode não resolver muitos problemas técnicos para mim, mas posso usar a IA para desenvolver algumas pequenas ferramentas ou, simplesmente, usando palavras-chave específicas, posso realizar muitas tarefas tediosas, o que já pode aumentar significativamente a minha eficiência geral. --- A tradução do texto original pode ser vista nos comentários.

Terence Tao: Algumas reflexões sobre a aplicação recente da IA no campo da matemática Recentemente, tenho sentido cada vez mais que a inteligência artificial (IA) pode não ser a aplicação mais eficaz no campo da matemática a curto prazo, usar os modelos de IA mais poderosos para resolver os problemas matemáticos mais difíceis. Claro, ocasionalmente vemos alguns casos de sucesso, mas esses geralmente envolvem um grande investimento de recursos computacionais e a energia de especialistas de topo. O uso realmente mais amplo e prático pode ser, na verdade, utilizar ferramentas de IA de desempenho moderado para ajudar os matemáticos a acelerar a conclusão de tarefas de pesquisa básica que são diárias, tediosas, mas essenciais. Essas tarefas aparentemente triviais podem ser realizadas por especialistas humanos, embora exijam mais tempo e esforço. Mas essa é, na verdade, uma grande vantagem da aplicação da IA, e não uma falha. Porque os especialistas humanos já acumularam uma vasta experiência e intuição, capazes de julgar rápida e precisamente se a saída da IA é confiável e integrá-la de forma segura em seu fluxo de pesquisa. Um exemplo simples: pesquisa de literatura. Antes de um matemático investigar um problema, geralmente precisa consultar uma grande quantidade de literatura de pesquisa existente. Se o problema já tem um nome reconhecido e há um grupo de pesquisa ativo, então os motores de busca e bancos de dados acadêmicos existentes já são suficientes. O matemático só precisa começar a partir de um artigo importante, seguindo a cadeia de citações para frente e para trás, e rapidamente dominará o progresso da pesquisa sobre o problema. No entanto, muitas vezes, um problema de pesquisa não tem um nome unificado, e acadêmicos de diferentes áreas podem agir de forma independente. A literatura relevante está dispersa em diferentes revistas, conferências e livros, e as relações de citação são caóticas. Às vezes, um artigo menciona apenas uma pequena parte do problema, misturado com uma grande quantidade de conteúdo irrelevante. Encontrar literatura realmente valiosa nessas circunstâncias é especialmente complicado: pode ser necessário procurar artigos por toda parte, filtrando repetidamente, e é muito provável que, após muito tempo, descubra que não tem relação alguma com seu problema. Mas uma vez que um artigo relevante é realmente encontrado, um especialista só precisa dar uma olhada rápida para imediatamente julgar se aquele artigo contribui para o problema atual. Essa capacidade de validação rápida é precisamente o que torna a IA especialmente adequada para realizar pesquisas de literatura (desde que, claro, o pesquisador tenha o conhecimento especializado relevante para julgar a qualidade da literatura de forma independente). Especialmente quando o pesquisador precisa se concentrar em vários problemas de pesquisa ao mesmo tempo, a vantagem do uso da IA se torna ainda mais evidente. Nesse cenário, a IA não precisa ser 100% precisa; desde que a taxa de sucesso seja suficientemente alta, a eficiência geral será muito maior do que os métodos tradicionais. Além disso, os pesquisadores que gastam algum tempo aprendendo a usar ferramentas de IA de forma eficaz também podem gradualmente diluir os custos com o uso repetido. Recentemente, houve um exemplo muito típico que ocorreu no círculo matemático: O famoso matemático Paul Erdős propôs muitas questões matemáticas interessantes durante sua vida. Atualmente, o site Erdős Problems, que coleta e organiza essas questões, possui mais de mil problemas, dos quais cerca de 600 estão marcados como "não resolvidos" (open). Embora algumas questões já tenham sido amplamente estudadas, muitas questões relativamente obscuras são difíceis de avaliar se têm ou não soluções apenas com uma pesquisa manual simples. Nos últimos dias, alguns pesquisadores começaram a tentar usar sistematicamente ferramentas de IA para ajudar na pesquisa de literatura relevante. Eles não publicam diretamente os resultados da saída da IA no site, mas primeiro verificam manualmente, confirmando a validade antes de comentar ou anotar. Em apenas alguns dias, através desse método de "pesquisa de literatura assistida por IA + confirmação manual", já foram descobertas com sucesso pelo menos 6 soluções para problemas. Esses problemas estavam originalmente marcados como "não resolvidos", e agora seu status foi alterado para "resolvidos" (solved). Por exemplo: Problema 339, Problema 1043, Problema 494, Problema 621, Problema 822, Problema 903. Além de mais de dez problemas que ainda não foram resolvidos, a literatura relevante já foi pesquisada com sucesso e, após confirmação manual, também foi adicionada aos comentários na página do problema. Embora nem todos os comentários indiquem claramente que a IA foi utilizada, o aumento significativo no número de comentários em um curto espaço de tempo sugere a contribuição da IA. Outra vantagem potencial dessas ferramentas de IA é que elas podem relatar de forma mais natural os "resultados negativos" (negative results, ou seja, "nenhuma literatura relevante encontrada"). Em geral, se um pesquisador realiza uma pesquisa de literatura e não encontra nada, normalmente não reporta isso, talvez por receio de que, ao omitir um artigo importante, a situação se torne embaraçosa. Esse silêncio, na verdade, leva a uma quantidade considerável de trabalho redundante — diferentes pesquisadores podem ter gasto muito tempo procurando literatura que não existe ou erroneamente acreditando que um problema ainda não foi resolvido, quando na verdade nunca foi realizada uma pesquisa de literatura séria. Ao usar ferramentas de IA para processar sistematicamente tarefas de pesquisa de literatura em grande escala, os pesquisadores naturalmente estarão mais dispostos a relatar esses "resultados negativos". Por exemplo: "As ferramentas de IA verificaram 36 problemas, dos quais 24 (66%) encontraram nova literatura válida, enquanto 12 (33%) retornaram apenas resultados conhecidos ou irrelevantes". Essa abordagem aberta e transparente permite que toda a comunidade acadêmica compreenda melhor o estado atual da pesquisa sobre um determinado problema, evitando assim muito trabalho repetido desnecessário. Em suma, no campo da pesquisa matemática, a maneira mais eficaz de utilizar a IA a curto prazo pode ser exatamente essa tarefa fundamental que, para os especialistas humanos, pode parecer "trivial", mas que é crucial para o trabalho de pesquisa. A IA aqui não desempenha o papel de um gênio superdotado, mas sim de um acelerador de eficiência. Ela pode ajudar os pesquisadores a liberar mais energia preciosa de tarefas básicas e tediosas, permitindo que se concentrem melhor nas áreas que realmente exigem inovação e reflexão profunda.