O Problema Com Como os Matemáticos Trabalham
A pesquisa matemática é um dos esforços intelectuais mais exigentes da atividade humana — e, de muitas maneiras, um dos menos automatizados. Enquanto os sistemas de IA transformaram codificação, escrita e análise de dados, as estruturas formais da matemática superior permaneceram amplamente fora do seu alcance. Provas devem ser verificadas através de lógica rigorosa; padrões em estruturas abstratas não cedem ao reconhecimento de padrões estatísticos que tornam modelos de linguagem grande úteis para texto. Uma startup chamada Axiom Math acha que encontrou uma maneira de mudar isso, e esta semana lançou uma ferramenta gratuita para matemáticos que coloca capacidade significativa de descoberta de padrões em um único laptop.
A ferramenta, chamada Axplorer, é uma versão democratizada de PatternBoost — um algoritmo desenvolvido por Francois Charton, um cientista pesquisador agora na Axiom que trabalhou anteriormente na Meta. Em 2024, Charton usou PatternBoost rodando em milhares de nós de supercomputador por três semanas para resolver um problema secular em teoria dos grafos chamado problema das quatro ciclos de Turan. Axplorer pode alcançar esse resultado em duas horas e meia em um Mac Pro.
O Que Axplorer Faz
O algoritmo subjacente do Axplorer funciona através de um ciclo iterativo de busca clássica e aprendizado de rede neural. Começa gerando um grande número de soluções candidatas aleatórias para um problema matemático e retendo as de melhor desempenho. Uma rede neural transformer é então treinada nesses exemplos bem-sucedidos para aprender que propriedades caracterizam uma boa solução. Na próxima rodada, a rede treinada gera candidatos melhorados que servem como sementes para outra fase de busca clássica. As duas fases se alternam, com cada rodada produzindo soluções progressivamente melhores.
A visão chave é que a rede neural não precisa entender a matemática em qualquer sentido profundo. Ela só precisa reconhecer padrões estruturais nas soluções encontradas até agora e usar esses padrões para guiar a geração de melhores candidatos. Ao longo de muitas iterações, isso produz soluções que a busca clássica sozinha seria improvável encontrar — particularmente em problemas com espaços de busca enormes onde exploração aleatória é intratável computacionalmente.
O Problema de Turan e O Que Revela
O problema das quatro ciclos de Turan pergunta: dado um conjunto de pontos, quantas arestas você pode desenhar entre eles sem criar nenhum laço de quatro pontos? O problema toca estruturas profundas em combinatória e teoria dos grafos que são relevantes para análise de redes reais — gráficos de mídia social, cadeias de suprimentos e estruturas de links de mecanismo de busca. Tinha resistido a solução por aproximadamente um século antes de PatternBoost resolver em 2024.
O fato de que PatternBoost exigisse um supercomputador massivo não era uma barreira para Meta, que opera infraestrutura dessa escala rotineiramente. Mas era uma barreira para essencialmente todo matemático no mundo que poderia querer aplicar uma abordagem similar a seus próprios problemas abertos. Ao projetar Axplorer para rodar em uma estação de trabalho de nível consumidor, Axiom mudou a distribuição de acesso a esta classe de IA matemática.
Quem Está Por Trás da Axiom Math
A empresa foi fundada por Carina Hong, uma jovem de 24 anos que desistiu de Stanford após estudar no MIT e Oxford. Axiom foi lançada discretamente em 2024 com US$ 64 milhões em financiamento inicial a uma avaliação de US$ 300 milhões, liderada por B Capital. Além de Charton, a equipe de pesquisa inclui Aram Markosyan, um especialista em segurança e justiça de IA.
A visão de Hong para a empresa vai muito além de Axplorer. Encontrar soluções não é tudo o que os matemáticos fazem — matemática é exploratória e experimental, ela tem dito. Às vezes insights vêm de detectar padrões que não haviam sido detectados antes, e tais descobertas podem abrir inteiramente novos ramos da matemática. A ambição declarada de longo prazo de Axiom é o que chama de superinteligência matemática — IA que não só pode resolver problemas conhecidos mas contribuir para a descoberta de novas estruturas matemáticas.
Axplorer É Gratuito e Disponível Agora
Axiom liberou Axplorer como uma ferramenta gratuita disponível para qualquer matemático que possa instalá-la. A decisão reflete uma estratégia deliberada: ao distribuir a ferramenta amplamente na comunidade acadêmica, Axiom pode coletar feedback, identificar quais classes de problemas o algoritmo funciona bem, e construir credibilidade dentro de uma comunidade que tende a ser cética sobre empreendimentos de IA comerciais.
O produto separado da empresa, AxiomProver, que se concentra em geração de prova formal e verificação, já encontrou soluções para quatro problemas matemáticos previamente não resolvidos. A combinação de uma ferramenta de descoberta de padrão e um verificador de prova representa um par complementar de capacidades que espelha as duas fases da pesquisa matemática: gerar conjecturas e depois prová-las rigorosamente.
Para Onde a IA Matemática Está Indo
Axiom está entrando em um campo que viu investimento significativo e vários resultados históricos. AlphaProof e AlphaGeometry da DeepMind demonstraram que IA pode resolver problemas no nível da Olimpiada Matemática Internacional. Mas problemas de estilo de competição, por mais difíceis que sejam, são uma fatia estreita da matemática. O objetivo mais ambicioso — contribuir para pesquisa aberta em áreas como teoria dos números, topologia algébrica, ou combinatória — permanece em grande parte inexplorado.
A abordagem de Axiom, que enfatiza descoberta de padrão e busca iterativa em vez de prova de teorema de ponta a ponta, pode ser mais adequada para a fase exploratória da pesquisa matemática do que a fase de verificação. Se pode gerar percepção matemática genuinamente nova permanece uma questão aberta. Mas o fato de que pode agora rodar em um laptop em vez de um supercomputador é, por si só, um passo significativo para respondê-la.
Este artigo é baseado em reportagem de MIT Technology Review. Leia o artigo original.
