Por que a IA vence em matemática pode ser memória, não inteligência

Quando um modelo de linguagem↳LLMs48 conteúdosConsiderações básicas de hardware para modelos de linguagem em código aberto: Memória, Desempenho e ViabilidadeMarketing Tech · out 2025Modelos de linguagem sob ataque: o lado obscuro da IA generativaDevSecOps · mai 2025Criando um LLM – modelo de linguagem de grande escala – do zero com TransformersAI · abr 2024Ver tudo em AI → resolve um problema matemático difícil, a explicação comum é que ele ficou mais inteligente. Um ensaio de Davide Piffer, que circulou no Hacker News, propõe uma leitura diferente e mais prosaica: parte da vantagem da IA em matemática pode não ser raciocínio superior, mas o fato de ela operar com uma memória de trabalho simbólica quase ilimitada, algo que o cérebro humano não tem.

O argumento importa para quem constrói software porque ajuda a calibrar expectativas sobre onde LLMs realmente brilham e onde continuam frágeis, sem recorrer à narrativa fácil de superinteligência.

A matemática é limitada pela memória, não só pela lógica

O texto parte da memória de trabalho humana, o sistema mental que segura e manipula informação por curtos períodos. Ela é notavelmente limitada. O exemplo clássico: multiplicar dois números de três dígitos de cabeça. As operações são triviais, a dificuldade vem de preservar resultados parciais enquanto se fazem novos cálculos.

Escrever os números no papel transforma o problema. Como resume Piffer, o papel não te deixa mais inteligente, ele expande sua memória de trabalho efetiva. O mesmo vale para notação, rascunhos, diagramas e lemas já escritos: não servem só para comunicar a solução, servem para tornar o raciocínio cognitivamente possível.

Especialistas driblam parte do limite via chunking, reconhecendo estruturas familiares como um único objeto conceitual. Mas isso comprime a informação, não elimina o teto.

As evidências em humanos

O ensaio ancora a tese em psicometria. Vários estudos sugerem que a memória de trabalho prevê desempenho matemático além do que o QI explica:

• Alloway e Passolunghi (2011) encontraram contribuição distinta da memória de trabalho ao desempenho matemático em crianças.
• Um estudo longitudinal de seis anos de Alloway e Alloway (2010) mediu crianças aos cinco anos: a memória de trabalho precoce previu alfabetização e numeramento posteriores mesmo controlando o QI, sendo um preditor mais forte que a própria medida de QI usada.
• Blankenship e colegas (2015) relataram variação única em fluência e cálculo após controlar QI e idade.
• Uma meta-análise de Friso-van den Bos e colegas (2013) achou relação consistente entre memória de trabalho e matemática no ensino fundamental.

O autor faz a ressalva honesta: memória de trabalho e inteligência se sobrepõem muito, e controle estatístico não isola mecanismos psicológicos de forma perfeita. A conclusão estreita, porém, se sustenta: entre crianças de inteligência similar, diferenças na capacidade de segurar e manipular informação ainda preveem diferenças em matemática.

A janela de contexto é um caderno gigante

Aqui entra a ponte com LLMs. Um modelo processa uma sequência enorme de tokens de uma vez: o enunciado, definições, exemplos, cálculos intermediários e o próprio raciocínio anterior. Piffer argumenta que a janela de contexto não é idêntica à memória de trabalho humana, é melhor entendida como um caderno externo gigantesco somado a um sistema imperfeito de buscar o que foi escrito nele.

A distinção é importante. Humanos têm memória interna ativa: dá para escolher um número em silêncio, transformá-lo e substituí-lo sem falar nada. Modelos padrão são fracos nesse estado mental privado e contínuo. A forma mais estável de memória deles costuma ser a própria sequência de tokens já gerada.

Se o modelo escreve x=6 e depois escreve x+3=9, essas afirmações permanecem no contexto e podem ser reatendidas no passo seguinte. O raciocínio, portanto, é frequentemente externalizado: o texto não é só relatório de um pensamento pronto, é parte do mecanismo pelo qual o raciocínio acontece. É o mesmo que humanos fazem com rascunho, mas em escala completamente diferente.

O autor faz uma ressalva técnica que devs reconhecem na prática: contexto anunciado não é memória perfeitamente utilizável. Modelos ignoram informação relevante, se distraem e perdem detalhes. Ainda assim, a diferença de capacidade potencial é enorme.

Por que isso vale especialmente para matemática

A vantagem do contexto não é igual em todo tipo de raciocínio. Ela pesa mais em matemática porque quase todo elemento relevante pode ser escrito de forma explícita e estável: hipóteses, definições, equações conhecidas, o objetivo atual, resultados já provados, casos eliminados, condições de validade de cada passo.

O exemplo concreto do ensaio: um problema exige lembrar que n é ímpar, p é primo e x≠0. Um humano pode entender a estratégia e mesmo assim dividir por x antes de estabelecer que x≠0. Não é falta de inteligência, é falha de contabilidade. A IA pode reafirmar as restrições ativas a cada etapa, transformando o contexto num livro-razão do estado do raciocínio.

Muitos problemas difíceis têm um insight profundo no começo e depois muito trabalho braçal: expandir expressões, checar casos, carregar condições através de transformações. A máquina não precisa ter insight mais profundo que o humano para vencer aí, basta estar mais bem equipada para preservar todo o estado do problema ao longo de uma sequência longa de operações. Segundo Piffer, isso ajuda a explicar por que mais tempo de raciocínio (mais computação) melhora o desempenho: o que parece pensamento mais fundo às vezes é busca mais ampla dentro de um caderno maior.

Onde a vantagem some

O contraste é o que dá força à tese. Compare com uma pergunta social: por que Maria parou de responder minhas mensagens? Uma janela de contexto maior deixaria a IA ler anos de correspondência, mas a informação decisiva pode simplesmente nunca ter sido observada. Talvez Maria esteja brava, ocupada, doente ou tenha perdido o celular. Nenhuma quantidade de memória recupera fatos nunca registrados.

Raciocínio informal também depende de conceitos instáveis: justo, bem-sucedido, responsável, prejudicial. Não têm a exatidão de uma variável matemática. O mesmo vale para análise política, interpretação histórica, estratégia de negócios e julgamento psicológico. Nesses domínios o gargalo raramente é memória de trabalho, é identificar o modelo causal correto com evidência incompleta e ambígua.

A matemática é diferente porque o ambiente de raciocínio é artificialmente construído para tornar suposições explícitas e transformações verificáveis. E ela oferece feedback forte: uma solução pode ser substituída de volta na equação, uma identidade avaliada numericamente, centenas de casos testados por programa, uma prova formal verificada por assistente. Isso cria o ambiente ideal para sistemas que geram, armazenam e verificam estados intermediários explícitos, exatamente o que janelas de contexto, scratchpads, execução de código e verificação formal amplificam.

Inteligência ou arquitetura cognitiva?

O ensaio propõe um experimento mental. Dê o mesmo problema a duas pessoas: uma resolve tudo de cabeça; a outra tem papel ilimitado, notas perfeitas, acesso instantâneo a cálculos anteriores, capacidade de tentar várias abordagens em paralelo e uma máquina que confere cada resultado. Se a segunda vence, não concluímos que ela tem inteligência matemática bruta maior, e sim uma arquitetura cognitiva melhor para a tarefa.

A analogia final é entre dois tipos de gênio. O físico Eugene Wigner, que conheceu von Neumann e Einstein, descreveu von Neumann como dono da mente mais rápida e aguda que já encontrou, capaz de absorver informação e seguir argumentos complicadíssimos. Ainda assim considerava Einstein mais profundo e original, mais propenso a reconceituar o próprio problema. A IA atual, argumenta Piffer, parece uma versão amplificada por máquina do primeiro conjunto de habilidades, não do segundo.

A previsão testável

A hipótese gera previsões claras, e é aqui que ela deixa de ser só retórica. A vantagem da IA deveria ser maior em problemas com muitas restrições interagindo, cálculos longos, análise extensa de casos, referência repetida a resultados anteriores e contabilidade simbólica exata. E menor quando tudo depende de um único salto conceitual curto e novo.

A hipótese também prevê que reduzir o contexto usável ou impedir o modelo de escrever passos intermediários deveria prejudicar desproporcionalmente tarefas matemáticas longas. E que dar ao humano memória externa poderosa (notação clara, diagramas, software, notas estruturadas) deveria estreitar parte da diferença. Ou seja, a comparação justa talvez não seja IA contra humano pensando sem ajuda, mas IA com suas ferramentas contra humano com memória externa e sistemas de verificação igualmente poderosos.

Para o dev brasileiro, a leitura prática é direta: ao acoplar um LLM a tarefas técnicas, o ganho tende a aparecer onde o problema é traduzível em símbolos explícitos, verificável e sustentado por contexto e execução de código. Onde o problema depende de causas ocultas, conceitos ambíguos ou de um salto de representação inédito, mais tokens de memória não resolvem o essencial.

Fonte: Hacker News