Uma das perguntas mais interessantes que me fazem nas aulas é se modelos sofisticados como GPT-5, Gemini e Claude realmente fazem matemática ou apenas parecem fazer?
Esses modelos não multiplicam como uma calculadora. Não possuem uma ALU, não executam instruções aritméticas tradicionais e não manipulam números da forma como um computador convencional faz. Eles são redes neurais treinadas para prever o próximo token. Quando você digita “450 × 40”, o modelo não enxerga números como objetos matemáticos formais. Ele enxerga padrões representados em espaços vetoriais de alta dimensão.
Mas, ao absorver trilhões de exemplos, surgem estruturas internas capazes de representar dígitos, posições decimais, somas parciais e até operações semelhantes ao transporte de dígitos. Em muitos casos, o modelo passa a se comportar como se estivesse executando um algoritmo, embora ninguém tenha programado explicitamente esse algoritmo. Por isso, a matemática dos LLMs não é mera memorização. Mas também não é cálculo simbólico tradicional. É uma forma emergente de computação aprendida a partir de dados.
Ainda assim, os modelos podem errar. É por isso que os sistemas mais robustos delegam cálculos para ferramentas externas e usam o LLM como camada de interpretação, não como calculadora.
Curioso é que não existe um módulo de multiplicação dentro desses modelos. E, mesmo assim, eles aprenderam a multiplicar.
Nenhum comentário:
Postar um comentário