Análise aprofundada · Cerca de 6 min de leitura
O que o relato da Microsoft sobre KLS mostra sobre pesquisa com IA orientada por pessoas
A Microsoft descreve como pesquisadores orientaram mais de 100 abordagens com IA rumo a uma prova de KLS. A lição está na busca, com limites importantes das evidências.
- Publicado aqui
- Data da fonte
- Fonte verificada
Um relato da Microsoft Research publicado em 21 de outubro descreve como Zhao Song e Xinzhi Zhang combinaram julgamento matemático e exploração com IA no trabalho sobre KLS. O histórico do artigo é anterior: a primeira submissão foi em 1 de outubro e a versão 2 chegou no dia 4. Trata-se do processo de colaboração, não de uma nova prova autônoma anunciada por IA.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- A Microsoft relata mais de 100 abordagens candidatas, selecionadas, podadas e redirecionadas pelos pesquisadores.
- Os autores atribuem o método recursivo, seu refinamento repetido e o controle dos erros acumulados às contribuições matemáticas humanas; a IA auxiliou exploração, derivações, redação e verificações internas.
- A declaração de IA do artigo cita GPT-6 Astra, GPT-5.6 Sol, Claude Fable 5 e Fable 5.1. Não apresenta um ranking controlado desses modelos.
- Segundo a Microsoft, tentativas sem orientação com vários modelos e orçamento total de tokens aproximadamente comparável não atingiram o mesmo objetivo. O material analisado não fornece valores exatos nem registros completos de execução.
A pergunta útil é como a busca foi organizada
Uma IA pode sugerir uma direção matemática plausível sem saber se uma pequena falha invalidará tudo construído a partir dela. O relato de 21 de outubro é útil por explicar o intervalo entre gerar uma proposta e aceitar um argumento. Os pesquisadores examinavam etapas intermediárias, descartavam caminhos pouco promissores e levavam os resultados úteis à rodada seguinte. A escala declarada superou 100 abordagens, em vez de uma resposta contínua de um modelo.
Nossa interpretação é que a seleção foi parte essencial do cálculo. Num exemplo didático, um agente propõe uma desigualdade mais forte, mas supõe silenciosamente uma suavidade que o problema não garante. A revisão humana pode descartar o caminho ou transformar a hipótese ausente em um lema separado. É uma ilustração, não um incidente observado no projeto KLS. Ela mostra por que gerar mais texto e avançar matematicamente são medidas diferentes.
O alcance real da afirmação geométrica
A conjectura KLS, proposta em 1995, trata de distribuições log-côncavas em espaços de alta dimensão. Informalmente, pergunta se cortes por hiperplanos detectam os gargalos mais estreitos de uma distribuição dentro de um fator fixo em relação a cortes irrestritos. Esse fator não deve piorar com a dimensão. Os autores afirmam uma cota universal para a constante KLS e uma desigualdade de Poincaré correspondente para medidas log-côncavas isotrópicas.
O alcance importa. A normalização isotrópica fixa a escala da covariância; não significa que qualquer conjunto de dados ou representação de rede neural pertença à classe. A geometria dos gargalos influencia como passeios aleatórios exploram distribuições, conectando o teorema à amostragem e otimização. Isso não fornece uma aceleração medida de produto. Uma cota teórica independente da dimensão e uma implementação rápida são conquistas distintas, sobretudo quando constantes e sobrecarga algorítmica continuam relevantes.
O avanço exigia controlar o custo do refinamento
A introdução descreve uma cadeia de estimativas progressivamente mais fortes. Limites de flutuações polinomiais informam estimativas de curvatura; melhorias de curvatura retornam como melhores limites polinomiais. Repetir essa troca introduz refinamentos logarítmicos. Depois, repete-se o processo maior de refinamento, em vez de parar na primeira cota com crescimento extremamente lento.
Melhorar uma parte pode introduzir uma perda em outra. Repetir, por si só, não estabelece uma constante universal se as perdas se acumularem sem controle. Os autores dizem organizar margens de perda cada vez menores para manter o total limitado. Descrevemos o argumento deles, não uma prova independente nossa. A Microsoft atribui aos pesquisadores a estrutura recursiva, sua repetição e a análise de erro limitado. A assistência da IA em cálculos não deve ser apresentada como autoria de todas as etapas conceituais.
A comparação sem orientação ajuda, mas tem limites
A declaração do artigo identifica GPT-6 Astra, GPT-5.6 Sol, Claude Fable 5 e Fable 5.1 como ferramentas utilizadas. A Microsoft também relata uma linha separada de tentativas sem orientação, com vários modelos de ponta e aproximadamente o mesmo orçamento total de tokens; ela não atingiu a meta. A declaração não estabelece que cada ferramenta citada participou de uma comparação idêntica, e nenhuma fonte analisada fornece uma tabela reproduzível de resultados por modelo.
Nossa análise é que isso apoia investigar o valor da orientação humana, não declarar um teto geral para matemática autônoma. Um problema difícil, uma distribuição de esforço e um relato retrospectivo não determinam o desempenho de todos os sistemas em qualquer estratégia. Para reproduzir a comparação seriam necessários prompts, regras de parada, definições de orçamento, trajetórias fracassadas e procedimentos comparáveis de revisão. Contar tokens ainda omitiria tempo e conhecimento humanos usados para avaliar cada caminho.
Datas e alegações de validação precisam ficar separadas
O arXiv registra submissão inicial em 1 de outubro e versão 2 no dia 4; o relato público apareceu no dia 21. A primeira versão ainda tinha dependência da dimensão por logaritmos iterados; a segunda é que afirma uma cota constante universal. Falar de um problema de 31 anos não significa que o resultado surgiu na data do blog. A novidade tratada aqui é a colaboração descrita e a distribuição de responsabilidades.
A Microsoft relata provas desenvolvidas separadamente e uma formalização posterior em Lean 4. Diz ainda que os autores já verificaram o argumento reduzido em Lean e planejam publicar o texto mais curto e sua verificação após a revisão final. Não examinamos essas provas nem executamos o verificador. Um sistema formal estabelece o que um enunciado específico e suas dependências sustentam; citá-lo não substitui a inspeção. A lição prática para equipes de IA é preservar decisões intermediárias, separar argumentos propostos de resultados verificados e declarar quem responde pela correção. O artigo mantém expressamente essa responsabilidade com os autores humanos.
Por que importa
Análise do AISubHub: a ideia transferível é um ciclo de pesquisa com revisão humana explícita dos resultados intermediários. O resultado matemático se aplica a uma classe específica de distribuições; não comprova uma melhoria universal na precisão da IA ou na velocidade de aplicações.
Limites e disponibilidade
Lemos o relato completo da Microsoft, o histórico do arXiv, a introdução do artigo e sua declaração de IA. Não verificamos independentemente a prova de 140 páginas, não executamos a verificação formal nem examinamos as outras provas citadas. Essas alegações de validação continuam atribuídas aos autores e à Microsoft.
Fontes e evidências
Data da fonte: · Fonte verificada:
Leituras complementares
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.