noticias
Jensen Huang diz que esquecer matemática básica pode não ser um problema e reacende debate sobre o que a IA está fazendo com o aprendizado
**Categoria editorial:** Inteligência Artificial / Educação / Futuro do Trabalho
Jensen Huang diz que esquecer matemática básica pode não ser um problema — e reacende debate sobre o que a IA está fazendo com o aprendizado
**Linha fina:** CEO da Nvidia argumenta que algumas habilidades podem perder importância conforme a IA assume tarefas básicas, mas pesquisas recentes mostram que terceirizar demais o raciocínio pode cobrar um preço no aprendizado.
**Meta description:** Jensen Huang diz que esquecer matemática básica pode não ser grave na era da IA. Estudos, porém, alertam para perdas reais de aprendizado.
**Slug:** `jensen-huang-matematica-basica-ia-aprendizado`
Matéria completa
Jensen Huang diz que esquecer matemática básica pode não ser um problema e reacende debate sobre o que a IA está fazendo com o aprendizado
Jensen Huang, CEO da Nvidia, colocou uma pergunta incômoda no centro do debate sobre inteligência artificial e educação: **se as máquinas conseguem executar determinadas tarefas melhor e mais rápido, ainda precisamos dominar todas elas da mesma maneira?**
Durante entrevista ao jornalista Ezra Klein, Huang reconheceu que habilidades como divisão longa, tabuada e cálculo de raízes quadradas estão sendo cada vez menos praticadas.
Sua conclusão foi provocadora.
Para o executivo, parte desse conhecimento pode simplesmente perder importância à medida que ferramentas digitais e sistemas de inteligência artificial assumem tarefas básicas.
A afirmação parece, à primeira vista, apenas mais uma defesa entusiasmada da automação.
Mas toca em uma questão muito mais difícil.
A humanidade sempre delegou tarefas intelectuais às tecnologias.
O problema é descobrir **quais habilidades podem ser terceirizadas sem comprometer aquelas que dependem delas**.
Huang não está dizendo simplesmente que matemática deixou de importar
A interpretação mais fácil seria imaginar que o CEO da Nvidia considera matemática desnecessária.
Não é exatamente isso.
Huang argumenta que algumas habilidades específicas podem deixar de ser essenciais para a maioria das pessoas, enquanto outras competências ganham importância.
Ele cita o próprio cotidiano como exemplo.
O executivo afirmou não memorizar informações como seu número de telefone ou até determinados dados de endereço porque dispositivos digitais já armazenam essas informações.
Há poucas décadas, decorar números de telefone era uma habilidade cotidiana.
Hoje, quase ninguém considera isso indispensável.
A pergunta de Huang é se algo semelhante pode acontecer com determinados tipos de cálculo.
A diferença é que números de telefone são simplesmente dados armazenados.
Matemática básica também funciona como instrumento para desenvolver raciocínio.
E é aí que a comparação começa a ficar mais complicada.
A aposta é sair do detalhe e pensar no sistema inteiro
Huang defende que a inteligência artificial pode deslocar o esforço humano para níveis mais altos de abstração.
Segundo ele, profissionais poderão perder parte da “destreza intelectual refinada” em tarefas específicas, mas se tornar melhores **pensadores de sistemas**.
O próprio desenvolvimento de chips oferece um exemplo interessante.
Huang lembra que componentes em que trabalhou décadas atrás possuíam algumas centenas de transistores.
Um engenheiro conseguia compreender praticamente todo o projeto.
Processadores modernos possuem bilhões de componentes.
Nenhuma pessoa acompanha individualmente cada transistor.
A engenharia passou a depender de camadas de abstração.
O profissional trabalha com blocos, arquiteturas, linguagens de descrição, ferramentas de automação e sistemas de projeto extremamente complexos.
Isso não tornou os engenheiros menos inteligentes.
Mudou o nível em que sua inteligência é aplicada.
A hipótese de Huang é que a IA fará algo semelhante em muitas outras áreas.
Já aconteceu antes com calculadoras
Existe precedente histórico para esse argumento.
A introdução das calculadoras também provocou receio de que estudantes deixariam de aprender matemática.
Hoje, poucos engenheiros realizam multiplicações extensas manualmente durante um projeto.
Planilhas substituíram grandes quantidades de cálculo administrativo.
Softwares matemáticos executam integrais, derivadas e simulações que seriam impraticáveis manualmente.
Ferramentas como computadores algébricos não eliminaram matemática avançada.
Em muitos casos, permitiram que profissionais resolvessem problemas maiores.
A diferença da IA generativa é a extensão da terceirização.
Uma calculadora executa uma operação solicitada.
Uma IA pode interpretar o problema, escolher a operação, produzir a resposta e ainda explicar o resultado.
Isso significa que a máquina não está apenas substituindo cálculo.
Ela pode começar a substituir partes do próprio processo de decisão sobre **como calcular**.
E é justamente aí que surge o risco
Uma pesquisa recente envolvendo **26.811 estudantes chineses do 7º ao 12º ano** oferece um contraponto importante à visão otimista.
O estudo acompanhou os alunos durante 30 meses e analisou desempenho em tarefas escolares, tempo de conclusão e resultados de avaliações sem acesso à IA.
Os números inicialmente parecem excelentes.
Depois da adoção de inteligência artificial generativa, as notas dos deveres de casa aumentaram cerca de **18%**.
O tempo necessário para concluir as atividades caiu aproximadamente **30%**.
O problema apareceu depois.
Em seis meses, os resultados das provas mensais realizadas sem assistência tecnológica caíram cerca de **20%**.
Nos exames de admissão de maior importância, as quedas ficaram entre **18% e 24%**, com o efeito completo aparecendo depois de aproximadamente dois anos.
O estudo não demonstra que IA necessariamente prejudica qualquer aprendizado.
Mostra algo mais específico — e talvez mais importante.
O problema aparece quando a IA substitui o exercício
Os pesquisadores identificaram que as maiores perdas ocorreram entre estudantes cujo comportamento indicava **terceirização do dever de casa**.
Eles terminavam as atividades muito rapidamente e obtinham notas elevadas.
Mas não estavam necessariamente desenvolvendo a habilidade que a tarefa deveria exercitar.
Entre estudantes que utilizavam IA e mantinham tempos de estudo semelhantes aos colegas que não utilizavam essas ferramentas, as perdas eram muito menores.
Essa distinção muda bastante a discussão.
Talvez o problema não seja utilizar inteligência artificial.
Talvez seja utilizar inteligência artificial para eliminar justamente a parte do processo que gera aprendizado.
É a diferença entre pedir:
“Resolva isso para mim.”
e
“Mostre onde meu raciocínio está errado.”
A ferramenta pode ser a mesma.
O efeito educacional é completamente diferente.
Saber calcular também ensina a estimar quando a máquina errou
Há outra função das habilidades básicas frequentemente ignorada.
Elas permitem avaliar resultados.
Imagine que uma IA responda que 17% de R$ 1.000 são R$ 1.700.
Quem possui alguma noção de porcentagem percebe imediatamente que existe algo errado.
Quem simplesmente confia na ferramenta pode aceitar a resposta.
Essa capacidade de realizar uma **estimativa mental de plausibilidade** funciona como uma camada de segurança.
O mesmo princípio aparece em programação.
Um desenvolvedor não precisa lembrar cada método de uma biblioteca.
Mas precisa compreender suficientemente o funcionamento do sistema para reconhecer quando o código sugerido pela IA parece absurdo.
Quanto mais decisões delegamos, mais valiosa pode se tornar a capacidade de auditar a máquina.
E uma pessoa dificilmente consegue auditar aquilo que nunca aprendeu.
O debate não é memória contra inteligência
Também é necessário separar duas coisas.
Memorizar e compreender não são sinônimos.
Uma pessoa pode decorar toda a tabuada sem desenvolver bom raciocínio matemático.
Da mesma forma, alguém pode usar calculadora frequentemente e ainda compreender perfeitamente proporcionalidade, ordem de grandeza e relações numéricas.
O risco aparece quando a tecnologia remove tanto a execução quanto a compreensão.
Nesse cenário, a pessoa sabe obter uma resposta, mas não necessariamente entende o mecanismo.
Esse tipo de dependência já existe em várias áreas.
Pouquíssimas pessoas sabem explicar detalhadamente como funciona o GPS que utilizam todos os dias.
Isso não é necessariamente um problema.
Mas um piloto, engenheiro de navegação ou profissional responsável por um sistema crítico precisa compreender muito mais do que o usuário comum.
A quantidade de conhecimento necessário depende da responsabilidade envolvida.
Algumas habilidades provavelmente vão mesmo desaparecer
É difícil discordar de Huang em um ponto.
Tecnologias tornam determinadas habilidades obsoletas o tempo inteiro.
Poucos profissionais realizam cálculos utilizando régua de cálculo.
Datilografia mecânica deixou de ser exigência comum.
Memorizar comandos complexos perdeu importância em várias ferramentas.
Programadores já não precisam gerenciar determinados detalhes de hardware porque linguagens modernas abstraem grande parte disso.
IA deverá acelerar esse processo.
Algumas tarefas que hoje parecem essenciais provavelmente serão consideradas curiosidades daqui a algumas décadas.
O problema é que não sabemos ainda quais delas.
Eliminar precocemente uma habilidade fundamental porque uma tecnologia consegue substituí-la pode gerar dependência antes de entendermos o custo dessa substituição.
Existe uma diferença entre habilidade dispensável e conhecimento fundamental
É possível imaginar uma pirâmide.
Na base estão conhecimentos que ajudam a compreender o mundo.
Acima deles estão técnicas utilizadas para executar tarefas.
Mais acima aparecem ferramentas que automatizam essas técnicas.
A tecnologia frequentemente elimina camadas intermediárias.
Mas destruir a base pode ser diferente.
Uma pessoa talvez não precise fazer divisão longa no papel todos os dias.
Ainda assim, entender divisão, proporção, porcentagem e ordem de grandeza continua sendo essencial para interpretar juros, preços, impostos, estatísticas e probabilidades.
A pergunta correta, portanto, talvez não seja:
“Precisamos continuar fazendo matemática manualmente?”
Mas:
“Qual quantidade de prática é necessária para realmente compreender matemática?”
Essa resposta dificilmente será zero.
Pensamento sistêmico também depende de fundamentos
A ideia de Huang sobre pensadores de sistemas é poderosa.
Em um mundo no qual inteligências artificiais conseguem escrever código, gerar documentos, analisar dados e executar tarefas, pessoas capazes de entender relações entre componentes provavelmente terão grande valor.
Mas pensamento sistêmico não surge do nada.
É construído sobre conhecimento.
Para compreender um sistema econômico, é preciso conhecer minimamente incentivos, estatística e comportamento.
Para compreender software, é necessário entender algoritmos, dados e arquitetura.
Para compreender engenharia, fundamentos matemáticos e físicos continuam relevantes.
Abstração funciona porque alguém compreende suficientemente as camadas inferiores para construir sobre elas.
Se ninguém mais entender essas camadas, surge outra espécie de risco.
O risco de uma sociedade que sabe operar, mas não compreender
Imagine uma geração extremamente eficiente em utilizar inteligência artificial.
Ela consegue escrever programas.
Produzir análises.
Criar projetos.
Resolver cálculos.
Mas grande parte desses resultados depende de sistemas que poucas pessoas compreendem profundamente.
Enquanto tudo funciona, existe enorme produtividade.
Quando algo falha, surge a questão:
quem consegue diagnosticar o problema?
Tecnologias maduras normalmente criam especialização.
Nem todas as pessoas precisam compreender tudo.
Mas a sociedade precisa preservar quantidade suficiente de conhecimento profundo para manter sua própria infraestrutura.
Esse é um aspecto do debate educacional que provavelmente crescerá junto com a IA.
Análise da equipe
Jensen Huang provavelmente está correto ao afirmar que **algumas habilidades vão perder importância**.
Isso sempre aconteceu.
O erro estaria em concluir automaticamente que tudo aquilo que uma máquina consegue fazer deixou de valer a pena aprender.
Existe uma diferença enorme entre delegar uma tarefa que já compreendemos e nunca desenvolver a capacidade de compreendê-la.
A inteligência artificial pode ser uma das melhores ferramentas educacionais já criadas.
Ela pode adaptar explicações.
Criar exercícios.
Identificar erros.
Responder perguntas ilimitadamente.
Simular professores particulares.
Mas também pode ser uma máquina extraordinariamente eficiente para evitar o esforço cognitivo que justamente produz aprendizado.
As pesquisas disponíveis começam a mostrar essa diferença.
Usar IA como tutor não é a mesma coisa que utilizá-la como substituto do estudante.
A discussão também revela um paradoxo.
À medida que as máquinas assumem tarefas básicas, o valor do raciocínio de nível superior aumenta.
Mas raciocínio superior precisa de alguma base.
Talvez não seja necessário saber calcular uma raiz quadrada manualmente daqui a vinte anos.
Provavelmente também não será necessário memorizar centenas de fórmulas.
Mas compreender números, relações, lógica e ordem de grandeza continuará sendo útil enquanto seres humanos precisarem decidir se aquilo que uma máquina está dizendo faz sentido.
A pergunta mais interessante, portanto, não é se a IA permitirá esquecer matemática.
Ela certamente permitirá esquecer **algumas maneiras de fazer matemática**.
A verdadeira discussão é descobrir quais conhecimentos podem ser entregues às máquinas sem que, junto com eles, entreguemos também nossa capacidade de julgar as respostas.
👉 Dúvida? Então veja mais em: https://pixbugtech.com/linksuteis