Uma versão avançada do Gemini 2.5 Deep Think alcançou nível de medalha de ouro na final mundial do International Collegiate Programming Contest (ICPC), realizada em Baku, no Azerbaijão. O resultado ocorreu apenas dois meses após a conquista de ouro na Olimpíada Internacional de Matemática (IMO), competição de nível médio.
O ICPC é reconhecido como a mais antiga e prestigiada competição de programação algorítmica em nível universitário, reunindo cerca de 3 mil universidades de mais de 100 países. Neste ano, o Gemini competiu em ambiente remoto, seguindo as mesmas regras dos times humanos, e resolveu 10 dos 12 problemas propostos, desempenho que o colocaria em segundo lugar geral se comparado às equipes universitárias.
“Se as melhores soluções de IA e humanas da competição fossem combinadas, todos os 12 problemas teriam sido resolvidos completa e corretamente. Isso demonstra o potencial da IA para fornecer contribuições únicas e inovadoras que complementam as habilidades e o conhecimento de especialistas humanos”, afirma a cientista sênior no Google DeepMind, Hanzhao Lin.
“Além da matemática e da codificação, nossa conquista demonstra uma nova e poderosa capacidade de raciocínio abstrato. As habilidades necessárias para o ICPC — compreender um problema complexo, elaborar um plano lógico multietapas e implementá-lo com perfeição — são as mesmas necessárias em muitos campos científicos e de engenharia, como o desenvolvimento de novos medicamentos ou microchips. Isso demonstra que a IA está evoluindo de um mero processamento de informações para, de fato, ajudar a resolver alguns dos problemas de raciocínio mais difíceis do mundo, de maneiras que podem beneficiar a humanidade”, diz a pesquisadora, em comunicado da empresa.
O desafio do Problema C
Entre os 12 problemas apresentados, o Gemini foi mais rápido do que as equipes humanas em cinco casos e fracassou em dois, resolvidos pelos programadores. Todavia, em meia hora entregou uma solução não encontrada por nenhuma equipe.
O Problema C (assim chamado pela posição na tabela de tarefas) pertence à classe dos chamados problemas NP (não determinísticos polinomiais), aqueles em que verificar empiricamente uma solução é simples, mas encontrar a solução ótima é exponencialmente mais difícil. Isso ocorre porque, à medida que o número de variáveis aumenta, o total de combinações possíveis cresce de forma explosiva, tornando inviável testar todas as configurações possíveis em tempo razoável. Em outras palavras, cada variável adicionada multiplica o espaço de busca e aumenta drasticamente a complexidade computacional. Por isso, o desafio não está apenas em calcular, mas em estruturar o raciocínio para encontrar caminhos de otimização em um problema que cresce exponencialmente em dificuldade. O fato de o Gemini ter encontrado uma solução eficiente para esse tipo de problema reforça sua capacidade de aplicar estratégias matemáticas avançadas, como relaxações, heurísticas e métodos de busca contínua, para aproximar respostas em cenários considerados intratáveis para a computação clássica.
O Problema C exigia encontrar a configuração ideal de uma rede de dutos interconectados para encher um conjunto de reservatórios no menor tempo possível. O desafio era particularmente complexo porque havia um número gigantesco de combinações possíveis — cada duto poderia estar aberto, fechado ou parcialmente aberto.
O modelo encontrou uma solução eficiente a partir de um insight matemático: assumiu que cada reservatório possuía um “valor de prioridade”, representando quanto deveria ser favorecido em relação aos demais. Com esse conjunto de prioridades, a melhor configuração poderia ser encontrada usando um algoritmo de programação dinâmica. Gemini descobriu que, aplicando o teorema minimax, o problema poderia ser reformulado para identificar os valores de prioridade que resultassem no fluxo mais equilibrado. A partir disso, utilizou buscas ternárias aninhadas para localizar os valores ideais em um espaço de soluções convexo, resolvendo o problema com rapidez e precisão.
Repercussão e ponderações
A conquista teve ampla repercussão na imprensa internacional. O The Guardian destacou a fala de Quoc Le, vice-presidente do Google DeepMind: “Para mim, é um momento equivalente ao Deep Blue para o xadrez e ao AlphaGo para o Go.”
Dr. Bill Poucher, diretor executivo global do ICPC, declarou que “a entrada bem-sucedida da IA nessa arena, e a conquista de resultados em nível ouro, marca um momento-chave na definição das ferramentas e padrões acadêmicos necessários para a próxima geração”.
Pesquisadores, porém, sugerem cautela. Stuart Russell, professor da Universidade da Califórnia em Berkeley, disse que as “declarações de importância histórica parecem exageradas”, ainda que reconheça que “acertar um problema do ICPC pode indicar progresso rumo à produção de código de alta qualidade”. Michael Wooldridge, professor da Universidade de Oxford, afirmou que “é um feito impressionante”, mas questionou “quanta capacidade computacional foi necessária”. O Google confirmou apenas que o processamento utilizado superou o disponível para assinantes da versão Ultra do Gemini.
Quatro marcos da inteligência artificial
A reportagem do Guardian recorda quatro grandes conquistas da história da IA:
1957 – Perceptron: criado por Frank Rosenblatt, na Universidade Cornell, foi o primeiro sistema capaz de aprender padrões visuais e acústicos, precursor das redes neurais.
1997 – Deep Blue: o supercomputador da IBM venceu Garry Kasparov no xadrez, em um marco de poder de processamento.
2016 – AlphaGo: desenvolvido pela DeepMind, derrotou o mestre sul-coreano Lee Sedol no jogo Go, demonstrando capacidade de raciocínio estratégico e criativo.2020 – AlphaFold: também da DeepMind, foi o primeiro modelo a prever com precisão o dobramento de proteínas, avanço que revolucionou a biologia molecular e rendeu um Nobel em 2024.
