Pesquisadores do Google DeepMind demonstraram teoricamente que os Grandes Modelos de Linguagem (LLMs), embora dominem a indução (reconhecimento de padrões estatísticos) e a dedução (provas lógicas), são estruturalmente incapazes de realizar o "salto abdutivo" — a geração de novas hipóteses explicativas a partir de dados escassos ou ausentes. Utilizando a formulação da Relatividade Geral de Albert Einstein como estudo de caso, o estudo argumenta que a invenção científica requer modelos de mundo multimodais e fisicamente consistentes para ancorar símbolos abstratos em simulação sensorial, algo que a arquitetura atual baseada apenas em compressão de texto não possui.
E daí?
Isso sinaliza um limite rígido para a atual corrida de Inteligência Artificial Geral (AGI) focada apenas em escala de dados e texto. Premissa desafiada: a hipótese de que o aumento contínuo de escala computacional e a compressão indutiva de dados (scaling laws) levarão inevitavelmente à invenção científica autônoma e à cognição de nível humano.
O que muda?
De: paradigma de IA focado exclusivamente em compressão estatística de dados textuais e escala de parâmetros → Para: arquiteturas híbridas que integram modelos de mundo simulados, ancoragem sensorial e raciocínio abdutivo. Estágio atual: nascente, restrito a debates teóricos e position papers em conferências de machine learning.
Se sinal crescer
Forçaria uma realocação maciça de investimentos em IA para fora dos LLMs puros, direcionando capital para robótica, simulações físicas e modelos de mundo multimodais, além de criar uma crise de expectativas no mercado de ações de empresas focadas exclusivamente em IA generativa textual.
Imagens
Nano Banana Pro prompted by THE DECODER