COMO A INTELIGÊNCIA ARTIFICIAL EVOLUIU: DO "PAPAGAIO ESTOCÁSTICO" AOS AGENTES (E POR QUE O SALTO PARECE ESTAR DESACELERANDO)

COMO A INTELIGÊNCIA ARTIFICIAL EVOLUIU: DO "PAPAGAIO ESTOCÁSTICO" AOS AGENTES (E POR QUE O SALTO PARECE ESTAR DESACELERANDO)

Em poucos anos, a IA saiu da curiosidade de laboratório e entrou no dia a dia de milhões de pessoas. Mas o que mudou, de fato, entre um modelo e outro? Houve realmente "saltos" de inteligência, ou o que vemos são ajustes e melhorias de engenharia?

A BASE DE TUDO: UM COMPLETADOR DE TEXTO

Um modelo de linguagem (LLM) é, essencialmente, um completador de texto. Isso não mudou até hoje. Quando termina o treinamento inicial, no qual o modelo "lê" uma enorme quantidade de textos da internet, ele não responde perguntas: ele continua o texto que recebe. Se você der a ele metade de uma peça de Shakespeare, ele tentará continuar com algo no estilo de Shakespeare.

É daí que vem a expressão "papagaio estocástico": um sistema que produz sequências de palavras com base em probabilidades, sem que isso implique compreensão no sentido humano.

AS FASES DA EVOLUÇÃO

É possível dividir a história recente em fases, cada uma com uma ideia dominante.

Fase 1 - A prova de conceito (nível GPT-2, cerca de 1 bilhão de parâmetros)

O GPT-2 demonstrou que um completador de texto podia gerar respostas boas o bastante para enganar pessoas, que chegavam a achar que havia alguém escrevendo do outro lado.

Fase 2 - A corrida dos parâmetros (nível GPT-3)

Parâmetros são, grosso modo, os "botões internos" do modelo. Nessa fase, a disputa era quem lançava o modelo maior: 100 bilhões, 200 bilhões de parâmetros, e assim por diante.

Fase 3 - O raciocínio em camadas (nível GPT-4 e modelos como o o1)

Surge o chamado "reasoning" ou "deep thinking". Em vez de dar uma resposta imediata, o modelo é treinado para revisar o que produziu, algo como se perguntar "será que estou errado?" e gerar uma nova resposta, repetidas vezes.

Fase 4 - O uso de ferramentas e os agentes (2025 em diante)

O modelo passa a ser treinado para agir, não apenas para falar. É nessa fase que surgem os agentes.

COMO FUNCIONA O "PENSAMENTO" DA IA

O processo de criação de um modelo moderno pode ser visto em etapas:

a) Pré-treinamento: o modelo aprende a completar textos usando uma quantidade gigantesca de material.

b) Pós-treinamento: usam-se muitos pares de pergunta e resposta, preparados e curados por pessoas. Assim, quando o modelo recebe uma pergunta, ele a completa com algo que tem formato de resposta, porque aprendeu esse padrão.

c) Treinamento para "pensar": o modelo aprende a gerar, em vez de uma resposta imediata, novas perguntas e novas reflexões em sequência, criando camadas de profundidade. Daí o nome "deep thinking". O "esforço de raciocínio" que alguns sistemas permitem escolher é, basicamente, quantas camadas dessas o modelo vai produzir.

Por que isso melhora as respostas? Porque cada camada adiciona contexto. E, em geral, quanto mais contexto, melhor a resposta.

Isso não é raciocínio no sentido humano. O modelo foi treinado, estatisticamente, para produzir trechos que se parecem com perguntas e reflexões, e a soma deles dá à resposta final mais material de apoio.

O LIMITE DO CONTEXTO: MAIS NEM SEMPRE É MELHOR

Pode-se pensar que, se mais contexto melhora a resposta, basta fornecer o máximo possível. Não é bem assim.

Quanto maior o contexto, pior tende a ficar a atenção do modelo. Um comportamento conhecido desde os primeiros modelos de contexto longo é lembrar bem do começo e do fim do texto, mas "esquecer" o meio.

Para lidar com isso, existem estratégias como a janela deslizante (sliding window): o modelo pode ter um contexto de 1 milhão de unidades, mas dar atenção a apenas 100 mil por vez, deslizando essa "janela" ao longo do material. Ou seja, jogar muita informação no modelo não garante uma boa resposta.

Quando a corrida por "mais pensamento" e "mais contexto" chega perto do limite, o que sobra é otimizar: tornar os modelos mais baratos, mais econômicos e mais eficientes.

FERRAMENTAS E AGENTES: A TERCEIRA GRANDE PEÇA

Imagine que alguém peça ao modelo: "liste os arquivos da minha pasta". Um modelo sem treinamento específico tentaria inventar uma lista, ou seja, alucinaria.

A solução é treiná-lo para, nesse caso, devolver um comando (por exemplo, o de listar arquivos). Quem executa esse comando é um programa intermediário, o agente (também chamado de "harness"), que roda na máquina da pessoa e devolve ao modelo a listagem real. O mesmo vale para buscas na web: em vez de inventar uma resposta, o modelo pede uma busca, o agente vai ao buscador e traz o resultado de volta como contexto.

Resumindo a lógica: o modelo deixa de "chutar" e passa a "consultar". 2025 foi o ano da evolução dos agentes, e 2026 é o ano em que a combinação modelo + agente amadureceu.

ALUCINAÇÃO: DEFEITO OU PARTE DO PROJETO?

A alucinação não é um acidente. É um componente calculado do funcionamento desses sistemas.

Um modelo sem nenhuma variação seria previsível e "binário", e muito chato de usar. Parte da sensação de conversa natural vem de pequenas variações, quando o modelo toma uma "tangente" e nos faz pensar "não tinha parado para pensar nisso". Esse momento é o resultado de um sorteio controlado, algo aleatório e probabilístico.

Há um ajuste para isso, muitas vezes chamado de aleatoriedade ou "temperatura", e na linguagem informal é o que se chama de criatividade. Uma boa analogia: é como trocar um dado de 10 faces por um de 20 faces. O resultado fica mais variado, e também mais imprevisível.

Nenhum comportamento da IA é acidental. Tudo foi desenhado e pode ser regulado. Combinado com ferramentas (como a busca na web), o grau de alucinação pode ser aumentado ou reduzido conforme a necessidade. Mesmo assim, os modelos não deixaram de alucinar.

O CUIDADO COM A ANTROPOMORFIZAÇÃO

Apesar de parecer uma pessoa, a IA é um programa. Atribuir a ela características humanas, a antropomorfização, é um erro de interpretação nosso. O sistema nos "engana" no sentido de que imita bem a conversa.

SERÁ QUE ESTAMOS CHEGANDO A UM TETO?

A evolução da IA segue uma curva em S, com crescimento acelerado no início e achatamento depois. Para ele, estamos no teto ou perto dele. Alguns sinais apontados:

a) A nomenclatura mudou. Antes, cada ano trazia um número novo: GPT-2, GPT-3, GPT-4. Agora vemos versões como 5.1, 5.2, 5.3, 5.4, 5.5. A relutância em lançar um "6" ou um "7" seria um indício de que não há um salto grande o bastante para justificá-lo.

b) Os testes estão saturados. Em programação, os modelos estão todos no mesmo patamar. Em alguns campos, como matemática, houve avanços pontuais.

c) Falta de dados novos. Só existe uma internet, e os modelos já foram treinados nela. Um dos cofundadores da OpenAI, Ilya Sutskever, já disse algo nesse sentido: não existe uma segunda internet.

d) O problema dos dados sintéticos. Poderia-se tentar fabricar dados, mas treinar uma IA com as respostas de outra IA tende a degradar a qualidade. Isso lembra o ditado "garbage in, garbage out": entra lixo, sai lixo.

e) As conversas dos usuários valem pouco. O texto dos chats é pouco útil para treinamento. O que vale mais é o retorno ("a resposta foi boa ou ruim?"). O conteúdo de treinamento é altamente curado por grandes equipes que escolhem os dados a dedo, justamente para não degradar o modelo.

Um novo grande salto dependeria de uma nova tecnologia ou invenção, que ainda não surgiu.

RESUMO

1. Um LLM é, no fundo, um completador de texto muito sofisticado.

2. As grandes fases foram: prova de conceito (GPT-2), corrida de parâmetros (GPT-3), raciocínio em camadas (GPT-4) e uso de ferramentas e agentes (2025 em diante).

3. O "pensar" da IA consiste em gerar camadas de texto que enriquecem o contexto. Não equivale a raciocínio humano.

4. Mais contexto nem sempre é melhor, pois a atenção do modelo se dilui.

5. Agentes permitem que o modelo consulte e execute, em vez de inventar.

6. Alucinação é um efeito do mecanismo de aleatoriedade, regulável e não acidental.

7. A IA se aproxima do teto da curva em S: faltam dados novos e dados sintéticos tendem a degradar o modelo.

---

Artigo baseado na entrevista do episódio do Flow Podcast (#663), o apresentador Igor conversa com o desenvolvedor Fábio Akita sobre o estado atual e o futuro da Inteligência Artificial (IA).

Contato

Envie suas dúvidas ou sugestões

Email

ranzemis@gmail.com

© Raniere Menezes