Thore Graepel, ex-pesquisador do DeepMind, escolheu a conferência GTC da Nvidia em Berlim para defender uma tese: o mecanismo de busca que fez o AlphaGo derrotar o profissional de go Lee Sedol em 2016 pode reduzir a fabricação de respostas por sistemas de inteligência artificial. A empresa que ele fundou, a Metis Reasoning, quer retirar o conhecimento de dentro dos modelos e submetê-lo a verificação externa. Por ora, a proposta é apenas um artigo conceitual, sem sistema em operação, benchmarks ou comparação com modelos de raciocínio já disponíveis.
A tese: conhecimento fora dos pesos do modelo
O diagnóstico da Metis é que os modelos de linguagem de hoje equivalem só à rede de previsão do AlphaGo, aquela que listava jogadas candidatas. Faltaria o segundo componente — a busca sistemática —, que convertia sugestões em decisões checáveis.
Para replicar o arranjo no raciocínio genérico, a empresa propõe um ledger de conhecimento explícito: um livro-razão externo, comparável ao tabuleiro de go. Nele ficam registrados o que o sistema sabe, o grau de confiança de cada informação e as perguntas ainda abertas. Um módulo independente checa cada nova entrada por cálculo, prova formal ou evidência empírica; se uma premissa cai, todas as conclusões que dependiam dela são reexaminadas.
No vocabulário da Metis, uma jogada é uma pergunta, um experimento ou uma contestação a premissa aceita. O sistema escolhe a que mais reduz incerteza sobre a questão original e entrega uma resposta ou uma abstenção justificada. Duas redes neurais sugerem e avaliam jogadas, treinadas com investigações anteriores registradas em log, mas sem poder para sobrepor as regras de verificação. Daí saem três promessas: menos alucinação, explicações com fonte citada e conhecimento corrigível ou apagável sem novo treinamento. Como o raciocínio é fatiado em passos curtos, o desenho favoreceria modelos compactos em dispositivos de borda e robôs — terreno que a Nvidia reforçou em Berlim ao ampliar sua plataforma de IA física.
A jogada 37 e os precedentes que já existem
Em 2016, o AlphaGo venceu Lee Sedol unindo previsão e busca sistemática. Dessa combinação saiu a jogada 37, lance ao qual a rede de previsão daria chance perto de uma em cada dez mil para um humano. A Metis quer esse tipo de busca aplicado ao raciocínio em geral.
A ideia tem parentes próximos: o GraphRAG, da Microsoft, organiza conhecimento fora dos pesos em grafo; o AlphaGeometry2, do Google, acopla modelo de linguagem a um motor simbólico que valida provas matemáticas. A diferença pretendida é levar o princípio a questões abertas do mundo real.
Por que a alucinação nasce no treinamento
Ampliar dados e processamento melhora os modelos, mas não resolve três defeitos, segundo o artigo: a fabricação de respostas, a impossibilidade de auditar cadeias de raciocínio e o conhecimento preso aos pesos. A alucinação nasceria do próprio treinamento, que recompensa texto plausível e não texto verdadeiro. Até as cadeias de pensamento dos modelos de raciocínio atuais frequentemente não mostrariam como a resposta foi obtida.
Daí, na visão da empresa, o impacto econômico reduzido da IA. Programação decolou porque código é testável e reversível; medicina, finanças, projeto de chips e robótica exigiriam verificabilidade desde a base.
O que ainda não existe
O material da Metis é programa de pesquisa, não produto: sem sistema rodando, sem benchmarks públicos e sem comparação com os modelos de raciocínio do mercado. A equipe admite que o mundo real oferece informação parcial, que obter evidência custa caro e que algumas perguntas não têm resposta.
O ponto em aberto mais espinhoso é como um livro-razão verificado ganharia forma em domínios bagunçados. A IA simbólica já fracassou uma vez porque todo o conhecimento precisava ser digitado à mão.
Quem é Graepel e o êxodo do DeepMind
Graepel fez doutorado em aprendizado de máquina em Berlim, em 2001, ajudou a construir o TrueSkill na Microsoft Research — sistema de pareamento do Xbox Live — e depois trabalhou em AlphaGo, AlphaZero e MuZero no DeepMind. Passou pela Altos Labs, integrou o time pós-AGI do Google DeepMind, que deixou no verão do hemisfério norte, e ocupa cátedra na University College London. A Bloomberg apurou que a captação está na casa baixa das dezenas de milhões de dólares, com rodada seguinte de centenas de milhões preparada a valuation maior.
| Pesquisador | Empresa fundada | Situação |
|---|---|---|
| Thore Graepel | Metis Reasoning | captação na casa baixa das dezenas de milhões de dólares |
| David Silver | Ineffable Intelligence | maior rodada seed já fechada por startup europeia |
| Tim Rocktäschel | Recursive | avaliada em US$ 4,65 bilhões |
Ele é o mais recente arquiteto dos avanços do DeepMind a empreender fora do Google. O time do AlphaFold foi dissolvido e o Nobel de química John Jumper migrou para a Anthropic com dois colegas. Parte da evasão é atribuída ao acesso limitado aos chips TPU internos e à burocracia, enquanto o DeepMind perde autonomia e Demis Hassabis se afasta da operação diária.
O que isso significa para o investidor
A tese desloca a disputa: se verificação virar infraestrutura obrigatória, valor migra para camadas de auditoria, orquestração e inferência barata, não só para quem treina o maior modelo. Na B3 não há companhia cujo resultado dependa diretamente desse tipo de ledger; a exposição do investidor pessoa física segue indireta, por fundos e ETFs de tecnologia global e de semicondutores.
Convém separar o concreto do discurso. Concreto: a Nvidia empurra robótica e IA física, o que sustenta demanda por processamento e por modelos menores embarcados. Discurso: o sistema da Metis não roda, e a própria empresa lembra que o aprendizado simbólico já tropeçou no custo de alimentar bases à mão.
O gargalo prático está na auditabilidade. Bancos, corretoras e seguradoras só escalam automação de atendimento e análise de crédito com rastro verificável de cada decisão — é aí, mais do que na corrida por modelos maiores, que a adoção se decide.