45 novos laboratórios de IA apostam em métodos que vão além da escala dos modelos de linguagem, segundo o relatório Frontier Radar #5, no mesmo momento em que o pesquisador Richard Sutton, frequentemente chamado de Nobel da computação por ter vencido o Prêmio Turing, afirmou que a computação bruta não basta para criar inteligência. A manifestação, publicada em 8 de novembro de 2026, reacendeu uma divisão: de um lado, críticos da tese dominante; do outro, executivos cujas empresas dependem da escala.
Sutton reforça a crítica à escala
Autor do ensaio de 2019 A Lição Amarga (the bitter lesson), Sutton defende que métodos gerais, que ganham força à medida que a capacidade computacional cresce, acabam superando soluções sofisticadas desenhadas com base em intuições humanas. Para ele, importam ideias que se beneficiam de mais processamento. A tese se apoia no escalonamento (scaling), isto é, na elevação de dados, poder de processamento e tamanho dos modelos para obter mais desempenho. Na publicação recente, ele sustenta que a ciência da IA ainda exige métodos engenhosos e que o campo está longe de concluído.
Sutton já criticava os limites de simplesmente ampliar os modelos de linguagem de grande porte (LLMs). Ele classifica como um grande equívoco o uso de dados sintéticos, isto é, conteúdos gerados por máquinas para treinar outros sistemas. O mundo real é infinitamente complexo, e qualquer simulação dele captura apenas um recorte mínimo.
O mundo real é infinitamente complexo, e qualquer simulação dele captura apenas um recorte mínimo.
No lugar disso, propõe agentes, isto é, sistemas que executam tarefas de forma autônoma, equipados com modelos de mundo (representações internas do ambiente que permitem antecipar consequências). Esses agentes aprenderiam continuamente com a própria experiência. O argumento é que os modelos atuais param de aprender depois do treinamento e que o desafio está em incorporar novidades sem apagar o conhecimento anterior.
Três leituras dentro da própria pesquisa
Jerry Tworek, ex-pesquisador da OpenAI, afirma que a lição amarga continua válida, mas que, quanto mais computação entra no treinamento, mais o algoritmo passa a pesar. Ele associa o sucesso passageiro da escala de arquiteturas transformer (base dos LLMs atuais) a uma leitura equivocada do ensaio. Tworek lidera a Core Automation, laboratório dedicado a algoritmos de aprendizado que vão além do pré-treinamento (fase em que o modelo absorve grandes volumes de texto) e do aprendizado por reforço (treinamento baseado em recompensas e penalidades).
O pesquisador Jayden Teoh relata ter visto a lição amarga travar pesquisas acadêmicas repetidas vezes, com propostas promissoras descartadas por se afastarem do espírito do ensaio. Para ele, o erro está na interpretação do texto, e não em Sutton. Trabalhos que, em retrospecto, pareciam fugir da lição foram muitas vezes substituídos por abordagens mais limpas e gerais, mas haviam viabilizado avanços no momento em que surgiram. Teoh pede que a comunidade pare de descartar essas contribuições logo que aparecem.
Quem segue apostando na escala
O CEO da OpenAI, Sam Altman, vê a escala de LLMs longe de esgotada e acusa críticos de frear uma geração inteira de pesquisadores ao afirmar com excesso de certeza o que a escala não alcança. Como evidência, cita um modelo da empresa que refutou uma conjectura matemática sem solução havia muito tempo. Ele considera os modelos de mundo úteis, por exemplo na robótica, mas diz que os dados favorecem mais escala de LLMs.
O CEO da Anthropic, Dario Amodei, segue na mesma linha e descreve o progresso da escala como um arco-íris sem fim. Como ambos comandam empresas cuja estratégia técnica repousa nessa aposta, têm interesse direto na tese, o que pede cautela ao ler suas projeções.
Os números do debate
| Indicador | Dado |
|---|---|
| Ano do ensaio A Lição Amarga | 2019 |
| Novos laboratórios de IA mapeados no Frontier Radar #5 | 45 |
| Data da publicação analisada | 8 de novembro de 2026 |
O que muda para o investidor
O debate não recai sobre um ativo específico, mas sobre a premissa que orienta parte relevante das apostas em inteligência artificial. Se a escala de LLMs seguir entregando ganhos, a demanda por capacidade computacional tende a permanecer aquecida. Se os críticos tiverem razão, o capital pode migrar para laboratórios de métodos alternativos, e projetos cuja tese se resume a mais processamento passam a exigir mais escrutínio.
Na prática, o leitor precisa separar três tipos de informação: resultados técnicos verificáveis, como o caso matemático citado por Altman; avaliações de pesquisadores independentes; e projeções de executivos com interesse direto na tese. Somente o primeiro grupo mede progresso concreto.