AMI – Inteligência Artificial Avançada – O Fim da Escalabilidade: Por que Yann LeCun Não Acredita Mais em Modelos de Aprendizagem de Longo Prazo (LLMs)

600 bilhões para uma abordagem equivocada? O "Pai da IA" aposta contra LLaMA, ChatGPT e outras empresas do mesmo ramo.

O anúncio caiu como um raio na indústria de tecnologia em novembro de 2025. Yann LeCun, um dos três pais fundadores do aprendizado profundo e cientista-chefe da Meta, anunciou sua saída após doze anos na empresa para fundar sua própria startup. Essa decisão é muito mais do que uma escolha de carreira pessoal de um único cientista. Ela marca uma virada fundamental na indústria global de inteligência artificial e revela a crescente lacuna entre os interesses de mercado de curto prazo e a visão científica de longo prazo.

LeCun, que recebeu o Prêmio Turing em 2018 juntamente com Geoffrey Hinton e Yoshua Bengio, é considerado o arquiteto das redes neurais convolucionais, que hoje formam a base dos modernos sistemas de processamento de imagens. Sua saída ocorre em um momento em que toda a indústria está investindo centenas de bilhões de dólares em grandes modelos de linguagem, uma tecnologia que LeCun descreve há anos como um beco sem saída fundamental. Com sua nova empresa, o cientista, agora com 65 anos, pretende seguir o que chama de Inteligência Artificial Avançada, uma abordagem radicalmente diferente baseada em modelos do mundo real e partindo da percepção física, não do texto.

As implicações econômicas desse desenvolvimento são imensas. A própria Meta investiu mais de US$ 600 bilhões em infraestrutura de IA nos últimos três anos. A OpenAI atingiu uma avaliação de meio trilhão de dólares, apesar de uma receita anual de apenas dez bilhões de dólares. Todo o setor seguiu uma direção que um de seus pioneiros mais importantes descreveu publicamente como um beco sem saída. Para entender as consequências econômicas dessa mudança, é preciso analisar profundamente as estruturas técnicas, organizacionais e financeiras da atual revolução da IA.

Adequado para:

• A Meta investirá 600 bilhões de dólares americanos para construir infraestrutura de IA nos EUA.

A arquitetura de uma bolha

A arquitetura Transformer, introduzida por pesquisadores do Google em 2017, transformou o cenário da IA ​​em um ritmo sem precedentes. Essa abordagem possibilitou, pela primeira vez, processar com eficiência grandes quantidades de texto e treinar modelos de linguagem com capacidades antes inatingíveis. A OpenAI se baseou nesse fundamento com sua série GPT, que, com o ChatGPT em novembro de 2022, demonstrou ao público em geral, pela primeira vez, o potencial dessas tecnologias. A resposta foi explosiva. Em poucos meses, dezenas de bilhões de dólares foram investidos no setor.

No entanto, desde o final de 2024, há sinais crescentes de que esse desenvolvimento exponencial está atingindo seus limites. A OpenAI vem desenvolvendo o sucessor do GPT-4, internamente chamado de Orion ou GPT-5, há mais de 18 meses. A empresa teria realizado pelo menos dois grandes treinamentos, cada um custando aproximadamente US$ 500 milhões. Os resultados foram decepcionantes. Enquanto o GPT-4 representou um salto de desempenho enorme em relação ao GPT-3, as melhorias do Orion em relação ao GPT-4 são marginais. Em algumas áreas, principalmente em programação, o modelo praticamente não apresenta progresso.

Esse desenvolvimento contradiz fundamentalmente as leis de escala, aqueles princípios empíricos que até recentemente guiavam toda a indústria. A ideia básica era simples: se você aumenta o tamanho de um modelo, usa mais dados para treinamento e investe mais poder computacional, o aumento de desempenho segue uma função de potência previsível. Esse princípio parecia ser universalmente válido e justificava os investimentos astronômicos dos últimos anos. Agora, descobre-se que essas curvas estão se achatando. A próxima duplicação do investimento não resulta mais na duplicação esperada do desempenho.

Os motivos para isso são numerosos e tecnicamente complexos. Um problema crucial é a escassez de dados. O GPT-4 foi treinado com aproximadamente 13 trilhões de tokens, o que equivale essencialmente a toda a internet pública disponível. Para o GPT-5, simplesmente não há dados novos e de alta qualidade em quantidade suficiente. A OpenAI respondeu contratando desenvolvedores de software, matemáticos e físicos teóricos para gerar novos dados por meio da escrita de código e da resolução de problemas matemáticos. No entanto, mesmo que mil pessoas produzissem 5.000 palavras por dia, levaria meses para gerar apenas um bilhão de tokens. A escalabilidade utilizando dados gerados por humanos simplesmente não funciona.

Como alternativa, as empresas estão cada vez mais dependendo de dados sintéticos — ou seja, dados gerados por outros modelos de IA. Mas aqui reside um novo perigo: o colapso do modelo. Quando os modelos são treinados recursivamente com dados gerados por outros modelos, pequenos erros se amplificam ao longo das gerações. O resultado são modelos que se tornam cada vez mais distantes da realidade e nos quais grupos minoritários nos dados desaparecem de forma desproporcional. Um estudo publicado na Nature em 2024 mostrou que esse processo ocorre surpreendentemente rápido. Portanto, os dados sintéticos não são uma panaceia, mas sim acarretam riscos significativos.

A transição energética e os limites do crescimento

Além da barreira de dados, existe uma segunda barreira, ainda mais fundamental: a barreira energética. O treinamento do GPT-3 consumiu aproximadamente 1.300 megawatts-hora de eletricidade, o equivalente ao consumo anual de 130 residências americanas. O GPT-4 exigiu cerca de 50 vezes essa quantidade, ou 65.000 megawatts-hora. A capacidade computacional necessária para treinar grandes modelos de IA dobra aproximadamente a cada 100 dias. Essa curva exponencial leva rapidamente a limitações físicas.

Os centros de dados que treinam e operam esses modelos já consomem tanta eletricidade quanto pequenas cidades. A Agência Internacional de Energia prevê que o consumo de eletricidade dos centros de dados aumentará 80% até 2026, passando de 20 terawatts-hora em 2022 para 36 terawatts-hora em 2026. A IA é o principal motor desse crescimento. Para efeito de comparação, uma única consulta no ChatGPT consome cerca de dez vezes mais energia do que uma pesquisa no Google. Com bilhões de consultas por dia, isso representa quantidades enormes.

Esse cenário está forçando as empresas de tecnologia a tomarem medidas drásticas. A Microsoft já firmou contratos com fornecedores de energia nuclear. Meta, Amazon e Google estão investindo, juntas, mais de US$ 1,3 trilhão nos próximos anos para construir a infraestrutura necessária. Mas esses investimentos estão esbarrando em limitações físicas e políticas. Os EUA simplesmente não possuem infraestrutura energética suficiente para alimentar os data centers de IA planejados. Analistas estimam que projetos avaliados em US$ 750 bilhões podem ser adiados até 2030 devido a gargalos na infraestrutura energética.

A isso se soma a dimensão geopolítica. As demandas energéticas da indústria de IA intensificam a competição por recursos e aumentam a dependência de combustíveis fósseis. Enquanto os formuladores de políticas exigem neutralidade climática, a indústria de IA está elevando o consumo de energia. Essa tensão se agravará nos próximos anos e poderá levar a intervenções regulatórias que limitem o crescimento do setor.

A parede arquitetônica e a alternativa de LeCun

A terceira barreira é talvez a mais fundamental: a barreira arquitetônica. Yann LeCun argumenta há anos que a arquitetura Transformer possui limitações inerentes que não podem ser superadas simplesmente por meio de escalonamento. Sua crítica se concentra na forma fundamental como os Grandes Modelos de Linguagem funcionam. Esses sistemas são treinados para prever a próxima palavra em uma sequência. Eles aprendem padrões estatísticos em grandes corpora de texto, mas não desenvolvem uma verdadeira compreensão de causalidade, leis físicas ou planejamento a longo prazo.

LeCun gosta de ilustrar o problema com uma comparação: uma criança de quatro anos absorveu mais informações sobre o mundo através da percepção visual do que os melhores modelos de linguagem através do texto. Uma criança entende intuitivamente que os objetos não desaparecem simplesmente, que coisas pesadas caem e que as ações têm consequências. Ela desenvolveu um modelo do mundo, uma representação interna da realidade física, que usa para fazer previsões e planejar ações. Os melhores modelos de linguagem carecem dessa capacidade fundamental. Eles conseguem gerar textos impressionantemente coerentes, mas não compreendem o mundo.

Essa limitação torna-se evidente repetidamente em aplicações práticas. Se você pedir ao GPT-4 para visualizar um cubo girando, ele falha em uma tarefa que qualquer criança consegue realizar facilmente. Com tarefas complexas que exigem planejamento em várias etapas, os modelos falham com frequência. Eles não conseguem aprender com os erros de forma confiável, porque cada erro de previsão de token pode se propagar e se amplificar. Os modelos autorregressivos têm uma fragilidade fundamental: um erro no início da sequência pode arruinar todo o resultado.

A alternativa de LeCun são os modelos de mundo baseados em Arquitetura Preditiva de Incorporação Conjunta (Joint Embedding Predictive Architecture). A ideia básica é que os sistemas de IA não devem aprender por meio da previsão de texto, mas sim prevendo representações abstratas de estados futuros. Em vez de gerar pixel por pixel ou token por token, o sistema aprende uma representação compacta e estruturada do mundo e pode usá-la para simular mentalmente diferentes cenários antes de agir.

Sob a liderança de LeCun, a Meta já desenvolveu diversas implementações dessa abordagem. O I-JEPA para imagens e o V-JEPA para vídeos apresentam resultados promissores. Esses modelos aprendem componentes de objetos de alto nível e suas relações espaciais sem depender de uma aquisição intensiva de dados. Além disso, são significativamente mais eficientes em termos de energia para treinamento do que os modelos convencionais. A visão é combinar essas abordagens em sistemas hierárquicos que possam operar em diferentes níveis de abstração e escalas de tempo.

A diferença crucial reside na natureza do processo de aprendizagem. Enquanto os LLMs essencialmente realizam reconhecimento de padrões de forma otimizada, os modelos de mundo visam compreender a estrutura e a causalidade da realidade. Um sistema com um modelo de mundo robusto poderia antecipar as consequências de suas ações sem precisar executá-las de fato. Ele poderia aprender com alguns exemplos porque entende os princípios subjacentes, e não apenas correlações superficiais.

Disfunção organizacional e a crise existencial de Meta

A saída de LeCun, no entanto, não é apenas uma decisão científica, mas também resultado de uma disfunção organizacional na Meta. Em junho de 2025, o CEO Mark Zuckerberg anunciou uma reestruturação massiva das divisões de IA. Ele fundou a Meta Superintelligence Labs, uma nova unidade com o objetivo declarado de desenvolver Inteligência Artificial Geral. Ela era liderada por Alexandr Wang, o ex-CEO de 28 anos da Scale AI, uma empresa de preparação de dados. A Meta investiu US$ 14,3 bilhões na Scale AI e recrutou mais de 50 engenheiros e pesquisadores de concorrentes.

Essa decisão transformou radicalmente a estrutura existente. A Equipe de Pesquisa Fundamental em IA de LeCun, que havia passado anos desenvolvendo o PyTorch e os primeiros modelos de Lhama, foi marginalizada. A FAIR foi voltada para pesquisa fundamental com um horizonte de cinco a dez anos, enquanto os novos laboratórios de superinteligência se concentraram no desenvolvimento de produtos a curto prazo. Fontes relatam um caos crescente nos departamentos de IA da Meta. Os talentos de ponta recém-contratados expressaram frustração com a burocracia de uma grande corporação, enquanto as equipes estabelecidas viram sua influência diminuir.

A situação piorou devido a diversas reestruturações em apenas seis meses. Em agosto de 2025, a Superintelligence Labs foi reorganizada novamente, desta vez em quatro subunidades: um misterioso Laboratório a ser definido para novos modelos, uma equipe de produto, uma equipe de infraestrutura e a FAIR. Outra onda de demissões ocorreu em outubro, com aproximadamente 600 funcionários recebendo indenização. O motivo declarado: reduzir a complexidade organizacional e acelerar o desenvolvimento de IA.

Essas constantes reestruturações contrastam fortemente com a relativa estabilidade de concorrentes como OpenAI, Google e Anthropic. Elas apontam para uma incerteza fundamental na Meta em relação à direção estratégica correta. Zuckerberg reconheceu que a Meta está ficando para trás na corrida pela dominância da IA. O Llama 4, lançado em abril de 2025, foi uma decepção. Embora o modelo Maverick tenha demonstrado boa eficiência, ele falhou drasticamente em contextos mais longos. Surgiram alegações de que a Meta otimizou seus modelos para benchmarks, treinando-os especificamente com base em questões comuns de testes, inflando artificialmente o desempenho.

Para LeCun, a situação tornou-se insustentável. Sua visão de pesquisa fundamental a longo prazo entrou em conflito com a pressão para obter sucessos de produto a curto prazo. O fato de estar efetivamente subordinado a Wang, consideravelmente mais jovem, provavelmente contribuiu para sua decisão. Em seu memorando de despedida, LeCun enfatiza que a Meta continuará sendo parceira em sua nova empresa, mas a mensagem é clara: a pesquisa independente que ele considera essencial não é mais possível dentro das estruturas corporativas.

Uma nova dimensão de transformação digital com 'IA Gerenciada' (Inteligência Artificial) – Plataforma e Solução B2B | Xpert Consulting - Imagem: Xpert.Digital

Aqui você aprenderá como sua empresa pode implementar soluções de IA personalizadas de forma rápida, segura e sem altas barreiras de entrada.

Uma Plataforma de IA Gerenciada é o seu pacote completo e sem complicações para inteligência artificial. Em vez de lidar com tecnologia complexa, infraestrutura cara e longos processos de desenvolvimento, você recebe uma solução pronta para uso, adaptada às suas necessidades, de um parceiro especializado – geralmente em poucos dias.

Os principais benefícios em resumo:

⚡ Implementação rápida: da ideia à aplicação operacional em dias, não meses. Entregamos soluções práticas que criam valor imediato.

🔒 Segurança máxima dos dados: seus dados confidenciais permanecem com você. Garantimos um processamento seguro e em conformidade, sem compartilhar dados com terceiros.

💸 Sem risco financeiro: você só paga pelos resultados. Altos investimentos iniciais em hardware, software ou pessoal são completamente eliminados.

🎯 Foco no seu negócio principal: concentre-se no que você faz de melhor. Cuidamos de toda a implementação técnica, operação e manutenção da sua solução de IA.

📈 À prova do futuro e escalável: sua IA cresce com você. Garantimos otimização e escalabilidade contínuas e adaptamos os modelos com flexibilidade às novas necessidades.

Mais sobre isso aqui:

• A Solução de IA Gerenciada - Serviços de IA Industrial: A chave para a competitividade nos setores de serviços, engenharia industrial e mecânica

Anatomia econômica da formação de bolhas

Os acontecimentos na Meta são sintomáticos de uma dinâmica econômica mais ampla na indústria de IA. Desde o sucesso do ChatGPT no final de 2022, um boom de investimentos sem precedentes se desenrolou. Somente no primeiro trimestre de 2025, US$ 73,1 bilhões foram investidos em startups de IA, representando 58% de todos os investimentos de capital de risco. A OpenAI atingiu uma avaliação de US$ 500 bilhões, tornando-se a primeira empresa privada a ultrapassar esse patamar sem nunca ter sido lucrativa.

As avaliações são extremamente desproporcionais às receitas reais. A OpenAI gerou US$ 10 bilhões em receita anual em 2025 com uma avaliação de US$ 500 bilhões, resultando em uma relação preço/vendas de 50. Para efeito de comparação, mesmo no auge da bolha da internet, poucas empresas alcançaram múltiplos tão elevados. A Anthropic é avaliada em US$ 170 bilhões com receitas de US$ 2,2 bilhões, uma relação preço/lucro de aproximadamente 77. Esses números indicam uma enorme sobrevalorização.

Particularmente problemática é a estrutura de financiamento circular que se desenvolveu. A Nvidia está investindo US$ 100 bilhões na OpenAI, que, por sua vez, é obrigada a comprar dezenas de bilhões de dólares em chips da Nvidia. A OpenAI fez acordos semelhantes com a AMD, também no valor de dezenas de bilhões de dólares. A Microsoft investiu mais de US$ 13 bilhões na OpenAI e hospeda sua infraestrutura no Azure. A Amazon investiu US$ 8 bilhões na Anthropic, que, em contrapartida, usa a AWS como sua principal plataforma de nuvem e emprega os próprios chips de IA da Amazon.

Esses arranjos lembram muito o financiamento circular do final da década de 1990, quando empresas de tecnologia vendiam equipamentos umas às outras e contabilizavam as transações como receita, sem gerar qualquer valor econômico real. Analistas falam de uma rede cada vez mais complexa e opaca de relações comerciais alimentando um boom de trilhões de dólares. Os paralelos com a bolha da internet e a crise financeira de 2008 são inegáveis: mecanismos de financiamento opacos e não convencionais, difíceis de serem compreendidos e avaliados pelos investidores.

A isso se soma a concentração de capital. As "Magnificent Seven", as sete maiores empresas de tecnologia dos EUA, aumentaram seu consumo de energia em 19% em 2023, enquanto o consumo médio das empresas do S&P 500 estagnou. Aproximadamente 80% dos ganhos do mercado de ações nos EUA em 2025 foram atribuídos a empresas relacionadas à inteligência artificial. A Nvidia, sozinha, tornou-se a ação mais comprada por investidores de varejo, que investiram quase US$ 30 bilhões na fabricante de chips em 2024.

Essa concentração extrema acarreta riscos sistêmicos. Se as expectativas de retorno se mostrarem irrealistas, um colapso do mercado poderá ter consequências de longo alcance. O JPMorgan estima que as emissões de títulos de grau de investimento relacionados à IA, por si só, poderão atingir US$ 1,5 trilhão até 2030. Grande parte dessa dívida se baseia na premissa de que os sistemas de IA gerarão ganhos de produtividade massivos. Caso essa expectativa não se concretize, uma crise de crédito se aproxima.

Adequado para:

• A Meta está apostando tudo na superinteligência: investimentos bilionários, mega data centers e uma corrida arriscada de IA

A guerra por talentos e as convulsões sociais

As tensões econômicas também se manifestam no mercado de trabalho. A proporção de vagas em IA para candidatos qualificados é de 3,2 para 1. Há 1,6 milhão de vagas abertas, mas apenas 518 mil candidatos qualificados. Essa extrema escassez está elevando os salários a patamares astronômicos. Especialistas em IA podem aumentar sua renda anual em dezenas de milhares de dólares adquirindo habilidades em Python, TensorFlow ou frameworks de IA especializados.

A competição é brutal. Grandes empresas de tecnologia, startups bem financiadas e até governos disputam o mesmo seleto grupo de especialistas. A OpenAI sofreu um êxodo de executivos nos últimos meses, incluindo o cofundador Ilya Sutskever e a diretora de tecnologia Mira Murati. Muitos desses profissionais talentosos estão lançando suas próprias startups ou migrando para concorrentes. A Meta está recrutando agressivamente da OpenAI, Anthropic e Google. A Anthropic, por sua vez, está recrutando da Meta e da OpenAI.

Essa dinâmica tem diversas consequências. Primeiro, fragmenta o cenário da pesquisa. Em vez de trabalharem em prol de objetivos comuns, pequenas equipes em diferentes organizações competem pelas mesmas descobertas. Segundo, eleva os custos. Os salários exorbitantes dos especialistas em IA só são sustentáveis ​​para empresas bem capitalizadas, o que exclui os participantes menores do mercado. Terceiro, atrasa projetos. Empresas relatam que vagas em aberto permanecem sem preenchimento por meses, interrompendo os cronogramas de desenvolvimento.

As implicações sociais vão muito além do setor tecnológico. Se a IA realmente representa a próxima revolução industrial, então uma transformação massiva do mercado de trabalho é iminente. Ao contrário da primeira revolução industrial, que afetou principalmente o trabalho físico, a IA tem como alvo tarefas cognitivas. Não apenas a simples entrada de dados e o atendimento ao cliente estão ameaçados, mas também, potencialmente, profissões altamente especializadas, como programadores, designers, advogados e jornalistas.

Um estudo do setor de gestão de investimentos prevê uma queda de 5% na participação da renda proveniente do trabalho devido à inteligência artificial e ao big data. Isso é comparável às mudanças ocorridas durante a Revolução Industrial, que causaram uma queda de 5% a 15%. A diferença crucial: a transformação atual está acontecendo ao longo de anos, não décadas. As sociedades têm pouco tempo para se adaptar.

Computação em tempo de teste e a mudança de paradigma

Embora as leis de escalonamento para pré-treinamento estejam atingindo seus limites, um novo paradigma surgiu: o escalonamento computacional em tempo de teste. Os modelos o1 da OpenAI demonstraram que ganhos de desempenho significativos são possíveis investindo mais poder computacional durante a inferência. Em vez de simplesmente aumentar o tamanho do modelo, esses sistemas permitem que o modelo reflita sobre uma consulta por mais tempo, explore múltiplas abordagens para resolvê-la e verifique suas respostas por conta própria.

No entanto, pesquisas mostram que esse paradigma também tem limitações. O escalonamento sequencial, no qual um modelo itera sobre o mesmo problema várias vezes, não leva a melhorias contínuas. Estudos sobre modelos como Deepseeks R1 e QwQ demonstram que processos de pensamento mais longos não produzem automaticamente melhores resultados. Frequentemente, o modelo corrige respostas corretas para incorretas, em vez do contrário. A capacidade de autorrevisão necessária para um escalonamento sequencial eficaz ainda não está suficientemente desenvolvida.

O escalonamento paralelo, onde múltiplas soluções são geradas simultaneamente e a melhor é selecionada, apresenta melhores resultados. No entanto, também nesse caso, o benefício marginal diminui a cada duplicação da capacidade computacional investida. A relação custo-benefício cai rapidamente. Para aplicações comerciais que precisam responder a milhões de consultas por dia, os custos são proibitivos.

O verdadeiro avanço pode estar na combinação de diferentes abordagens. Arquiteturas híbridas que combinam Transformers com Modelos de Espaço de Estados prometem unir os pontos fortes de ambas. Modelos de Espaço de Estados como o Mamba oferecem comportamento de escalabilidade linear na inferência, enquanto os Transformers se destacam na captura de dependências de longo alcance. Tais sistemas híbridos poderiam reequilibrar a equação custo-benefício.

Arquiteturas alternativas e o futuro após os Transformers

Paralelamente aos modelos de mundo aberto, diversas arquiteturas alternativas estão surgindo e podem desafiar o domínio dos Transformers. Os modelos de espaço de estados (SSMs) têm apresentado avanços significativos nos últimos anos. S4, Mamba e Hyena demonstram que o raciocínio eficiente em contextos longos com complexidade linear é possível. Enquanto os Transformers escalam quadraticamente com o comprimento da sequência, os SSMs alcançam escalabilidade linear tanto no treinamento quanto na inferência.

Esses ganhos de eficiência podem ser cruciais quando sistemas de IA são implantados em ambientes de produção. O custo da inferência muitas vezes é subestimado. O treinamento é um investimento único, mas a inferência é executada continuamente. O ChatGPT nunca fica offline. Com bilhões de consultas diárias, mesmo pequenas melhorias de eficiência se somam a enormes economias de custos. Um modelo que requer metade do poder computacional para a mesma qualidade tem uma enorme vantagem competitiva.

O desafio reside na maturação dessas tecnologias. Os Transformers têm uma vantagem de quase oito anos e um vasto ecossistema de ferramentas, bibliotecas e conhecimento especializado. Arquiteturas alternativas precisam não apenas ser tecnicamente superiores, mas também viáveis ​​na prática. A história da tecnologia está repleta de soluções tecnicamente superiores que fracassaram no mercado devido à falta de um ecossistema adequado.

Curiosamente, a competição chinesa também está apostando em abordagens alternativas. O DeepSeek V3, um modelo de código aberto com 671 bilhões de parâmetros, utiliza uma arquitetura de mistura de especialistas na qual apenas 37 bilhões de parâmetros são ativados por token. O modelo alcança desempenho comparável ao de concorrentes ocidentais em benchmarks, mas foi treinado a um custo muito menor. O tempo de treinamento foi de apenas 2,788 milhões de horas de GPU H800, significativamente menor do que o de modelos comparáveis.

Esse desenvolvimento demonstra que a liderança tecnológica não reside necessariamente nas mãos dos atores com maior poder financeiro. Decisões arquitetônicas inteligentes e otimizações podem compensar vantagens em termos de recursos. Para o cenário global de IA, isso significa uma crescente multipolaridade. China, Europa e outras regiões estão desenvolvendo suas próprias abordagens, que não são meras cópias de modelos ocidentais.

A reavaliação e a inevitável ressaca.

A convergência de todos esses fatores sugere uma iminente reavaliação da indústria de IA. As avaliações atuais baseiam-se na premissa de crescimento exponencial contínuo, tanto no desempenho dos modelos quanto na adoção comercial. Ambas as premissas estão se tornando cada vez mais questionáveis. O desempenho dos modelos está estagnado, enquanto os custos continuam a disparar. Embora a adoção comercial esteja crescendo, a monetização permanece um desafio.

A OpenAI, com sua avaliação de meio trilhão de dólares, precisaria crescer para pelo menos US$ 100 bilhões em receita anual e se tornar lucrativa nos próximos anos para justificar sua avaliação. Isso significaria um aumento de dez vezes em apenas alguns anos. Em comparação, o Google levou mais de uma década para crescer de US$ 10 bilhões para US$ 100 bilhões em receita. As expectativas para empresas de IA são irrealisticamente altas.

Analistas alertam para um possível estouro da bolha da IA. Os paralelos com a bolha da internet são óbvios. Tanto naquela época quanto agora, havia tecnologia revolucionária com enorme potencial. Tanto naquela época quanto agora, havia avaliações irracionalmente inflacionadas e estruturas de financiamento circulares. Tanto naquela época quanto agora, os investidores justificavam avaliações absurdas argumentando que a tecnologia mudaria tudo e que as métricas de avaliação tradicionais não eram mais aplicáveis.

A diferença crucial: ao contrário de muitas empresas ponto-com, as empresas de IA de hoje têm produtos funcionais com valor real. O ChatGPT não é uma promessa vazia, mas sim uma tecnologia usada por milhões de pessoas diariamente. A questão não é se a IA é valiosa, mas se é valiosa o suficiente para justificar as avaliações atuais. A resposta, muito provavelmente, é não.

Quando a reavaliação chegar, será dolorosa. Fundos de capital de risco investiram 70% do seu capital em IA. Fundos de pensão e investidores institucionais estão massivamente expostos. Uma queda significativa nas avaliações de IA teria consequências financeiras de longo alcance. Empresas que dependem de financiamento barato repentinamente teriam dificuldades para captar recursos. Projetos seriam interrompidos e funcionários seriam demitidos.

A perspectiva de longo prazo e o caminho a seguir.

Apesar dessas perspectivas sombrias a curto prazo, o potencial da inteligência artificial a longo prazo permanece imenso. A atual euforia não altera a importância fundamental da tecnologia. A questão não é se, mas como e quando a IA cumprirá sua promessa. A mudança de foco de LeCun, do desenvolvimento de produtos a curto prazo para a pesquisa fundamental a longo prazo, aponta o caminho.

A próxima geração de sistemas de IA provavelmente será diferente dos atuais modelos de aprendizagem de linguagem. Ela combinará elementos de modelos do mundo real, arquiteturas alternativas e novos paradigmas de treinamento. Dependerá menos de escalonamento por força bruta e mais de representações eficientes e estruturadas. Aprenderá com o mundo físico, não apenas com texto. E compreenderá causalidade, não apenas correlações.

Essa visão, contudo, exige tempo, paciência e liberdade para conduzir pesquisas fundamentais. Essas condições são difíceis de encontrar no atual ambiente de mercado. A pressão para obter sucesso comercial rápido é imensa. Relatórios trimestrais e rodadas de avaliação dominam a agenda. Programas de pesquisa de longo prazo, que podem levar anos para produzir resultados, são difíceis de justificar.

A decisão de LeCun de fundar uma startup aos 65 anos é uma declaração notável. Ele poderia ter se aposentado com todas as honras e um lugar garantido na história. Em vez disso, escolheu o caminho árduo de perseguir uma visão rejeitada pela indústria dominante. A Meta continuará como parceira, o que significa que sua empresa terá recursos, pelo menos inicialmente. Mas seu verdadeiro sucesso dependerá de ele conseguir demonstrar nos próximos anos que a Inteligência Artificial Avançada é de fato superior.

A transformação levará anos. Mesmo que LeCun esteja certo e os modelos mundiais sejam fundamentalmente superiores, eles ainda precisam ser desenvolvidos, otimizados e industrializados. O ecossistema precisa ser construído. Os desenvolvedores precisam aprender a usar as novas ferramentas. As empresas precisam migrar dos LLMs para os novos sistemas. Historicamente, essas fases de transição sempre foram difíceis.

Da euforia à realidade: o caminho a seguir a longo prazo na IA.

A saída de Yann LeCun da Meta representa mais do que uma simples mudança de pessoal. Ela simboliza a tensão fundamental entre a visão científica e o pragmatismo comercial, entre a inovação a longo prazo e as demandas de curto prazo do mercado. A atual revolução da IA ​​está em um ponto de inflexão. Os sucessos fáceis de escalabilidade se esgotaram. Os próximos passos serão mais difíceis, dispendiosos e incertos.

Para os investidores, isso significa que as avaliações exorbitantes das atuais empresas líderes em IA precisam ser analisadas criticamente. Para as empresas, significa que a esperança de milagres de produtividade rápidos por meio da IA ​​pode ser frustrada. Para a sociedade, significa que a transformação será mais lenta e desigual do que a onda de entusiasmo sugere.

Ao mesmo tempo, a base permanece sólida. A IA não é uma moda passageira, mas uma tecnologia fundamental que transformará praticamente todos os setores da economia a longo prazo. Os paralelos com a revolução industrial são pertinentes. Como naquela época, haverá vencedores e perdedores, excessos e correções, convulsões e ajustes. A questão não é se a arquitetura transformadora atingiu o limite de suas capacidades, mas como será a próxima fase e quem a moldará.

A aposta de LeCun em inteligência artificial avançada e modelos do mundo real é ousada, mas pode se revelar visionária. Daqui a cinco anos, saberemos se romper com a corrente principal foi a decisão certa ou se a indústria manteve o rumo. Os próximos anos serão cruciais para o desenvolvimento a longo prazo da inteligência artificial e, consequentemente, para o futuro econômico e social.

Nossa experiência nos EUA em desenvolvimento de negócios, vendas e marketing - Imagem: Xpert.Digital

Foco da indústria: B2B, digitalização (de IA a XR), engenharia mecânica, logística, energias renováveis ​​e indústria

Mais sobre isso aqui:

• Centro de Negócios Xpert

Um centro de tópicos com insights e experiência:

• Plataforma de conhecimento sobre a economia global e regional, inovação e tendências específicas do setor
• Coleta de análises, impulsos e informações básicas de nossas áreas de foco
• Um lugar para conhecimento especializado e informações sobre desenvolvimentos atuais em negócios e tecnologia
• Centro de tópicos para empresas que desejam aprender sobre mercados, digitalização e inovações do setor

☑️ Nosso idioma comercial é inglês ou alemão

☑️ NOVO: Correspondência em seu idioma nacional!

Konrad Wolfenstein

Ficarei feliz em servir você e minha equipe como consultor pessoal.

Você pode entrar em contato comigo preenchendo o formulário de contato ou simplesmente ligando para +49 89 89 674 804 (Munique) . Meu endereço de e-mail é: wolfenstein ∂ xpert.digital

Estou ansioso pelo nosso projeto conjunto.

☑️ Apoio às PME em estratégia, consultoria, planeamento e implementação

☑️ Criação ou realinhamento da estratégia digital e digitalização

☑️ Expansão e otimização dos processos de vendas internacionais

☑️ Plataformas de negociação B2B globais e digitais

☑️ Pioneiro em Desenvolvimento de Negócios / Marketing / RP / Feiras Comerciais

Beneficie-se da ampla experiência quíntupla da Xpert.Digital em um pacote de serviços abrangente | P&D, XR, RP e Otimização de Visibilidade Digital - Imagem: Xpert.Digital

A Xpert.Digital possui conhecimento profundo de diversos setores. Isso nos permite desenvolver estratégias sob medida, adaptadas precisamente às necessidades e desafios do seu segmento de mercado específico. Ao analisar continuamente as tendências do mercado e acompanhar os desenvolvimentos da indústria, podemos agir com visão e oferecer soluções inovadoras. Através da combinação de experiência e conhecimento, geramos valor acrescentado e damos aos nossos clientes uma vantagem competitiva decisiva.

Mais sobre isso aqui:

• Utilize a experiência 5x do Xpert.Digital num único pacote - a partir de apenas 500€/mês