A inteligência artificial vive um momento de transição. Depois de anos em que o avanço dos grandes modelos de linguagem, os chamados LLMs, foi impulsionado pelo aumento da capacidade computacional, pela disponibilidade de dados e pelo crescimento dos modelos, a indústria começa a enfrentar uma questão mais complexa: até onde essas arquiteturas conseguem evoluir e se elas serão suficientes para alcançar a Inteligência Artificial Geral (AGI).
Os grandes modelos de linguagem estão no centro da transformação que levou a inteligência artificial generativa a um novo patamar. Sistemas como o ChatGPT demonstraram uma capacidade cada vez maior de compreender comandos, produzir textos, escrever códigos, resumir informações e executar tarefas que antes exigiam intervenção humana. A mesma evolução alcançou imagens, vídeos e áudios, ampliando significativamente o potencial de aplicação da tecnologia.
Mas executar tarefas complexas com eficiência não significa necessariamente reproduzir capacidades mais amplas da inteligência humana. Os modelos atuais são capazes de processar grandes volumes de informação, identificar padrões e estabelecer relações a partir dos dados utilizados em seu treinamento. O desafio para os próximos anos será desenvolver sistemas capazes de aprender de maneira mais contínua, lidar com diferentes tipos de informação, compreender contextos mais amplos e se adaptar a situações novas.
É justamente nesse ponto que surge uma das principais discussões sobre o futuro da IA: até onde podemos chegar apenas escalando os modelos existentes? Eles já demonstraram capacidades impressionantes, mas inteligência não se resume a prever a próxima palavra ou produzir uma resposta coerente. Alcançar sistemas realmente gerais exige compreender quais capacidades ainda não estão presentes e quais novas abordagens podem ser necessárias para desenvolvê-las.
Essa discussão divide pesquisadores e empresas que estão na fronteira da tecnologia. Uma das visões defende que ainda existe muito espaço para evolução das arquiteturas atuais. Modelos maiores, combinados a mais dados, poder computacional e métodos de treinamento cada vez mais sofisticados poderiam continuar ampliando as capacidades dos sistemas. Nessa perspectiva, a própria inteligência artificial também pode contribuir para acelerar seu desenvolvimento, auxiliando em programação, pesquisas e na criação de modelos mais avançados.
O crescimento da Anthropic ilustra a dimensão dessa corrida. Segundo dados publicados pelo TechCrunch, a receita anualizada da empresa passou de US$ 9 bilhões no fim de 2025 para mais de US$ 65 bilhões em julho de 2026. A disputa pela próxima geração de inteligência artificial, portanto, não é apenas tecnológica. Ela envolve investimentos bilionários, infraestrutura, desenvolvimento de produtos e uma corrida pelo protagonismo em um dos mercados mais estratégicos da economia digital.
Ao mesmo tempo, pesquisadores como Yann LeCun, da AMI Labs, questionam se modelos de linguagem, mesmo em escalas cada vez maiores, serão suficientes para representar capacidades mais amplas da inteligência humana. A própria maneira como as pessoas aprendem mostra que inteligência não depende apenas da linguagem. Percepção, memória, interação com o ambiente, raciocínio, experiência e aprendizado contínuo também fazem parte desse processo.
Essa perspectiva abre espaço para a busca por novas arquiteturas capazes de combinar diferentes modalidades de informação e construir representações mais abrangentes do mundo. Os LLMs não necessariamente deixariam de ter importância nesse cenário. Ao contrário, continuam como componentes fundamentais, mas integrados a sistemas mais complexos, capazes de reunir diferentes formas de aprendizado, memória, percepção e raciocínio.
A questão é particularmente relevante porque o aumento de escala foi uma das principais estratégias responsáveis pelos avanços recentes da inteligência artificial. Durante anos, ampliar modelos e disponibilizar mais dados e capacidade computacional produziu ganhos expressivos de desempenho. Os modelos de linguagem podem continuar evoluindo e superar limitações que hoje parecem estruturais, enquanto novas arquiteturas podem ser desenvolvidas para solucionar problemas que não são facilmente resolvidos apenas com mais parâmetros, dados e processamento. Os dois caminhos também podem avançar simultaneamente e, eventualmente, convergir.
A próxima fase da inteligência artificial, portanto, será marcada por uma mudança na própria pergunta que orienta a indústria. Em vez de discutir apenas quão grandes e poderosos os modelos podem se tornar, será necessário compreender o que ainda falta para que sejam capazes de aprender, raciocinar, perceber e se adaptar de maneira mais próxima de uma inteligência geral.
Na corrida pela AGI, o verdadeiro desafio será descobrir se a inteligência pode ser ampliada indefinidamente a partir das arquiteturas que conhecemos ou se o próximo grande salto dependerá de uma nova maneira de construir máquinas capazes de aprender e compreender o mundo.
Gabriel Cunha é Especialista em Inteligência Artificial da Oracle
