A Frase Que Me Forçou a Reconsiderar

“Minha integridade como cientista não me permite fazer isso. LLMs são basicamente um beco sem saída quando se trata de superinteligência. Eu não estou errado.”

Yann LeCun disse isso ao The Decoder em janeiro de 2026. Quando eu li pela primeira vez, achei arrogante. Quem se declara “não errado” com tanta certeza? Mas LeCun não é qualquer pessoa — é vencedor do Prêmio Turing de 2018, um dos três “padrinhos” do deep learning, e ex-chefe de IA da Meta por 12 anos.

E em maio de 2026, na Bloomberg, ele foi ainda mais longe: deu 5 anos para LLMs serem substituídos na maioria das aplicações. Disse que aconselha jovens cientistas a não focarem doutorados em LLMs — porque é “um desvio” do trabalho real de alcançar inteligência de nível humano.

Depois de meses pesquisando suas críticas e cruzando com dados que eu mesmo encontrei ao escrever este blog, não consigo mais ignorar os 5 problemas estruturais que ele aponta. Não porque sejam teóricos — porque eu sinto cada um deles na prática.

1. Zero Compreensão da Realidade (O Mito da Sombra)

LLMs são treinados puramente em texto. E a linguagem humana é apenas uma descrição do mundo, não o mundo real.

LeCun usou uma analogia que ficou na minha cabeça: treinar IA exclusivamente com texto é como tentar ensinar o que é uma borboleta mostrando apenas a sombra dela projetada na parede. O modelo aprende os padrões da sombra (a sintaxe da linguagem), mas não tem a menor pista sobre o objeto que gera a projeção (o mundo físico tridimensional).

Na entrevista ao MIT Technology Review (janeiro 2026), LeCun deu números: “O maior LLM é treinado em cerca de 30 trilhões de palavras — aproximadamente 10¹⁴ bytes de texto. Parece enorme.” Mas uma criança de 4 anos já processou 50 vezes mais dados sensoriais do que isso — dados visuais, táteis, auditivos, proprioceptivos. A diferença não é de escala. É de tipo de dado.

Eu escrevi sobre isso no post “Além do Texto” — mas o Teste de Stroop que discuti no último post é a prova empírica: quando dados visuais conflitam com dados textuais, os LLMs colapsam. Não porque falta capacidade — porque falta o tipo certo de compreensão.

2. Raciocínio É Apenas um “Chute Caro”

Muitas empresas vendem técnicas como Chain of Thought (CoT) como “raciocínio passo a passo”. LeCun desmistifica de forma cirúrgica: o que parece raciocínio é, na verdade, amostragem estatística avançada.

A citação que mais me marcou: “Modelos autoregressivos são como prever pixels em uma imagem um de cada vez. Ineficiente e perde o quadro geral.”

O modelo gera múltiplos caminhos possíveis baseados em probabilidades e um sistema de scoring seleciona o que parece mais plausível. Não há reflexão, lógica abstrata ou ponderação real. É adivinhação estatística sofisticada — e cara. Os modelos “de raciocínio” (o1, o3, DeepSeek R1) consomem ordens de magnitude mais tokens por resposta, e ainda assim alucinam — como mostrei no post sobre alucinações (o3 alucina 33% sobre pessoas, o4-mini 48%).

LeCun chama isso de “Sistema 1 turbinado.” O verdadeiro Sistema 2 — raciocínio deliberado, planejamento abstrato — exige modelos que manipulem representações abstratas do mundo. Não predição de próximo token.

3. Alucinações São Incorrigíveis

Esse ponto é o que mais me desconfortou — porque conecta com a prova matemática de 2025 que eu discuti no post sobre alucinações.

LeCun argumenta que alucinações são consequência direta da falta de um modelo causal do mundo. Quando o LLM encontra uma lacuna de conhecimento no espaço vetorial, ele não consegue testar a informação contra a lógica da realidade. Simplesmente preenche o vazio com uma ficção estatisticamente plausível.

RLHF (feedback humano) serve como um “curativo superficial” — reduz a frequência, muda a forma, mas não resolve a raiz. Porque a raiz é arquitetural: o modelo não tem representação interna do mundo contra a qual verificar suas afirmações.

O paper do PNAS Nexus sobre Stroop confirma: o modelo não tem “árbitro” interno para resolver conflitos entre sinais. A alucinação é uma manifestação desse gap.

4. Total Incapacidade de Planejamento Estrutural

LLMs falham quando precisam planejar ações de longo prazo no mundo físico. LeCun usa um exemplo demolidor: um adolescente humano precisa de 20 horas de prática para aprender a dirigir. A indústria investiu dezenas de bilhões de dólares e a direção autônoma nível 5 ainda enfrenta gargalos severos.

Por quê? Porque a IA atual não possui senso comum do funcionamento físico da realidade. Não sabe prever consequências de causa e efeito de forma intuitiva — algo que humanos e animais fazem naturalmente.

LeCun na Bloomberg: “Usar um LLM para entender o mundo real é como ensinar alguém a dirigir apenas conversando.” Como eu explorei no post sobre o Cosmos 3: robôs precisam de ensaio mental — simular consequências antes de agir. LLMs não fazem isso.

5. O Teto de Vidro da “Lei de Scaling”

O ponto mais preocupante. A estratégia de escala — mais dados, mais parâmetros, mais compute — bateu no teto. Nos últimos anos, a indústria dobrou modelos, triplicou dados, adicionou camadas de raciocínio artificial. O resultado: ganhos de desempenho cada vez menores em troca de custos astronômicos.

Ilya Sutskever (ex-OpenAI) expressou visão similar: “Simplesmente aumentar o poder computacional 100 vezes não trará mudança qualitativa.”

O Llama 4 da Meta, lançado em abril de 2025, performou em cenários reais muito abaixo dos benchmarks — evidência de que otimizar métricas de avaliação não é o mesmo que melhorar compreensão.

Não é um platô temporário. É um teto estrutural da arquitetura de transformers. Os retornos são decrescentes. E o custo de cada ponto percentual de melhoria está aumentando exponencialmente.

A Alternativa: JEPA e World Models

Se LLMs são o beco sem saída, qual é a saída? Para LeCun, a resposta é JEPA (Joint Embedding Predictive Architecture).

Em vez de prever a próxima palavra, JEPA prevê o que vai acontecer no espaço e no tempo dentro de uma representação abstrata do mundo real. A IA aprende como o mundo funciona assistindo a vídeos e interagindo com o ambiente — desenvolvendo o equivalente digital ao “senso comum” humano.

A arquitetura modular de JEPA tem seis componentes: Configurador, Módulo de Percepção, World Model, Módulo de Custo, Ator e Memória de Curto Prazo. Cada um endereça uma limitação específica dos LLMs.

LeCun fundou a AMI Labs (Advanced Machine Intelligence, pronunciado “Amy” — “amigo” em francês), avaliada em $3,5 bilhões, com o seed round de $1,03 bilhão — o maior da história da Europa. V-JEPA 2 roda em uma única GPU com 1,2 bilhão de parâmetros e já demonstra manipulação robótica zero-shot.

O Que Eu Realmente Penso (Revisitado)

Eu já escrevi sobre LeCun no post “Além do Texto.” Naquele momento, concluí que “provavelmente está certo no longo prazo, mas o longo prazo é muito longo.” Seis meses depois, minha posição evoluiu:

Os 5 problemas são reais e verificáveis. Cada um deles eu vi em ação nos posts desta série — alucinações, Stroop, context rot, falhas de agentes, limitações de scaling.

Mas “beco sem saída” é linguagem forte demais. LLMs continuam sendo enormemente úteis. O Claude que eu uso para escrever este blog é um LLM. O Cursor que código todos os dias é um LLM com harness. A utilidade é real — mesmo que a “inteligência” não seja.

O futuro mais provável é híbrido. LLMs para linguagem e raciocínio abstrato. World models para planejamento físico e simulação. Não substituição — integração. Como um analista resumiu: “LLMs e world models podem acabar como camadas complementares — raciocínio/linguagem vs simulação física — em vez de um substituindo o outro.”

LeCun está certo em levantar o alarme. Mesmo que esteja errado nos detalhes, forçar a indústria a confrontar os limites da arquitetura atual é um serviço público. Sem esse questionamento, continuaríamos achando que basta “escalar mais” — e queimando bilhões no processo.

Conclusão: Ferramentas Fantásticas, Não Inteligência

LLMs são ferramentas fantásticas para automação linguística, resumos, geração de código e assistência intelectual. Mas tratá-los como caminho definitivo para inteligência consciente é um erro de engenharia que LeCun documentou com clareza científica.

O teto foi alcançado. O futuro da IA não será definido por modelos que leem mais livros, mas por modelos que finalmente consigam compreender a realidade como ela é.

E a boa notícia: essa nova era já começou. JEPA, Cosmos 3, VibeGen, world models — os tijolos da próxima fundação já estão sendo assentados.

Compartilhe se isso expandiu sua perspectiva:

“Minha integridade como cientista não me permite fazer isso.” LeCun pode estar certo ou errado sobre o timeline. Mas sobre os 5 problemas? Os dados estão do lado dele.

Leia Também