O Próximo 'Momento GPT' Será Visual? O Estudo de Harvard, Stanford e Google que Desafia os LLMs

A Hipótese que Inverteu Minha Suposição Mais Básica

Eu, como praticamente todo mundo que acompanha essa indústria, sempre assumi que a AGI viria de continuar escalando LLMs — mais dado, mais parâmetro, mais contexto, até algo emergir. Foi meio que virou consenso implícito.

Então achei um white paper chamado “Visual General Intelligence: A White Paper”, assinado por dez pesquisadores de peso do Google, Stanford, Harvard e Princeton, e a tese central me fez parar pra pensar de novo: e se a verdadeira inteligência geral não nascer do texto, mas de modelos de geração de vídeo?

Não é um paper de gente querendo chamar atenção. É um esforço coletivo, deliberado, de repensar de onde a inteligência realmente pode emergir — e a resposta que eles propõem inverte a ordem que eu sempre dei como certa.

O “Efeito Veo 3” que Explica Tudo

Robert Geirhos, pesquisador do Google DeepMind e um dos nomes por trás do paper, usa modelos de geração de vídeo como o Veo 3 pra ilustrar uma diferença que eu achei genuinamente esclarecedora.

Um classificador de imagem tradicional consegue “trapacear”: ele reconhece um elefante analisando só a textura cinzenta da pele, sem entender nada da estrutura tridimensional do animal. Funciona, mas é um atalho — não é compreensão de verdade.

Um modelo de vídeo não tem essa margem. Se a iluminação, a gravidade, a persistência de um objeto ou uma sombra estiverem minimamente erradas, o olho humano detecta o erro na hora. Pra gerar um vídeo realista, a rede neural é literalmente forçada a desenvolver uma compreensão implícita da física do mundo — porque não tem como trapacear escondendo atrás de textura.

E o que mais me impressionou: sem nunca terem sido treinados explicitamente pra isso, modelos como o Veo 3 desenvolveram habilidades emergentes — detecção de borda, segmentação de objeto, até resolver labirinto complexo. É praticamente o mesmo padrão que vimos quando o GPT-3 revelou capacidade lógica inesperada ao cruzar uma escala crítica de parâmetros. Só que, dessa vez, a emergência veio de aprender a simular física, não de aprender a prever a próxima palavra.

Comparando os Três Caminhos

Parâmetro	Classificadores de imagem	LLMs tradicionais (texto)	Modelos de geração de vídeo (ex: Veo 3)
Domínio principal	Correlação de pixels e texturas	Sequenciamento estatístico de palavras	Compreensão espacial, física e iluminação
Margem pra “trapacear”	Alta — confunde textura com objeto	Média — gera texto fluido sem senso físico real	Nula — qualquer erro geométrico quebra a cena
Habilidades emergentes	Mínimas	Raciocínio simbólico e linguagem	Navegação 3D, segmentação, noção de gravidade

Quando eu olho essa tabela, o que salta é que o vídeo, por natureza, não deixa espaço pra atalho. Ele obriga o modelo a “entender” o mundo do jeito mais literal possível — porque qualquer erro de física vira um erro visual óbvio.

Os 500 Milhões de Anos que Sustentam a Tese

A parte que mais me convenceu não foi técnica — foi biológica. Na evolução do planeta, o sistema visual dos animais existe há cerca de 500 milhões de anos antes do surgimento da linguagem humana. A inteligência biológica aprendeu primeiro a navegar e compreender espaço físico, pra só muito depois desenvolver comunicação verbal.

Eu acho isso um argumento poderoso: se a evolução biológica priorizou visão antes de linguagem por uma vantagem evolutiva tão gigante, talvez estejamos tentando construir inteligência artificial na ordem errada — começando pela parte que, biologicamente, veio por último.

Nem Todo Mundo no Paper Concorda no Como

Uma coisa que eu respeito nesse white paper é que ele não esconde a divergência interna entre os próprios autores. Tem gente defendendo que a IA precisa de corpo físico — robótica, não só “olhos” — pra interagir de verdade com o ambiente (a chamada modalidade corporificada). Outros defendem que o modelo precisa continuar aprendendo em tempo real, mesmo depois do treinamento inicial, em vez de ficar congelado.

O que une as duas correntes, apesar da discordância no caminho, é a conclusão central: a inteligência geral pode não precisar da linguagem como ponto de partida.

O Que Eu Realmente Penso

Eu não estou pronto pra abandonar minha aposta em LLMs — eles resolvem um tipo de problema (raciocínio simbólico, linguagem, conhecimento factual) que modelo de vídeo nenhum resolve sozinho hoje. Mas esse paper me fez perceber que eu estava tratando “escalar LLM” como sinônimo de “caminho pra AGI”, quando na verdade é só um caminho possível entre vários.

O que fica comigo é a ideia de que talvez a próxima virada de fato grande não seja um LLM ainda maior, mas um modelo que aprendeu física, espaço e causalidade primeiro — e só depois, talvez, aprenda a conversar sobre isso. Faz sentido evolutivo. Faz sentido técnico, olhando o “efeito Veo 3”. E é desconfortável o suficiente pra fazer eu questionar um pressuposto que eu nem sabia que estava carregando.

Fico Com Essa Pergunta

Se a inteligência biológica aprendeu a ver 500 milhões de anos antes de aprender a falar, talvez a gente esteja construindo IA de trás pra frente — otimizando linguagem primeiro, quando a compreensão espacial e física deveria vir antes.

Você acha que o próximo grande salto da IA vai vir da evolução textual do estilo ChatGPT, ou da compreensão de mundo físico que os modelos de vídeo estão desenvolvendo sem ninguém ter pedido explicitamente?

Email: fodra@fodra.com.br
LinkedIn: linkedin.com/in/mauriciofodra

Dez pesquisadores de Google, Stanford, Harvard e Princeton concordam em uma coisa: a AGI pode não precisar de palavra nenhuma pra começar. Ela pode só precisar aprender a enxergar direito.