Richard Sutton desafia limites dos supermodelos de IA em 2026

Inteligência Artificial

Richard Sutton questiona a dependência dos supermodelos e propõe agentes que evoluem com experiências reais.

Leia também: 4 formas que seu número cai em listas de spam e como evitar hoje

Richard Sutton, um dos nomes mais influentes da inteligência artificial, voltou a desafiar o consenso dominante na área ao afirmar que só aumentar poder computacional não basta para levar a IA ao próximo patamar. Em novas declarações que circularam nesta semana em plataformas como o X, o pesquisador critica a dependência nos grandes modelos de linguagem (LLMs) e defende agentes com modelos de mundo que aprendem continuamente com a própria experiência.

Sutton mira limites dos LLMs e uso de dados sintéticos

A posição atual de Sutton se apoia na sua famosa “Bitter Lesson”, em que ele já havia defendido métodos gerais que se beneficiam de mais computação. Agora, porém, ele reforça que isso não significa apostar tudo em um único tipo de modelo. Para ele, o foco quase exclusivo em LLMs e no uso massivo de dados sintéticos ignora a complexidade praticamente infinita do mundo real.

Segundo o pesquisador, simulações e dados gerados artificialmente capturam apenas uma fração microscópica dessa complexidade e acabam limitando o que os sistemas conseguem aprender. Sutton volta a defender o desenvolvimento de agentes com modelos de mundo internos, capazes de aprender de forma contínua, em interação com o ambiente, sem depender apenas do pré-treinamento estático em grandes bases de texto.

“O aprendizado contínuo sem destruir conhecimento antigo é o que realmente precisamos”, afirma Sutton. Ele critica o fato de que os modelos atuais praticamente não evoluem depois de treinados, o que, em sua visão, cria um teto baixo para aplicações que exigem adaptação constante, como robótica, automação e sistemas cognitivos em ambientes dinâmicos.

Entenda o contexto

As críticas de Sutton surgem justamente quando a indústria de IA está investindo bilhões em data centers, chips especializados e treinamento de modelos cada vez maiores. A aposta dominante é que dobrar ou triplicar o tamanho dos modelos e dos conjuntos de dados levará, por si só, a capacidades emergentes mais avançadas.

Ao reafirmar que a ciência da IA “está longe de estar concluída” e que são necessários novos métodos, Sutton pressiona laboratórios e empresas a diversificar suas estratégias. A mensagem atinge em cheio gigantes que estruturaram seu plano tecnológico em torno da escalabilidade pura, mas também dá fôlego a grupos que experimentam arquiteturas e algoritmos alternativos, especialmente em aprendizado contínuo e agentes autônomos.

Pesquisadores veem risco em fé cega na escalabilidade

As novas declarações rapidamente repercutiram entre pesquisadores. Jerry Tworek, que deixou um grande laboratório de IA para fundar a Core Automation, alinha-se em parte à crítica. Para ele, o problema não é a escalabilidade em si, mas a ideia de que qualquer algoritmo pode escalar indefinidamente só com mais computação.

“A lição amarga ainda vale, mas quanto mais computação, mais o algoritmo importa”, diz Tworek. Ele argumenta que alguns algoritmos funcionam bem ao crescer, enquanto outros batem em becos sem saída, e que muitas dimensões possíveis de escalabilidade ainda nem foram testadas. Na sua visão, o sucesso recente dos transformadores criou um viés perigoso: se uma ideia não parece escalar da mesma forma, é descartada cedo demais.

Jayden Teoh reforça esse ponto, apontando que a “Bitter Lesson” vem sendo usada para justificar o descarte apressado de linhas de pesquisa promissoras. “Uma ideia não precisa sobreviver à escalabilidade para ser importante para o progresso da IA”, afirma. Ele lembra que vários avanços da área só foram possíveis graças a abordagens que, mais tarde, foram substituídas por métodos mais gerais, sem que isso tornasse as primeiras “erradas”.

Na prática, a crítica de Sutton e o alerta de pesquisadores como Tworek e Teoh apontam para um risco: uma geração inteira de cientistas pode estar deixando de lado soluções criativas, novas formas de representação e de aprendizado por não se encaixarem no roteiro dominante dos LLMs cada vez maiores.

Startups apostam em agentes e aprendizado contínuo

O debate teórico já se reflete no mercado. Um levantamento recente em relatórios especializados identificou pelo menos 45 novos laboratórios de IA apostando explicitamente em métodos que vão além da escalabilidade tradicional. É um movimento de contra-corrente em relação às big techs, com foco em aprendizado contínuo, agentes autônomos e modelos de mundo.

A Core Automation, de Tworek, é um desses exemplos, concentrando esforços em algoritmos de aprendizado que não se limitam ao pré-treinamento massivo nem ao aprendizado por reforço clássico. O Oak Lab, iniciativa liderada por Sutton, segue linha semelhante, explorando formas de fazer máquinas acumularem conhecimento ao longo do tempo sem “esquecer” o que já sabem.

Esse grupo de novos laboratórios parte de uma premissa comum: a de que sistemas muito mais capazes são possíveis, mas que a receita atual — LLMs gigantes treinados em textos da internet e refinados com instruções humanas — provavelmente não é suficiente para chegar lá sozinha. Para eles, a próxima etapa passa por agentes que interajam com o mundo, aprendam com erros e sucessos em tempo real e consigam atualizar representações internas sem colapsar o que aprenderam antes.

Escalabilidade ainda tem fôlego, dizem Altman e Amodei

Do outro lado do debate, os principais executivos dos grandes laboratórios seguem confiantes na escalabilidade dos LLMs. Sam Altman, CEO da OpenAI, insiste que não há sinais claros de esgotamento desse caminho. “A escalabilidade dos LLMs está longe de estar esgotada”, afirma.

Altman cita como evidência um modelo de sua empresa que recentemente refutou uma conjectura matemática que vinha desafiando pesquisadores há anos. Para ele, esse tipo de resultado mostra que aumentar capacidade de modelo e volume de dados ainda abre novas fronteiras, especialmente em tarefas de raciocínio complexo. Ele reconhece a utilidade de modelos de mundo, por exemplo em robótica, mas vê essas abordagens como complementares ao avanço contínuo dos LLMs.

Dario Amodei, CEO da Anthropic, faz defesa semelhante. “O progresso da escalabilidade é um arco-íris sem fim”, diz, ao descrever como, na visão dele, cada salto de tamanho e de dados tem trazido capacidades imprevistas. Tanto Altman quanto Amodei lideram empresas cuja estratégia técnica central depende justamente dessa aposta em modelos cada vez maiores, o que torna suas posições também um recado para investidores e equipes internas: a rota atual ainda teria muito a entregar.

Na prática, essa confiança sustenta investimentos maciços em infraestrutura de nuvem, chips especializados de IA e parcerias energéticas para dar conta do consumo elétrico dos supermodelos — uma agenda que começa a ser pressionada tanto por limitações físicas quanto por custos crescentes.

Impacto: divisão temporária, possível convergência

A reafirmação de Sutton sobre os limites da escalabilidade simples coloca a indústria de IA diante de um dilema estratégico. Grandes empresas, especialmente aquelas que já comprometeram recursos gigantescos em infraestruturas para LLMs, terão dificuldade para justificar uma guinada brusca. Ao mesmo tempo, a pressão por resultados mais robustos em cenários do mundo real — como fábricas, hospitais, logística e robótica — favorece abordagens que aprendem continuamente e lidam melhor com ambientes imprevisíveis.

Para startups e novos laboratórios, o momento é de oportunidade. A crítica à dependência exclusiva em computação e dados amplia o espaço para captar investimentos em pesquisas de aprendizado adaptativo, memória de longo prazo em agentes e integração entre percepção, ação e linguagem. A criação de pelo menos 45 novos grupos dedicados a isso sugere que uma parte relevante de talentos e capital começa a migrar nessa direção.

No curto prazo, a tendência é de divisão clara entre dois blocos: de um lado, quem continua dobrando a aposta em LLMs cada vez maiores; de outro, quem experimenta arquiteturas e formas de aprendizado que priorizam interação contínua com o mundo. A expectativa de vários pesquisadores é que, mais adiante, essas frentes acabem convergindo, combinando o poder bruto da escalabilidade com agentes capazes de aprender com a própria experiência — justamente o tipo de sistema que Sutton vem defendendo como próximo passo necessário para a inteligência artificial.