A startup AMI Labs, fundada pelo pesquisador Yann LeCun após sua saída do cargo de cientista-chefe de inteligência artificial do Meta no final do ano passado, arrecadou cerca de um bilhão de dólares em uma rodada de financiamento inicial. A empresa, que conta com apenas doze colaboradores, está sediada em Paris e tem como objetivo desenvolver uma abordagem completamente diferente para a inteligência artificial, afastando-se dos modelos de linguagem de grande porte que dominam o mercado atual. Para LeCun, vencedor do Prêmio Turing e uma das figuras mais influentes no campo da inteligência artificial, a tecnologia que hoje chamamos de inteligência artificial não é o caminho para resultados duradouros e significativos na área.
A arquitetura proposta pela AMI Labs se baseia em sistemas compostos por conjuntos de módulos especializados, cada um treinado e operando em casos de uso específicos, em vez de modelos genéricos e de propósito geral. LeCun afirma que a empresa funcionará como uma organização de pesquisa e que não se espera que um produto comercializável esteja pronto em pelo menos cinco anos. Essa postura reflete a convicção do pesquisador de que é necessário um investimento profundo e de longo prazo para construir formas de inteligência artificial genuinamente avançadas e confiáveis.
O sistema idealizado por LeCun é composto por seis tipos principais de elementos. O primeiro deles é um modelo de mundo, ou seja, uma representação interna específica do domínio no qual a inteligência artificial atuará, podendo ser adaptada a uma indústria inteira ou a uma função mais restrita. Em seguida, há um módulo ator, responsável por propor os próximos passos a serem tomados com base em técnicas de aprendizado por reforço, método no qual um sistema aprende a tomar decisões por meio de tentativa e erro, recebendo recompensas ou penalidades por suas ações.
Existe também um módulo crítico, cuja função é analisar as diferentes opções geradas pelo modelo de mundo e avaliar os passos propostos pelo ator de acordo com regras predefinidas, utilizando uma memória de curto prazo como suporte. Um quarto componente é o sistema de percepção, adaptado ao tipo de dado que a inteligência artificial precisa processar, como vídeo, áudio, texto ou imagens, empregando algoritmos de reconhecimento visual baseados em aprendizado profundo. A memória de curto prazo completa o conjunto, armazenando temporariamente as informações necessárias para o funcionamento coerente do sistema. Por fim, um configurador atua como coordenador, orquestrando o fluxo de informações entre todos esses módulos.
Uma diferença fundamental entre essa proposta e os grandes modelos de linguagem atuais está na forma como os dados são utilizados. Os modelos de linguagem de grande porte, conhecidos pela sigla LLM, são treinados predominantemente com textos coletados da internet, o que os torna sistemas generalistas que produzem respostas baseadas em probabilidades. Já cada instância do sistema da AMI Labs receberia dados direcionados e relevantes exclusivamente para o ambiente e o propósito daquele sistema específico. Além disso, a importância de cada módulo pode ser ajustada conforme o contexto de uso. Em áreas que lidam com informações sensíveis, por exemplo, o módulo crítico poderia ser mais abrangente e rigoroso, enquanto em sistemas que precisam reagir rapidamente a eventos do mundo real, o módulo de percepção ganharia maior protagonismo.
O treinamento de cada módulo também segue uma lógica diferente da adotada nos grandes modelos de linguagem. Em vez de um treinamento único e massivo, cada componente é preparado de maneira adequada ao seu campo de atuação. Exemplos anteriores de sucesso com essa abordagem incluem sistemas de aprendizado de máquina que aprenderam a jogar jogos de tabuleiro e videogames de forma autônoma. Esses casos demonstram que modelos especializados podem atingir alto desempenho em tarefas específicas sem precisar da escala colossal exigida pelos modelos generalistas que sustentam a maior parte das aplicações de inteligência artificial disponíveis hoje no mercado.
O impacto financeiro dessa abordagem pode ser significativo para a indústria de inteligência artificial caso as ideias de LeCun se concretizem. Nos últimos cinco anos, os grandes modelos de linguagem desenvolvidos por empresas como Anthropic, Meta, OpenAI e Google consumiram recursos cada vez maiores a cada nova iteração. O crescimento inicial no tamanho dos modelos foi seguido pela necessidade de processos recursivos de aprimoramento de respostas, conhecidos como modelos de raciocínio, que aumentam substancialmente o custo de treinamento e execução. Dessa forma, apenas grandes corporações conseguem arcar com as perdas financeiras envolvidas na operação desses sistemas em larga escala.
A proposta da AMI Labs apresenta uma alternativa potencialmente mais acessível. Os módulos menores e especializados de seu sistema poderiam funcionar com uma fração da capacidade de processamento gráfico exigida pelos grandes modelos de linguagem, ou até mesmo ser executados diretamente em dispositivos locais sem dependência de servidores remotos. Enquanto ferramentas como o ChatGPT utilizam modelos com centenas de bilhões de parâmetros, modelos especialistas que não precisam ser generalistas poderiam operar com apenas algumas centenas de milhões de parâmetros. Considerando também a tendência de queda no custo de processamento computacional, LeCun sugere que sistemas de inteligência artificial locais, mais baratos e inerentemente mais precisos podem estar mais próximos do que se imagina.
A arrecadação de um bilhão de dólares por uma startup com uma proposta diferente não é um fenômeno inédito no setor de tecnologia, mas o peso do nome de Yann LeCun confere credibilidade considerável ao empreendimento. Parte da estratégia da AMI Labs se fundamenta na crença de que os modelos de linguagem de grande porte atuais não conseguem melhorar de forma suficiente para alcançar as promessas ambiciosas feitas por seus criadores. Nesse cenário, a empresa oferece aos investidores um caminho alternativo, no qual a inteligência artificial pode desempenhar tarefas complexas com custos gerenciáveis, utilizando uma arquitetura distinta do padrão estabelecido pela indústria hoje.
Os próximos anos serão decisivos para confirmar se a visão modular de LeCun consegue superar as limitações que ele próprio identifica nos modelos de linguagem dominantes. Enquanto isso, o volume de capital reunido pela AMI Labs sinaliza que parte do mercado de investidores está disposta a apostar em abordagens alternativas e de longo prazo para a inteligência artificial, mesmo diante da hegemonia atual dos grandes modelos generalistas. O resultado desse experimento pode redefinir as expectativas sobre o que a inteligência artificial será capaz de realizar daqui em diante.
