IA Geral Não é Multimodal: Inteligência com Ênfase no Encarnamento

Visão geral

Apesar dos progressos rápidos em capacidades gerativas entre linguagem e visão, este texto afirma que esse avanço não representa um caminho direto para a Inteligência Artificial Geral (AGI). A tese central é que a verdadeira AGI não surgirá apenas pelo dimensionamento de modelos ou pela fusão de várias modalidades; é necessário um tipo de inteligência fundamentalmente situada em e fundamentada por um mundo físico. O autor sustenta que abordagens centradas em modalidades — onde diferentes fluxos de dados são conectados na esperança de produzir generalidade — correm o risco de se tornar patches que não chegam a raciocínio sensorimotor, planejamento de movimento e coordenação social. A direção proposta é uma abordagem orientada pelo embodiment: trate a interação com o ambiente como primária e veja a fusão de modalidades como emergente, não fundacional. O trecho inicia com uma crítica à definição de inteligência geral desprovida de corpo: uma AGI verdadeira deve ser capaz em domínios que derivam da realidade física — por exemplo, consertar um carro, desamarrar um nó, cozinhar. A partir disso, o argumento desenvolve que modelos de linguagem (LLMs) não aprendem necessariamente um modelo robusto do mundo; no máximo podem memorizar regras complexas ou heurísticas que ajudam a prever tokens. O autor alerta contra confundir proficiência linguística com compreensão real, argumentando que entender a semântica envolve fundamentação no mundo real e interação física. A distinção entre modelagem do mundo e predição de tokens é enfatizada. Embora LLMs possam apresentar desempenho notável em certas tarefas, as evidências não sustentam que eles estejam construindo modelos precisos do mundo físico. O exemplo OthelloGPT, que pode prever o estado de um tabuleiro a partir de sequências de movimentos, demonstra por que predição de sequência em dados simbólicos não implica modelagem de mundo. O artigo observa que muitas tarefas físicas resistem a representação completa apenas por descrição simbólica; requerem percepção, compreensão causal e interação com a realidade material. Em outras palavras, o sucesso da predição de tokens não deve ser tomado como prova de compreensão ambiental ou modelagem de mundo. O TLDR enfatiza que grandes avanços costumam vir de examinar estruturalmente a inteligência em vez de apenas escalar modelos. Cuidado com atribuir modelagem de mundo a sistemas de LLMs apenas porque eles conseguem prever sequências de tokens. O texto propõe uma direção mais explícita: incorporar o ambiente e a interação com ele como fonte primária de comportamento inteligente, tratando a fusão de modalidades como uma propriedade emergente. A discussão posiciona a cognição incorporada e a grounding no mundo como trajetória promissora para alcançar AGI, em vez de continuar com uma abordagem centrada em modalidades e em patchwork. The Gradient.

Características-chave

Embodiment em primeiro lugar: priorizar a interação com o mundo físico como motor central da inteligência, em vez de depender apenas da integração de modalidades.
Modelos de mundo fundamentados: buscar representações que permitam prever observações de alta fidelidade no mundo real, não apenas sequências de tokens.
Diferença entre sintaxe e semântica: reconhecer que proficiência sintática não equivale necessariamente a compreensão semântica ou grounding no mundo.
Limitações do pensamento baseado em token único: questionar se modelos aprendem modelos de mundo por predição de tokens ou apenas memorizam regras simbólicas.
Crítica aos sistemas multimodais como patchwork: enxergar a fusão de modalidades como emergente, não como base de generalidade.
Competências sensorimotoras e sociais: destacar que raciocínio sensorimotor, planejamento de movimento e coordenação social são capacidades centrais para AGI.

Casos de uso comuns

Definição de diretrizes de pesquisa: orientar equipes de IA a repensarem metas para inteligência incorporada e interação com o ambiente.
Robótica e IA incorporada: informar a exploração de sistemas que aprendem por meio de interação física, não apenas inputs simbólicos.
Avaliação de progresso: incentivar métricas que avaliem desempenho em tarefas que exijam grounding no mundo real, não apenas capacidades multimodais.
Política de IA: alertar contra a dependência excessiva do dimensionamento como proxy de inteligência geral e promover foco em grounding físico.

Configuração e instalação

# Buscar o artigo para leitura offline
curl -L -o agi_nao_multimodal.html https://thegradient.pub/agi-is-not-multimodal/
# Opcional: converter para Markdown (requer pandoc)
pandoc agi_nao_multimodal.html -t gfm -o agi_nao_multimodal.md

Inicio rápido

# Exemplo mínimo executável: imprime uma síntese concisa da tese do artigo
python3 - << 'PY'
resumo = [
"O progresso de IA pode superestimar-se se limitado a arquiteturas multimodais patchwork.",
"A IA geral verdadeira requer encapsulamento/encarnação e interação com um mundo físico.",
"O sucesso de LLMs pode derivar da memorização de regras de sintaxe, não de compreensão robusta do mundo."
]
print('\n'.join(resumo))
PY

Prós e contras

Prós
Coloca a grounding da inteligência na interação com o ambiente, alinhando-se a resolução de problemas no mundo real.
Questiona a suposição de que apenas escalonamento e fusão de modalidades geram AGI.
Incentiva uma consideração explícita de modelagem de mundo e dinâmica ambiental.
Contras
Abordagens centradas em embodiment podem ser mais difíceis de implementar e avaliar em escala.
O texto não fornece um roteiro concreto universal; apresenta uma filosofia de design.
A transição de métodos baseados em linguagem para sistemas incorporados pode exigir novos dados, benchmarks e ferramentas.

Alternativas (comparação rápida)

| Abordagem | Reivindicação central | Trade-offs potenciais |---|---|---| | AGI multimodal patchwork | Unir modalities para alcançar generalidade | Pode não entregar raciocínio sensorimotor, planejamento de movimento e coordenação social; pode carecer de grounding |Inteligência baseada em encarnamento | Priorizar interação com o ambiente e modelagem de mundo | Pode ser mais desafiador de implementar; requer dados corporificados e avaliação em contextos físicos |