A Pílula Vermelha da IA que a indústria se recusa a tomar: Por que a Filosofia de François Chollet Representa o Caminho Negligenciado Rumo à Inteligência Artificial Genuína

Introdução: O Paradoxo da Inteligência Contemporânea

Vivemos um momento paradoxal na história da inteligência artificial. Enquanto modelos de linguagem de grande escala (LLMs) impressionam o público com sua capacidade de gerar texto coerente, responder perguntas e até mesmo escrever código, a indústria celebra marcos que podem estar fundamentalmente equivocados sobre a natureza da inteligência. François Chollet, criador do Keras e pesquisador independente de IA, emerge como uma voz dissidente crucial neste cenário, oferecendo uma filosofia de IA que é simultaneamente a mais promissora e a mais ignorada pela mainstream tecnológica.

A tese central deste ensaio é que Chollet identificou com precisão cirúrgica o problema fundamental que assola a pesquisa contemporânea em IA: a confusão entre memorização sofisticada e inteligência genuína, entre interpolação estatística e generalização abstrata. Sua abordagem, centrada na generalização como núcleo da inteligência e na eficiência desenvolvimentista como métrica crítica, representa não apenas uma correção de curso necessária, mas potencialmente o único caminho viável rumo a sistemas verdadeiramente inteligentes. No entanto, por razões que exploraremos em profundidade, a indústria resiste sistematicamente a engolir esta pílula vermelha, preferindo a ilusão confortável do progresso incremental através de escala massiva.

Parte I: Os Fundamentos Filosóficos da Visão de Chollet

1.1 Inteligência como Habilidade de Generalização

No centro da filosofia de Chollet está uma definição rigorosa de inteligência que diverge radicalmente das métricas convencionais. Em seu artigo seminal “On the Measure of Intelligence” (2019), Chollet propõe que inteligência não deve ser medida pela performance em tarefas específicas, mas pela capacidade de um sistema adaptar-se eficientemente a tarefas novas e imprevistas, utilizando uma quantidade mínima de experiência prévia.

Esta definição repousa sobre três pilares fundamentais:

Generalização de escopo: A capacidade de transferir conhecimento através de domínios distintos, não apenas dentro de uma distribuição de dados previamente vista. Enquanto um modelo de linguagem pode ter sido treinado em trilhões de tokens, sua habilidade de generalizar é limitada ao espaço latente desses dados. Chollet argumenta que verdadeira inteligência requer generalização para além do manifold de treinamento, acessando um espaço de possibilidades abstrato e potencialmente infinito.

Eficiência desenvolvimental: Um sistema inteligente deve alcançar generalização com experiência mínima. Esta métrica, inspirada pela aprendizagem humana, reconhece que crianças podem aprender conceitos complexos com poucos exemplos, enquanto modelos de deep learning requerem datasets massivos. A eficiência desenvolvimental captura a noção de que inteligência envolve compressão eficaz de conhecimento e formação de abstrações potentes.

Abstração e reasoning fluido: A inteligência genuína opera através de abstrações manipuláveis que transcendem representações superficiais. Chollet baseia-se fortemente na teoria de inteligência fluida de Cattell, argumentando que a capacidade de raciocinar sobre relações abstratas, identificar padrões invariantes e aplicar princípios gerais a situações novas é o marcador distintivo da inteligência.

1.2 O ARC: Materializando a Filosofia em Benchmark

O Abstraction and Reasoning Corpus (ARC), introduzido por Chollet em 2019, não é meramente um benchmark, mas a materialização direta de sua filosofia. Cada tarefa do ARC foi meticulosamente projetada para ser solucionável por humanos com poucos exemplos, mas extremamente desafiadora para sistemas que dependem de correspondência de padrões e memorização.

As tarefas do ARC possuem propriedades cruciais:

Minimalismo de priors: Cada puzzle assume apenas conhecimentos nucleares básicos (object cohesion, object persistence, noções básicas de geometria 2D), evitando conhecimento cultural ou domínio-específico que poderia ser memorizado.

Novidade estrutural: Cada tarefa no conjunto de teste é estruturalmente única, impossibilitando soluções por recuperação de exemplos similares. Isto força sistemas a formar abstrações genuínas ao invés de realizar interpolação sofisticada.

Raciocínio explícito necessário: As soluções requerem múltiplos passos de transformação simbólica, teste de hipóteses e aplicação de regras abstratas. Não há atalhos estatísticos disponíveis.

O fracasso espetacular dos LLMs mais avançados no ARC (GPT-4 resolve aproximadamente 5-10% das tarefas públicas sem fine-tuning especializado) não é um bug, mas uma feature do design. Ele expõe precisamente a lacuna que Chollet identifica: estes sistemas são fundamentalmente arquiteturas de correspondência de padrões, não motores de abstração.

1.3 A Crítica à Hipótese da Bitter Lesson

Richard Sutton, em seu influente ensaio “The Bitter Lesson” (2019), argumenta que métodos gerais de aprendizado que alavancam computação sempre superam abordagens que incorporam conhecimento humano. A história da IA, segundo Sutton, demonstra repetidamente que escala computacional triunfa sobre cleverness arquitetural.

Chollet oferece uma refutação sofisticada desta visão. Ele não nega que escala produz resultados impressionantes dentro de domínios específicos, mas argumenta que há uma confusão fundamental entre two tipos distintos de generalização:

Local generalization (interpolação): Generalização dentro da distribuição de treinamento ou suas vizinhanças próximas no espaço de representação. LLMs excedem nisto, mas é fundamentalmente limitado.

Broad generalization (extrapolação abstrata): Generalização para domínios genuinamente novos através de abstrações transferíveis. Isto requer não apenas escala, mas estruturas arquiteturais que suportam composição simbólica, reasoning explícito e formação de programas.

A questão crucial que Chollet levanta é epistemológica: estamos medindo progresso pela métrica correta? Se nosso objetivo é inteligência artificial geral (AGI), sucesso em tarefas que podem ser resolvidas via interpolação sofisticada é evidência de progresso genuíno ou um desvio custoso?

Parte II: A Arquitetura da Inteligência Segundo Chollet

2.1 Program Synthesis como Paradigma Central

Chollet argumenta que inteligência é fundamentalmente sobre síntese de programas. Quando um humano resolve um problema do ARC, ele não está realizando correspondência de padrões estatística, mas sintetizando um programa mental que captura a transformação abstrata necessária. Este programa é:

Composicional: Construído de primitivas básicas combinadas hierarquicamente.

Simbólico: Opera sobre representações discretas e manipuláveis.

Causal: Captura relações causais entre elementos, não apenas correlações.

Transferível: Pode ser aplicado a novos inputs que compartilham a mesma estrutura abstrata.

Esta perspectiva conecta-se profundamente com tradições em ciência cognitiva. A teoria do “Language of Thought” de Fodor, o conceito de “mental models” de Johnson-Laird, e trabalhos em raciocínio analógico (Gentner, Hofstadter) todos convergem na noção de que cognição envolve manipulação de representações estruturadas através de processos algorítmicos.

2.2 O Papel dos Core Knowledge Priors

Diferente do blank slate assumido por muitos defensores de deep learning puro, Chollet abraça a posição desenvolvimentista de que inteligência requer priors inatos apropriados. Inspirado pelo trabalho de Elizabeth Spelke e outros em psicologia desenvolvimental, ele identifica um conjunto mínimo de “core knowledge systems” que bootstrapam o aprendizado:

Objectness: A capacidade de segmentar o mundo em objetos coesos e persistentes.

Agentness: Reconhecimento de agentes com objetivos e a capacidade de prever seu comportamento.

Numerosidade básica: Intuições sobre quantidade, ordem e correspondência one-to-one.

Geometria intuitiva: Compreensão de relações espaciais, simetria, continuidade.

Estes priors não são conhecimento de domínio arbitrário, mas abstrações fundamentais sobre a estrutura causal do mundo físico. Eles funcionam como a “linguagem de programação” na qual programs mentais são escritos.

Crucialmente, Chollet não vê estes priors como incompatíveis com aprendizado. Pelo contrário, eles formam a base que torna o aprendizado eficiente possível. Uma criança pode aprender conceitos complexos rapidamente porque possui uma estrutura representacional apropriada para codificar esse conhecimento de forma compacta.

2.3 Discrete Program Search no Espaço de Possibilidades

A visão de Chollet sobre como inteligência opera envolve busca discreta no espaço de programas possíveis. Ao confrontar uma tarefa nova:

1. Hipótese inicial: O sistema formula hipóteses sobre a estrutura causal subjacente baseado em priors e observações.
2. Program synthesis: Constrói programas candidatos que poderiam gerar as transformações observadas.
3. Verificação e refinamento: Testa programas contra exemplos, eliminando hipóteses inconsistentes.
4. Abstração e compressão: Identifica o programa mais simples (menor descrição) que captura o padrão.

Este processo é fundamentalmente diferente de otimização de gradiente em espaços contínuos de alta dimensão. É discreto, simbólico e guiado por avaliação explícita de hipóteses. Enquanto redes neurais realizam otimização “soft” de funções contínuas, inteligência genuína envolve manipulação “hard” de estruturas discretas.

A inspiração aqui vem parcialmente de trabalhos em program induction e program synthesis. Sistemas como DreamCoder (Ellis et al., 2021) demonstram que aprendizado via síntese de programas pode alcançar generalização impressionante com poucos exemplos, descobrindo bibliotecas de abstrações reusáveis.

Parte III: Por Que a Indústria Resiste à Visão de Chollet

3.1 O Lock-in do Deep Learning

A primeira razão para resistência é pura inércia institucional. A indústria investiu bilhões em infraestrutura para deep learning em escala massiva: GPUs especializadas, frameworks otimizados, pipelines de dados, expertise humana. Toda esta infraestrutura é otimizada para o paradigma atual: treinar redes neurais massivas através de gradiente descendente em datasets enormes.

Mudar para um paradigma de program synthesis e reasoning simbólico requereria:

Repensar infraestrutura: Hardware otimizado para operações simbólicas discretas ao invés de multiplicação de matrizes.

Novos algoritmos: Métodos de busca em espaços discretos, sistemas de type-checking, mecanismos de composição.

Diferentes datasets: Não mais bilhões de exemplos, mas conjuntos curados de tarefas que testam generalização abstrata.

Expertise reconvertida: Engenheiros treinados em backpropagation precisariam aprender lógica formal, theory of mind, program synthesis.

O custo de switching é astronômico, criando um forte incentivo para continuar no caminho atual mesmo se subótimo.

3.2 A Ilusão do Progresso Mensurável

LLMs oferecem algo psicologicamente sedutor: progresso aparentemente contínuo e mensurável. A cada aumento em parâmetros, contexto ou dados de treinamento, observamos melhorias incrementais em benchmarks estabelecidos. Isto cria uma narrativa confortável de inevitabilidade: basta escalar mais um pouco e AGI surgirá.

Chollet desmonta esta ilusão, mas sua mensagem é profundamente inconveniente. Ele sugere que:

Benchmarks tradicionais são enganosos: Alta performance em benchmarks contaminados (onde exemplos similares aparecem em treinamento) não indica inteligência genuína.

Scaling pode ter retornos decrescentes: Para generalização verdadeira, não está claro que escala resolve o problema fundamental.

Precisamos de métricas radicalmente diferentes: Focar em eficiência desenvolvimental e generalização out-of-distribution.

Aceitar isto requer admitir que décadas de progresso podem ter sido em uma direção fundamentalmente limitada, que benchmarks celebrados medem a coisa errada, que papers citados milhares de vezes podem estar otimizando para o objetivo incorreto. Esta é uma pílula psicologicamente difícil de engolir para uma comunidade que investiu carreiras inteiras no paradigma atual.

3.3 Incentivos Econômicos Perversos

A economia da IA atual favorece escala. Grandes corporações (Google, OpenAI, Anthropic, Meta) possuem vantagens competitivas através de:

Acesso a computação massiva: Datacenters com milhões de GPUs/TPUs.

Propriedade de dados: Bilhões de interações de usuários para fine-tuning.

Capital para treinar modelos: Custos de centenas de milhões por modelo.

Este moat econômico desapareceria se o paradigma correto fosse program synthesis com poucos exemplos. Sistemas verdadeiramente inteligentes que aprendem eficientemente não requerem recursos que apenas gigantes tecnológicos podem fornecer. Isto democratizaria IA, mas destruiria modelos de negócio construídos sobre escala como diferencial competitivo.

Adicionalmente, a monetização atual de IA depende de aplicações que LLMs servem razoavelmente bem: chatbots, assistentes de código, geração de conteúdo. Estes casos de uso geram receita hoje. Investir em pesquisa fundamental sobre generalização abstrata oferece payoffs incertos em horizontes temporais longos, difíceis de justificar para shareholders.

3.4 A Sedução da Emergência

A comunidade de deep learning abraçou a narrativa de “capacidades emergentes”: comportamentos que aparecem subitamente em modelos suficientemente grandes sem terem sido explicitamente programados. Isto é filosoficamente atraente, sugerindo que inteligência pode “emergir” de redes suficientemente complexas sem que precisemos entender os mecanismos.

Chollet é profundamente cético desta visão. Ele argumenta que:

Emergência é frequentemente ilusão: O que parece emergir é interpolação sofisticada dentro de um espaço de representação que o modelo já aprendeu. Não é geração genuína de novidade.

Falta de interpretabilidade é bug, não feature: Se não entendemos como um sistema resolve problemas, não podemos confiar que generalizará corretamente ou garantir sua segurança.

Reasoning explícito é necessário: Para tarefas que requerem múltiplos passos de raciocínio logicamente encadeados, precisamos de arquiteturas que tornem este reasoning manifesto, não implícito em pesos distribuídos.

Esta perspectiva exige humildade epistemológica incômoda: admitir que não entendemos o que nossos sistemas estão fazendo, que “emergência” pode ser uma palavra bonita para “não sabemos como funciona”, que precisamos de abordagens mais fundamentadas teoricamente.

3.5 Dificuldade Técnica Genuína

Finalmente, há um motivo legítimo para resistência: o paradigma de Chollet é genuinamente mais difícil de implementar. Program synthesis no espaço combinatório de programas possíveis é computacionalmente intratável em sua forma geral. Busca em espaços discretos não tem as propriedades suaves que tornam gradiente descendente eficiente.

Avanços recentes (DreamCoder, DreamGrader, sistemas neurossimbólicos) mostram promessa, mas ainda não alcançaram a escala e robustez de LLMs modernos. Há problemas técnicos formidáveis:

Definir a linguagem de programação apropriada: Quais primitivas? Que estruturas de abstração?

Busca eficiente: Como navegar espaços de programas exponencialmente grandes?

Aprendizado de priors: Como descobrir os core knowledge systems apropriados ao invés de codificá-los manualmente?

Integração com percepção: Como conectar program synthesis com processamento de inputs sensoriais complexos?

Estes desafios são reais e não devem ser minimizados. Porém, Chollet argumentaria que são os desafios corretos a enfrentar, enquanto escalar LLMs é otimizar a direção errada.

Parte IV: Evidências Empíricas e Sucessos Parciais

4.1 Falhas Sistemáticas de LLMs

A previsão central de Chollet é que sistemas baseados em correspondência de padrões falharão sistematicamente em generalização genuína. Evidências empíricas abundam:

Performance no ARC: GPT-4, Claude, e outros modelos de fronteira resolvem menos de 10% das tarefas públicas do ARC sem fine-tuning especializado. Mesmo com few-shot prompting e chain-of-thought, performance permanece abaixo de 20%. Humanos sem treinamento resolvem ~80%.

Reasoning aritmético: LLMs lutam com operações aritméticas em números que desviam das distribuições de treinamento, apesar de aritmética ser totalmente determinística e regrada.

Generalização composicional: Estudos (Lake et al., 2018; Keysers et al., 2020) demonstram que modelos falham em generalizar composicionalmente, aplicando regras a combinações não vistas de elementos conhecidos.

Raciocínio causal: LLMs capturam correlações estatísticas, mas lutam com raciocínio contrafactual genuíno que requer modelos causais (Pearl & Mackenzie, 2018).

Consistência lógica: Modelos contradizem-se frequentemente, indicando falta de reasoning lógico subjacente consistente.

Estas falhas não são anomalias, mas consequências esperadas da arquitetura fundamental. Transformers realizam aproximação de funções através de atenção e feedforward layers, não manipulação simbólica.

4.2 Sucessos de Abordagens Program-Synthesis

Por outro lado, sistemas que incorporam elementos da visão de Chollet mostram resultados promissores:

DreamCoder (Ellis et al., 2021): Sintetiza bibliotecas de funções reusáveis, alcançando generalização impressionante em domínios como desenho de blocos, processamento de listas, e design de circuitos com ordens de magnitude menos exemplos que deep learning.

AlphaGeometry (Trinh et al., 2024): Combina language models com symbolic deduction engines para resolver problemas de geometria olimpíada, demonstrando que híbridos neurossimbólicos podem superar abordagens puramente neurais.

Neurosymbolic AI: Frameworks como Scallop, DeepProbLog mostram que integrar reasoning simbólico com aprendizado neural permite generalização mais robusta.

Program-guided learning: Trabalhos em aprendizado de física intuitiva através de physics engines programáticos demonstram que representações estruturadas capturam melhor conhecimento causal.

Estes sucessos permanecem em domínios limitados, mas validam princípios fundamentais: representações estruturadas, reasoning explícito, composicionalidade permitem generalização eficiente.

4.3 Psicologia Cognitiva Confirmatória

Pesquisa em ciência cognitiva consistentemente valida aspectos da filosofia de Chollet:

Aprendizado em crianças: Crianças formam generalizações robustas com pouquíssimos exemplos (Xu & Tenenbaum, 2007), sugerindo que aprendizado eficiente requer priors estruturados.

Raciocínio analógico: Trabalhos de Gentner e Hofstadter demonstram que humanos resolvem problemas novos mapeando estruturas relacionais abstratas, não correspondendo superfícies estatísticas.

Theory of mind: Capacidade de raciocinar sobre estados mentais alheios emerge cedo e é crucial para inteligência social, mas ausente em LLMs.

Mental models: Humanos constroem modelos simuláveis de situações que permitem raciocínio contrafactual, planejamento, e predição causal.

Se queremos IA que replique inteligência humana, faz sentido que arquiteturas devam refletir princípios computacionais subjacentes à cognição humana, não apenas aproximar suas outputs estatisticamente.

Parte V: Implicações para o Futuro da IA

5.1 Redefinindo Métricas de Sucesso

Se Chollet está correto, a comunidade de IA necessita urgentemente reorientar suas métricas. Ao invés de celebrar performance em benchmarks saturados, deveríamos focar em:

Sample efficiency: Quão poucos exemplos são necessários para dominar uma tarefa?

Out-of-distribution generalization: Performance em distribuições genuinamente diferentes de treinamento?

Abstraction depth: Sistemas formam hierarquias de abstrações reusáveis?

Causal reasoning: Modelos capturam estrutura causal ou apenas correlações?

Composicionalidade: Sistemas podem compor primitivas conhecidas em combinações novas?

Esta mudança de métricas transformaria completamente rankings de modelos. Um sistema que aprende de 10 exemplos mas generaliza perfeitamente seria superior a um que requer 10 milhões de exemplos para performance equivalente in-distribution.

5.2 Arquiteturas Híbridas como Caminho

O futuro prometido pela visão de Chollet provavelmente não envolve abandonar redes neurais completamente, mas integrá-las apropriadamente com reasoning simbólico. Arquiteturas híbridas poderiam:

Usar redes neurais para percepção: Processamento de inputs sensoriais complexos, extração de features, aprendizado de representações.

Usar sistemas simbólicos para reasoning: Program synthesis, busca em espaços discretos, verificação lógica, planning.

Criar interfaces diferenciáveis: Permitir que componentes neurais e simbólicos interajam através de boundaries diferenciáveis para possibilitar end-to-end learning.

Exemplos incluem Neural Module Networks, programmatically structured world models, e differentiable interpreters. O desafio é encontrar a divisão de trabalho correta entre subsistemas.

5.3 Democratização da IA

Se inteligência requer eficiência desenvolvimental ao invés de escala massiva, as barreiras de entrada para pesquisa de ponta cairiam dramaticamente. Pequenos labs acadêmicos poderiam competir com gigantes corporativos através de insights algorítmicos ao invés de recursos computacionais.

Isto teria implicações profundas:

Diversidade de abordagens: Mais grupos independentes explorando direções alternativas.

Segurança aumentada: Menos concentração de poder em poucas corporations.

Progresso científico acelerado: Mais pesquisadores contribuindo com diversas perspectivas.

Acessibilidade: Países e instituições sem recursos massivos poderiam participar de fronteiras de pesquisa.

Este é outro motivo pelo qual incumbentes resistem: democratização ameaça seu moat competitivo.

5.4 Implicações para AGI e Segurança

A filosofia de Chollet tem implicações diretas para o problema de AGI seguro. Sistemas baseados em correspondência de padrões opacos são fundamentalmente difíceis de alinhar e verificar. Como podemos garantir que fazem o que queremos se não entendemos como raciocinam?

Sistemas baseados em program synthesis oferecem:

Interpretabilidade: Programas sintetizados são inspecionáveis e compreensíveis.

Verificabilidade: Podemos formalmente verificar propriedades de programas.

Alignment mais natural: Especificar objectives através de constraints lógicas ao invés de tunning de reward functions opacas.

Failure modes compreensíveis: Quando um sistema falha, podemos identificar qual regra ou abstração estava incorreta.

Contudo, há trade-offs. Program synthesis também pode ser mal-usado, e sistemas superinteligentes baseados em reasoning simbólico trariam seus próprios desafios de controle. Mas pelo menos seriam desafios que podemos analisar rigorosamente ao invés de confrontar opacidade fundamental.

Parte VI: Contra-Argumentos e Síntese

6.1 Defensores de Scaling Laws

Críticos da posição de Chollet, especialmente proponentes de scaling laws, argumentam:

Emergência genuína existe: Comportamentos qualitativamente novos aparecem em modelos suficientemente grandes (in-context learning, chain-of-thought reasoning).

Interpolation/extrapolation é falsa dicotomia: Em espaços de alta dimensão, “interpolação” pode capturar generalização ampla.

Prática supera teoria: LLMs resolvem tarefas práticas importantes hoje, enquanto program synthesis permanece majoritariamente acadêmico.

Scaling ainda não saturou: GPT-5, modelos de 10 trilhões de parâmetros podem surpreender.

Estas objeções merecem resposta séria. Chollet reconheceria que LLMs têm capacidades impressionantes, mas argumentaria que:

• Emergência em LLMs é limitada a interpolação sofisticada dentro de um espaço aprendido massivo, não verdadeira extrapolação.
• Espaços de alta dimensão não eliminam a distinção fundamental entre generalização local e broad.
• Sucesso prático em tarefas específicas não implica progresso rumo a inteligência geral.
• Scaling continuar pode melhorar performance in-distribution mas não resolve o problema de generalização out-of-distribution.

6.2 Síntese Pragmática

A resolução mais produtiva pode não ser rejeitar LLMs completamente, mas reconhecer seus limites e complementá-los apropriadamente. Uma síntese pragmática envolveria:

LLMs como módulos perceptuais: Usar sua capacidade de processar linguagem natural, extrair conhecimento de texto, gerar outputs linguísticos.

Program synthesis como core reasoning: Para tarefas que requerem generalização abstrata, usar métodos simbólicos.

Aprendizado das interfaces: Pesquisar como integrar componentes de forma que maximizem virtudes de cada paradigma.

Métricas balanceadas: Valorizar tanto performance prática quanto eficiência desenvolvimental e generalização.

Esta abordagem “melhor dos dois mundos” poderia acelerar progresso ao invés de exigir revolução total.

6.3 O Teste do Tempo

Ultimamente, a questão de qual filosofia está correta será decidida empiricamente. Se scaling laws continuarem produzindo melhorias e eventualmente modelos alcançarem generalização ampla, críticos de Chollet serão vindicated. Se, por outro lado, scaling demonstrar retornos decrescentes em generalização genuína enquanto abordagens neurossimbólicas florescem, a visão de Chollet será confirmada.

O ARC-AGI benchmark funciona como test decisivo. Se algum modelo puramente baseado em transformers eventualmente resolver 100% do ARC, isso refutaria parcialmente as críticas de Chollet ao paradigma atual. Se, alternativamente, apenas sistemas incorporando program synthesis e reasoning explícito alcançam este marco, validaria sua filosofia.

Evidências até agora favorecem Chollet. Apesar de progressos em escala, LLMs permanecem fundamentalmente limitados em generalização abstrata. Mas a história ainda está sendo escrita.

Conclusão: Engolindo a Pílula Vermelha

François Chollet oferece à comunidade de IA uma pílula vermelha profundamente inconveniente: a revelação de que décadas de progresso podem ter otimizado a direção errada, que benchmarks celebrados medem a coisa incorreta, que escala massiva pode ser um detour custoso ao invés do caminho direto para AGI.

Sua filosofia, centrada em generalização eficiente, program synthesis, core knowledge priors e reasoning explícito, representa não apenas uma crítica ao status quo mas um blueprint para IA genuinamente inteligente. É simultaneamente a visão mais promissora e a mais ignorada porque exige que a indústria abandone investimentos massivos, reconheça limitações fundamentais de abordagens atuais, e embarque em pesquisa mais difícil com payoffs incertos.

A resistência da indústria é compreensível mas pode ser trágica. Se Chollet está correto, décadas e bilhões de dólares podem ser desperdiçados escalando sistemas que jamais alcançarão inteligência geral, enquanto o caminho correto permanece subfinanciado e subestimado.

A questão crucial que confrontamos não é técnica mas institucional e cultural: pode a comunidade de IA demonstrar humildade intelectual suficiente para questionar seus sucessos aparentes? Pode reconhecer que inteligência genuína pode requerer princípios fundamentalmente diferentes dos que dominam hoje? Pode investir em pesquisa de alto risco, alta recompensa em paradigmas alternativos ao invés de incrementalismo seguro?

A história da ciência está repleta de exemplos onde consensos confortáveis atrasaram progresso por décadas. A mecânica quântica foi resistida por físicos investidos em perspectivas clássicas. A tectônica de placas foi ridicularizada por geólogos estabelecidos. Teorias corretas frequentemente começam como heresias.

François Chollet pode ser o herege cujas ideias, ignoradas hoje, serão reconhecidas amanhã como tendo identificado o caminho correto enquanto a multidão perseguia miragens impressionantes mas fundamentalmente limitadas. Ou talvez scaling laws provem que objeções teóricas são irrelevantes frente a força bruta computacional.

O que está claro é que sua filosofia merece engajamento sério, recursos significativos, e testes empíricos rigorosos. A pílula vermelha está sobre a mesa. A questão é se a indústria terá a coragem de engoli-la, ou se continuará na ilusão confortável de que mais alguns zeros em parâmetros resolverão o problema da inteligência.

O futuro da IA, e potencialmente da humanidade, pode depender de fazer a escolha correta.