Ex-pesquisador da DeepMind aponta falhas de raciocinio em LLMs

Em um artigo assinado publicado em 2 de outubro de 2026 na MIT Technology Review, um ex-integrante da equipe da Google DeepMind afirmou que os atuais grandes modelos de linguagem não possuem capacidade de raciocínio genuíno. O autor, que ajudou a construir o AlphaGo, defende que a inteligência artificial necessita de uma nova abordagem de arquitetura para gerar resultados confiáveis em áreas como ciência, engenharia e medicina.

A separação entre intuição e deliberação

O texto resgata a vitória do AlphaGo sobre o jogador profissional Lee Sedol em 2016 para explicar como o sistema combinava redes neurais com uma ferramenta de busca em árvore de jogos. Enquanto a rede neural indicava jogadas promissoras, o mecanismo de busca avaliava milhares de ramificações e consequências futuras. O artigo compara essa estrutura a uma teoria das ciências comportamentais que divide o pensamento humano em dois modos: um rápido e intuitivo, e outro lento, deliberativo e focado em etapas.

Em contrapartida, a publicação aponta que os modelos de linguagem atuais operam selecionando repetidamente o próximo token. Essa dinâmica equivale apenas ao modo intuitivo e rápido de padrão de resposta. Embora a técnica de cadeia de pensamento (chain of thought) faça sistemas como o ChatGPT gerarem etapas intermediárias para decompor problemas antes de responderem — trazendo ganhos em matemática e programação —, o autor explica que o processo continua sendo conduzido pela mesma previsão iterativa de tokens, sem um mecanismo de raciocínio independente.

Deficiências identificadas nos modelos atuais

A análise elenca três deficiências principais nos chatbots para que seus processos sejam considerados raciocínio. A primeira é a ausência de um estado epistemológico explícito, persistente e inspecionável, capaz de manter hipóteses, dúvidas e evidências revisadas conforme novas informações chegam. A segunda é a falta de separação entre o conhecimento acumulado e a forma como o sistema manipula esse conhecimento, já que ambos estão entrelaçados nos pesos da rede neural.

Por fim, a publicação cita pesquisas demonstrando que os chatbots costumam elaborar suas cadeias de pensamento após atingirem o resultado, relatando um caminho diferente do utilizado para chegar à resposta. Em aplicações de alto risco, entender o caminho de raciocínio é fundamental para identificar se eventuais falhas ocorreram por erros de lógica, premissas incorretas ou evidências inválidas.

O debate sobre a eficácia dessas arquiteturas já foi abordado em outras ocasiões pelo veículo, como quando um artigo na MIT Tech Review critica exagero sobre avanços em IA ao discutir os limites dos modelos atuais.

Proposta de uma nova arquitetura

Diante das limitações apontadas, o autor revelou ter deixado seu cargo na Google DeepMind para trabalhar em uma nova abordagem de raciocínio computacional inspirada na estrutura do AlphaGo. Em vez de depender apenas da previsão de texto, a proposta prevê que os sistemas mantenham um registro de hipóteses confirmadas, dúvidas e perguntas abertas, tratando o raciocínio como uma sequência de ações voltadas a reduzir incertezas e avançar o conhecimento.