O FUTURO DA IA: Além dos LLMs e Rumo a Arquiteturas Preditivas (JEPA) e Modelos Baseados em Energia
Bibliographic record
Abstract
Abstract: Este trabalho analisa a apresentação de Yann LeCun na conferência "AI, Science and Society" (2025), focando em sua crítica aos modelos de linguagem de grande escala (LLMs) e sua defesa de arquiteturas alternativas para alcançar uma inteligência artificial de nível humano. LeCun argumenta que os LLMs, apesar de seus avanços, carecem de modelos internos do mundo e de capacidades de planejamento hierárquico, características essenciais para a inteligência humana e animal. Ele propõe uma mudança de paradigma em direção a Joint Embedding Predictive Architectures (JEPAs) e modelos baseados em energia (EBMs). As JEPAs aprendem a prever representações abstratas do estado futuro do mundo, em vez de detalhes sensoriais brutos, e os EBMs oferecem uma estrutura matemática mais robusta para capturar as dependências complexas inerentes ao mundo real. Este artigo explora os conceitos de JEPA, modelos de mundo, planejamento, inferência baseada em energia e métodos de treinamento auto-supervisionado, como contrastive methods e regularized methods, ilustrando-os com exemplos e analogias acessíveis a um público não especializado. Além disso, são apresentados resultados experimentais com modelos como DINO e V-JEPA, que demonstram a capacidade dessas arquiteturas de aprender representações úteis, planejar ações e até mesmo exibir um rudimentar "senso comum visual". O trabalho também discute os desafios e questões abertas nesse campo emergente, enfatizando a importância de plataformas de IA de código aberto e de uma abordagem colaborativa para o desenvolvimento de sistemas de IA avançados. Criticamente, são apontadas limitações, falácias e exageros presentes na apresentação de LeCun, ponderando seu entusiasmo com uma avaliação realista do estado da arte. O trabalho serve como uma introdução aos modelos de mundo como alternativa aos LLMs para tarefas que exigem raciocínio e planejamento.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".