A inteligência artificial, impulsionada por grandes modelos de linguagem (LLMs), tem demonstrado capacidades impressionantes no processamento de informações abstratas. Contudo, ao tentar aplicar essa inteligência em domínios que exigem uma compreensão intrínseca do mundo físico – como robótica, direção autônoma e manufatura – as limitações se tornam evidentes. Essa barreira tem direcionado o interesse de investidores para o desenvolvimento de "modelos mundiais", com investimentos significativos sendo realizados em empresas como AMI Labs e World Labs.

Os LLMs, apesar de sua proficiência em processar o conhecimento abstrato através da previsão da próxima palavra, carecem fundamentalmente de uma base sólida na causalidade física. Eles não conseguem prever, de forma confiável, as consequências físicas de ações no mundo real. Essa incapacidade é um obstáculo significativo quando se tenta traduzir a IA do ambiente virtual dos navegadores da web para o espaço físico.

Pesquisadores e líderes de pensamento em IA têm expressado, cada vez mais, preocupações sobre essas limitações. Richard Sutton, ganhador do Prêmio Turing, em uma entrevista com o podcaster Dwarkesh Patel, alertou que os LLMs apenas imitam o que as pessoas dizem, em vez de modelar o mundo de forma independente. Essa abordagem restringe sua capacidade de aprender com a experiência e se adaptar às mudanças no ambiente.

Existem diversas abordagens promissoras para superar essas limitações. Uma delas é o desenvolvimento de modelos que integram dados sensoriais (visão, audição, tato) com o conhecimento simbólico. Isso permite que a IA construa uma representação mais rica e completa do mundo, indo além da mera análise textual. Outra abordagem envolve o uso de simulações para treinar a IA em ambientes virtuais que imitam o mundo real. Ao experimentar em um ambiente controlado, a IA pode aprender a prever as consequências de suas ações e a desenvolver estratégias para alcançar seus objetivos.

Uma terceira via promissora é a incorporação de princípios de física e outras ciências fundamentais nos modelos de IA. Em vez de aprender tudo a partir de dados, a IA pode ser pré-programada com certas leis e restrições que governam o mundo físico. Isso pode acelerar o processo de aprendizado e tornar a IA mais robusta e confiável.

O futuro da IA reside, em grande parte, na sua capacidade de compreender e interagir com o mundo físico de forma inteligente. Os modelos mundiais, juntamente com outras abordagens inovadoras, representam um passo crucial nessa direção, abrindo portas para aplicações transformadoras em diversas áreas, desde a robótica avançada até a condução autônoma segura e eficiente.