Êxodo de Pesquisadores do Google DeepMind Financia uma Aposta Contra a Escala dos LLMs

Pesquisadores do Google DeepMind estão saindo em uma onda visível, com vários ex-alunos levantando somas enormes para buscar alternativas aos grandes modelos de linguagem. O êxodo de pesquisadores do Google DeepMind agora inclui veteranos do AlphaGo, do aprendizado por reforço, da simulação e do raciocínio de máquinas.

As saídas importam porque esses cientistas não estão simplesmente recriando o Gemini em empresas menores. Suas startups apostam que aprendizado contínuo, difusão, simulação e planejamento podem superar limites que eles enxergam em modelos de linguagem baseados em transformers.

Isso cria uma inversão desconfortável para o Google. O DeepMind construiu sua reputação por meio de programas de pesquisa que aprendiam a partir de interação, jogos, dados científicos e ambientes simulados. A pressão comercial agora concentra a atenção no Gemini, enquanto alguns pesquisadores por trás dos primeiros sucessos do DeepMind estão reconstruindo essas tradições experimentais em outros lugares.

A disputa central, portanto, não é o Google contra uma única startup. É a estratégia dominante de escalar modelos de linguagem contra uma coleção crescente de sistemas alternativos de aprendizado.

Investidores estão tratando os próprios pesquisadores como ativos valiosos. Ainda assim, grandes rodadas de financiamento não conseguem estabelecer se suas novas arquiteturas superarão os LLMs em tarefas úteis e mensuráveis.

O Êxodo de Pesquisadores do Google DeepMind Torna-se um Canal de Financiamento

Uma coleção de saídas individuais se transformou em um caminho repetível da pesquisa do DeepMind à criação de startups fortemente financiadas.

O retrato mais claro surgiu em um encontro informal em Londres, durante setembro. Quinze funcionários atuais e ex-funcionários do DeepMind teriam se reunido perto da sede do Google no Reino Unido e discutido o que investidores do Vale do Silício queriam financiar.

Esse café da manhã não foi um anúncio de financiamento. Ainda assim, foi uma cena reveladora porque reuniu funcionários ativos, ex-alunos, ambições de startup e demanda de capital de risco em uma só sala.

A reportagem mais ampla sobre o êxodo identifica vários projetos surgindo dessa rede. Cada um aplica uma tese técnica diferente à questão de qual deve ser o próximo passo após a atual era dos LLMs.

Nando de Freitas, que passou cerca de uma década no DeepMind, estaria discutindo uma captação inicial de pelo menos US$ 100 milhões. Sua empresa proposta, Revolution Labs, se concentraria em modelos de difusão, e não na arquitetura transformer que sustenta a maioria dos principais chatbots.

Modelos de difusão aprendem a reverter um processo que corrompe gradualmente dados com ruído. Eles são amplamente associados à geração de imagens, embora pesquisadores possam aplicar a abordagem subjacente a outras formas de previsão.

David Silver, um dos pesquisadores centrais por trás do AlphaGo, saiu para fundar a Ineffable Intelligence. A Bloomberg informou separadamente que a empresa levantou US$ 1,1 bilhão com uma avaliação de US$ 5,1 bilhões.

A Ineffable está desenvolvendo um sistema de aprendizado destinado a ir além do treinamento estático. Sua arquitetura exata e seu desempenho permanecem em grande parte fora da visão pública.

Thore Graepel, outro colaborador do AlphaGo, deixou o DeepMind durante o verão. Ele estaria buscando financiamento para a Metis Reasoning, focada em sistemas de raciocínio para ciência, engenharia e robótica.

A Emulate segue uma rota diferente. A empresa foi fundada por ex-pesquisadores do DeepMind, incluindo Jack Parker-Holder, e estaria discutindo um financiamento de US$ 700 milhões.

Seu objetivo é construir sistemas que simulem e prevejam o mundo real. Isso a aproxima dos modelos de mundo, que representam ambientes e preveem como esses ambientes mudam após uma ação.

Esses empreendimentos se somam a spin-offs menores do DeepMind que trabalham com programação, agentes, robótica, descoberta científica e aprendizado contínuo. Eles não formam uma organização coordenada, e seus planos técnicos não devem ser tratados como intercambiáveis.

O que os conecta é o mecanismo de financiamento. Investidores identificam pesquisadores associados a avanços reconhecidos e então financiam novos laboratórios antes que esses laboratórios tenham produtos maduros.

O modelo inverte a sequência usual das startups. Uma empresa convencional comprova a demanda, encontra adequação entre produto e mercado e levanta rodadas maiores à medida que as evidências se acumulam.

Esses laboratórios de IA podem levantar capital substancial em torno de uma equipe, uma tese de pesquisa e uma trajetória institucional respeitada. Demonstrações públicas e receita confiável podem surgir muito mais tarde.

Essa sequência dá aos fundadores tempo para perseguir pesquisas difíceis. Também transfere grande parte do risco técnico e comercial para investidores que apostam em credenciais antes dos resultados.

O Foco Comercial do Gemini Muda o Custo de Permanecer

O Google enfrenta pressão porque o mesmo foco comercial que torna o Gemini estrategicamente essencial pode restringir a liberdade que atraiu talentos de pesquisa ao DeepMind.

Historicamente, o DeepMind deu aos pesquisadores espaço para investigar aprendizado, planejamento, jogos, biologia e algoritmos de uso geral. O AlphaGo tornou-se seu resultado definidor porque combinava redes neurais, busca e aprendizado por reforço.

O aprendizado por reforço permite que um sistema melhore ao receber feedback de suas ações. Ele difere de simplesmente prever o próximo item em um conjunto de dados fixo.

O AlphaGo aprendeu com partidas de especialistas e repetidas partidas contra si mesmo. O AlphaGo Zero posteriormente eliminou os registros de jogos humanos e aprendeu jogando contra si próprio.

O registro do AlphaGo do Google descreve como o sistema combinou redes de política e valor com busca. Essa linhagem continua importante porque vários pesquisadores que estão saindo ajudaram a construí-la.

Grandes modelos de linguagem operam de forma diferente. Transformers aprendem relações estatísticas em conjuntos de dados enormes e geram resultados prevendo tokens, que são pequenas unidades de texto ou código.

Sistemas modernos acrescentam ferramentas, recuperação de informação, entradas multimodais e aprendizado por reforço. Ainda assim, a competição comercial se concentra fortemente na escala dos modelos, no desempenho em programação, nos recursos de agentes e na implantação em produtos existentes.

O Google precisa do Gemini para competir com OpenAI e Anthropic em assistentes para consumidores, software corporativo, busca, serviços de nuvem e ferramentas para desenvolvedores. Isso cria uma demanda compreensível por execução concentrada.

O ex-cientista do DeepMind Janusz Marecki descreveu uma consequência interna mais difícil. Ele disse à Bloomberg que as equipes enfrentavam pressão de cima para abandonar outros trabalhos e se concentrar em grandes modelos de linguagem.

Marecki agora trabalha na Ahren Innovation Capital enquanto levanta recursos para sua própria empresa de aprendizado contínuo, a FractalBrain. Sua perspectiva combina os papéis de ex-funcionário, investidor e potencial fundador.

Seu relato não estabelece que todas as equipes do DeepMind enfrentam a mesma orientação. Ele explica por que o financiamento independente pode atrair pesquisadores com ideias menos imediatas comercialmente.

Um cientista que trabalha dentro do Google obtém computação, suporte de engenharia, dados proprietários e acesso a produtos já implantados. Sair significa abrir mão dessas vantagens e assumir riscos de captação, contratação, operação e produto.

A troca se torna atraente quando investidores oferecem capital suficiente para recriar um ambiente de pesquisa sem o mesmo roteiro. O mercado atual está tornando essa opção disponível mais cedo do que o habitual.

As mudanças na liderança do DeepMind reforçaram a percepção de uma transição. Demis Hassabis assumiu o cargo de cientista-chefe da Alphabet, enquanto Koray Kavukcuoglu passou a controlar o laboratório no dia a dia.

Hassabis rejeitou a ideia de que a movimentação de talentos represente uma fuga de cérebros em uma única direção. Ele argumenta que os principais laboratórios trocam pesquisadores e que o Google continua a manter uma ampla equipe de pesquisa.

Essa defesa tem fundamento real. O Google ainda emprega grandes equipes, opera uma ampla infraestrutura computacional e trabalha com linguagem, vídeo, biologia, matemática, robótica e simulação.

A própria pesquisa da empresa também complica qualquer alegação de que o Google abandonou alternativas aos LLMs. Seu programa Genie está desenvolvendo explicitamente modelos de mundo interativos.

Os detalhes publicados do Genie 3 descrevem um sistema que cria ambientes exploráveis a partir de texto. O Google posiciona esses ambientes como espaços de treinamento e avaliação para agentes.

Portanto, o Google ocupa ambos os lados da disputa emergente. Está comercializando uma importante família de LLMs ao mesmo tempo que continua a pesquisa em modelos de mundo, planejamento, ciência e agentes incorporados.

A pressão vem da alocação de recursos, da velocidade e da autonomia dos pesquisadores. Um amplo portfólio corporativo ainda pode deixar cientistas individuais com a sensação de que seu caminho preferido não recebe prioridade suficiente.

Ex-Pesquisadores do DeepMind Reabrem a Questão da Arquitetura

As startups estão questionando a suposição de que uma inteligência melhor surgirá principalmente de modelos de linguagem maiores, mais dados e computação adicional em tempo de inferência.

Os LLMs mais fortes podem escrever software, analisar documentos, chamar ferramentas e trabalhar com texto, áudio, imagens e vídeo. Essas conquistas tornam a modelagem de linguagem a referência que toda alternativa precisa enfrentar.

No entanto, uma saída fluente não garante um modelo interno confiável das consequências físicas. Um sistema pode descrever como mover um objeto sem controlar um robô que precisa realizar o movimento.

Modelos de mundo abordam essa lacuna ao aprender como um ambiente muda ao longo do tempo. Eles podem ajudar um agente a prever o resultado provável de uma ação antes de executá-la.

A distinção importa para robótica, veículos autônomos, entretenimento interativo e planejamento científico. Esses domínios exigem mais do que gerar uma resposta verbal plausível.

Um robô diante de um copo precisa estimar geometria, atrito, força, equilíbrio e incerteza. Em seguida, precisa se ajustar quando o objeto se move de forma diferente do esperado.

O debate sobre modelos de mundo atraiu pesquisadores que buscam uma IA capaz de compreender espaço e tempo. Também atraiu investidores em busca de alternativas aos mercados saturados de chatbots.

Ainda assim, “modelo de mundo” abrange diversos sistemas distintos. Alguns geram ambientes visualmente convincentes, enquanto outros tentam obter simulação física precisa ou planejamento de ações.

Um vídeo bonito não é automaticamente um simulador confiável. Ele pode preservar a aparência superficial ao mesmo tempo que viola causalidade, permanência de objetos ou restrições físicas.

O aprendizado contínuo apresenta outra alternativa. A maioria dos modelos de linguagem implantados é treinada, ajustada e então lançada como sistemas relativamente fixos.

A recuperação de informação pode fornecer dados atuais sem alterar os parâmetros aprendidos pelo modelo. O ajuste fino pode atualizar o comportamento, mas geralmente exige um processo de treinamento separado.

Um sistema de aprendizado contínuo incorporaria novas experiências enquanto opera. Essa promessa levanta questões difíceis sobre estabilidade, segurança, avaliação e a perda de capacidades aprendidas anteriormente.

O raciocínio baseado em difusão oferece um terceiro caminho. Um modelo autorregressivo gera tokens sequencialmente, enquanto abordagens de difusão podem refinar um resultado candidato por meio de etapas repetidas de remoção de ruído.

Os defensores acreditam que esse processo pode sustentar geração paralela ou correção iterativa. Eles ainda precisam provar que ele oferece uma vantagem significativa em custo, confiabilidade ou qualidade de raciocínio.

Metis Reasoning parece ter como objetivo o raciocínio estruturado em situações desconhecidas. Essa ambição remete aos trabalhos anteriores da DeepMind sobre busca e planejamento, embora os detalhes técnicos públicos continuem limitados.

O ponto em comum não é a rejeição da linguagem. Essas startups ainda podem usar transformers, interfaces de linguagem ou componentes de LLM dentro de sistemas maiores.

A aposta delas é que a previsão de linguagem, por si só, não oferece todos os mecanismos necessários para a inteligência geral. Interação, aprendizado persistente, simulação e planejamento explícito precisam ter mais peso.

Esse argumento também resgata uma identidade mais antiga da DeepMind. AlphaGo não se tornou relevante por sustentar uma conversa melhor sobre Go.

Ele avaliava posições, buscava jogadas futuras e melhorava por meio da prática. Mais tarde, MuZero aprendeu a planejar sem receber antecipadamente as regras de seus ambientes.

Os cientistas que saíram agora aplicam instintos semelhantes a cenários menos estruturados. Eles querem máquinas que descubram comportamentos úteis pela experiência, em vez de absorverem apenas resultados humanos registrados.

Essa é uma transição exigente. Jogos têm ações claras, resultados mensuráveis e prática simulada abundante.

Ambientes reais são ruidosos, parcialmente observáveis e caros de explorar. Uma ação equivocada em um jogo de tabuleiro simulado não tem custo físico, enquanto um erro robótico pode danificar equipamentos.

Portanto, a tese de arquiteturas alternativas só terá sucesso se esses sistemas funcionarem sob restrições reais. Ideias de pesquisa elegantes precisam, no fim, se transformar em produtos confiáveis.

Google Está Competindo Com Seu Próprio Legado de Pesquisa

A principal reviravolta é que a celebrada trajetória de pesquisa da DeepMind agora ajuda ex-funcionários a captar recursos para desafiar a prioridade comercial atual do Google.

Os investidores não estão avaliando esses fundadores como equipes desconhecidas. Eles precificam a associação com AlphaGo, AlphaFold, MuZero, Gemini e outros programas reconhecidos.

Silver e Graepel contribuíram para pesquisas que demonstraram aprendizado e planejamento além do treinamento supervisionado convencional. Parker-Holder trabalhou em ambientes interativos, incluindo a linha de pesquisa Genie.

Esse histórico dá aos investidores um motivo crível para ouvir. Ele não oferece uma garantia transferível de que uma nova empresa reproduzirá o sucesso institucional da DeepMind.

Grandes laboratórios combinam percepção individual com computação, dados, sistemas de engenharia, processos de segurança, equipes de produto e anos de conhecimento acumulado. Um fundador leva apenas parte dessa estrutura para uma startup.

O crescente conjunto de dados de ex-alunos contabiliza 68 empresas financiadas por venture capital fundadas por ex-funcionários da DeepMind. Ele também identifica 18 empresas avaliadas em mais de US$ 1 bilhão.

Esse conjunto de dados usa uma definição ampla de ex-alunos da DeepMind. Inclui fundadores cujo trabalho abrange modelos de linguagem, software empresarial, robótica, saúde, jogos e aplicações científicas.

Os números mostram o alcance da rede, não a taxa de sucesso de um único movimento técnico. Algumas das empresas listadas permanecem próximas da IA convencional baseada em transformers.

Ainda assim, a rede cria um ciclo prático para startups. Ex-alunos podem recrutar colegas de confiança, obter apresentações e usar projetos da DeepMind como evidência de seu julgamento técnico.

Os investidores também se beneficiam da validação social. Quando um fundo reconhecido entra em uma rodada inicial de financiamento, participantes posteriores podem interpretar esse compromisso como validação parcial.

A Bloomberg informa que algumas novas rodadas estão sendo divididas em tranches. Investidores iniciais entram com uma avaliação, enquanto investidores posteriores aportam mais capital depois que o primeiro compromisso estabelece confiança.

Essa estrutura pode produzir valores de manchete impressionantes antes que uma startup lance um produto. Ela também torna a identidade dos fundadores e investidores excepcionalmente importante.

A Radical Ventures chama essa classe de negócio de “neolab”, isto é, uma empresa liderada por pesquisadores que busca um avanço técnico de longo prazo. Sua análise sobre neolabs afirma que mais de 40 desses laboratórios levantaram US$ 40 bilhões em três anos.

O termo capta uma mudança organizacional real. A pesquisa de fronteira já não está restrita a universidades ou empresas de tecnologia com receitas maduras.

O capital privado agora pode montar um novo laboratório em torno de vários pesquisadores reconhecidos. Os investidores aceitam longos prazos de pesquisa em troca de exposição a uma tecnologia potencialmente fundamental.

O modelo tem precedentes. OpenAI e Anthropic começaram como organizações orientadas por pesquisa antes de desenvolver sistemas comerciais amplamente utilizados.

No entanto, esses exemplos podem distorcer expectativas. Seu sucesso posterior não significa que todo laboratório bem financiado encontrará um produto, canal de distribuição ou vantagem técnica sustentável.

O Google também se beneficia quando o ecossistema mais amplo valida direções de pesquisa que ele continua a perseguir. A DeepMind não está excluída de modelos de mundo, IA científica, aprendizado por reforço ou robótica.

Em alguns casos, a empresa pode investir em ex-funcionários, fazer parcerias com suas startups ou adquirir tecnologia posteriormente. A saída de talentos, portanto, não se traduz automaticamente em perda estratégica permanente.

O risco maior envolve concentração. Pesquisas inovadoras frequentemente exigem discordância em relação ao consenso atual e tempo suficiente para investigar alternativas.

Se o Google direcionar mais pesquisadores para prioridades de curto prazo do Gemini, laboratórios independentes poderão se tornar os lugares onde ideias concorrentes recebem atenção sustentada.

É por isso que o êxodo de pesquisadores do Google DeepMind é mais do que uma história de contratação. Ele redistribui a autoridade para decidir quais questões de IA merecem capital significativo.

Avaliações Enormes Ainda Superam as Evidências Públicas

A argumentação em favor de arquiteturas alternativas de IA é intelectualmente séria, mas o mercado de financiamento está atribuindo valor mais rápido do que as evidências técnicas conseguem justificá-lo.

Várias startups discutidas nas reportagens compartilharam informações limitadas sobre seus sistemas. Algumas não divulgaram um modelo detalhado, conjunto de benchmarks, roteiro de produto ou histórico de receita.

Isso não é incomum para empresas que protegem pesquisas iniciais. Mas torna as comparações difíceis para clientes, desenvolvedores e pesquisadores externos.

Financiamento não deve ser confundido com validação técnica. Uma grande rodada prova que investidores aceitaram um risco sob determinados termos.

Ela não prova que a difusão superará a geração autorregressiva, nem que o aprendizado contínuo pode se manter estável. Tampouco estabelece que um modelo de mundo compreenda física.

A avaliação merece cautela semelhante. Valores de startups privadas frequentemente refletem o acordo de financiamento mais recente, e não o julgamento contínuo de um mercado líquido.

Direitos especiais, tranches escalonadas e diferentes classes de ações podem separar ainda mais o número de manchete do valor efetivamente pago por cada investidor.

Marecki disse à Bloomberg que algumas avaliações de IA passaram de múltiplos próximos de dez vezes a receita para 200 ou 300 vezes a receita. Essa observação ilustra a ansiedade dos investidores, mas não é uma medida universal do setor.

Vários neolabs têm pouca receita para multiplicar. Sua avaliação se apoia em talento, propriedade intelectual, acesso a computação e na probabilidade de uma futura vantagem técnica.

As próprias arquiteturas também enfrentam problemas de avaliação não resolvidos. LLMs têm benchmarks imperfeitos, mas desenvolvedores podem testar programação, matemática, latência, custo, uso de ferramentas e preferência dos usuários.

Um modelo de mundo geral precisa de testes diferentes. A qualidade visual, por si só, pode premiar sistemas que parecem convincentes enquanto fazem previsões fisicamente impossíveis.

O treinamento de robôs exige evidências de que o aprendizado simulado se transfira para máquinas físicas. Sistemas científicos exigem resultados prospectivos, não apenas sucesso em conjuntos de dados estabelecidos.

Sistemas de aprendizado contínuo precisam de auditorias que mostrem o que retiveram, o que mudaram e se novos dados introduziram comportamentos inseguros. Esses testes devem ser executados repetidamente à medida que o modelo evolui.

Sistemas de raciocínio precisam ser avaliados fora de distribuições de problemas familiares. Caso contrário, um modelo pode parecer capaz enquanto reproduz padrões encontrados nos dados de treinamento.

Os fundadores também enfrentam um problema comercial. Provedores de LLM já oferecem produtos úteis, plataformas consolidadas para desenvolvedores e distribuição crescente.

Um sistema alternativo não vence apenas por ser conceitualmente diferente. Ele precisa resolver uma tarefa valiosa de forma suficientemente melhor para justificar integração, custos de migração e risco operacional.

Sistemas híbridos podem se mostrar mais realistas do que substituições totais. Um LLM pode interpretar instruções enquanto um componente de planejamento, simulação ou aprendizado por reforço controla decisões especializadas.

Esse resultado enfraqueceria a narrativa dramática de “pós-LLM” sem invalidar as startups. Sua tecnologia poderia se tornar uma camada crucial dentro de uma arquitetura mais ampla.

O Google está bem posicionado para esse futuro híbrido. Gemini pode fornecer interfaces de linguagem e multimodais, enquanto a pesquisa da DeepMind oferece capacidades de simulação, planejamento e ciência.

As startups precisam de uma diferenciação mais nítida. Elas devem mostrar que a independência produz um avanço que o Google não consegue igualar rapidamente com seus próprios talentos e infraestrutura.

Os investidores também precisam de disciplina em relação à reputação dos fundadores. A experiência na DeepMind é significativa, mas o prestígio institucional pode criar uma aura que desestimula o escrutínio básico.

As perguntas mais importantes continuam sendo comuns. Que tarefa o sistema realiza, como o desempenho é medido e quanto custa cada resultado útil?

Até que essas respostas se tornem públicas, o mercado está financiando um portfólio de hipóteses. Ele ainda não está selecionando um sucessor verificado para os grandes modelos de linguagem.

Três Sinais Mostrarão se a Aposta Está Funcionando

A próxima etapa será decidida por demonstrações técnicas, uso por clientes e a resposta do Google, e não por outra sequência de manchetes de financiamento.

O primeiro sinal é uma avaliação pública da Ineffable Intelligence, Revolution Labs, Metis Reasoning ou Emulate. Pelo menos uma empresa precisa demonstrar uma vantagem em uma tarefa que importe além de seu próprio benchmark.

No aprendizado contínuo, isso significa adquirir novos conhecimentos sem apagar capacidades anteriores. No raciocínio, significa resolver problemas desconhecidos com confiabilidade mensurável.

Na simulação, o teste é verificar se agentes treinados dentro de ambientes gerados apresentam melhor desempenho em sistemas reais. Uma demonstração visualmente impressionante não basta.

A replicação independente fortaleceria consideravelmente o caso. Resultados verificados apenas por uma startup devem permanecer alegações da empresa até que pesquisadores externos possam examiná-los.

O segundo sinal é um produto crível ou uma implementação por cliente. Robótica, pesquisa de medicamentos, engenharia, sistemas autônomos e jogos oferecem possíveis pontos de entrada.

Uma aplicação restrita pode revelar mais do que uma alegação abrangente sobre inteligência geral. Ela força o modelo a operar com requisitos reais de latência, segurança e custo.

Compradores empresariais devem examinar a arquitetura somente depois de definir o problema. A novidade de um modelo importa menos quando sua saída não consegue se encaixar em um fluxo de trabalho existente nem passar por uma auditoria.

As equipes também precisam de registros das informações fornecidas aos sistemas de IA e das decisões produzidas a partir delas. Uma base de conhecimento de IA pesquisável pode preservar esse contexto entre ferramentas em constante mudança.

O terceiro sinal é a resposta do Google. Contratações, pacotes de retenção, publicações de pesquisa, aquisições e mudanças na arquitetura do Gemini mostrarão quão seriamente a empresa encara as saídas.

O Google pode enfraquecer a tese das startups ao fornecer capacidades comparáveis de aprendizado contínuo, planejamento ou modelo de mundo dentro de produtos amplamente distribuídos. Seu poder computacional e acesso a clientes continuam sendo vantagens substanciais.

Um forte resultado de uma startup criaria a pressão oposta. O Google precisaria proteger a pesquisa que não envolve LLMs das demandas comerciais imediatas, ou correria o risco de financiar mais concorrentes no futuro.

O comportamento da liderança será tão importante quanto os anúncios de modelos. Pesquisadores precisam de evidências de que programas não convencionais podem sobreviver tempo suficiente para gerar resultados.

O êxodo de pesquisadores do Google DeepMind já mudou onde investidores procuram a próxima plataforma de IA. Ainda não definiu qual caminho técnico vencerá.

Desenvolvedores devem acompanhar benchmarks reproduzíveis, e não os totais de financiamento. Compradores empresariais devem exigir evidências de implantação, critérios claros de avaliação e uma explicação dos modos de falha.

Profissionais do conhecimento devem esperar um conjunto mais diverso de sistemas por trás de interfaces de IA familiares. A próxima ferramenta útil pode combinar linguagem, memória, simulação e planejamento, em vez de substituir um modelo por outro.

A questão definidora agora é mensurável: os ex-alunos do DeepMind conseguem transformar liberdade de pesquisa e capital abundante em sistemas que aprendem com o mundo de forma mais confiável do que LLMs sozinhos?