IA neurossimbólica: como fazer os modelos de linguagem finalmente saberem calcular

As maiores empresas de tecnologia do mundo investiram dezenas de bilhões de dólares em modelos de linguagem capazes de escrever código, traduzir textos e gerar raciocínios coerentes sobre qualquer assunto. Mas peça a qualquer um deles para dividir 7429 por 17 e começa a loteria. Às vezes a resposta está certa, às vezes não, e às vezes o modelo entrega uma alucinação cheia de confiança, impossível de distinguir do resultado correto. Isso não é um bug que se corrige com um patch. É uma limitação fundamental da arquitetura, e um pesquisador da plataforma Habr não só apontou o problema como propôs uma solução que funciona.

Antes de chegar à solução, vale entender por que o problema existe. Modelos de linguagem baseados na arquitetura Transformer processam informação por meio de transformações matemáticas contínuas: multiplicações de matrizes, funções de ativação, o mecanismo de atenção. Tudo isso funciona muito bem em tarefas em que padrões, contexto e estimativas aproximadas importam. Mas aritmética é uma operação discreta. Dois mais dois são exatamente quatro, não 3.97 nem 4.02. Quando uma rede neural tenta imitar cálculos exatos por aproximação, ela inevitavelmente erra, principalmente com números que não apareceram nos dados de treinamento ou que ficam fora das faixas habituais.

A indústria já tentou contornar o problema. O prompting Chain-of-Thought faz o modelo raciocinar passo a passo, o que melhora os resultados, mas não elimina a raiz do problema: cada passo da cadeia continua sendo executado pela mesma arquitetura aproximativa. O fine-tuning em problemas matemáticos ajuda em cenários restritos, mas não generaliza. Aumentar a janela de contexto e a escala do modelo traz ganhos marginais a um custo computacional colossal. No fim, as empresas chegaram a uma solução paradoxal: plugar calculadoras comuns em redes neurais poderosíssimas por meio de chamadas de ferramentas. Funciona, mas parece uma gambiarra acoplada a uma nave espacial.

O pesquisador seguiu outro caminho e propôs uma arquitetura neurossimbólica: um híbrido em que os componentes neurais cuidam do que realmente fazem bem, enquanto módulos simbólicos assumem as tarefas que exigem precisão. A ideia não é nova no meio acadêmico. A IA neurossimbólica é discutida em círculos científicos há alguns anos, e pesquisadores como Yoshua Bengio e Gary Marcus há muito apontam a necessidade de combinar os dois paradigmas. Mas da discussão teórica a uma implementação funcional a distância é enorme, e foi essa distância que o autor tentou vencer.

O cerne da arquitetura proposta é uma rede neural semântica em que o modelo não tenta calcular diretamente, mas reconhece o tipo de tarefa e delega a execução ao módulo simbólico correspondente. A rede neural atua como intérprete de intenções e roteador, enquanto as operações exatas são executadas por algoritmos determinísticos. Isso difere de forma fundamental da abordagem com ferramentas externas: em vez de uma chamada de API desajeitada a uma calculadora, a lógica simbólica fica embutida diretamente na arquitetura do modelo, o que permite que ele trabalhe de forma mais rápida e confiável.

Os resultados dos experimentos descritos pelo autor confirmam a viabilidade da abordagem, embora ainda seja cedo para falar em revolução. A questão-chave é a escalabilidade. A aritmética é o caso mais simples de raciocínio simbólico. Integrar módulos simbólicos para inferência lógica, planejamento ou verificação de fatos é muito mais difícil. Se a arquitetura conseguir se estender a essas áreas, vai de fato mudar o panorama. Se não, continuará sendo uma solução elegante, porém de nicho.

Para a indústria, o significado desse trabalho vai além de uma implementação específica. Ele destaca uma tendência que ganha força nos últimos meses: o escalonamento puro de redes neurais está batendo em um teto, e o futuro é dos sistemas híbridos. OpenAI, Google e Anthropic já experimentam diferentes formas de integração neurossimbólica, embora nem sempre falem sobre isso abertamente. O fato de um pesquisador independente propor ideias competitivas com código aberto mostra a maturidade da comunidade e a democratização da pesquisa em IA.

No fim das contas, o trabalho faz a pergunta certa: não seria melhor parar de forçar as redes neurais a fazer aquilo para o que não foram criadas e deixar cada componente do sistema fazer o que sabe fazer melhor? A resposta parece óbvia. Falta apenas implementá-la em escala.