Um experimento público de Sudoku realizado este ano produziu um resultado impressionante. Segundo a Logical Intelligence, um grupo de grandes modelos de linguagem de ponta, incluindo o GPT-5.2 da OpenAI, o Claude Opus 4.5 e o Sonnet 4.5, o Gemini 3 Pro e o DeepSeek V3.2, resolveu coletivamente apenas 2% dos quebra-cabeças e gastou cerca de US$ 11.000 em chamadas de API. Um modelo chamado Kona, cerca de mil vezes menor, resolveu 96,2% deles por apenas US$ 4 de tempo de GPU.
A diferença não é realmente sobre Sudoku. As regras do Sudoku são bem definidas e simples o bastante para que uma criança de dez anos as aprenda, e é exatamente por isso que o resultado surpreende. Os LLMs são os modelos de IA mais capazes construídos em torno da linguagem, mas muitas tarefas cotidianas exigem uma inteligência além da linguagem. Algumas demandam raciocínio espacial ou dimensional, outras dependem de lógica, planejamento ou sensibilidade emocional, e grande parte do que as pessoas fazem não pode ser totalmente verbalizada. A extrapolação e a criatividade são o que tornam a inteligência viva, e não mecânica.
Yann LeCun, vencedor do Prêmio Turing e pioneiro do aprendizado profundo, argumenta há anos que o texto sozinho não produzirá inteligência real. A abordagem da Logical Intelligence, fundada por Eve Bodnia, se apoia em modelos de raciocínio baseados em energia (EBRMs), como o Kona. Esses modelos são projetados para lidar com problemas de restrições que os LLMs têm dificuldade em resolver.
Os LLMs funcionam prevendo o próximo token mais plausível em uma sequência. Esse design tem gerado bons resultados em tradução, sumarização e geração de código, mas não é adequado a todos os problemas. Para tarefas que exigem outras formas de inteligência, os EBRMs oferecem um caminho diferente, com raciocínio latente mais confiável e com verificação e segurança tratadas de forma distinta dos sistemas baseados em LLM.
Fonte: ByteByteGo · Resumido por HeadlinesBriefing