Yann LeCun, o “Padrinho” Contra os LLMs
A Aposta de $1 Mil Milhões nos “World Models”
Enquanto Geoffrey Hinton alerta que os LLMs já podem ser perigosos, Yann LeCun defende o oposto: que nunca vão chegar perto de inteligência real. Saiu da Meta para apostar mil milhões de dólares nisso mesmo.
Yann LeCun é, ao lado de Geoffrey Hinton e Yoshua Bengio, um dos três “padrinhos” da IA moderna — os três dividem o Prémio Turing de 2018 pelo trabalho pioneiro em redes neuronais. Mas ao contrário de Hinton, que teme que os LLMs atuais já sejam mais capazes (e mais perigosos) do que parecem, LeCun defende precisamente o oposto: os grandes modelos de linguagem, por muito impressionantes que pareçam, nunca vão chegar perto de inteligência ao nível humano. Em novembro de 2025, depois de mais de uma década como cientista-chefe de IA da Meta, saiu para provar isso mesmo com dinheiro a sério — mil milhões de dólares dele e de investidores.
A Empresa: AMI Labs
LeCun fundou a Advanced Machine Intelligence (AMI Labs), sediada em Paris, com Alex LeBrun — empreendedor em série que já vendeu empresas à Microsoft e à Meta — como CEO; LeCun assume o cargo de presidente executivo, focado em ciência em vez de gestão do dia a dia. Em março de 2026, a empresa fechou uma ronda seed de $1,03 mil milhões, avaliada em $3,5 mil milhões antes do investimento — a maior ronda seed pré-lançamento da história europeia, com nomes como Bezos Expeditions, NVIDIA e Samsung entre os investidores. O objetivo declarado, segundo o CEO, é chegar a algo aplicável a produtos reais em cerca de um ano, com foco inicial em saúde, robótica e automação industrial.
O Argumento Central
🧩 Os LLMs não têm modelo do mundo real
Para LeCun, os LLMs manipulam texto muito bem, mas isso é uma tarefa fácil comparada com o verdadeiro desafio: perceber e prever o mundo físico. Cita o Paradoxo de Moravec — o que é fácil para nós (perceção, navegação, apanhar um copo) é difícil para as máquinas, e vice-versa. Um LLM não consegue prever as consequências de uma ação porque nunca aprendeu como o mundo realmente funciona; só aprendeu como as palavras costumam seguir-se umas às outras.
🍼 A alternativa: “world models” e a arquitetura JEPA
Em vez de gerar texto ou pixels palavra a palavra, um “world model” aprende uma representação abstrata do mundo e faz previsões nesse espaço abstrato, ignorando detalhes impossíveis de prever. LeCun compara o processo a “um bebé a aprender sobre a gravidade” — por observação, sem precisar de milhões de exemplos rotulados. A arquitetura por trás disto chama-se JEPA (Joint Embedding Predictive Architecture), criada por LeCun ainda na Meta, e é o motor técnico de tudo o que a AMI Labs está a construir.
🤖 Porque é que isto importa para robôs e carros autónomos
LeCun argumenta que a razão pela qual não existe um robô doméstico tão ágil como um gato, ou condução verdadeiramente autónoma, não é falta de dados — é a ausência de um modelo do mundo. Um adolescente aprende a conduzir em 20 horas porque já percebe como o mundo se comporta; um sistema de IA sem essa base precisa de quantidades absurdas de dados de tele-operação para cada tarefa, e generaliza mal assim que o ambiente muda.
A Investigação Mais Recente: Prova Formal e um Travão de Realidade
Em maio de 2026, o grupo de LeCun publicou dois artigos que, lidos em conjunto, dão a imagem mais rigorosa até agora de onde a tese dos “world models” está — e do quanto ainda falta.
📐 A prova: quando é que o JEPA aprende mesmo o mundo
O artigo “When Does LeJEPA Learn a World Model?”, submetido a 25 de maio por LeCun com David Klindt (Cold Spring Harbor Laboratory) e Randall Balestriero (Brown University), prova formalmente — com as provas verificadas no assistente Lean 4 — que a arquitetura LeJEPA consegue recuperar as verdadeiras variáveis escondidas por trás de observações em bruto (posição, velocidade, orientação de um objeto), mas só sob condições específicas: as variáveis têm de seguir uma distribuição Gaussiana, e os dados de treino têm de explorar o espaço de forma ampla e uniforme.
📉 O benchmark: os modelos atuais ainda são frágeis
O segundo artigo, “stable-worldmodel”, uma plataforma de benchmark de código aberto liderada por Lucas Maes (Mila) com Balestriero e LeCun entre os doze autores, testou vários “world models” existentes numa tarefa simples de manipulação robótica. Um dos modelos testados atingiu 50,8% de sucesso em condições normais — mas caiu para cerca de 12% só por mudar a cor do agente, e para 6% ao mudar a cor do fundo. Um achado mais preocupante: o erro de previsão do modelo não é um bom indicador de sucesso no planeamento — um modelo pode prever bem o próximo fotograma e mesmo assim planear mal, porque aprendeu a depender de detalhes visuais irrelevantes em vez da estrutura real da tarefa.
A ligação entre os dois artigos é reveladora: dados de treino recolhidos por políticas orientadas a objetivos (o método mais comum em robótica) tendem a explorar o espaço de forma estreita — exatamente a condição sob a qual, segundo a prova formal, a garantia teórica do JEPA deixa de se aplicar. Isto sugere que a forma como os dados de treino são recolhidos pode ser tão importante como a arquitetura em si.
Nem Tudo é Consensual
⚖️ O próprio benchmark de LeCun mostra os limites da sua tese
Vale notar que o artigo mais crítico sobre o estado atual dos “world models” — o que mostra a fragilidade sob pequenas mudanças visuais — tem o próprio LeCun como coautor. É um sinal de rigor científico, mas também uma admissão implícita de que, apesar dos $1,03 mil milhões investidos, a tecnologia ainda está longe de pronta para produtos reais. Nenhum dos dois artigos prova que a AMI Labs vai conseguir cumprir o calendário de cerca de um ano até algo aplicável, mencionado pelo CEO Alex LeBrun.
🎙 Hinton e LeCun discordam profundamente entre si
Vale a pena ler este artigo a par do que escrevemos sobre Geoffrey Hinton: os dois “padrinhos” da IA discordam quase ponto por ponto. Hinton teme que os LLMs já estejam a gerar conhecimento novo e a aproximar-se perigosamente de algo parecido com consciência; LeCun considera essa preocupação prematura, porque para ele os LLMs nem sequer têm o tipo de arquitetura capaz de entender o mundo físico. Não podem estar os dois certos ao mesmo tempo — e nenhum deles tem, hoje, prova definitiva a seu favor.
Perguntas Frequentes
Quem é Yann LeCun?
É um cientista franco-americano, um dos três “padrinhos” da IA moderna (com Geoffrey Hinton e Yoshua Bengio), vencedor do Prémio Turing em 2018. Foi cientista-chefe de IA da Meta durante mais de uma década, onde fundou o laboratório FAIR, até sair em novembro de 2025 para fundar a AMI Labs.
O que são “world models” e em que é que diferem dos LLMs?
Um LLM prevê a próxima palavra num texto. Um “world model” tenta prever, de forma abstrata, como o mundo físico se comporta a seguir — útil para robôs, condução autónoma e sistemas que precisam de agir sobre o mundo real, não só de conversar sobre ele. Não geram texto nem imagem pixel a pixel; aprendem representações comprimidas e fazem previsões nesse espaço.
A AMI Labs já tem algum produto?
Não. A empresa está em fase de investigação fundamental — os artigos de maio de 2026 são investigação académica, não anúncios de produto. O próprio CEO admitiu que o objetivo é chegar a algo aplicável a produtos reais dentro de cerca de um ano, com foco inicial em saúde, robótica e automação industrial.
LeCun acha que os LLMs são inúteis?
Não. Ele próprio reconhece que os LLMs são extremamente úteis para escrever, pesquisar e programar. A crítica dele é mais específica: acha errado assumir que basta continuar a escalar LLMs para chegar a inteligência ao nível humano, porque falta-lhes um modelo do mundo físico.
Conclusão
Yann LeCun é o “padrinho” mais cético em relação ao caminho atual da indústria — e apostou a própria carreira e mil milhões de dólares alheios nisso. A investigação mais recente do seu grupo é honesta quanto ao ponto em que a tese está: existe agora prova formal de quando um “world model” pode aprender a estrutura real do mundo, mas também prova empírica de que os sistemas de hoje ainda falham perante mudanças visuais mínimas. Se a aposta compensa, só o tempo (e provavelmente mais alguns milhares de milhões de dólares) vai dizer.
Queres ver a perspetiva oposta dentro do mesmo debate? Consulta o nosso artigo sobre Geoffrey Hinton, ou as reviews do ChatGPT e do Gemini — as ferramentas de IA que já existem hoje, enquanto se discute o que vem a seguir.
