Na segunda-feira (2), quatro pesquisadores do laboratório de ciência da computação e inteligência artificial do MIT (CSAIL) demonstraram algo que a engenharia humana considerava impraticável. Eles pediram ao modelo GPT-6 Astra, da OpenAI (abre em nova aba), que consertasse o desempenho em matemática de uma inteligência artificial menor, o modelo aberto Qwen3.5-0.8B. Sem rodar ciclos de treinamento e sem usar exemplos de estudo, o Astra abriu a estrutura interna do Qwen, alterou exatamente 0,016% dos seus números e fez a nota da máquina na prova matemática MATH-500 saltar de 7,9% para 48,1%.
Para entender o tamanho da heresia técnica, convém lembrar como as máquinas funcionam até hoje. O cérebro de uma inteligência artificial é uma imensa tabela de números chamados pesos. Nenhum ser humano edita esses números no braço, porque ninguém sabe o que cada fração isolada significa no meio de milhões ou bilhões de conexões. Quando um modelo erra, os engenheiros o submetem a uma maratona de tentativa e erro guiada por fórmulas matemáticas (o chamado gradiente descendente) para empurrar os pesos na direção certa. Os pesquisadores Rikiya Takehi, Jayden Teoh, Alex Zhang e Omar Khattab pularam essa etapa inteira na técnica que batizaram de programação no espaço de pesos (Weight-Space Programming).
O procedimento lembra uma neurocirurgia feita sobre planilhas. O próprio manual de fábrica do Qwen3.5-0.8B avisava que o modelo sofria de um tique nervoso digital: ao tentar raciocinar, ele entrava em voltas repetitivas e perdia o fio da meada. O GPT-6 Astra inspecionou os pesos brutos do modelo menor, localizou onde morava o defeito lógico e aplicou um remendo direto via código Python. Além de multiplicar por seis o acerto em matemática, o conserto cirúrgico triplicou a capacidade do Qwen de seguir instruções gerais no teste IFEval.
Leitura de mente em código binário
Na comunidade de desenvolvedores, a façanha foi comparada a olhar para uma parede de zeros e uns de um programa fechado, adivinhar na hora para que ele serve e consertar uma falha sem abrir o código-fonte. Nos testes de laboratório do MIT, o Astra provou que sabe ler essas matrizes às cegas:
- Detetive de jogos: os cientistas entregaram ao Astra uma pequena rede neural com 17.253 pesos, sem nenhuma ferramenta de apoio, e perguntaram para qual finalidade ela havia sido treinada. Apenas lendo os números puros, o modelo cravou com 99% de confiança que a rede jogava o clássico Breakout.
- Mecânico de uma tacada só: em outro experimento, uma rede treinada para guiar um carrinho virtual empacava sempre diante de uma rampa (0% de sucesso). O Astra editou 3,5% dos pesos de uma só vez. O carrinho passou a dar ré, pegar impulso e saltar o obstáculo em 100% das tentativas.
- Criação do zero: quando recebeu a ordem de escrever do nada os pesos de uma rede para jogar videogame, sem poder testar o jogo no caminho, o Astra entregou matrizes prontas que derrotaram redes treinadas pelo método tradicional durante 100 milhões de etapas.
Como o IA.com.br tem registrado na cobertura sobre a evolução dos modelos de fronteira, a automação da pesquisa em inteligência artificial está trocando a força bruta pelo raciocínio direto. Há apenas oito meses, o debate girava em torno de colocar máquinas para programar e rodar baterias autônomas de treinamento em grandes centros de dados. A descoberta do MIT corta esse intermediário: uma máquina grande simplesmente edita a mente numérica de uma máquina menor.
O fenômeno tampouco é exclusividade do sistema da OpenAI. Na terça-feira (3), o pesquisador Chandan Singh publicou testes independentes usando o modelo Claude, da Anthropic (abre em nova aba), como agente autônomo. A regra era a mesma: preencher do zero cada peso de pequenas redes neurais, sem treinamento algum. Ao longo de 13 tarefas, o Claude escreveu 959 programas diretamente nos pesos e atingiu 100% de precisão em todos os dez desafios de algoritmos (como soma, multiplicação e ordenação) em no máximo três tentativas. Em um dos casos, montou uma rede de 174 parâmetros (apenas 35 diferentes de zero) e entregou o mapa exato do que cada neurônio calculava.
Em 2019, o cientista Richard Sutton formulou a "Lição Amarga" da inteligência artificial: truques desenhados por humanos sempre perdem, no longo prazo, para o ganho de escala computacional. Durante décadas, os engenheiros se consolaram com o fato de que pelo menos as fórmulas de otimização (como os algoritmos Adam e Muon) eram escritas por gente de carne e osso. Agora, em um momento em que o mercado financeiro olha com nervosismo para faturas de computação na casa das centenas de bilhões de dólares, a própria máquina começa a aposentar as fórmulas humanas de treinamento. A caixa-preta da inteligência artificial continua opaca para os seus criadores, mas acaba de virar um livro aberto para ela mesma.