Esta IA raciocina com imagens, não apenas com palavras
Fundada por ex-pesquisadores do Google, Elorian cria modelos que simulam física e entendem imagens em 3D para engenharia e indústria
Por quase uma década, pesquisadores de inteligência artificial concentraram seus esforços em um único tipo de IA: os grandes modelos de linguagem (LLMs), treinados para escrever, conversar e raciocinar por meio de palavras.
A indústria de tecnologia fez uma aposta bilionária de que tornar esses modelos cada vez maiores e mais inteligentes é o caminho para alcançar a superinteligência.
Mas, em 2026, alguns dos pesquisadores mais influentes da área passaram a questionar se essa abordagem centrada na linguagem é suficiente. Um deles é Andrew Dai, veterano da IA que deixou o Google DeepMind para desenvolver modelos concebidos desde o início para compreender, raciocinar e gerar imagens. Sua startup, a Elorian AI, saiu do "modo furtivo" em abril.
Dai acredita que as imagens são tão fundamentais para a inteligência de um modelo quanto a linguagem – talvez até mais. Na sua avaliação, os modelos de linguagem de ponta chegaram a um limite porque não conseguem raciocinar de forma eficaz sobre o mundo físico, além de serem, como ele define, "incrivelmente instáveis".
Segundo ele, um modelo incapaz de contar quantas xícaras estão sobre uma mesa ou de compreender relações espaciais ainda está longe da inteligência artificial geral, por melhor que escreva textos ou programe.
A Elorian, fundada por Dai em parceria com Yinfei Yang, ex-pesquisador de aprendizado de máquina da Apple, está desenvolvendo modelos que tratam os dados visuais com a mesma importância que os tokens de linguagem em sua arquitetura.
"Nossa aposta é nessas representações visuais para resolver problemas espaciais, navegação e muitas outras tarefas", afirma Dai.
TREINAMENTO DE IA COM IMAGENS
Os modelos multimodais mais recentes, como o Gemini, do Google, processam imagens transformando-as em descrições detalhadas feitas com palavras. Essas descrições são organizadas em um enorme mapa interno de linguagem, a partir do qual o modelo faz observações, julgamentos e sugestões.
Se receber o esquema técnico de um motor de motocicleta, por exemplo, um LLM multimodal pode observar que, quando o motor aquece, a coroa do pistão feita de liga de alumínio se expande, reduzindo a folga entre ela e a parede do cilindro.
A proposta da Elorian é diferente. Seus modelos de raciocínio visual "pensam" diretamente sobre as imagens. Em vez de construir um mapa de palavras, eles criam uma representação tridimensional detalhada da cena, semelhante à forma como os seres humanos imaginam objetos e espaços.
Como o modelo incorpora uma compreensão da física, consegue fazer análises muito mais detalhadas e precisas. No exemplo do motor, ele seria capaz de mostrar como as dimensões da coroa do pistão, da parede do cilindro e da folga entre ambos mudariam ao longo do tempo conforme o motor aumenta a rotação.
Depois, poderia sugerir alterações no projeto para tornar o motor mais resistente em operações de alta rotação. Em outras palavras, enquanto um LLM descreve e faz referências, os modelos da Elorian simulam e raciocinam sobre o comportamento físico.
Leia mais: Quem está sendo treinado: a IA ou nós?
Por isso, a empresa acredita que sua tecnologia terá aplicações naturais em setores que exigem compreensão profunda do mundo físico. O foco inicial é o que Dai chama de "economia física", um mercado estimado em US$ 80 trilhões que inclui áreas como análise de vídeos e engenharia mecânica.
Nesse último segmento, segundo ele, engenheiros ainda dedicam centenas de horas ao desenho manual de componentes em softwares CAD.
Os modelos da Elorian executam o que Dai chama de ciclo de "editar, simular e corrigir": geram um projeto, testam o desenho em uma simulação física, identificam falhas e revisam automaticamente o projeto para corrigi-las.
CONCORRENTES NO PÁREO
Dai passou 14 anos entre o Google Brain e o DeepMind. Nesse período, foi coautor de pesquisas que serviram de base técnica para a série GPT e liderou o trabalho de dados do Gemini. Depois, deixou a empresa acompanhado por uma equipe de pesquisadores para fundar a Elorian, sediada em Palo Alto, na Califórnia.
Segundo ele, uma das razões para deixar o Google foi a decisão da empresa de concentrar sua capacidade computacional em poucas áreas estratégicas, como geração de código, destinando menos recursos à pesquisa em raciocínio visual.
Outra startup que atua em uma direção semelhante é a World Labs, fundada pela professora de Stanford e pesquisadora de IA Fei-Fei Li. A empresa trabalha com sistemas capazes de raciocinar sobre ambientes tridimensionais, em vez de apenas imagens bidimensionais. Seu principal produto, Marble, gera cenários 3D navegáveis a partir de textos, imagens ou vídeos.
Andrew Dai acredita que as imagens são tão fundamentais para a inteligência de um modelo quanto a linguagem.
Já a Moonvalley, adquirida neste ano pela Reka, criou inicialmente o modelo de vídeo Marey, treinado com imagens licenciadas, e depois passou a desenvolver os chamados "world models".
Segundo a Reka, a equipe combinada das duas empresas está construindo sistemas capazes de simular movimento e física para ajudar robôs a prever as consequências de suas ações.
Apesar do interesse crescente nessa abordagem, a Elorian ainda está em estágio inicial. A empresa segue desenvolvendo seus modelos e identificando os primeiros mercados em que pretende atuar.
O plano é lançar, até o fim do ano, uma API de uso geral que permitirá a desenvolvedores criar aplicações baseadas em seus modelos de raciocínio visual.
