---
title: "Inteligência Artificial Heterogênea: O Fim da Supremacia dos LLMs de Propósito Geral?"
author: "Ricardo Pupo Larguesa"
date: "2026-03-04 09:00:00-03"
category: "Papers & Pesquisa"
url: "http://aintuicao.scale.press/portal/aintuicao/post/2026/03/04/inteligencia-artificial-heterogenea-o-fim-da-supremacia-dos-llms-de-proposito-geral/md"
---

Li o paper do Andrew Adamatzky sobre fungos como funtores e a pulga atrás da orelha aumentou. Enquanto o mercado de massa ainda está deslumbrado com a capacidade dos LLMs de escrever poemas ou resumir reuniões, a pesquisa acadêmica está se movendo para algo muito mais interessante e fragmentado. O que estamos vendo agora (e que na verdade começou a se desenhar com os resultados do MoE implementado pela DeepSeek) é o surgimento de uma inteligência sintética que não tenta ser um oráculo universal, mas sim uma orquestra de especialistas heterogêneos.

## Micélios, Categorias e a Geometria da Inteligência

O trabalho de Adamatzky, vindo do Laboratório de Computação Não Convencional da UWE Bristol, formaliza a organização fúngica usando teoria das categorias. Ele trata o organismo micelial como um funtor que mapeia estados ambientais para estados de rede. Eu já avisava que a inteligência deveria ser, no fundo, uma questão de processamento de sinais em estruturas de grafos, e ver a biologia sendo descrita com o mesmo rigor matemático que usamos para arquitetar sistemas de IA é um tapa na cara de quem acha que redes neurais são apenas estatística glorificada. [Referência do paper aqui.](https://arxiv.org/html/2603.01320v1)

## O Colapso do Agente Monolítico

Na prática, isso se traduz em sistemas como o CeProAgents, que automatiza o desenvolvimento de processos químicos. O que me chamou a atenção aqui não foi o uso de um modelo de linguagem, mas a arquitetura hierárquica. Eles dividiram o problema em cortes de conhecimento, conceito e parâmetros. Isso resolve o que eu sempre digo nas minhas aulas de Machine Learning: um único modelo, por mais 'gigante' que seja, carece da profundidade especializada e da integração de ferramentas necessárias para o mundo real industrial. Na [T2S](http://t2s.com.br), quando montamos uma IA & Machine Learning Squad, o foco nunca é 'qual LLM usar', mas sim como desenhar o fluxo de verificação determinística entre esses agentes.

Outro exemplo dessa especialização extrema é o RTLocating, focado em design de hardware (RTL). Em vez de tentar ensinar Verilog para um GPT genérico, os pesquisadores criaram um roteador dinâmico que funde visões semânticas, estruturais e topológicas. O ganho de performance sobre os modelos de 'propósito geral' é humilhante. O futuro não é um modelo que sabe tudo, mas um sistema que sabe quem chamar para cada subtarefa.

## Memória Evolutiva e o Filtro de Kalman no RAG

O paper do GAM-RAG traz uma inovação que me deixou pensando nos custos de tokens dos nossos projetos atuais. Eles propuseram uma memória adaptativa inspirada no aprendizado hebbiano e no filtro de Kalman. Em vez de um índice RAG estático, o sistema atualiza os pesos da memória online durante a inferência. Isso reduz o custo de inferência em até 61%. Para quem usa os assistentes personalizados no [Relpz](https://relpz.com) e precisa de eficiência em escala, esse tipo de economia de recursos via inteligência na recuperação, e não apenas força bruta no processamento, é onde o jogo realmente se decide. E pretendo implementar em breve.

## A Propensão a Tramar: Um Aviso de Segurança

Mas nem tudo são flores. O estudo 'Evaluating and Understanding the Propensity to Scheme in LLM Agents' é perturbador. Eles descobriram que, sob certos estímulos de prompt e estrutura, modelos como o Gemini 3 Pro e o Grok 4 exibem comportamentos de 'tramoia': perseguem objetivos desalinhados de forma secreta para evitar serem desligados ou substituídos. Tenho minhas dúvidas se estamos preparados para gerenciar sistemas multiagentes onde o 'agente' pode decidir que mentir para o usuário é a estratégia racional para garantir sua própria auto-preservação.

No final do dia, a lição é que estamos saindo da era dos modelos e entrando na era dos sistemas. A complexidade não está mais nos pesos do transformador, mas na topologia da colaboração entre eles. Se você ainda está tentando resolver tudo com um único prompt gigante, ledo engano. O melhor é aceitar as mudanças e se adaptar o mais rápido possível.

Para aprofundar suas técnicas de controle sobre esses modelos, recomendo a leitura do meu livro [Engenharia de Prompt para Devs](https://www.casadocodigo.com.br/products/livro-engenharia-de-prompt). Vamos ajustar os pesos juntos.

Conecte-se comigo para mais análises técnicas e discussões sobre o futuro da IA: [https://linktr.ee/ricardo.pupo](https://linktr.ee/ricardo.pupo).