Uma nova pesquisa da Apple lançou um balde de água fria nas expectativas em torno da inteligência artificial geral (AGI), apontando limitações significativas nos modelos de raciocínio de IA. O estudo, divulgado pouco antes do evento WWDC da Apple, investigou a capacidade de modelos de raciocínio de grande porte (LRMs), como OpenAI o1 e o3, DeepSeek R1, Claude 3.7 Sonnet Thinking e Google Gemini Flash Thinking, de lidar com problemas complexos.
Os pesquisadores da Apple descobriram que, embora esses modelos tenham um bom desempenho em tarefas como matemática e codificação, eles frequentemente entram em colapso ao enfrentar quebra-cabeças lógicos mais desafiadores. Os testes envolveram problemas clássicos como a Torre de Hanói, mover peças de damas pulando para espaços vazios, o problema da travessia do rio (com a raposa, o frango e o saco de grãos) e empilhar blocos em configurações específicas. À medida que a complexidade dos problemas aumentava, a precisão dos LRMs diminuía progressivamente até atingir um ponto de colapso completo.
Um achado surpreendente foi que, ao se aproximarem desse limite crítico, os modelos de IA, paradoxalmente, começavam a reduzir seu esforço de raciocínio, gastando menos tokens (unidades de processamento) mesmo diante de dificuldades crescentes. Além disso, mesmo quando os pesquisadores forneciam as respostas ou incluíam o algoritmo nos prompts, os modelos continuavam a falhar. Esses resultados sugerem que, embora os LRMs mostrem um certo nível de capacidade de raciocínio, eles ainda estão longe de replicar a flexibilidade e adaptabilidade do pensamento humano em cenários complexos, apresentando, como os pesquisadores da Apple colocaram, apenas a ilusão de pensar.
Origem: Link


