Professor do MIT aposta na geometria para LLMs mais rápidos e baratos

Tema: Inteligência Artificial

▶ Veja o resumo em vídeo no YouTube: assista aqui

Em palestra no EmTech Brasil, em São Paulo, Manolis Kellis defendeu que a próxima geração de modelos de linguagem abandone os "parágrafos intermináveis" e converta texto em matemática para raciocinar de forma geométrica — uma aposta que promete processamento mil vezes mais rápido e menos gasto com tokens

O professor Manolis Kellis, do Massachusetts Institute of Technology (MIT), subiu ao palco do EmTech Brasil na segunda-feira, 16 de novembro, em São Paulo, com uma previsão que reposiciona o debate sobre inteligência artificial: a geometria é o futuro dos grandes modelos de linguagem (LLMs, na sigla em inglês) [1]. Para ele, a era dos "parágrafos intermináveis" na resolução de problemas deve chegar ao fim, substituída por um ciclo em que a linguagem é convertida em matemática, resolvida nesse domínio e devolvida como texto — com ganho de velocidade na casa das mil vezes e redução do consumo de tokens [1]. A tese importa agora porque o setor enfrenta exatamente o gargalo que Kellis descreve: empresas usam a IA sobretudo como um chat de perguntas e respostas isoladas, e esbarram no custo e na limitação contextual desse formato [1][2].

Segundo o IT Forum, a apresentação, com o tema "Impactos da IA", foi a palestra de abertura do evento [2]. O EmTech Brasil é realizado pela MIT Technology Review Brasil e ocorreu nos dias 16 e 17 de novembro, em São Paulo, com foco, nesta edição, na inteligência humana [3]. Kellis não apresentou apenas uma crítica ao formato atual; ofereceu também uma alternativa operacional, batizada de cartografia cognitiva, que transforma bases de dados em mapas navegáveis em vez de respostas lineares [1].

A tese: converter linguagem em matemática, resolver e voltar

O argumento central de Kellis é de natureza computacional, não apenas retórica. "Acredito que a próxima onda de IA deverá aproveitar o raciocínio geométrico. A ideia é converter dados da linguagem para a matemática, resolver as questões dessa forma e voltar à linguagem", afirmou o professor durante o evento [1].

O que ele propõe é uma mudança de meio: em vez de o modelo elaborar a resposta inteiramente no terreno textual — encadeando frases, listas e tabelas —, o sistema traduziria a pergunta e o material disponível para uma representação matemática, operaria sobre essa representação e só então converteria o resultado de volta para linguagem natural [1]. Segundo o professor, essa conversão deve tornar o processamento mil vezes mais rápido, com reflexo direto nos gastos com tokens [1].

A cifra, na formulação apresentada no palco, é uma expectativa sobre a próxima onda de modelos, e não o resultado de um sistema já disponível comercialmente [1]. Ainda assim, ela delimita onde Kellis enxerga o ganho: não na capacidade de escrever mais, mas na de calcular melhor.

O professor também vinculou a mudança a um perfil específico de aplicação. "A próxima geração de LLMs voltados para a ciência de dados será capaz de lidar com escalas extremas, como interação com proteínas, estruturas arquitetônicas ou mapeamento de endereços", disse [1]. São domínios em que a resposta não é um parágrafo, mas uma relação entre milhares ou milhões de entidades — proteínas que interagem entre si, estruturas físicas que precisam ser comparadas, endereços que precisam ser geolocalizados e cruzados.

Nesse enquadramento, a "geometria" não é uma metáfora visual. É a hipótese de que as relações relevantes em um conjunto de dados podem ser tratadas como posições, distâncias e vizinhanças em um espaço — e que operar sobre esse espaço é mais eficiente do que descrevê-lo em prosa.

A conta dos tokens: por que velocidade virou prioridade

A crítica de Kellis ao uso atual da tecnologia é direta. Na avaliação dele, as empresas usam IA como um chatbot para perguntas e respostas isoladas; como consequência, as respostas são pontuais, o que limita a capacidade de análise contextual [1]. "Você pode até visualizar uma tabela ou longos parágrafos — talvez até páginas e mais páginas —, mas não tem a capacidade de enxergar milhões de resultados simultaneamente", observou [1].

O diagnóstico conversa com a economia real da IA generativa. Em aplicações com LLMs, o custo é administrado por meio de orçamento de tokens, definido como a estratégia de estabelecer limites deliberados de entrada e saída em aplicações com modelos de linguagem [4]. O gasto vem de uma combinação de tokens de entrada — prompt, histórico da conversa e contexto recuperado de bases internas — e tokens de saída, que pesam mais quando as respostas se alongam [5]. Ou seja: quanto mais o modelo "escreve para pensar", mais caro o raciocínio fica.

É nesse ponto que a proposta de Kellis se conecta ao bolso das empresas. Se a resolução do problema migra para uma etapa matemática mais compacta, o volume de tokens necessários para chegar à resposta cai — e é exatamente esse o efeito que ele projeta ao falar em processamento mil vezes mais rápido [1]. O gargalo que o professor identifica não é de inteligência do modelo, mas de arquitetura de interação: um sistema capaz de resumir muito bem e comparar muito mal.

Há também uma consequência analítica. Ao tratar cada consulta como um episódio isolado de pergunta e resposta, a IA atual perde a possibilidade de reunir diferentes variáveis em um mesmo contexto — e é justamente esse o ponto que Kellis busca atacar com a segunda metade de sua apresentação [1].

Cartografia cognitiva: quando a IA deixa de responder e começa a mapear

O caminho alternativo apresentado por Kellis é a cartografia cognitiva, descrita por ele como uma técnica para análise de dados por meio de mapas navegáveis — gráficos interativos — construídos a partir de informações fornecidas pelo usuário [1]. "Trata-se de descobrir, de forma sistemática, todos os conceitos e conexões existentes nos dados. É aí que reside a mudança de paradigma", afirmou [1].

A diferença de fundo está no que se espera do sistema. Em vez de apenas sintetizar, o modelo mapeia: organiza o conhecimento em um território navegável, no qual o usuário percorre conceitos e verifica como eles se conectam [1]. A premissa declarada pelo professor é que a IA não "pensa" recebendo arquivos isolados, mas por meio de geometrias e mapas temáticos internos, o que possibilita reunir diferentes variáveis em um mesmo contexto [1]. "Podemos construir modelos fundamentais que nos permitam analisar o sistema como um todo", destacou [1].

A plataforma que materializa essa ideia descreve o mesmo princípio: transformar conhecimento multimodal em um mapa compartilhado no qual pessoas e IA raciocinam juntas, mantendo à vista as evidências, a proveniência dos dados e o contexto que falta [6].

Na prática, trata-se de um deslocamento do produto. O valor deixa de estar na frase final e passa a estar na estrutura que permite ao usuário encontrar a frase certa — ou perceber que ela não existe nos dados disponíveis.

Mantis e a herança do CSAIL

A cartografia cognitiva não é uma abstração de palco. Kellis é professor de ciência da computação do MIT e membro do CSAIL, o laboratório de ciência da computação e inteligência artificial da instituição; sua pesquisa abrange biologia computacional, genômica, descoberta de fármacos orientada por IA e o desenvolvimento do Mantis, uma plataforma de cartografia cognitiva para exploração interativa de espaços de conhecimento multimodais [7].

Publicamente, o Mantis se apresenta como "cartografia cognitiva para descoberta entre humanos e IA", com a proposta de converter conhecimento multimodal em um mapa compartilhado, mantendo à vista as evidências, a origem dos dados e o que está faltando [6].

O detalhe biográfico ajuda a entender a ênfase de Kellis em escala e em relações. A biologia computacional e a genômica são campos em que a pergunta típica não é "resuma este documento", mas "como estas milhares de variáveis se organizam e interagem" — precisamente o tipo de questão que a arquitetura de chatbot, segundo ele, não resolve bem [1][7]. O exemplo das proteínas citado no palco não é acidental: está próximo do território de pesquisa do próprio professor [1][7].

Vale registrar o que a plataforma é e o que não é. A descrição disponível fala em mapas compartilhados, evidências e proveniência de dados [6][7] — não em substituição do julgamento humano nem em respostas automáticas sobre qualquer domínio. É uma ferramenta de descoberta, e é assim que Kellis a enquadra ao falar de "modelos fundamentais" para analisar o sistema como um todo [1].

O que a pesquisa já dizia: a geometria oculta nos LLMs

A tese defendida em São Paulo não nasce no vácuo. Há uma linha de pesquisa mostrando que os modelos de linguagem já organizam informação de forma geométrica em suas representações internas — o que dá base técnica à ideia de "resolver em matemática".

Um dos trabalhos mais conhecidos nessa direção é "Language Models Represent Space and Time", de Wes Gurnee e Max Tegmark, do MIT. Analisando modelos da família Llama-2, os autores descobriram que LLMs aprendem representações lineares de espaço e tempo em múltiplas escalas, e que essas representações são robustas a variações de prompt [8]. O estudo foi publicado nos anais da ICLR 2024 [9].

O segundo pilar é "The Geometry of Truth: Emergent Linear Structure in Large Language Model Representations of True/False Datasets", de Samuel Marks e Max Tegmark. O estudo usa conjuntos de dados de alta qualidade com afirmações simples verdadeiras e falsas para examinar em detalhe a estrutura das representações de verdade nos modelos, e apresenta evidências de que, em escala suficiente, os LLMs representam linearmente a veracidade ou falsidade de afirmações factuais [10].

A implicação para o argumento de Kellis é relevante: se espaço, tempo e verdade já aparecem como direções e estruturas lineares dentro do modelo [8][10], o raciocínio geométrico proposto não seria uma camada estranha imposta de fora, mas a exploração deliberada de uma organização que o modelo já aprendeu. É essa continuidade que dá plausibilidade à ideia de converter linguagem em matemática, operar e voltar ao texto [1].

O contraponto: a hipótese linear tem limites conhecidos

A mesma discussão que sustenta a tese também expõe suas fragilidades. Um dos questionamentos mais diretos vem da crítica à ideia de que a verdade possa ser reduzida a uma direção no espaço de representações. Em texto publicado em julho de 2026 em seu blog, o pesquisador Abel Jansma argumenta que um "ataque diagonal" contra sondas de veracidade mostra por que nenhuma sonda definível sobre o espaço de representações de um modelo de linguagem consegue capturar exatamente a verdade [11]. O próprio autor descreve seu exemplo como um caso de pequena escala, e o texto não passou por revisão por pares [11].

O ponto é técnico, mas a consequência é prática: se propriedades abstratas não se deixam capturar de forma estável por uma única direção geométrica, então a conversão de linguagem em matemática corre o risco de resolver bem o que é bem comportado — distâncias, hierarquias, vizinhanças — e mal o que é contextual, ambíguo ou dependente de evidência externa. O próprio estudo sobre espaço e tempo observa que a robustez das representações é parcial: tokens aleatórios de distração no prompt degradam o desempenho [8].

Há também uma ressalva de escala econômica. O ganho de mil vezes é uma projeção sobre a próxima geração de modelos [1], enquanto o custo de tokens é um problema presente, administrado hoje por limites deliberados de entrada e saída, cache e controle de uso por usuário [4][5]. Enquanto a mudança de arquitetura não chega, as empresas continuam resolvendo o problema pelo caminho conhecido: restringir, cachear e priorizar.

Nada disso invalida a aposta de Kellis; delimita o terreno em que ela precisa ser demonstrada. A geom

etria pode ser o futuro dos LLMs sem ser a solução de todos os problemas que os LLMs hoje enfrentam — e a distância entre uma coisa e outra é medida em resultados reproduzíveis, não em projeções de palco.

O que esperar

O EmTech Brasil terminou na terça-feira, 17, encerrando uma edição que colocou o foco na inteligência humana [3]. A fala de Kellis deixa uma provocação útil: o limite da IA generativa atual não está na fluência do texto que ela produz, mas no formato de interação que ela impõe — pergunta, resposta, recomeço [1].

Se a previsão se confirmar, os sinais a observar são concretos: modelos de ciência de dados capazes de operar em escalas extremas, como interação com proteínas, estruturas arquitetônicas e mapeamento de endereços [1]; interfaces que entregam mapas navegáveis em vez de resumos [1][6]; e uma queda mensurável no volume de tokens necessários para chegar à mesma conclusão. O caminho alternativo já tem nome e plataforma ligados ao MIT [6][7] — falta o teste público de que a geometria, afinal, resolve.

Referências

[1] Geometria é o futuro dos LLMs, prevê professor do MIT — Mobile Time — https://www.mobiletime.com.br/noticias/16/11/2026/geometria-e-o-futuro-dos/

[2] Empresas usam IA como chat e deixam de enxergar os próprios dados, diz professor do MIT — IT Forum — https://itforum.com.br/noticias/manolis-kelis-professor-do-mit-emtech-brasil/

[3] EmTech Brasil 2026 coloca o foco na inteligência humana — MIT Technology Review Brasil — https://mittechreview.com.br/emtech-brasil-2026-coloca-foco-inteligencia-humana/

[4] Orçamento de tokens: o que é e como aplicar no desenvolvimento com LLMs — MJV Innovation — https://www.mjvinnovation.com/pt-br/blog/orcamento-de-tokens-o-que-e-e-como-aplicar-no-desenvolvimento-com-llms/

[5] Reduzir custo de LLM: cache, roteamento e limites por usuário — X-Apps — https://x-apps.com.br/reduzir-custo-ia-generativa-caching-roteamento-limites/

[6] Mantis | Cognitive cartography for human–AI discovery — https://home.withmantis.com/

[7] Manolis Kellis | CSAIL Alliances — MIT — https://cap.csail.mit.edu/members/people/manolis-kellis

[8] Language Models Represent Space and Time (Gurnee & Tegmark) — arXiv — https://arxiv.org/html/2310.02207v3

[9] Language Models Represent Space and Time — ICLR 2024 Proceedings — https://proceedings.iclr.cc/paper_files/paper/2024/hash/0a6059857ae5c82ea9726ee9282a7145-Abstract-Conference.html

[10] The Geometry of Truth: Emergent Linear Structure in Large Language Model Representations of True/False Datasets (Marks & Tegmark) — arXiv — https://arxiv.org/abs/2310.06824

[11] Truth is not a direction: a Tarski attack on LLM probes — Abel Jansma — https://abeljansma.nl/2026/07/10/truth-is-not-a-direction.html

Fale com a Eliza
E

Eliza

Agente assistente