Aviões que batem as asas com IA: “Queremos adotar abordagens radicalmente diferentes”

Nos últimos meses, surgiu uma onda de laboratórios de IA ambiciosos e voltados para a pesquisa, e o Flapping Airplanes se destaca como um dos mais intrigantes. Impulsionado por seus jovens e curiosos fundadores, o laboratório se dedica a encontrar formas de treinar IA que exijam menos dados. Essa abordagem pode transformar fundamentalmente tanto a economia quanto as capacidades dos modelos de IA — e, com US$ 180 milhões em financiamento inicial, eles têm muito espaço para explorar.

Na semana passada, conversei com os três cofundadores do laboratório — os irmãos Ben e Asher Spector, juntamente com Aidan Smith — para discutir por que este é um momento propício para lançar um novo laboratório de IA e por que eles continuam voltando a ideias inspiradas no cérebro humano.

Deixe-me começar com a pergunta óbvia: por que agora? Laboratórios como o OpenAI e o DeepMind investiram recursos enormes na ampliação de seus modelos. Imagino que a concorrência pareça intimidadora. O que fez com que este parecesse o momento certo para lançar uma empresa de modelos fundamentais?

Ben: Ainda há muito a ser feito. Os avanços nos últimos cinco a dez anos têm sido notáveis. Adoramos as ferramentas — as usamos todos os dias. Mas a questão é se isso representa todo o escopo do que precisa acontecer. Pensamos nisso cuidadosamente, e nossa resposta foi não — há muito mais pela frente. Para nós, o problema da eficiência de dados parecia ser o ponto crítico a ser abordado. Os modelos de ponta de hoje são treinados com basicamente todo o conhecimento humano, mas os seres humanos se viram com muito menos. Essa lacuna é enorme e vale a pena ser compreendida.

O que estamos fazendo é, essencialmente, uma aposta concentrada em três coisas. Primeiro, que a eficiência de dados é o problema certo a ser resolvido — uma direção genuinamente nova onde o progresso é possível. Segundo, que resolvê-lo terá valor comercial e tornará o mundo melhor. E terceiro, que o tipo certo de equipe para assumir esse desafio é criativa e, de certa forma, inexperiente — um grupo disposto a reexaminar esses problemas do zero.

Aidan: Com certeza. Na verdade, não nos vemos competindo com outros laboratórios, pois estamos focados em um conjunto de problemas bem diferente. Veja a mente humana — ela aprende de uma maneira fundamentalmente diferente dos transformadores. Não necessariamente melhor, apenas muito diferente. Portanto, vemos diferentes compromissos. Os LLMs são incríveis na memorização e no uso de um vasto conhecimento, mas têm dificuldade em adquirir novas habilidades rapidamente — é necessária uma quantidade enorme de dados para se adaptarem. Quando você analisa o cérebro, os algoritmos que ele usa são fundamentalmente diferentes do gradiente descendente e de outras técnicas de treinamento atuais. É por isso que estamos formando uma nova geração de pesquisadores para abordar esses problemas e repensar o panorama da IA.

Asher: Essa questão é profundamente interessante do ponto de vista científico: por que os sistemas inteligentes que construímos são tão diferentes do que os humanos fazem? De onde vem essa diferença e como podemos usá-la para construir sistemas melhores? Ao mesmo tempo, acredito que isso seja comercialmente viável e bom para o mundo. Muitos setores importantes enfrentam restrições de dados — robótica, descobertas científicas e até mesmo aplicações corporativas. Um modelo que fosse um milhão de vezes mais eficiente em termos de dados seria um milhão de vezes mais fácil de integrar à economia. Portanto, para nós, adotar uma nova perspectiva foi empolgante: se pudéssemos construir um modelo muito mais eficiente em termos de dados, o que poderíamos fazer com ele?

TechCrunch Founder Summit 2026: Ingressos à venda

No dia 23 de junho, em Boston, mais de 1.100 fundadores se reunirão no TechCrunch Founder Summit 2026 para um dia inteiro dedicado ao crescimento, à execução e à expansão no mundo real. Aprenda com fundadores e investidores que moldaram o setor. Conecte-se com colegas que estão passando por fases de crescimento semelhantes. Saia de lá com táticas que você poderá aplicar imediatamente

Economize até US$ 300 no seu passe ou até 30% com ingressos em grupo para equipes de quatro ou mais pessoas.

TechCrunch Founder Summit: Ingressos à venda

No dia 23 de junho, em Boston, mais de 1.100 fundadores se reúnem no TechCrunch Founder Summit 2026 para um dia inteiro dedicado ao crescimento, à execução e à escalabilidade no mundo real. Aprenda com fundadores e investidores que moldaram o setor. Conecte-se com colegas que estão passando por fases de crescimento semelhantes. Saia de lá com táticas que você pode aplicar imediatamente

Economize até US$ 300 no seu passe ou até 30% com ingressos em grupo para equipes de quatro ou mais pessoas.

Isso me leva à minha próxima pergunta, que também está relacionada ao nome “Flapping Airplanes”. Existe um debate filosófico na IA sobre até que ponto devemos tentar replicar os processos do cérebro humano em vez de criar uma inteligência mais abstrata que siga um caminho completamente diferente. Aidan vem da Neuralink, que se dedica inteiramente ao cérebro humano. Vocês se veem buscando uma visão mais neuromórfica da IA?

Aidan: Eu vejo o cérebro como uma prova de existência — evidência de que existem outros algoritmos por aí, não apenas uma única ortodoxia. O cérebro opera sob restrições absurdas. Disparar um potencial de ação leva um milissegundo; nesse mesmo tempo, seu computador pode realizar inúmeras operações. Portanto, provavelmente existe uma abordagem que é, na verdade, muito melhor do que o cérebro e muito diferente do transformador. Nós nos inspiramos em algumas coisas que o cérebro faz, mas não nos sentimos presos a ele.

Ben: Para complementar, isso está bem ali no nosso nome: Flapping Airplanes. Pense nos sistemas atuais como grandes Boeing 787. Não estamos tentando construir pássaros — isso é ir longe demais. Estamos tentando construir algo como um avião que bate as asas. Do ponto de vista dos sistemas de computação, as restrições do cérebro e do silício são suficientemente diferentes para que não devamos esperar que esses sistemas acabem se parecendo. Com substratos tão distintos e compromissos muito diferentes em relação ao custo de computação, localidade e movimentação de dados, esses sistemas naturalmente terão uma aparência um pouco diferente. Mas isso não significa que não devamos nos inspirar no cérebro e usar as partes que achamos interessantes para melhorar nossos próprios sistemas.

Parece que agora há mais liberdade para os laboratórios se concentrarem na pesquisa, em vez de apenas desenvolver produtos. Isso parece uma grande mudança para essa geração de laboratórios. Alguns são muito focados em pesquisa; outros estão “focados em pesquisa por enquanto”. Como essa discussão se desenrola dentro da Flapping Airplanes?

Asher: Gostaria de poder dar um prazo. Gostaria de poder dizer: “Em três anos, teremos resolvido o problema de pesquisa e é assim que vamos comercializar”. Mas não posso. Não sabemos as respostas. Estamos em busca da verdade. Dito isso, temos experiência na área comercial. Passei um tempo desenvolvendo tecnologia para empresas que geravam receita razoável. Ben já incubou startups com raízes comerciais, e estamos genuinamente animados com a comercialização — achamos que é bom para o mundo colocar o valor criado nas mãos das pessoas que podem usá-lo. Portanto, não somos contra. Só precisamos começar pela pesquisa, porque, se partirmos assinando grandes contratos corporativos, vamos nos distrair e não faremos a pesquisa que realmente importa.

Aidan: Certo — queremos tentar coisas radicalmente diferentes, e às vezes ideias radicais são simplesmente piores do que o paradigma atual. Estamos explorando um conjunto de diferentes compromissos, na esperança de que valham a pena no longo prazo.

Ben: As empresas estão no seu melhor quando estão realmente focadas em fazer bem uma única coisa, certo? Grandes empresas podem se dar ao luxo de fazer muitas coisas ao mesmo tempo. Como uma startup, você precisa escolher o que é mais valioso e se dedicar totalmente a isso. Criamos mais valor quando estamos totalmente comprometidos em resolver problemas fundamentais por enquanto.

Na verdade, estou otimista de que, em breve, talvez tenhamos feito progresso suficiente para começar a colocar a mão na massa no mundo real. A gente aprende muito com o feedback do mundo real. O que é incrível sobre o mundo é que ele está sempre nos ensinando — é um imenso poço de verdades que a gente pode explorar a qualquer momento. Acho que a recente mudança na economia e no financiamento dessas estruturas permitiu que as empresas se concentrassem por mais tempo no que fazem de melhor. Esse foco — o que mais me entusiasma — nos permitirá fazer um trabalho verdadeiramente diferenciado.

Para explicar melhor o que acho que você está se referindo: há tanto entusiasmo em torno da IA que os investidores estão dispostos a injetar US$ 180 milhões em financiamento inicial em uma empresa novíssima, cheia de pessoas muito inteligentes e muito jovens que não apenas lucraram com a venda de suas ações no PayPal. Como foi participar desse processo? Você já sabia, antes de entrar nesse processo, que havia esse interesse, ou descobriu que poderia transformar isso em algo maior do que esperava?

Ben: Foi uma mistura dos dois. O mercado está aquecido há meses, então não era segredo que grandes rodadas de investimento estavam se concretizando. Mas você nunca sabe como o ambiente de captação de recursos vai reagir às suas ideias específicas. Mais uma vez, você precisa deixar que o mundo lhe dê feedback. Mesmo durante nossa captação de recursos, aprendemos muito e mudamos nossas ideias — refinamos nossas prioridades e cronogramas para a comercialização.

Ficamos um pouco surpresos com o quanto nossa mensagem teve repercussão. Para nós, estava claro, mas nunca se sabe se os outros vão acreditar no mesmo ou achar que você é louco. Tivemos muita sorte de encontrar um grupo de investidores incríveis que realmente se identificaram com a nossa mensagem e disseram: “Sim, é exatamente isso que estamos procurando”. Isso foi incrível — surpreendente e maravilhoso.

Aidan: É, há algum tempo já se sente no ar um anseio pela era da pesquisa. Cada vez mais, nos vemos posicionados como os protagonistas que buscam essa era e tentam colocar em prática essas ideias radicais.

Pelo menos para empresas orientadas para a escala, o custo de entrada para modelos de base é enorme — construir um modelo nessa escala exige uma computação incrivelmente intensa. A pesquisa fica em algum ponto no meio: presumivelmente, você está construindo modelos de base, mas se estiver fazendo isso com menos dados e sem tanta ênfase na escala, talvez consiga uma folga. Até que ponto você espera que os custos de computação limitem sua autonomia financeira?

Ben: Uma vantagem da pesquisa profunda e fundamental é que, paradoxalmente, é muito mais barato testar ideias realmente malucas e radicais do que fazer um trabalho incremental. Com o trabalho incremental, para ver se funciona, você precisa subir bastante na escada da escalabilidade — muitas intervenções em pequena escala não se mantêm quando ampliadas. Isso é caro. Mas se você tiver uma ideia nova e ousada sobre um otimizador de arquitetura, ela provavelmente vai falhar na primeira tentativa de qualquer maneira, então você não precisa escalá-la. Ela já está quebrada — isso é ótimo.

Isso não significa que a escala seja irrelevante para nós. A escala é uma ferramenta importante em nossa caixa de ferramentas. Ser capaz de ampliar nossas ideias é certamente relevante. Portanto, eu não nos definiria como a antítese da escala. Mas é um aspecto maravilhoso do nosso trabalho o fato de podermos testar muitas ideias em escala muito pequena antes mesmo de pensar em grande escala.

Asher: É , você deveria poder usar toda a internet — mas não deveria precisar disso. Achamos realmente intrigante que seja necessário usar toda a internet para alcançar inteligência em nível humano.

Então, o que se torna possível se você puder treinar de forma mais eficiente com dados? Presumivelmente, o modelo será mais poderoso e inteligente. Você tem ideias específicas sobre aonde isso nos levará? Estamos falando de uma generalização mais fora da distribuição ou de modelos que se tornam melhores em uma tarefa específica com menos experiência?

Asher: Primeiro , estamos fazendo ciência, então não sei a resposta — mas posso apresentar três hipóteses. Minha primeira hipótese é que existe um amplo espectro entre simplesmente procurar padrões estatísticos e ter uma compreensão profunda. Os modelos atuais se situam em algum ponto desse espectro — não chegam à compreensão profunda, mas claramente não se limitam apenas à correspondência de padrões. É possível que o treinamento com menos dados force o modelo a desenvolver uma compreensão incrivelmente profunda de tudo o que ele viu. Isso poderia tornar o modelo mais inteligente de maneiras interessantes — ele poderia conhecer menos fatos, mas raciocinar melhor. Essa é uma hipótese.

Outra hipótese é semelhante ao que você disse: atualmente, é caro — tanto operacionalmente quanto financeiramente — ensinar novas capacidades aos modelos, pois é necessária uma grande quantidade de dados. Um resultado do nosso trabalho poderia ser um pós-treinamento muito mais eficiente, de modo que, com apenas alguns exemplos, seria possível aplicar um modelo a um novo domínio.

E também é possível que isso abra novas verticais para a IA. Por exemplo, na robótica, por alguma razão, ainda não conseguimos torná-la comercialmente viável. Acho que é um problema de dados limitados, não um problema de hardware — o fato de que é possível operar robôs remotamente prova que o hardware é bom o suficiente. Existem muitos domínios desse tipo, como a descoberta científica.

Ben: Uma coisa que gostaria de enfatizar: quando pensamos no impacto da IA, uma visão é que se trata de uma tecnologia deflacionária — automatizando empregos, tornando o trabalho mais barato, eliminando postos de trabalho da economia. Isso vai acontecer. Mas, na minha opinião, essa não é a visão mais empolgante. A visão mais empolgante é aquela em que a IA nos ajuda a construir novas ciências e tecnologias que os humanos não são inteligentes o suficiente para conceber — mas outros sistemas podem.

Nesse aspecto, o eixo que Asher mencionou — entre a verdadeira generalização e a memorização ou interpolação — é extremamente importante para insights profundos que levem a avanços na medicina e na ciência. É fundamental que os modelos estejam no lado da criatividade desse espectro. Parte do motivo pelo qual estou tão empolgado com nosso trabalho é que, além dos impactos econômicos individuais, estou genuinamente focado na missão de descobrir se podemos fazer com que a IA realize tarefas que os humanos, fundamentalmente, não podiam realizar antes. Isso vai muito além de simplesmente “vamos demitir um monte de gente”.

Com certeza. Isso o coloca em um lado específico do debate sobre a IA Geral (AGI) — sobre a generalização fora da distribuição?

Asher: Eu realmente não sei exatamente o que significa IA Geral (AGI). As capacidades estão avançando rapidamente, e um enorme valor econômico está sendo criado. Mas não acho que estejamos perto de um “Deus em uma caixa”. Não espero uma singularidade daqui a dois meses ou mesmo dois anos, em que os humanos se tornem obsoletos. Basicamente, concordo com o que Ben disse: o mundo é muito grande, há muito trabalho a ser feito e estamos animados para contribuir.

Bem, a ideia sobre o cérebro e a parte neuromórfica realmente parece relevante. Você está dizendo que o ponto de comparação relevante para os LLMs é o cérebro humano, mais do que o Mechanical Turk ou os computadores determinísticos que vieram antes.

Aidan: Vou enfatizar: o cérebro não é o limite máximo — em muitos aspectos, é o ponto de partida. Não vejo nenhuma evidência de que o cérebro não seja um sistema compreensível que segue leis físicas. Ele está sujeito a muitas restrições. Portanto, devemos esperar criar capacidades que sejam muito mais interessantes, diferentes e, potencialmente, melhores do que o cérebro a longo prazo. Estamos animados para contribuir para esse futuro, seja ele chamado de AGI ou de outra forma.

Asher: E eu realmente acho que o cérebro é a comparação relevante, porque nos ajuda a entender o quão grande é esse espaço. É fácil ver todo o progresso e pensar: “Uau, temos a resposta, estamos quase lá.” Mas, se você der um passo atrás e ganhar perspectiva, verá que há muita coisa que não sabemos.

Ben: Nãoestamos tentando ser melhores, propriamente ditos. Estamos tentando ser diferentes — essa é a questão principal que quero enfatizar. Todos esses sistemas quase certamente terão diferentes compromissos. Você ganha uma vantagem em um aspecto e perde em outro. O mundo lá fora é enorme, com muitos domínios que apresentam diversas compensações. Ter mais sistemas e mais tecnologias fundamentais que abordem esses diferentes domínios provavelmente permitirá que a IA se difunda de forma mais eficaz e rápida pelo mundo.

Uma maneira pela qual vocês se destacaram é na abordagem de contratação — recrutar pessoas muito jovens, em alguns casos ainda na faculdade ou no ensino médio. O que chama sua atenção ao conversar com alguém e faz você pensar: “Quero que essa pessoa trabalhe nesses problemas de pesquisa”?

Aidan: É quando você conversa com alguém e essa pessoa te impressiona — ela tem tantas ideias novas e pensa de maneiras que muitos pesquisadores consagrados não conseguem, porque ainda não foram “contaminados” por milhares de artigos. A principal coisa que procuramos é a criatividade. Nossa equipe é excepcionalmente criativa, e todos os dias me sinto sortudo por poder discutir soluções radicais para grandes problemas de IA com pessoas que imaginam um futuro muito diferente.

Ben: Provavelmente, o principal sinal que procuro é: essa pessoa me ensina algo novo quando passo tempo com ela? Se ela me ensina algo novo, as chances de que ela nos ensine algo novo sobre nosso trabalho são altas. Ao fazer pesquisa, ideias criativas e novas são a prioridade.

Parte da minha trajetória — durante a graduação e o doutorado — foi ajudar a fundar uma incubadora chamada Prod, que trabalhava com empresas que tiveram sucesso. Uma coisa que percebemos foi que os jovens podem, sem dúvida, competir nos mais altos escalões da indústria. Grande parte do desafio está justamente em perceber: “Sim, eu consigo fazer isso”. Você pode, sem dúvida, contribuir no mais alto nível.

É claro que reconhecemos o valor da experiência. Pessoas que já trabalharam com sistemas de grande escala são excelentes — contratamos algumas delas e estamos animados para trabalhar com todos os tipos de profissionais. Acho que nossa missão também encontrou eco entre pessoas experientes. O segredo é que queremos pessoas que não tenham medo de mudar o paradigma e que consigam imaginar um novo sistema de como as coisas poderiam funcionar.

Uma coisa que vem me intrigando: quão diferentes você acha que os sistemas de IA resultantes serão? É fácil imaginar algo como o Claude Opus que simplesmente funcione 20% melhor e consiga fazer 20% a mais. Mas, se for algo completamente novo, é difícil imaginar para onde isso vai levar ou como será o resultado final.

Asher: Não sei se você já teve o privilégio de conversar com o modelo base do GPT-4, mas ele apresentava muitas capacidades emergentes estranhas. Por exemplo, era possível pegar um trecho de um post de blog ainda não escrito e perguntar quem o escreveu, e ele conseguia identificá-lo.

Existem muitas capacidades desse tipo, nas quais os modelos são inteligentes de maneiras que não conseguimos compreender. Os modelos futuros serão ainda mais inteligentes de formas ainda mais estranhas. Acho que devemos esperar que o futuro seja realmente estranho, e as arquiteturas, ainda mais estranhas. Estamos buscando ganhos de 1.000 vezes em eficiência de dados — não mudanças incrementais. Portanto, devemos esperar mudanças e capacidades igualmente imprevisíveis e estranhas no limite.

Ben: Concordo em linhas gerais. Provavelmente sou um pouco mais cauteloso sobre como essas coisas acabarão sendo vivenciadas pelo mundo — assim como o modelo base do GPT-4 foi moderado pela OpenAI. É preciso apresentar as coisas de forma que os consumidores não fiquem olhando para o abismo. Isso é importante. Mas concordo amplamente que nossa agenda de pesquisa visa construir capacidades que sejam fundamentalmente diferentes do que pode ser feito atualmente.

Fantástico! Existem maneiras de as pessoas interagirem com o Flapping Airplanes? É muito cedo para isso, ou elas devem apenas ficar de olho para quando a pesquisa e os modelos forem divulgados?

Asher: Temos o site [email protected] caso você queira apenas dar um oi. Também temos o site [email protected] caso você queira discordar de nós. Já tivemos algumas conversas muito legais em que as pessoas nos enviaram longos textos explicando por que acham que o que estamos fazendo é impossível — e ficamos felizes em discutir o assunto.

Ben: Mas elas ainda não nos convenceram. Ninguém nos convenceu até agora.

Asher: Em segundo lugar, estamos procurando pessoas excepcionais que queiram mudar a área e o mundo. Se você estiver interessado, entre em contato.

Ben: E se você tiver uma formação pouco convencional, tudo bem. Você não precisa de dois doutorados. Estamos realmente procurando pessoas que pensem de forma diferente.