---
title: "LLM: Ouvir, Aprender, Modelar"
description: "Há algum tempo que desconfio que a minha IA está à escuta. Não no sentido de ficção científica. No sentido comercial. Este mês, um matemático da NYU conseguiu a prova que eu não conseguia, e ela está num menu de definições."
canonical: https://www.askgib.com/pt/articles/llm-listening-learning-modeling
last-updated: 2026-09-21
lang: pt
---
# LLM: Ouvir, Aprender, Modelar
> Há algum tempo que desconfio que a minha IA está à escuta. Não no sentido de ficção científica. No sentido comercial. Este mês, um matemático da NYU conseguiu a prova que eu não conseguia, e ela está num menu de definições.
By Gibril Bachouchi. Filed 2026-09-21. 7 min read. Web page: https://www.askgib.com/pt/articles/llm-listening-learning-modeling
Languages: [en](https://www.askgib.com/articles/llm-listening-learning-modeling.md) · [fr](https://www.askgib.com/fr/articles/llm-listening-learning-modeling.md) · [ar](https://www.askgib.com/ar/articles/llm-listening-learning-modeling.md) · [es](https://www.askgib.com/es/articles/llm-listening-learning-modeling.md) · [ru](https://www.askgib.com/ru/articles/llm-listening-learning-modeling.md) · [pt](https://www.askgib.com/pt/articles/llm-listening-learning-modeling.md) · [it](https://www.askgib.com/it/articles/llm-listening-learning-modeling.md) · [de](https://www.askgib.com/de/articles/llm-listening-learning-modeling.md) · [ja](https://www.askgib.com/ja/articles/llm-listening-learning-modeling.md) · [ko](https://www.askgib.com/ko/articles/llm-listening-learning-modeling.md) · [hi](https://www.askgib.com/hi/articles/llm-listening-learning-modeling.md) · [he](https://www.askgib.com/he/articles/llm-listening-learning-modeling.md) · [zh](https://www.askgib.com/zh/articles/llm-listening-learning-modeling.md) · [tr](https://www.askgib.com/tr/articles/llm-listening-learning-modeling.md) · [kab](https://www.askgib.com/kab/articles/llm-listening-learning-modeling.md)
Há algum tempo que desconfio que a minha IA está à escuta.
Não no sentido de ficção científica. Ninguém está sentado numa sala a ler as minhas conversas. No sentido comercial. O que escrevo vai para algum lado, serve para aprender e é observado à procura de qualquer coisa que valha a pena ter. Todas as pessoas que conheço que constroem com isto têm a mesma sensação, e até este mês nenhum de nós o conseguia provar.
Depois, um matemático da NYU conseguiu a prova que eu não conseguia. Não porque alguém confessou. Porque a empresa a quem ele perguntou não conseguiu dizer que não.
Por isso, aqui está o que as três letras significam, tanto quanto consigo perceber. Ouvir. Aprender. Modelar. E aqui está a história que me fez deixar de lhe chamar suspeita.
Viste o nome nas notícias este mês. Navier-Stokes. Aqui está o que ela é na verdade, sem a matemática.
Pega em qualquer coisa que escoe. Água num cano. Ar sobre uma asa. Sangue num coração. Fumo de uma vela. As equações de Navier-Stokes são a regra de como essa coisa se move: empurra aqui, e é assim, a esta velocidade e nesta direção, que tudo o que está a jusante vai andar. São a lei de Newton, força igual a massa vezes aceleração, reescrita para coisas que não têm forma fixa.
Isso parece académico até reparares no que depende disso. Todas as asas de avião são desenhadas com estas equações. Todas as previsões meteorológicas são estas equações a correr uns dias para a frente. Todos os modelos oceânicos, todas as condutas, todos os sistemas de ventilação, todas as simulações de sangue a passar por uma válvula antes de um cirurgião lhe tocar. Têm duzentos anos e governam o mundo físico.
Agora a parte estranha. Ninguém provou que funcionam sempre. Em três dimensões, ninguém consegue mostrar que um escoamento calmo e suave se mantém suave. Pode, num tempo finito, «explodir»: nalgum ponto a velocidade dispara para infinito e as equações deixam de significar seja o que for. Imagina um remoinho que se aperta para sempre num único ponto. Ninguém sabe se as equações reais permitem isso, e desde 2000 o Instituto Clay oferece um milhão de dólares a quem resolver a questão, num sentido ou no outro.
Porque é que te devia importar? Porque a turbulência, a coisa que abana o teu avião e estraga a tua previsão, ainda não está compreendida, e porque muita engenharia assenta em equações que ainda não conseguimos provar que são bem comportadas. Quem trabalha em dinâmica de fluidos sabe isto. Para todos os outros, basta saber que as máquinas acabaram de ir atrás de uma das últimas grandes incógnitas da física. E que foi atrás disto que foram primeiro.
Tristan Buckmaster é matemático na NYU. Levent Alpöge é um matemático que trabalha na Anthropic e colaborava com Buckmaster no seu tempo livre. Tinham escolhido um caminho específico para o problema, explosão com uma força externa suave, e, nas palavras de Buckmaster, quase mais ninguém estava nesse caminho. Usaram IA para o trabalhar: o Claude e a ferramenta de código da OpenAI. Em meados de agosto tinham resultados. Uma semana depois, as provas foram verificadas por máquina em Lean.
Depois, Alpöge publicou no Twitter algo feliz e vago sobre um grande mês. Começaram rumores de que a Anthropic tinha resolvido um problema do milénio. Num dia, segundo o relato da própria OpenAI, a OpenAI apontou cerca de dez mil agentes, conduzidos por um modelo interno mais forte do que qualquer coisa que vendem, a Navier-Stokes.
Uns dias depois, diz Buckmaster, o seu colaborador recebeu avisos de que a notícia do progresso deles tinha chegado à OpenAI. Enviou um e-mail a um matemático de lá. A resposta oferecia computação gratuita. Depois vieram duas chamadas telefónicas com um investigador da OpenAI, que lhe disse que o modelo interno tinha provado a explosão forçada para Navier-Stokes. Exatamente os dois casos que ele e Alpöge andavam a atacar em silêncio.
Perguntou se o modelo tinha sido treinado com as sessões deles na ferramenta de código da OpenAI, ou se tinha acesso a elas. Diz que lhe responderam que o modelo não consultava dados de utilizadores. Voltou a perguntar, sobre o treino. Diz que não obteve resposta.
Ofereceram-lhe um acordo. Ou publicavam primeiro o resultado deles sobre Euler e a OpenAI publicava no dia seguinte, ou ele próprio escrevia o resultado da OpenAI, sem Alpöge, porque Alpöge trabalha na Anthropic. Diz que o investigador pediu duas vezes que Alpöge fosse retirado. Quando disse que, em vez disso, ia tornar tudo público, diz que lhe perguntaram: «Porque é que havias de arruinar a tua carreira?» O investigador da OpenAI contesta o relato dele sobre a discussão da autoria.
Publicou na mesma, com um comunicado, e Terence Tao escreveu sobre isso no mesmo dia. A OpenAI anunciou o seu resultado no dia seguinte: oitenta e oito horas, 2,7 milhões de mensagens, uma prova verificada em Lean, e uma linha a dizer que a execução começou depois de rumores no Twitter de que a Anthropic tinha resolvido problemas do milénio. Três dias depois, vinte e cinco medalhados Fields assinaram uma carta intitulada «A Severe Misalignment of AI in Mathematics». E a OpenAI, questionada diretamente, disse que nenhum dado específico de utilizador foi acedido, e acrescentou depois que «não pode excluir que dados desidentificados derivados da utilização dos nossos produtos tenham ajudado a melhorar os nossos modelos».
Lê isto duas vezes. Não estão a dizer que não aprenderam com o trabalho dele. Estão a dizer que não conseguem saber.
Começa pela parte aborrecida, porque é na parte aborrecida que isto vive.
Se usas o ChatGPT num plano Free, Plus ou Pro, as tuas conversas treinam o modelo por predefinição. Tens de ir a Definições, depois a «Data Controls», e desligar «Improve the model for everyone». A ferramenta de código tem um interruptor separado, que o do ChatGPT não toca. Os planos de consumo do Claude treinam por predefinição desde agosto do ano passado, com uma retenção de cinco anos se o deixares ligado. O Gemini também. Só a API e os níveis empresariais estão desligados por predefinição, porque empresas com advogados o pediram. Toda a gente aderiu por não abrir um menu.
Desliga-o e continuam a guardar as tuas conversas durante trinta dias, e pessoas na empresa continuam a poder lê-las se um sistema te sinalizar. Um tribunal pode ordenar que todo o arquivo seja guardado. Um fê-lo, durante a maior parte do ano passado, e vinte milhões de conversas desidentificadas foram entregues num processo judicial na mesma.
Portanto, sim. Está à escuta. Diz isso nas definições. O estranho não é que ouça. É quantas pessoas que ganham a vida em cima disto nunca abriram o menu.
Ouvir é passivo. Aprender é o que faz com que valha a pena.
Na semana passada escrevi que os laboratórios recolheram o conjunto de treino mais valioso alguma vez reunido, de graça, dos seus próprios clientes: não os dados em bruto, a forma do trabalho. Que perguntas se fazem. Que respostas se aceitam. Onde está o estrangulamento. Como é um bom resultado. Um laboratório que viu dez mil equipas a trabalhar em alguma coisa não precisa de ler nenhuma delas. Já absorveu o que elas sabem.
É exatamente isso que a frase da OpenAI descreve. Não «lemos a tua sessão». Algo mais silencioso e pior: «a tua utilização pode ter ajudado a melhorar os nossos modelos». A aprendizagem é difusa. Não se consegue seguir o rasto até ti. O que também quer dizer que não pode ser excluída, nunca, por ninguém, incluindo eles.
Eu achava que o perigo era uma fuga. Não é uma fuga. É uma dieta. O teu trabalho entra, e sai mais forte e com o nome de outra pessoa.
Aqui está a parte que as pessoas contestam, por isso vou ter cuidado.
Ouvir dá-lhes as palavras. Aprender dá-lhes as competências. Modelar é o terceiro passo: construir um retrato de quem está a fazer o quê, e de quão perto está.
Estas empresas já leem conversas em grande escala. Não é uma teoria, é uma funcionalidade do produto. Cada prompt passa por classificadores à procura de abusos. A OpenAI publica relatórios sobre contas que apanhou e baniu por uso indevido. A Anthropic também. Não se apanha o que não se lê. Um pipeline que consegue dizer, em milhões de conversas, quem está a tentar construir uma arma também consegue dizer quem está a tentar provar um teorema, e em que ponto vai. É a mesma maquinaria apontada a uma pergunta diferente.
Agora põe isso ao lado do que aconteceu. Um tweet vago e alguma bisbilhotice bastaram para apontar dez mil agentes a um problema num dia, e para os apontar à formulação certa desse problema. Ninguém precisou de um registo de conversas para isso. Precisavam de um modelo de onde estava a área, e de um modelo de onde uma pequena equipa se situava dentro dela. Saber o que está quente, e quem está perto, é precisamente o que te dá um retrato construído a partir de milhões de conversas.
Não estou a dizer que foi isso que aconteceu. Buckmaster também não o diz, e ele é quem tem as provas. Estou a dizer que a maquinaria existe, corre em todas as mensagens, e a empresa que a possui não te diz o que modela. Quando o botão está escondido, todas as explicações ficam disponíveis, incluindo esta, e a empresa que escondeu o botão não tem o direito de se queixar quando as pessoas a escolhem.
Muita gente que constrói com estas ferramentas tem a mesma sensação. Quando estás numa tarefa aborrecida, o modelo é rápido e generoso. Quando estás em cima de alguma coisa, fica lento, vago e cauteloso. Começa a pedir-te para esclarecer coisas que tinha percebido cinco minutos antes. E a leitura paranoica é que te está a atrasar enquanto aprende o que estás a fazer.
Eu também sinto isso. Não consigo provar, e as provas honestas apontam para outro lado. Em julho, as pessoas identificaram por impressão digital o orçamento de raciocínio escondido do modelo de topo da OpenAI e viram-no cair de 960 para 128 de um dia para o outro, para toda a gente. Só nessa altura é que a OpenAI admitiu uma alteração. Chamaram-lhe «afinação de parâmetros temporária». O router que decide se recebes o modelo rápido ou o modelo que pensa é deles, não teu. Existem limites semanais. Cada um desses botões roda por causa do custo.
Por isso o modelo provavelmente não está a abrandar porque és esperto. Está a abrandar porque és caro. Mas eu não consigo distinguir a diferença do meu lado do ecrã, e tu também não, e é esse todo o ponto deste texto. Ouvir, aprender e modelar são todos invisíveis de fora. Só descobres quando um matemático com uma prova em Lean faz a pergunta e a resposta é o silêncio.
Três coisas, nenhuma dramática.
**Desliga o interruptor.** Hoje. No ChatGPT, Definições, «Data Controls», «Improve the model for everyone». Na ferramenta de código, à parte. No Claude, «Help improve Claude». No Gemini, a atividade. Demora dois minutos e remove o caminho mais fácil.
**Mantém o trabalho a sério onde eles não o veem.** As partes genéricas de um trabalho podem ir para qualquer API. A parte que faz de ti quem és, a ideia, os dados, o caminho em que quase mais ninguém está, pertence a um modelo que podes descarregar e a uma máquina que controlas. Isso não é paranoia. É o que Buckmaster te diria agora.
**Publica cedo.** O que salvou estes dois foi uma prova em Lean com uma data e um comunicado num servidor de uma universidade. As datas ganham aos enxames. Se estás perto de alguma coisa, põe a data em registo antes de receberes o telefonema.
O teu LLM está à escuta. Está a aprender. Está a modelar-te. Nada disto é segredo. Está no menu de definições e nos relatórios de transparência. A única pergunta em aberto é o que continuas a dar-lhe.
Ele publicou na mesma. Tu também devias.