LLMs polímatas: quando modelos de IA unem conhecimentos de várias áreas para resolver problemas complexos

LLMs polímatas não são só uma metáfora acadêmica, já estão em operação em laboratórios de física e biotecnologia. Em dezembro de 2025, os modelos Walrus e AION-1 (Polymathic AI + Flatiron Institute) resolveram problemas de dinâmica de fluidos aplicando o mesmo raciocínio a explosões estelares e movimento bacteriano. Isso só foi possível porque foram treinados com dados científicos reais, não textos genéricos, e usam representações latentes compartilhadas entre domínios. O MoSciBench, benchmark lançado em janeiro de 2026, confirma que o gargalo real não é a quantidade de conhecimento, mas o alinhamento intermodal: mais de 60% das falhas ocorrem quando o modelo não consegue traduzir uma hipótese em código ou em um gráfico físico coerente.

A abordagem modular da AllenAI, descrita em abril, ganhou corpo com o EMO em maio: um modelo MoE onde especialistas emergem dos dados, e apenas 12,5% deles são ativados por tarefa, sem perda significativa de precisão. Isso resolve um problema prático dos LLMs polímatas: não é preciso carregar toda a física, economia e biologia ao mesmo tempo. É como ter um time de especialistas no mesmo chip, chamados sob demanda, e atualizáveis independentemente.

Em abril, a AllenAI ainda testava a ideia de especialistas modulares via pós-treinamento (BAR). Em maio, entregou o EMO: um modelo MoE com especialização *nativa*, treinado do zero para emergir divisões de domínio. Já o conceito de 'modelos de mundo', citado em 21 de abril como promessa teórica, virou infraestrutura real: AMI Labs (Yann LeCun) levantou US$ 1,03 bilhão em junho de 2026, e World Labs (Fei-Fei Li) fez o mesmo com US$ 1 bilhão. Ou seja, o que era discussão filosófica sobre 'abstrações confiáveis' virou prioridade de investimento industrial.

Esses modelos não vão substituir pesquisadores. Vão reduzir o custo de cruzar fronteiras: um químico pode testar uma hipótese de catálise usando simulações de mecânica estatística sem dominar o formalismo, o LLM polímata atua como ponte técnica. Mas há um risco operacional claro: se o modelo usa uma abstração não validada de economia para modelar fluxos de energia em redes elétricas, o erro se propaga silenciosamente. Por isso, iniciativas como o roteiro de pesquisa transdisciplinar (julho de 2025) e os grants da NSF exigem 'humanos no ciclo', não como supervisores finais, mas como co-autores na formulação de perguntas e na interpretação de resultados.