Roteiro de Karpathy: como a produção de IA evoluirá de texto para vídeo neural
Andrej Karpathy, ex-diretor de IA da Tesla e membro fundador da OpenAI, lançou um tópico semelhante ao 13K esta semana que apresenta um roteiro surpreendentemente concreto para a evolução da interação entre IA e humanos. Não se trata de modelos maiores ou contextos mais longos — trata-se de como a IA se comunica conosco.
Sua tese: o áudio é a entrada preferida pelos humanos para a IA, mas a visão é a saída preferida. Cerca de um terço do córtex do nosso cérebro é dedicado ao processamento visual – uma “superestrada de 10 pistas de informação para o cérebro”. O lado da saída é onde a verdadeira transformação está acontecendo.
Os cinco (ou seis, ou N) estágios da produção de IA
Karpathy mapeia uma progressão do primitivo ao futurista:
Estágio 1: Texto Bruto
“Difícil e trabalhoso de ler.” Este é o resultado da era GPT-2 – paredes de texto não formatado que requerem trabalho cognitivo para serem analisados.
Estágio 2: Markdown ← Padrão Atual
Negrito, itálico, títulos, tabelas. “Um pouco mais fácil para os olhos.” É aqui que fica a maioria das interfaces LLM hoje - ChatGPT, Claude, Gemini, todas com Markdown rico em saída. É melhor que texto simples, mas ainda processual (gerado por código) em vez de verdadeiramente visual.
Estágio 3: HTML ← Inicial, mas em formação
“Ainda processual, mas com muito mais flexibilidade em gráficos, layout e até interatividade.” Karpathy recomenda pedir ao seu LLM para “estruturar sua resposta como HTML” e visualizá-la em um navegador. Ele teve sucesso solicitando apresentações de slides, painéis interativos e muito mais.
Detalhe importante: Estamos n nesta fase agora. Qualquer um pode experimentá-lo hoje com uma simples adição imediata. Karpathy considera este o novo incumprimento emergente.
Estágio 4: Vídeos Neurais Interativos
É aqui que a previsão de Karpathy se torna ambiciosa. Ele prevê “vídeos interativos gerados diretamente por uma rede neural de difusão” – não um arquivo de vídeo, mas uma experiência visual renderizada em tempo real que responde à interação do usuário. Ele combinaria artefatos do “Software 1.0” (lógica processual, simulações) com artefatos neurais (grades de difusão, recursos visuais generativos).
Estágio N: Fusão Mental Completa
Karpathy reconhece que esse ponto final existe, mas está longe – a interface cérebro-computador estilo Neuralink. Seu ponto principal é que há um enorme progresso a ser feito antes de precisarmos perfurar crânios. A superfície de E/S entre humanos e IA ainda é primitiva e melhorá-la é um problema de engenharia tratável.
Por que isso é importante: a assimetria de entrada/saída
A estrutura de Karpathy revela uma assimetria que a maioria das pessoas não percebe:
Lado da entrada (humano → IA): Fizemos um grande progresso. Ditado de voz, upload multimodal (imagens, capturas de tela, PDFs), até mesmo apontar e gesticular. Mas Karpathy observa que mesmo isso não está resolvido – ele ainda sente a necessidade de apontar coisas na tela, gesticular, esboçar. A voz por si só é um canal muito estreito.
Lado da saída (IA → humano): Estamos quase todos presos no Markdown. A razão pela qual isso é importante é que a densidade da informação é controlada pelo formato de saída. Uma tabela comunica mais do que um parágrafo. Um gráfico mais que uma tabela. Uma visualização interativa mais do que um gráfico estático. Uma simulação mais do que todas elas.
Karpathy faz referência a uma [demonstração de renderização neural interativa] recentemente viral (https://t.co/z21CP5iQfu) como evidência de que a tecnologia do Estágio 4 já está germinando.
O que isso significa para os criadores de produtos
1. O prompt de saída HTML é um produto
A instrução simples “estruture sua resposta como HTML” é uma técnica de engenharia rápida surpreendentemente eficaz. O endosso de Karpathy – vindo de alguém que literalmente ajudou a construir as bases da IA moderna – sugere que isso deveria ser tratado como um produto primitivo, não como um hack.
2. O navegador está se tornando a janela de visualização da IA
Se o Estágio 3 (saída HTML) se tornar o padrão, o navegador se transformará de um visualizador de documentos em uma superfície de renderização de IA. Isto tem implicações para todas as empresas que desenvolvem produtos baseados em LLM – a competição não será sobre benchmarks de modelos, mas sobre quem pode proporcionar a experiência de produção mais rica.
3. O futuro da “leitura” dos resultados da IA é “observá-los”
Se Karpathy estiver certo sobre o Estágio 4, estamos caminhando para um mundo onde a IA não diz coisas — ela mostra você. Os 30% do seu cérebro dedicado à visão são um canal subutilizado nas interfaces atuais de IA. Quem se conectar primeiro a esse canal vence.
Verificação de ceticismo
A visão de Karpathy é convincente, mas vale a pena notar o que está faltando:- Latência: a geração de vídeo neural é computacionalmente cara. O estágio 4 requer difusão em tempo real, o que ainda não é prático mesmo em hardware de última geração.
- Determinismo: simulações interativas exigem consistência processual com a qual os modelos de difusão têm dificuldade. O híbrido “Software 1.0 + Neural” que Karpathy imagina é um problema de engenharia difícil.
- Confiança: a saída visual é inerentemente mais difícil de verificar os fatos do que o texto. Um gráfico alucinado parece tão convincente quanto um gráfico real.
Esses não são argumentos contra a direção — são os motivos pelos quais ela é um roteiro e não um lançamento de produto.
O resultado final
O tópico de Karpathy é um artefato raro: um roteiro desenhado por alguém com profundidade técnica para torná-lo confiável e instinto de produto para torná-lo acionável. A principal conclusão para quem cria produtos de IA: a superfície de saída é a próxima fronteira. À medida que os modelos convergem em termos de capacidade, a diferenciação virá de como a IA apresenta as informações — e o navegador, e não a janela de bate-papo, é onde essa batalha será travada.