Em fevereiro de 2023, eu fiz uma caminhada a Santiago de Compostela. Não era uma peregrinação religiosa — era uma pausa. Um momento para pensar em voz alta com um amigo que estava cursando doutorado em Inteligência Artificial. Entre montanhas e povoados, a conversa caminhava para um único lugar: o que viria depois do ChatGPT? E, mais do que isso: como o ChatGPT manipulava os dados — e como ele mentia de forma bonita, parecendo uma realidade.
Naquela altura, eu era apenas um usuário do recém-lançado ChatGPT. Minha visão era a de um consumidor curioso. Mas havia um detalhe silencioso: eu já tinha trabalhado com datasets, Elasticsearch e otimização — pelo meu trabalho de DevOps. Trabalhava com datasets para inferência de chat de suporte, e com datasets .dat em um trabalho particular. Na caminhada, inclusive, falávamos muito de Elasticsearch e otimização. A semente da busca vetorial — o coração da minha pesquisa atual — já estava lá, sem que eu soubesse.
"Na caminhada, a pergunta não era 'como usar a IA' — era 'por que a IA não pode ser provada?' Porque a IA inventa e tira dados inconsistentes."
Logo depois da caminhada, comecei a explorar mais a fundo. Em um trabalho, precisei usar a API da OpenAI. Foi aí que a percepção de usuário começou a ruir. Ao olhar de forma mais profunda para a API, me deparei com muitos gargalos. E o conceito de prompt engineering — a moda do momento — me parecia vago e ineficiente.
O motivo era simples e profundo: fazer prompt engineering em sistemas não determinísticos é muito aleatório. Eu vinha de um mundo determinístico: trabalhava com datasets para inferência de chat de suporte, com datasets .dat em um trabalho particular, e usava Elasticsearch para otimização — não para inferência. Nesses sistemas, a mesma entrada sempre retorna o mesmo resultado: tudo podia ser medido, repetido e auditado. De repente, no ChatGPT, a mesma pergunta dava uma resposta diferente a cada vez, sem regra clara, sem rastreio. Essa aleatoriedade me corroía: como confiar em um sistema que não se repete? Como provar, para um banco ou um hospital, que o resultado é o correto?
E havia outra percepção, menos técnica e mais estratégica: eu percebia que a OpenAI queria o monopólio. A caixa preta, o acesso controlado, o prompt como "segredo" — tudo apontava para um jogo comercial em que o usuário é refém.
Na verdade, eu descobri a AlexNet antes mesmo de saber que o ChatGPT existiria. Foi na mesma época em que trabalhava com datasets e consultas com Elasticsearch. Estudei a arquitetura de forma profunda — e, para mim, o ChatGPT é apenas um modelo: um produto. Não uma revolução conceitual, mas a aplicação de uma ideia que veio antes.
Eu via aquilo como uma escolha entre ferramentas de um mesmo ofício — não como disputa de marcas. É como o microscópio e o telescópio: dois instrumentos ópticos, cada um feito para um domínio. Ninguém diz que um "vence" o outro — diz-se qual serve para cada problema. No meu estudo, porém, eu achava a AlexNet mais eficiente — com princípios matemáticos conceitualmente mais sólidos que o próprio transformers.
O motivo é matemático. A AlexNet é uma rede convolucional: um kernel — um filtro pequeno — desliza sobre a entrada e é compartilhado por toda ela. Essa única operação carrega três propriedades que não precisam ser aprendidas, porque já estão na própria estrutura:
Cada neurônio vê apenas uma janela local da entrada — não o sinal inteiro. A vizinhança está embutida na operação.
O mesmo kernel responde à mesma estrutura em qualquer posição: um gato é um gato no canto ou no centro do quadro.
Com um kernel de tamanho k, o custo é O(n·k) — linear na entrada, com poucos parâmetros. A hierarquia (bordas → formas → objetos) emerge camada a camada, de graça.
O transformers fez uma aposta diferente: a atenção. Cada token se relaciona com todos os outros tokens — uma matriz de pares O(n²), que cresce quadraticamente com o comprimento da sequência. É um mecanismo global e poderoso, mas que precisa aprender do zero — com bilhões de parâmetros — o que a convolução já carrega embutido: localidade, hierarquia, estrutura.
Não é dizer que uma "vence" a outra em tudo. É dizer que, conceitualmente, a convolução parte de princípios mais econômicos: mais estrutura codificada, menos o que aprender. E essa intuição apontava uma direção: e se a estrutura pudesse ser codificada, em vez de aprendida? Essa pergunta — e a sua versão mais dura: e se a estrutura pudesse ser provada? — é a mesma que, mais tarde, daria forma a toda a pesquisa.
"Descobri que a OpenAI não era nada além de um bom modelo treinado — e que o caminho para a confiança não passava por mais dados, mas por mais prova."
Daí para cá, trabalhei de diversas formas com LowRAG e outros conceitos que surgiriam mais tarde. Na minha cabeça, precisava de uma solução mais garantida para os modelos: para controlar alucinações e ter garantia de resultado. Esse foi o embrião da minha pesquisa.
Esse embrião tinha nome e direção: WINNEX — Weighted Inference Neural Network Enhancement. Quando chegou 2024 — mesmo antes de o DeepSeek surgir — eu já compreendia de forma ampla o que poderia ser feito para melhorar. Comecei a escrever alguns exemplos para busca vetorial e compressão profunda de inferência.
Em algum momento, apresentei a ideia do PsiQRH — o framework quaterniônico — a um amigo. Era muito conceitual. Ele não compreendeu a matemática — ou talvez nem a tenha lido. Ficou cético e me criticou. Na hora, eu não entendi muito aquela reação.
Depois, refletindo, descobri que ele tinha um ponto: de fato, aquilo era quase uma pseudociência. Mas essa palavra me fez pensar. A pseudociência é um embrião — não significa que esteja completamente errada.
Imagine alguém, nos tempos das lamparinas, sonhar com a lâmpada elétrica. Para a época, aquilo poderia ser considerado pseudociência. E não faltam exemplos assim:
Nos tempos das lamparinas, sonhar com a lâmpada elétrica parecia fantasia. O conceito principal — a luz sem chama — estava lá, muito antes de ser realizável.
Santos Dumont foi ridicularizado por muitos. "Se o homem devesse voar, teria nascido com asas." O conceito do voo controlado — que ele demonstrou com o 14-Bis — era mais velho que a física que o tornou plenamente possível.
Semmelweis foi ridicularizado por exigir que os médicos lavassem as mãos. A ideia de algo invisível causando infecção parecia absurda — até a microbiologia confirmá-la.
Copérnico e Galileu foram perseguidos por dizer que a Terra não era o centro. O conceito estava certo — mas a prova rigorosa levou séculos.
Wegener propôs que os continentes se movem. Foi ignorado por décadas — a geofísica não explicava o mecanismo. O conceito principal era verdadeiro.
Durante anos foi tratado como teoria especulativa. Hoje é um campo sério de pesquisa — o embrião se tornou projeto.
Às vezes, a pseudociência é apenas uma ideia muito avançada para o seu tempo. De certa forma, quem a produziu não consegue explicar de forma detalhada tudo — mas o conceito principal está lá. Para alguém de uma universidade, isso é tóxico — eu entendo. Mas isso pode ser um embrião de um projeto sério.
Foi exatamente o que aconteceu com o PsiQRH: o que parecia quase pseudociência se tornou a semente conceitual — o vocabulário geométrico — do qual nasceu a matemática que hoje sustenta toda a pesquisa.
Mais de dois anos se passaram até que eu conseguisse encaixar parte da matemática que tinha na mente sobre um novo contexto — mais geométrico, orientado a inteligência artificial. Isso ficou guardado um tempo, até que publiquei.
O trabalho foi dividido em várias coisas com as quais eu não concordava:
A caixa preta fechada, o prompt como segredo, o acesso controlado. A resposta da pesquisa foi a transparência matemática: cada exclusão de um documento carrega uma prova.
Busquei uma base baseada no Quake — referência ao backend OpenCL (sem CUDA), vendor-neutral, com núcleo C++20 portátil.
Um sistema que não se repete não pode ser auditado. O determinismo — mesma query + mesmos dados = mesmo resultado — é a fundação da garantia.
Prompt engineering é aposta. A pesquisa substitui a aposta pelo bound de Cauchy-Schwarz: uma assinatura matemática em cada decisão.
Tudo isso resultou no que é hoje a pesquisa: uma linha de trabalho que se recusa a aceitar "funciona, confia" como resposta. Uma busca vetorial determinística (winnex-madhava), um framework de inferência training-free (WINNEX), um projetor de manifold (X-Factor), um tokenizador espectral, e um compromisso com a transparência total — incluindo quando os números são desfavoráveis.
O ciclo se fecha. Na caminhada, a pergunta era: "por que a IA não pode ser provada?" Hoje, a resposta existe: cada documento descartado pelo motor carrega a prova de que não poderia estar entre os relevantes. A aleatoriedade que me corroía virou determinismo. A pseudociência que parecia embrião virou matemática publicada. E a pergunta que nasceu entre montanhas e povoados encontrou, não uma resposta final — mas um começo rigoroso.
A jornada começou com uma caminhada e uma pergunta. Continua — não por enquanto, mas por convicção — com uma filosofia:
"Garantias matemáticas, não heurísticas probabilísticas."