Será que as LLMs conseguem produzir conhecimento novo usando o “Hassabis hypothesis”?

Um pequeno experimento para você fazer agora, com os links reais das pesquisas.

Em vez de ser um texto para lhe explicar tudo, faça de maneira mais didática: copie e cole os links abaixo e escreva na sua IA:

“Analise todos os links abaixo e me responda: as LLMs já começam a produzir algum tipo de conhecimento, mesmo que de forma rudimentar? Como isso é possível, se ela leu e apenas repete padrões?”

Os cinco links, e o que cada um mostra:

FunSearch (Nature, 2023): o marco fundador. Uma LLM da Google, acoplada a um verificador automático, encontrou uma solução matemática que ninguém conhecia. Conhecimento novo, não estava nos dados de treino.

nature.com/articles/s41586-023-06924-6

AlphaEvolve (Google DeepMind, 2025): o Gemini dentro de um ciclo evolutivo bateu um recorde de 1969: multiplicar matrizes 4×4 complexas em 48 operações, uma a menos que o método de Strassen.

deepmind.google (AlphaEvolve)

Hassabis hypothesis (Research Policy, 2024): o artigo de economia que deu nome ao conceito: quais problemas são “fáceis” para a IA descobrir, e por quê. É a teoria por trás dos outros links.

doi.org/10.1016/j.respol.2024.104989

AI Co-Scientist (Nature, 2026): o mesmo princípio saindo da matemática e entrando na biologia: agentes baseados em Gemini geram hipóteses médicas que depois foram testadas em laboratório.

nature.com/articles/s41586-026-10644-y

Aviões de papel (Scientific Reports, 2023): a metáfora que existe de verdade: um robô que dobra, lança e mede mais de 500 aviões, achando formatos de asa que um humano não teria imaginado. O ciclo inteiro, no mundo físico.

nature.com/scientificreports

A graça está em comparar a resposta que a sua IA vai te dar com a sua própria intuição. Se ela “só repete padrões”, como explica esses cinco casos?

Me conta o que a sua IA respondeu.