Árvore Ontológica Artificial(AOA): construção autônoma de hierarquias de conceitos a partir de Redes Neurais Neurogliais para integração com Modelos de Linguagem (LLMs) e fundação de uma plataforma brasileira de Inteligência Artificial Geral (AGI).

Descrição

A corrida pela Inteligência Artificial Geral (AGI) mobiliza atualmente investimentos da ordem de centenas de bilhões de dólares por ano nas grandes empresas de tecnologia (Bommasani et al., 2021; Bubeck et al., 2023). Os Modelos de Linguagem de Grande Escala (LLMs) - GPT-4, Claude, Gemini, Llama, DeepSeek - alcançaram desempenho impressionante em tarefas linguísticas, mas continuam padecendo de três limitações estruturais reconhecidas pela própria literatura: alucinação factual (Ji et al., 2023), ausência de aterramento simbólico (symbol grounding problem - Harnad, 1990) e custo energético-computacional explosivo de pré-treinamento (Patterson et al., 2021; Strubell et al., 2019). Marcus & Davis (2019) e Garcez et al. (2022) defendem, com larga evidência empírica, que o caminho para sistemas robustos passa por arquiteturas neuro-simbólicas que combinem aprendizado estatístico com representações estruturadas. O presente projeto endereça precisamente esse gargalo. Propõe-se a desenvolver, validar e empacotar a Árvore Ontológica Artificial (AOA) - um engine que constrói, de forma autônoma e sem léxico humano prévio, hierarquias ontológicas de objetos a partir de fluxos sensoriais e textuais brutos. A AOA repousa sobre a Neurolog Network (NLN), plataforma proprietária da XMachina baseada em uma unidade neuroglial bio-inspirada que incorpora descobertas das últimas duas décadas em neurofisiologia (papel computacional das células gliais - Fields, 2009; Araque et al., 1999; Verkhratsky & Butt, 2013), em neurogênese adulta (Eriksson et al., 1998 - Nature Medicine) e em arquiteturas orientadas a objetos com processamento massivamente paralelo. A NLN dispensa o procedimento clássico de retropropagação e treinamento por gradient descent (Sande, 2012), substituindo-o por um mecanismo de morfogênese estrutural que aprende em tempo real. A AOA é proposta como camada de aterramento ontológico acoplável a qualquer LLM, oferecendo: (i) representações de objetos auto-organizadas, sem dependência de léxico ou taxonomia humanas pré-definidas; (ii) atualização incremental sem re-treinamento; (iii) arquitetura agnóstica em relação ao sensor (texto, voz, imagem, sinais físico-químicos, biossinais); e (iv) interface padronizada para integração com LLMs (BrainBody-LLMs da robótica embarcada inclusive - Driess et al., 2023, PaLM-E; Brohan et al., 2023, RT-2). A maturidade tecnológica de partida é STRL 5/6, ancorada em uma década de validações industriais da plataforma NLN/ARIN (Deten/Cepsa, Ipiranga, Elekeiroz, Suzano, Oxiteno-Indorama, Ocyan, Anglo American, Raízen, Andina/Coca-Cola, Husqvarna, Sabesp) e na conclusão exitosa do Processo FAPESP 2022/13720-0 (parceria XMachina-Oxiteno). A meta para os 24 meses do projeto é alcançar STRL 7 com protótipo funcional do engine AOA validado em ambiente operacional real, integrado a um LLM de código aberto (Llama-3 ou DeepSeek-V3) em um benchmark de aterramento conceitual multimodal. O sucesso do projeto poderá inserir tecnologia brasileira na cadeia internacional de construção de AGI - segmento hoje totalmente concentrado em meia dúzia de corporações estrangeiras - e constituir uma plataforma nacional de soberania digital para grupos universitários, startups e órgãos públicos que pretendam treinar modelos próprios. Este projeto encontra-se submetido a FAPESP através da XMACHINA com orçamento previsto de R$ 1.434.290,00, com 24 meses de execução, equipe de seis bolsistas TT (FAPESP) e contrapartida XMachina de R$ 410.000,00. O professor responsável por este projeto é, também o responsável pelo projeto submetido a FAPESP. A previsão do resultado FAPESP é entre julho e outubro de 2026.