Vectron: parei de pedir para que imaginassem

Dou um curso de inteligência artificial quase todo mês: quatro sessões de uma hora e meia cada uma. Em algum ponto da primeira sessão, chego sempre ao mesmo lugar: peço para a audiência imaginar um modelo de linguagem. Não como um banco de dados tradicional, de tabelas e linhas, mas como algo mais parecido com um espaço. O problema é que eu não controlo essa imaginação. Cada pessoa na sala constrói uma metáfora diferente, e várias dessas metáforas estão erradas.

Percebi isso rápido: quando, em vez de pedir para imaginarem, eu mostrava — nem que fosse com um desenho improvisado no quadro — a sessão mudava. Dali, com o tempo, cresceu um sistema completamente didático. Esse sistema é o Vectron.

O que é, sem metáforas

Vectron é um mapa 3D público do significado, ao vivo em vectron.kilowatto.com. Cada partícula do cubo é uma palavra real de um corpus de 20,473 conceitos, e sua posição vem de um embedding real de 1,024 dimensões gerado pelo bge-m3 (Workers AI), comprimido em 3 coordenadas por PCA.

Não é uma maquete nem uma animação pré-gravada. Você escreve uma frase e ela é tokenizada de verdade, com o mesmo BPE (cl100k_base) que um modelo real usa. Você fixa uma partícula e seus vizinhos vêm de uma busca vetorial real no Cloudflare Vectorize, nas 1,024 dimensões completas, não nas 3 que você vê na tela. Você compara dois conceitos e o cosseno mostrado é o cosseno real. A stack completa: Workers, Vectorize, D1, R2 e Workers AI, com o frontend em Three.js sobre WebGPU — 20,473 partículas em uma única chamada de desenho — e um corpus que cresce sozinho, a cada 30 minutos, via cron.

Por que não deixei isso como curiosidade de fim de semana

Estou há mais de 25 anos na tecnologia, a maior parte do tempo construindo empresas — Ignia Cloud, meus investimentos, Yucatech Festival. Vectron não nasceu dessa mesma ambição. Nasceu exatamente do mesmo lugar que a frustração da sala de aula: se algo pode ser mostrado em vez de descrito, tem que ser mostrado bem, mesmo que isso signifique mergulhar fundo em shaders, PCA e renderização em GPU em vez de deixar como um experimento de fim de semana.

Ensinar também onde ele mente

A parte do projeto da qual mais me orgulho não é a que fica bonita. É a que mede, com números reais sobre o corpus, o quanto você pode acreditar no que está vendo.

O que o Vectron mede sobre si mesmo: os 3 eixos visíveis retêm apenas 11.69% da variância real (16 componentes completos não chegam a 26%). Cerca de 31% dos vizinhos que a tela sugere são inventados pela projeção (trustworthiness de 0.694 em k=10). O cosseno entre duas palavras sem nenhuma relação é 0.412 — o zero não existe. E há concentração real: um conceito aparece em 77 listas de vizinhos contra uma média de 10.

Daí vem a decisão de design mais importante do produto: a promessa está ligada à consulta que você faz, não à posição em que os pontos caem. As linhas que conectam conceitos são o canal honesto — cosseno real em 1,024 dimensões —; a posição é o canal desonesto — 11.69% de variância —. Por isso mantemos as linhas, com correções: um limite de quantas são desenhadas, espessura proporcional ao cosseno real, um rótulo que declara o que você perguntou, e linhas cortadas quando a relação não é recíproca.

O momento em que soube que ia funcionar

Não foi quando terminei a renderização, nem quando o corpus chegou à sua meta de 20,473 conceitos. Foi em um curso, mostrando para meus alunos, quando eles fixaram uma palavra e viram seus vizinhos reais se acenderem no espaço. Aquela cara de “aaah, agora entendi” que eu vinha perseguindo havia anos com desenhos no quadro, finalmente vi em tempo real, sem precisar explicar mais nada.

O que vem a seguir

Vectron não fica em um único nível. Há uma versão para quem nunca tocou em um modelo de linguagem — sem jargão, com 300 conceitos curados em vez dos 20,473 completos, porque menos elementos produzem mais aprendizado real. Há uma versão intermediária, com tokens, embeddings e um laboratório de falhas. E há uma versão avançada, para quem quer o instrumento completo: a matemática sem edição e controle do corpus. Separar por nível de expertise, em vez de por dificuldade, é o que distingue um novato olhando para traços superficiais de um especialista olhando para princípios profundos.

E o projeto continua se corrigindo. Quando uma das auditorias que fiz nele — seis no total, com mais de 190 referências verificadas — descobriu que o corpus não provava nada sobre bilinguismo real, rodei o protocolo correto e o resultado foi que o espanhol acertava 50.7% das vezes contra 100% do inglês: uma lacuna inteiramente entre idiomas. Foi corrigido embutindo ambas as formas, e hoje é 99.3%.

Essa é, acho, a verdadeira ideia por trás do Vectron: uma ferramenta educativa sobre inteligência artificial que aplica a si mesma o mesmo escrutínio que ensina as pessoas a exigir de qualquer IA. Entrem, brinquem com ele e me digam o quanto — bem ou mal — ele explica algo que antes eu só pedia para vocês imaginarem: vectron.kilowatto.com.