O algoritmo de recomendação do YouTube é historicamente um dos motores computacionais mais sofisticados e influentes do planeta. Diariamente, ele decide quais miniaturas aparecem na página inicial, na aba de vídeos sugeridos e no feed do Shorts para mais de 2 bilhões de usuários ativos diários. Durante mais de uma década, essa engrenagem operou sustentada por uma arquitetura tradicional: grandes tabelas de vetores numéricos conhecidas como Large Embedding Models (LEMs), responsáveis por mapear a similaridade matemática entre canais, vídeos e espectadores.
Agora, o YouTube e o Google DeepMind estão liderando uma das transformações de infraestrutura mais audaciosas da história da plataforma: adaptar grandes modelos de linguagem (LLMs) diretamente para as tarefas centrais de recomendação. A estratégia foi detalhada em apresentações oficiais para a indústria e confirmada em pesquisas científicas de ponta que revelam sistemas já em produção ativa servindo tráfego real em escala industrial.
No entanto, ao contrário do que interpretações sensacionalistas sugerem, isso não significa que o YouTube colocou um chatbot de conversação para assistir aos seus vídeos ou conversar com você para escolher a programação. A mudança é estrutural, elegante e muito mais profunda: a plataforma está ensinando modelos da família Gemini a falar a própria linguagem dos vídeos, tratando hábitos de consumo como sequências de texto que podem ser geradas de forma autorregressiva.
Do modelo tradicional baseado em embeddings à recomendação generativa
Para compreender o tamanho desse salto, é fundamental entender as limitações dos sistemas legados de recomendação. No paradigma anterior, cada vídeo recebia um número de identificação estático e arbitrário no banco de dados. Para cada um desses IDs, o sistema gerava um vetor de coordenadas abstratas (um embedding) em uma tabela de parâmetros de centenas de gigabytes ou terabytes.
Quando um usuário assistia a um conteúdo, o sistema gerava um vetor correspondente ao seu perfil e realizava um cálculo geométrico de aproximação (busca por produto escalar, ou Maximum Inner Product Search) contra milhões de vídeos candidatos. Embora eficiente em suas primeiras gerações, essa abordagem sofria de três gargalos severos:
- Custo colossal de memória: com centenas de horas de vídeo enviadas a cada minuto, as tabelas de embeddings cresciam em ritmo insustentável de bilhões de parâmetros dedicados unicamente a guardar posições de catálogo;
- Dificuldade no arranque a frio (cold start): vídeos novos recém-publicados não possuíam histórico de interações, dependendo de testes graduais e lentos para que o sistema começasse a entender o seu público ideal;
- Falta de compreensão sequencial profunda: vetores estáticos têm dificuldade em capturar nuances temporais detalhadas de jornadas complexas de consumo que intercalam tutoriais, músicas de fundo e vídeos curtos.
A nova visão do YouTube trata o ato de recomendar não como uma consulta rígida em uma base vetorial, mas como uma tarefa de previsão de sequência generativa, exatamente como um modelo de linguagem completa a próxima palavra de uma frase.
O que são Semantic IDs e como transformam vídeos em tokens
A peça-chave que permite a um modelo de linguagem processar vídeos chama-se Semantic ID (SID). O conceito é revolucionário e não deve ser confundido com o ID comum que aparece na URL do YouTube (como watch?v=abc123xyz).
Em vez de atribuir um número aleatório e sem significado contextual, o YouTube desenvolveu uma metodologia (evoluída para a versão SID-v2) que analisa os sinais intrínsecos do conteúdo, incluindo elementos visuais, faixa de áudio, transcrição textual e metadados temáticos, convertendo essas propriedades em uma representação discreta hierárquica por meio de quantização vetorial.
Na prática, o vídeo é traduzido em uma pequena cadeia de tokens conceituais. Vídeos que abordam temas correlatos compartilham os mesmos prefixos de tokens semânticos, comportando-se exatamente como radicais de palavras em um vocabulário linguístico. Isso permite que o modelo processe bilhões de vídeos utilizando um vocabulário enxuto e compartilhado de tokens discretos, eliminando as monumentais tabelas de parâmetros individuais do passado.
Artigos recomendados
Generative retrieval: gerando recomendações em vez de apenas buscar
Com os vídeos expressos em tokens semânticos, entra em ação o Generative Retrieval (recuperação generativa). Enquanto um motor de busca comum vasculha uma imensa lista de registros procurando os mais parecidos, o modelo generativo adota uma perspectiva diferente:
Em vez de apenas procurar um vídeo em uma enorme lista de candidatos, o modelo aprende a gerar representações dos conteúdos que considera mais adequados para aquele contexto.
O histórico recente do usuário, composto por vídeos assistidos, pausas, buscas e transições entre formatos, é entregue como entrada ao modelo. O modelo então realiza uma previsão autorregressiva, gerando token por token o Semantic ID do vídeo candidato seguinte. Dessa forma, a arquitetura consegue raciocinar sobre intenções complexas e dependências de longo prazo que passavam despercebidas por equações estáticas de produto escalar.
PLUM: o framework de LLMs em produção para bilhões de usuários
O pilar que viabilizou a aplicação industrial dessa teoria no YouTube é o framework PLUM (sigla para Adapting Pre-trained Language Models for Industrial-scale Generative Recommendations), publicado pelos cientistas do Google DeepMind e do próprio YouTube no repositório de pesquisas arXiv (artigo 2510.07784).
Conforme demonstrado no artigo técnico, o PLUM não é um mero experimento em ambiente controlado. O sistema foi implementado e colocado em produção na infraestrutura real do YouTube, atendendo recomendações de vídeos longos e Shorts em múltiplas superfícies principais do aplicativo.
Para conseguir esse feito com restrições rígidas de latência (milissegundos para responder a cada requisição), o PLUM realiza um processo em duas etapas:
- Continued Pre-training (CPT): o modelo de linguagem pré-treinado recebe um treinamento continuado em dados massivos do domínio de recomendação, tornando-se bilíngue, capaz de transitar com fluidez entre a linguagem natural humana e os tokens de Semantic IDs;
- Fine-tuning para recomendação: ajustes finos direcionados ensinam o modelo a prever a próxima ação relevante do usuário com base no contexto temporal imediato.
A apresentação oficial do YouTube conduzida pelo gerente principal de produtos Devansh Tandon, intitulada Teaching Gemini to Speak YouTube: Adapting LLMs for Video Recommendations to 2B+ DAU e disponibilizada publicamente na conferência AI Engineer World's Fair, confirma como a família de modelos Gemini serviu de fundação tecnológica para tornar essa inferência viável para mais de 2 bilhões de pessoas todos os dias.
Fluxo conceitual da recomendação generativa
TokenMinds: quando o próprio usuário também se torna uma sequência de tokens
A evolução foi além da representação dos vídeos. Em outra contribuição científica decisiva, o paper TokenMinds: Pre-trained User Tokens for Industrial Sequential Recommendations (arXiv:2606.25147), os engenheiros do YouTube detalharam como unificaram a própria identidade do usuário na mesma linguagem do modelo.
O TokenMinds introduz uma arquitetura com representações de usuário pré-treinadas e embeddings de dupla saída (dual-output embeddings). Isso resolve um dos quebra-cabeças mais complexos enfrentados pelo YouTube nos últimos anos: como conciliar o consumo de vídeos longos tradicionais e vídeos curtos do Shorts.
Enquanto no modelo antigo cada superfície operava em silos quase independentes, o TokenMinds modela o comportamento entre cenários cruzados (cross-scenario). Se um espectador consome uma série de vídeos rápidos sobre astronomia no Shorts durante o almoço, a inteligência é capaz de transferir esse interesse contextual para a recomendação de documentários de 40 minutos quando ele abre o aplicativo na televisão à noite. De acordo com as publicações técnicas, o TokenMinds foi promovido para 100% do tráfego de produção em superfícies centrais do YouTube.
O papel do ranking e por que o Gemini não substitui todo o algoritmo
Um dos pontos mais críticos que a equipe do YouTube fez questão de esclarecer tanto nas conferências quanto nos materiais oficiais para criadores é que a recomendação generativa baseada em LLMs atua principalmente na etapa de recuperação de candidatos (Candidate Retrieval), e não em todas as engrenagens da plataforma.
O ecossistema de recomendação do YouTube opera em múltiplos estágios complementares:
- Candidate Retrieval (Recuperação): reduz o catálogo mundial de bilhões de vídeos para uma lista preliminar de algumas centenas de conteúdos altamente promissores para aquele espectador específico. É aqui que o Gemini e o framework PLUM operam com força máxima;
- Candidate Ranking (Classificação pesada): modelos multitarefa especializados atribuem pontuações refinadas a cada um dos vídeos candidatos, avaliando probabilidades complexas de clique, tempo de exibição, compartilhamento e probabilidade de o usuário responder positivamente a pesquisas de satisfação;
- Filtros finais e políticas: regras de diversidade de canais, combate a clickbait enganoso, checagem de integridade comunitária e moderação de conteúdo sensível.
Como detalhado na documentação oficial de suporte do YouTube sobre como as recomendações funcionam, o objetivo primário continua sendo conectar cada pessoa aos vídeos que ela mais valoriza, utilizando métricas de satisfação pós-visualização e não apenas cliques superficiais.
O que essa evolução técnica realmente muda para criadores e usuários
Para o espectador diário, o impacto mais evidente é a redução drástica da sensação de repetição em loop. Como os modelos generativos compreendem o fluxo semântico de longo prazo, as recomendações tendem a ser mais ricas e contextuais, entendendo melhor os momentos em que você quer aprender algo novo em vez de simplesmente rever variações do mesmo assunto.
Já para os criadores de conteúdo, é essencial compreender o que essa mudança não é: não existem fórmulas secretas, palavras-chave mágicas nem métodos para burlar o modelo de IA. Pelo contrário: com a adoção de Semantic IDs multimodais, o sistema avalia o conteúdo real, o que é dito no áudio, as imagens mostradas na tela e a coerência entre a promessa da capa e o conteúdo entregue.
Táticas antigas de tentar enganar mecanismos com títulos inflados ou metadados artificiais perdem eficácia diante de uma infraestrutura que literalmente processa o significado semântico do vídeo. O caminho mais seguro e consistente para os canais continua sendo o mesmo princípio que o YouTube defende: fazer conteúdo claro, autêntico e de alto valor para humanos reais, pois agora o algoritmo tem a inteligência linguística necessária para entender exatamente o que você criou.
