Nos últimos quatro anos, o centro de gravidade na pesquisa de IA mudou de laboratórios universitários para empresas privadas. Cientistas que estavam estabelecendo tendências até recentemente se encontram jogando catch-up com a indústria. Numa reunião recente do programa Schmidt Sciences AI2050 — iniciativa de Eric e Wendy Schmidt que apoia pesquisadores acadêmicos — os professores discutiram como sobreviver na nova paisagem.
Por que a vanguarda deixou as universidades
A principal razão é o dinheiro e o acesso ao equipamento. As universidades não podem pagar GPUs para treinar grandes modelos de linguagem ou para executar os sistemas mais avançados, enquanto laboratórios privados não têm pressa em revelar o funcionamento interno de seus produtos. A professora Nika Haghtalab, da UC Berkeley, compara a posição de uma IA acadêmica à de uma bióloga cujo controle exclusivo sobre o CRISPR tinha sido tirado por empresas privadas: você pode estudar os fenômenos, mas não pode tocar nas ferramentas.
Então, qual é o resultado? Especialistas externos podem observar o comportamento de grandes modelos, mas eles não podem ver como são construídos ou no que foram treinados, muito menos influenciar seu desenvolvimento. Pedidos de análise rigorosa também vêm a um preço elevado: chamadas repetidas para as APIs do OpenAI, Anthropic e Google explodir o orçamento de um departamento médio. E o financiamento federal para a ciência nos EUA está diminuindo, tornando o problema cada vez mais agudo.
Estratégias de sobrevivência: escolher batalhas que você pode ganhar
Muitos pesquisadores deliberadamente se afastam de tópicos que possam interessar às corporações tecnológicas. O professor Anjali Field, de Johns Hopkins, tenta não assumir tarefas que uma empresa provavelmente encerraria com seus próprios recursos. Afinal, o negócio investe apenas no que gera lucro, enquanto as perguntas que poderiam colocar uma empresa em uma luz desfavorável vão desencaminhados. Campo, por exemplo, mostrou que os modelos de linguagem dão respostas menos detalhadas e complexas às consultas fraseadas como as mulheres normalmente falam.
Para aqueles que querem cavar mais fundo, há outro caminho — participar de programas como o AI2050. Eles fornecem subsídios para a compra de GPUs, e de acordo com os colegas, este é indiscutivelmente o maior valor de tal apoio. Outros pesquisadores se concentram em tópicos que não podem interessar aos gigantes tecnológicos — desta forma, podem preservar a independência acadêmica.
Ciência que não se encaixa na tendência da LLM
Nem todos os grupos acadêmicos trabalham com modelos de linguagem grandes. Alguns cientistas constroem sistemas especializados de IA para análise de dados, previsão e simulação de processos físicos — por exemplo, para lidar com problemas de mudança climática. Isso vem com seus próprios desafios: o público em geral pensa em "AI" como chatbots famintos de energia, e ferramentas científicas reais exigem muita explicação. O destino da AlphaFold está dizendo: a equipe do Google DeepMind que criou o modelo Nobel de predição de proteínas foi dissolvida no mês passado. Este é um sinal de que mesmo projetos científicos bem sucedidos não são imunes à lógica corporativa.
O futuro: menos pessimismo, mais eficiência
Há também sinais preocupantes. Nos últimos seis meses, os modelos da OpenAI têm enfrentado vários problemas reais de pesquisa em matemática — despertando medos de que os humanos não terão lugar em matemática pura. Um dos companheiros mencionou as lutas de saúde mental entre colegas matemáticos. Mas as ciências empíricas são muito mais resilientes: a coleta de dados é inerentemente lenta, por isso automatizá-la totalmente é improvável num futuro próximo. Além disso, vários acadêmicos proeminentes recentemente tiraram licença de suas universidades para se juntar a laboratórios de ponta, e muitos colegas AI2050 combinam posições acadêmicas com trabalho na indústria. A paisagem da ciência está mudando diante de nossos olhos.
Tim Dettmers da Carnegie Mellon vê o que está a acontecer sem pânico. Ele trabalha em tornar a implantação do modelo mais barato e acredita que os cientistas de IA não vão substituir humanos, mas torná-los significativamente mais produtivos. Recursos limitados não são apenas uma maldição: a falta de poder computacional empurra para encontrar arquiteturas mais eficientes e modelos compactos. Talvez seja precisamente a partir destas restrições que surgirá o próximo grande avanço.
