Pesquisadores acadêmicos de inteligência artificial enfrentam novos desafios com avanço de modelos em empresas privadas
A fronteira da pesquisa em inteligência artificial migrou nos últimos anos das universidades para grandes empresas de tecnologia, deixando os pesquisadores acadêmicos em uma posição delicada. O cenário ficou mais complexo à medida que os modelos de linguagem de grande porte, conhecidos como grandes modelos de linguagem, se consolidaram como foco central do setor, exigindo infraestrutura computacional cara e detalhes internos que permanecem fechados ao público. Essa é a realidade discutida por participantes do programa AI2050, iniciativa financiada por Eric e Wendy Schmidt por meio da Schmidt Sciences, que reúne alguns dos principais pesquisadores acadêmicos da área.
Em um encontro recente em Mountain View, na Califórnia, professores e pesquisadoras compartilharam as dificuldades atuais de conduzir estudos de ponta fora das grandes corporações. Nika Haghtalab, professora de ciência da computação na Universidade da Califórnia em Berkeley, resumiu a situação com uma comparação marcante: ser pesquisador acadêmico de inteligência artificial hoje seria equivalente a um biólogo em um mundo no qual empresas privadas tivessem controle exclusivo sobre a ferramenta de edição genética conhecida como CRISPR. A metáfora ilustra a limitação de não poder acessar nem influenciar o desenvolvimento interno de modelos como o Claude, da Anthropic, e o ChatGPT, da OpenAI.
A questão financeira é um dos obstáculos mais concretos. Treinar e executar modelos de fronteira exige unidades de processamento gráfico de alto desempenho, comumente chamadas de GPUs, equipamentos que a maioria das universidades não consegue arcar. Mesmo quando as instituições conseguem verba para consultar repetidamente os modelos da OpenAI, Anthropic e Google para fins de pesquisa, o custo acumulado se torna proibitivo. O programa AI2050 oferece parte desse financiamento, permitindo que alguns pesquisadores adquiram GPUs, mas a preocupação com recursos permanece diante da redução do financiamento científico federal nos Estados Unidos.
Diante dessas restrições, muitos pesquisadores optam por direcionar seus estudos a perguntas que dificilmente serão respondidas pelas grandes empresas de tecnologia. Anjalie Field, professora de ciência da computação na Universidade Johns Hopkins, afirmou que tenta evitar trabalhar em problemas que acredita que serão resolvidos por uma companhia de tecnologia. Empresas precisam gerar lucro, e questões de pesquisa com pouca promessa de retorno financeiro tendem a ficar de fora de suas prioridades, especialmente quando os resultados podem expor falhas nos próprios sistemas.
Field exemplificou esse tipo de investigação com um estudo recente no qual identificou que modelos de linguagem oferecem respostas menos sofisticadas quando os comandos são formulados com padrões linguísticos mais comumente usados por mulheres do que por homens. Trata-se de um tipo de descoberta que provavelmente não sairia dos laboratórios da Anthropic ou da OpenAI, mas que tem implicações relevantes para a compreensão dos vieses presentes nesses sistemas.
Paralelamente, há um contingente expressivo de pesquisadores acadêmicos que não trabalham diretamente com grandes modelos de linguagem. Muitos deles desenvolvem modelos de inteligência artificial especializados para analisar dados, realizar previsões ou simular sistemas físicos complexos. Esses profissionais não competem diretamente com os grandes laboratórios, mas enfrentam seus próprios desafios. A equipe do AlphaFold, do Google DeepMind, responsável por um modelo vencedor do Prêmio Nobel que prevê a estrutura de proteínas, foi desfeita recentemente, ilustrando como até projetos acadêmicos de grande impacto podem ser afetados pelas dinâmicas corporativas. Além disso, vários pesquisadores relataram dificuldade em defender o valor de seus trabalhos em áreas como mudanças climáticas, já que o público frequentemente associa inteligência artificial apenas a modelos de linguagem que consomem grandes quantidades de energia.
O movimento entre academia e indústria também se intensificou. Vários acadêmicos de destaque pediram licença de suas universidades para integrar laboratórios de fronteira, e muitos participantes do AI2050 acumulam cargos na indústria ao lado de suas posições acadêmicas. Nos últimos seis meses, uma nova preocupação ganhou força: os modelos da OpenAI passaram a resolver problemas reais de pesquisa em matemática, e especialistas temem que o futuro dos matemáticos humanos esteja ameaçado. Uma das pesquisadoras ouvidas no encontro expressou preocupação com a saúde mental de seus colegas diante desse cenário.
Ainda assim, nem tudo é motivo de alarme. A ciência empírica tende a ser mais difícil de automatizar do que a matemática, justamente porque a coleta de dados é um processo intrinsicamente lento. Tim Dettmers, cientista da computação na Universidade Carnegie Mellon, avalia que cientistas de inteligência artificial não substituirão pesquisadores humanos, mas poderão torná-los muito mais eficientes, abrindo espaço para que ideias ambiciosas e criativas finalmente saiam do papel. As restrições de recursos que impedem acadêmicos de treinar modelos de fronteira também os impulsionam a descobrir formas de tornar modelos menores e mais eficientes, além de explorar arquiteturas completamente novas. Se o próximo grande avanço da inteligência artificial vier de um laboratório acadêmico enxuto em vez de uma grande corporação, ninguém deveria se surpreender.
