Como a hegemonia da Big Tech redefiniu a pesquisa acadêmica em IA

A jornalista Grace Huckins viajou 30 milhas ao sul de São Francisco para se reunir com pesquisadores em um hotel localizado em Mountain View, na Califórnia. O encontro fez parte de uma conferência promovida pelo programa AI2050, uma iniciativa criada pela organização Schmidt Sciences e financiada pelo empresário Eric Schmidt e sua esposa, Wendy Schmidt. O programa apoia acadêmicos cujos trabalhos envolvem inteligência artificial em um momento de profunda transformação estrutural no ecossistema científico mundial, no qual o centro da inovação migrou das universidades para laboratórios privados de grande porte.

Conforme relatado pela autora na newsletter semanal The Algorithm, do MIT Technology Review — publicação para a qual a própria repórter recebeu um prêmio de comunicação científica financiado pela Schmidt Sciences em 2024 —, a pesquisa universitária enfrenta uma crise de infraestrutura e acesso sem precedentes. Nos últimos quatro anos, o eixo central do desenvolvimento de IA foi reorientado para os grandes modelos de linguagem (LLMs), concentrando o estado da arte da tecnologia em gigantes corporativas como OpenAI, Anthropic e Google.

O novo cenário da pesquisa

O motivo principal dessa mudança no ecossistema científico é econômico e de infraestrutura. As universidades simplesmente não possuem recursos orçamentários suficientes para adquirir os conjuntos de processadores gráficos (GPUs) necessários para treinar e executar os modelos de fronteira mais recentes. Além da barreira financeira do hardware, existe o obstáculo da opacidade corporativa: mesmo que as instituições de ensino tivessem capital para comprar os clusters de chips, empresas como a OpenAI e a Anthropic não permitem que acadêmicos externos vejam a arquitetura e os detalhes internos de sistemas como o ChatGPT e o Claude.

A gravidade dessa limitação de acesso foi resumida durante o evento por Nika Haghtalab, professora de ciência da computação na Universidade da Califórnia em Berkeley (UC Berkeley). Em uma conversa durante o almoço, a pesquisadora destacou a perda de autonomia da ciência universitária perante o mercado corporativo fechado.

"Ser um acadêmico de IA hoje em dia é como ser um biólogo em um mundo no qual empresas privadas têm controle exclusivo sobre a ferramenta de edição genética CRISPR." — Nika Haghtalab, professora da UC Berkeley.

Sob essas condições impostas pelas empresas privadas, os especialistas acadêmicos fora dos laboratórios de fronteira conseguem apenas analisar o comportamento externo de ferramentas como o ChatGPT e o Claude. Os pesquisadores estão completamente impedidos de conduzir investigações detalhadas sobre o design técnico e o treinamento desses modelos. Tampouco possuem autoridade ou meios técnicos para direcionar ou modificar as escolhas feitas durante a fase de treinamento dessas plataformas.

A metáfora do CRISPR

Como forma de aliviar essas restrições, o programa AI2050 concede aos seus bolsistas financiamentos que podem ser utilizados na compra direta de GPUs. Em conversas durante o encontro em Mountain View, diversos pesquisadores afirmaram que esse aporte financeiro para aquisição de processadores é uma das principais vantagens de integrar a iniciativa da Schmidt Sciences. Contudo, o orçamento permanece como uma preocupação crítica para a comunidade científica geral, especialmente diante das reduções nos verbas federais de financiamento científico nos Estados Unidos.

Mesmo para os cientistas que optam por não rodar modelos locais em suas próprias instalações, os custos operacionais continuam proibitivos. Para investigar os modelos de linguagem de forma rigorosa e sistemática, os acadêmicos precisam enviar volumes massivos de requisições encadeadas às APIs proprietárias da OpenAI, Anthropic e Google. O custo financeiro acumulado dessas consultas sucessivas inviabiliza muitos projetos de auditoria independente conduzidos em ambientes universitários.

Pesquisas sem fins lucrativos

Diante das limitações orçamentárias e computacionais, muitos bolsistas do programa AI2050 optaram por alterar o foco de suas investigações. Em vez de tentarem avançar as capacidades gerais dos sistemas — uma corrida na qual não conseguem competir com os orçamentos bilionários da indústria —, esses cientistas direcionam sua atenção para perguntas que dificilmente serão investigadas por empresas como a Anthropic ou a OpenAI. A postura estratégica foi resumida por Anjalie Field, professora de ciência da computação na Johns Hopkins University.

"Eu tento não trabalhar em problemas que acho que vão ser resolvidos por uma empresa de tecnologia." — Anjalie Field, professora da Johns Hopkins University.

A abordagem de Anjalie Field baseia-se na realidade do mercado: empresas privadas precisam gerar lucro para sustentar suas operações e, por essa razão, questões de pesquisa sem apelo comercial direto não recebem investimento. O desinteresse das corporações é ainda maior quando as respostas a essas perguntas podem expor falhas estruturais ou prejudicar a imagem pública dos produtos. Em um estudo recente, a pesquisadora da Johns Hopkins University descobriu que os modelos de linguagem fornecem respostas menos sofisticadas quando os comandos (prompts) são formulados com padrões de linguagem mais utilizados por mulheres do que por homens.

Dificilmente uma pesquisa desse tipo, focada em expor assimetrias de gênero na resposta de algoritmos generativos, seria realizada espontaneamente dentro da OpenAI ou da Anthropic. A auditoria acadêmica cumpre, assim, um papel crucial de controle social e avaliação técnica independente. Ela examina vieses sociais e falhas operacionais que os interesses comerciais de curto prazo tendem a ignorar no desenvolvimento de produtos voltados ao público de massa.

O dilema dos modelos especializados

Além dos pesquisadores dedicados aos modelos de linguagem, existe um grupo expressivo de acadêmicos que não trabalha com LLMs. São cientistas focados no desenvolvimento de modelos de IA especializados, capazes de analisar grandes volumes de dados, realizar previsões úteis para a ciência fundamental ou simular sistemas físicos complexos. Embora não disputem o mercado de linguagem natural com os grandes laboratórios, esses pesquisadores enfrentam desafios próprios em suas respectivas áreas de atuação.

Um evento recente ilustra a instabilidade do setor de modelos especializados: a equipe do AlphaFold dentro do Google DeepMind — responsável pelo desenvolvimento do modelo preditivo de estrutura de proteínas que venceu o Prêmio Nobel — foi dissolvida no mês passado. A dissolução do grupo destaca como a pesquisa científica dentro de gigantes de tecnologia permanece sujeita a reestruturações corporativas repentinas e mudanças nas prioridades comerciais das empresas.

Ao mesmo tempo, o desconhecimento do público sobre modelos que não utilizam arquiteturas de linguagem afeta diretamente a captação de recursos acadêmicos. Durante o evento da Schmidt Sciences, cientistas relataram dificuldades para divulgar e obter apoio para suas pesquisas. Desenvolvedores que criam ferramentas de IA especializadas para combater o colapso climático enfrentam resistência de apoiadores porque grande parte da sociedade associa o termo "IA" exclusivamente aos LLMs conhecidos pelo altíssimo consumo de energia elétrica.

Impacto na matemática pura

As pressões do mercado estão alterando a própria dinâmica de carreiras dentro das universidades. Vários professores proeminentes solicitaram licença recente de suas funções acadêmicas para ingressar nos laboratórios das Big Techs. Adicionalmente, diversos bolsistas do programa AI2050 passaram a acumular cargos em empresas privadas simultaneamente aos seus empregos universitários, utilizando essa jornada dupla para manter o acesso aos clusters de hardware e aos dados necessários para suas pesquisas.

Para agravar esse quadro de incertezas, uma nova preocupação surgiu nos últimos seis meses. Modelos avançados desenvolvidos pela OpenAI conseguiram resolver uma série de problemas reais de pesquisa no campo da matemática pura. O avanço levantou dúvidas sobre o papel futuro dos pesquisadores humanos na matemática abstrata, levando uma das pesquisadoras presentes no encontro da Schmidt Sciences a demonstrar apreensão com a saúde mental e o bem-estar psicológico de seus colegas matemáticos.

Por outro lado, a automação total da pesquisa científica enfrenta barreiras operacionais expressivas no campo das ciências empíricas. Ao contrário da matemática pura, a pesquisa empírica depende da coleta de dados do mundo real — um processo fisicamente lento, sujeito a restrições materiais e limitações temporais que os algoritmos de modelos generativos da OpenAI ou do Google não conseguem acelerar através de simulações virtuais isoladas.

Otimização de modelos acadêmicos

Alguns pesquisadores acadêmicos veem a inteligência artificial não como uma ameaça à carreira docente, mas como um catalisador de produtividade. É o caso de Tim Dettmers, cientista da computação e professor da Carnegie Mellon University. O trabalho de Dettmers é focado justamente no desenvolvimento de técnicas de otimização para tornar os modelos de IA mais rápidos e baratos de serem executados em hardware comum.

Na visão de Tim Dettmers, os modelos de IA desenvolvidos para a ciência não vão substituir os pesquisadores humanos. Em vez disso, a automação de tarefas intermediárias tornará os cientistas da Carnegie Mellon University e de outras instituições muito mais eficientes. Essa eficiência expandida permitirá que os acadêmicos explorem hipóteses ousadas, não convencionais e criativas que, de outro modo, nunca seriam investigadas por falta de tempo ou de recursos operacionais.

A história da pesquisa acadêmica demonstra que a restrição de recursos atua frequentemente como propulsor de inovações conceituais. As limitações orçamentárias que impedem as universidades de treinar modelos gigantescos com milhares de GPUs forçam os cientistas a descobrirem formas inéditas de tornar os modelos menores, mais eficientes e com consumo energético reduzido, ou a explorarem arquiteturas computacionais completamente novas. Um avanço disruptivo no setor pode surgir de um laboratório acadêmico modesto e persistente.

Reflexos para a ciência brasileira

Os desafios debatidos em Mountain View encontram ressonância direta no cenário acadêmico brasileiro. Instituições como a USP, Unicamp e UFRJ enfrentam restrições orçamentárias históricas que tornam inviável a aquisição massiva de hardware de última geração para rivalizar com corporações como OpenAI, Anthropic ou Google. Nesse contexto, as barreiras financeiras impostas pelo custo das APIs pagas e pela escassez de infraestrutura aceleram a necessidade de focar em pesquisas de eficiência e auditoria de modelos.

A busca por otimização algorítmica destacada por Tim Dettmers na Carnegie Mellon University representa uma oportunidade estratégica para pesquisadores do ecossistema brasileiro. Ao focar em arquiteturas eficientes de baixo custo e na investigação de problemas sociais não atendidos pelo mercado corporativo — como demonstrado pelo trabalho de Anjalie Field na Johns Hopkins University —, a pesquisa universitária preserva sua relevância científica e cumpre sua função pública de fiscalização da tecnologia.