MIT: Rakhlin explica como as universidades devem se preparar para uma IA mais inteligente que os próprios cientistas

A aceleração do progresso da IA na ciência

O diretor do Centro de Estatística e Análise de Dados do MIT, Sasha Rakhlin, publicou um ensaio em que analisa como as universidades devem se preparar para um futuro próximo em que a inteligência artificial será mais inteligente que os humanos em muitos aspectos do trabalho intelectual. Essa reflexão abrangente sintetiza as discussões atuais sobre como a IA está transformando a matemática, a estatística, o aprendizado de máquina e a engenharia — principalmente no nível de pós-graduação e pesquisa.

O ritmo de desenvolvimento da IA impressiona. No ano passado, na matemática, um modelo de rede neural atingiu o nível de medalha de ouro na Olimpíada Internacional de Matemática. Apenas um ano depois, os modelos já produzem resultados de pesquisa originais, incluindo uma solução proposta recentemente para um dos sete Problemas do Milênio. Tarefas que antes exigiam habilidades matemáticas avançadas agora podem ser realizadas automaticamente.

Rakhlin aponta um fator-chave: a velocidade e a confiabilidade na verificação dos resultados. Provas formalizadas podem ser verificadas automaticamente, e programas podem ser executados e testados. Onde a avaliação é rápida e confiável, os sistemas conseguem gerar candidatos, aprender com os resultados e melhorar. Isso cria um efeito composto: modelos aprimorados participam da próxima rodada de desenvolvimento, acelerando o progresso exponencialmente. O mesmo se aplica à própria pesquisa em IA: o aprimoramento de modelos, procedimentos de treinamento e ferramentas auxiliares.

A reavaliação dos critérios no sistema universitário

Para pesquisadores experientes, isso abre a possibilidade de enfrentar questões que antes exigiam recursos técnicos inviáveis. Mas a diferença entre obter uma solução e entender por que ela funciona e o que pode ser generalizado a partir dela se tornará ainda mais acentuada.

O atual sistema de recompensas universitárias precisa ser repensado. Em um número crescente de áreas, um artigo publicado se tornou um sinal fraco de expertise individual. Rakhlin alerta: não se pode simplesmente definir valor como "tudo aquilo que a IA ainda não consegue fazer". Em vez disso, os departamentos devem valorizar mais:

• A formulação de boas perguntas • A replicação e reprodução de resultados • A síntese de ideias de diferentes fontes • Resultados negativos informativos • Conjuntos de dados abertos

A avaliação deve estabelecer explicitamente o que exatamente o pesquisador contribuiu e pelo que assume responsabilidade intelectual, incluindo os casos em que partes significativas do trabalho foram realizadas por IA. Essas expectativas devem orientar a lógica de contratação, promoção e financiamento — e devem ser claramente formuladas para os pós-graduandos atuais e futuros.

A readaptação é especialmente difícil. As capacidades intelectuais se desenvolvem através da prática. Cálculos rotineiros, código, tentativas frustradas e pequenas descobertas ajudavam os estudantes a desenvolver intuição e julgamento. Se esse trabalho for delegado à IA, os estudantes perderão essas experiências formativas, embora a IA permita assumir projetos mais ambiciosos. As universidades devem distinguir entre fricção desnecessária e trabalho que desenvolve expertise real. Os estudantes precisam aprender a formular problemas, verificar as saídas dos modelos, reproduzir resultados e defender suas escolhas. O conhecimento fundamental pode se tornar ainda mais valioso como base para o uso competente dessas ferramentas.

A infraestrutura da independência científica

Rakhlin vê uma oportunidade real para as universidades: preservar a capacidade de perseguir questões em horizontes de longo prazo, compartilhar resultados abertamente e verificar afirmações de forma independente. Parcerias com a indústria são necessárias, mas as prioridades comerciais não cobrirão toda a amplitude da ciência e podem se distanciar dela com o tempo. As universidades precisam de independência tecnológica.

O ativo estratégico mais importante do meio acadêmico é o conhecimento e a experiência acumulados nos laboratórios. Artigos publicados são apenas parte do quadro. Experimentos fracassados, linhas de pesquisa abandonadas e as razões pelas quais uma abordagem não funcionou permanecem sem publicação. Os cientistas possuem conhecimento tácito sobre quais intervenções provavelmente não funcionarão e por quê. Esse contexto explica por que a IA atualmente tem dificuldade em algumas áreas, especialmente nas ciências empíricas, de prever consequências óbvias para um especialista. Essas limitações podem ser temporárias; se resultados negativos e interpretações dos cientistas forem coletados, os modelos se tornarão muito melhores na exploração científica.

Rakhlin propõe uma visão: os laboratórios do MIT funcionando como um único organismo científico vivo, conectado por uma infraestrutura de IA compartilhada para pesquisa. Imagine um neurocientista buscando métodos de segmentação de neurônios em imagens de microscopia. Um agente de IA reconhece avanços relevantes em um grupo de visão computacional, conecta os pesquisadores, sugere benchmarks e ajuda a iterar. Ele poderia identificar questões não resolvidas para estudantes e professores, tornando os resultados de um laboratório acessíveis a outros.

Para isso, é necessário construir fluxos de trabalho que registrem hipóteses, intervenções, resultados, fracassos e interpretações. Sistemas compartilhados devem conectar esses fluxos de trabalho, permitindo que agentes usem ferramentas e informações entre laboratórios com as permissões adequadas. Isso exige investimentos significativos públicos e institucionais em computação, sistemas de dados seguros e expertise na adaptação e no ajuste fino de modelos de IA.

Esse rastreamento preservaria a linhagem das ideias e tornaria mais fácil reconhecer contribuições, incluindo as dos pós-graduandos. Com regras de atribuição acordadas, os pesquisadores poderiam colaborar de forma mais aberta. Isso também ajudaria a responder à pergunta sobre como reconhecer e recompensar contribuições intelectuais.

Os sistemas de IA já sintetizam informações de fontes que superam a capacidade de absorção de qualquer pesquisador individual, e sua capacidade de fazer conexões úteis continuará crescendo. As universidades devem aproveitar esse poder para se unir em torno de problemas científicos e de engenharia complexos, ajudando a aproveitar as forças e ideias uns dos outros. Rakhlin vê nisso um caminho promissor, mas as universidades precisam investir agora para tornar isso possível.