Sutskever, Silver e LeCun deixam os grandes laboratórios: a aposta dos neolabs

Um quadro estranho: após o lançamento do GPT-6 Astra, Jensen Huang escreve no X que a AGI chegou, e o presidente da OpenAI, Greg Brockman, dá as boas-vindas à humanidade na «era da AGI». Ao mesmo tempo, as pessoas que construíram os modelos atuais deixam em massa as grandes empresas e abrem seus próprios laboratórios. O The Decoder contou 45 desses «neolabs» e analisou 27 deles em detalhes. A conclusão é simples: muitos dos que saíram não acreditam que a receita atual seja suficiente.

Quem saiu e quanto recebeu

Ilya Sutskever, cofundador da OpenAI, está construindo a Safe Superintelligence. Em julho, segundo a Bloomberg, a Nvidia investiu cerca de 5 bilhões de dólares na SSI. Somados aos 3 bilhões anteriores, chega-se a aproximadamente 8 bilhões com avaliação de 32 bilhões. Mesmo assim, o laboratório não lançou nem um modelo nem um artigo.

Jerry Tworek, que liderou o desenvolvimento dos modelos de raciocínio o1 e o3, fundou a Core Automation. David Silver, autor do AlphaGo, saiu da DeepMind para a Ineffable Intelligence e em abril captou 1,1 bilhão em rodada seed com avaliação de 5,1 bilhões. Yann LeCun, após doze anos na Meta, fundou a AMI. A Flapping Airplanes, sem modelo público, captou 1 bilhão na rodada A com avaliação de 6 bilhões.

Os motivos são variados: bilhões no papel, uma disputa de estratégia com a Meta, o desejo de pesquisar sem pressão de produto. Às vezes a ruptura nem é limpa: o próprio Google foi um dos primeiros investidores da Discovery Loop, de Jeff Dean.

A principal aposta: aprender, e não apenas resolver

O grupo de laboratórios mais fácil de entender trabalha com aprendizado contínuo. O modelo de hoje não altera seus pesos após o lançamento. Ele usa informações novas dentro da conversa, mas não as memoriza de forma permanente. ChatGPT e Claude contornam isso com anotações e busca em conversas passadas. Tworek acredita que o aprendizado contínuo é tarefa para o aprendizado de máquina, e não para arquivos Markdown. O simples retreinamento de uma rede corre o risco de esquecimento catastrófico: ela perde o que sabia antes.

Imagine um júnior que, após um mês de trabalho, ainda sabe exatamente o que sabia no primeiro dia, mais o que você colocou na cola dele. É mais ou menos assim que o modelo se comporta hoje.

As abordagens são diferentes:

• A Adaption cria modelos que se ajustam ao usuário de forma barata e em tempo real. Por enquanto, vende apenas ferramentas para trabalhar com dados e o AutoScientist via API.
• A Core Automation quer atualizar os pesos durante o trabalho e se virar com um centésimo dos dados habituais.
• A Flapping Airplanes treina com poucos exemplos, o que é importante para robótica e biologia, onde há poucos dados.
• A Ndea, de François Chollet, busca um programa que explique alguns exemplos.
• A Ineffable, de Silver, treina um sistema com a própria experiência e uma recompensa do ambiente.

A última abordagem tem um ponto fraco. No Go, fica claro quem venceu. Na ciência ou no mundo físico, o sinal chega tarde ou nem é claro.

O que isso significa para profissionais

Primeiro, um laboratório pequeno tem uma vantagem curta. A TypeSafe AI lançou o modelo de decisões Jev em meados de setembro, e duas semanas depois a OpenAI anunciou a Decisions API. Segundo, a saída muitas vezes é por aquisição: a AMD quer comprar a World Labs por cerca de 8,2 bilhões, a Nvidia negocia com a Reflection e a Microsoft levou a equipe da Inflection.

Para desenvolvedores e gerentes de produto, as conclusões são pé no chão:

• Não construir uma arquitetura baseada na suposição de que o modelo nunca aprenderá a lembrar. A memória em forma de anotações continua sendo, por ora, uma muleta.
• Acompanhar o ARC-AGI-3. A Astra alcançou 62,7% na configuração padrão, traduzindo jogos desconhecidos em regras compactas. É exatamente isso que a Ndea busca.
• Não confundir avaliação com produto. A maioria dos neolabs não tem nada que se possa conectar via API.

A aposta é simples. Se a receita atual esbarrar em um teto, ganhará quem primeiro ensinar um modelo a aprender. Se não, os grandes laboratórios simplesmente comprarão a equipe ou repetirão o resultado em algumas semanas.