Medalhista Fields se junta à OpenAI; ByteDance lança programa para cientistas de STEM

O Prêmio Fields deste ano é considerado a "última edição de sangue puro" — provavelmente, pesquisas inovadoras futuras serão realizadas em conjunto com a IA.

Esse processo de transição pode ser ainda mais rápido do que imaginamos: durante a coletiva de imprensa do Prêmio Fields, alguém perguntou ao um dos laureados, o matemático canadense Jacob Tsimerman, o que ele faria a seguir, e ele afirmou que já começou a se voltar para a pesquisa em segurança de IA e em breve começará a trabalhar no departamento de segurança da OpenAI.

Por outro lado, o chefe de pesquisa da OpenAI, Mark Chen, saudou imediatamente.

Pesquisadores de ponta já consideram as principais empresas de IA como plataformas para realizar suas ambições. Nos últimos tempos, um número crescente de cientistas de elite — incluindo matemáticos, físicos e biólogos — está se deslocando para empresas líderes em modelos de grande porte. Apenas no primeiro semestre deste ano, ganhadores do Prêmio Nobel de Química como John Jumper, economistas como Chad Jones e filósofos como Harvey Lederman juntaram-se à Anthropic.

Por trás disso, as principais empresas de IA também direcionaram simultaneamente seu olhar para a mesma direção: todas estão trazendo cientistas para o local de desenvolvimento de IA. A profunda integração entre IA e ciência de ponta está se tornando uma obrigação, e não mais uma opção.

Grandes empresas de IA da China também estão seguindo o mesmo caminho: nesta quinta-feira, a equipe Seed Edge da ByteDance lançou o programa Seed STEM, oferecendo 100 vagas de parceria para cientistas e doutorandos nas áreas前沿 da ciência, como matemática, física, química e biologia, convidando-os a explorar com o Seed questões ainda desconhecidas na ciência básica. Pelas informações divulgadas, este é o primeiro programa na China a investir em larga escala em IA para acelerar a descoberta científica前沿.

No ritmo acelerado da competição no campo da IA, que avança em termos de dias, aprofundar pesquisas fundamentais de IA a longo prazo pode parecer muito menos direto do que aprimorar habilidades de codificação ou aumentar pontuações em avaliações: o aumento de capacidade nestas últimas pode ser rapidamente transformado em experiência do produto e receita comercial, enquanto o retorno das pesquisas fundamentais e da IA acelerando descobertas científicas tem um ciclo muito mais longo e caminhos de exploração cheios de incerteza.

Mas, por outro lado, uma verdadeira ruptura nesse caminho trará um valor paradigmático muito superior à simples iteração de produtos.

Yao Shunyu mencionou anteriormente à equipe um ponto de vista: o treinamento de grandes modelos não tem magia. O verdadeiro desafio está em fazer corretamente as coisas mais básicas e certas. Essa avaliação ressoa com a visão mantida há muito tempo pelo CEO da Anthropic, Dario — os elementos centrais que impulsionam o avanço da IA são sempre poder computacional, qualidade e escala de dados, duração do treinamento e funções objetivo escaláveis; "todos os métodos e técnicas inteligentes na verdade não são tão importantes".

Ao analisar modelos verdadeiramente SOTA, como Claude e Seedance, não há atalhos por trás deles; o núcleo de todos eles consiste em ter definido claramente uma direção desde cedo e realizado um grande volume de trabalho básico em qualidade de dados e arquitetura subjacente.

A Anthropic concentra intensamente seus recursos no aprimoramento da capacidade de código dos modelos, treinando-os por meio de aprendizado por reforço para que possam, por meio de tentativa e erro, compreender e gerar código de alta qualidade de forma autônoma, criando um ciclo de evolução autossustentável baseado no feedback dos usuários.

Na área de geração de vídeo, onde muitas grandes empresas têm dificuldade em impulsionar avanços sustentáveis, a Seedance transformou a geração de vídeo por IA de uma experiência aleatória em uma ferramenta industrial mais controlável e criativa, por meio de uma arquitetura de modelo inovadora e um trabalho de dados preciso.

Visivelmente, o que realmente determina o limite de capacidade do modelo nunca é a acumulação de técnicas, mas sim garantir dados sólidos, construir uma estrutura básica estável, manter uma visão de longo prazo e preservar a firmeza estratégica e a paciência necessárias.

Isso não é fácil no ambiente atual, mas podemos ver que cada vez mais empresas na corrida dos grandes modelos domésticos estão dispostas a se dedicar a esse caminho difícil, mas correto.

Este ano, DeepSeek A arquitetura mHC (Manifold-Constrained Hyperconnection), considerada uma ruptura no campo de arquiteturas fundamentais de grandes modelos, também é DeepSeek Uma das importantes atualizações arquiteturais da V4, que substitui as conexões residuais tradicionais, está integrada em todo o design do modelo. Vale destacar que o estudo mHC citou as Hyper-Connections (HC) propostas pela equipe Seed da ByteDance.

Antes disso, as conexões residuais, como esqueleto básico do Transformer, eram amplamente consideradas como configuração padrão pela indústria; a HC foi a primeira a quebrar esse paradigma de fluxo único, aumentando significativamente a capacidade de expressão de características do modelo quase sem aumentar o custo computacional. Da proposta inovadora da HC até a implementação prática da mHC, tornou-se um reflexo da inovação tecnológica das equipes chinesas de IA no campo da arquitetura de base — algo raro no desenvolvimento das tecnologias de grandes modelos no passado.

No início do ano passado, a Byte Seed criou especificamente uma equipe chamada Edge, com o objetivo de realizar pesquisas em temas com menor grau de determinismo e cujos resultados a curto prazo não fossem necessariamente visíveis. Para fornecer aos pesquisadores um ambiente estável, eles até ajustaram o ciclo de avaliação de desempenho — sem avaliações intermediárias, realizando uma avaliação unificada apenas quando os resultados fossem alcançados.

Após sua fundação, a equipe sempre manteve um perfil baixo. Recentemente, vimos que eles publicaram no X o conjunto de avaliações de longo prazo EdgeBench, definindo pela primeira vez na indústria de forma sistemática os padrões de aprendizado de Agentes em ambientes reais, descobrindo uma nova lei de escala nos dimensionamentos de aprendizado ambiental e despertando ampla discussão entre grandes nomes da indústria.

Diz-se que a OpenAI também está integrando este conjunto de avaliações para testar a capacidade de longo prazo de seus próprios modelos.

Na área de IA, as pessoas geralmente focam seu olhar no próprio modelo grande; construir benchmarks requer um longo período e grande esforço humano. Desenvolver e tornar abertos testes de referência para capacidades avançadas de IA não serve apenas para medir o próprio progresso, mas também para orientar todo o campo em direção a uma maior transparência e confiabilidade, estabelecendo padrões industriais e revelando fraquezas dos modelos. Os principais laboratórios de IA investem enormemente na construção de benchmarks.

A OpenAI lançou de código aberto o framework Evals, tornando-se a ferramenta padronizada da indústria para avaliar modelos de linguagem de grande porte e sistemas baseados em LLM. Para capacidades específicas de ponta, a OpenAI também desenvolveu uma série de benchmarks dedicados, incluindo SimpleQA, BrowseComp e MLE-bench.

A Anthropic realizou muito trabalho em torno do SWE-bench, destacando claramente a força do Claude em programação; eles também lançaram o Terminal-Bench, para medir a capacidade dos Agentes de concluir tarefas de cadeia longa em ambientes de linha de comando reais.

Essas avaliações não são acidentais em relação às forças de cada modelo.

Pode-se ver que o julgamento da equipe de IA de ponta sobre a trajetória do desenvolvimento da IA já está mudando; a evolução da capacidade dos grandes modelos já saiu da fase de benefícios de pré-treinamento baseada apenas em acúmulo de parâmetros e dados, e o próximo impulso de crescimento virá necessariamente da interação contínua, feedback e evolução autônoma dos modelos em ambientes abertos reais.

A fronteira da ciência básica é a forma mais elevada de abrir cenários desconhecidos. O recém-lançado programa Seed STEM da ByteDance visa trabalhar com cientistas para identificar e superar problemas de nível de pesquisa, explorando a possibilidade de acelerar a descoberta científica com IA. Os cientistas não fornecem apenas tópicos, mas também consciência de problemas, critérios de julgamento e formas de feedback.

Por que colaborar com cientistas? A resposta é que os problemas restantes hoje já não são difíceis o suficiente para grandes modelos.

Os sistemas atuais de avaliação de modelos são predominantemente centrados em tarefas fechadas com respostas padronizadas. As perguntas têm soluções definidas, a avaliação segue critérios fixos e o caminho para o aprimoramento das capacidades do modelo é claro. No entanto, a pesquisa científica real segue uma lógica completamente diferente: não possui um caminho de resolução claro, exige que os pesquisadores formulam hipóteses por conta própria, projetem métodos de validação, tratem dados anômalos e ruidosos e deduzam os mecanismos subjacentes — tudo isso envolvendo constante tentativa e erro, repetição e incerteza.

As tarefas do mundo real são o critério final para avaliar a capacidade dos modelos de IA. Após o Scaling em pré-treinamento e o Scaling durante o teste, a indústria está procurando amplamente o próximo direção de Scaling, e “aprendizado contínuo por interação em ambientes abertos e reais” é uma das trajetórias mais promissoras.

Portanto, as principais equipes de IA globais, ao desenvolver modelos avançados, já não dependem apenas de equipes de IA trabalhando isoladamente para aprimorar modelos, mas sim incorporam pesquisadores de ponta de diversas disciplinas, fazendo com que problemas reais do campo sirvam como impulso para o desenvolvimento das capacidades dos modelos.

Na América do Norte, muitos pesquisadores universitários recentemente se juntaram a empresas de grandes modelos. No início de julho, o chefe do departamento de EECS da Berkeley, Jelani Nelson, anunciou sua licença acadêmica e ingressou na Anthropic. Este ano, pelo menos 22 professores e pesquisadores temporariamente deixaram ou reduziram seu trabalho nas universidades de Stanford, Berkeley, Harvard e outras, passando para a OpenAI, Anthropic, DeepMind e Meta. Essas quatro empresas atualmente reúnem pelo menos 80 professores universitários atuais ou antigos.

Por trás da entrada progressiva de grandes investidores, há projetos bem estruturados.

Na OpenAI, o programa Residency tornou-se um canal anual estabelecido para atrair talentos de alto nível, voltado especificamente para profissionais que atualmente não se dedicam principalmente à pesquisa em IA. Os participantes integram diretamente equipes de aplicação e pesquisa de ponta da OpenAI desde o primeiro dia, colaborando na prática. O programa equivale a um "treinamento de doutorado acelerado", ajudando especialistas de diversas áreas a realizar rapidamente a integração interdisciplinar. Muitos projetos marcantes, como ImageGPT e Codex, contaram com a participação profunda de pesquisadores residentes. Além disso, as avanços científicos dos modelos da série GPT em raciocínio matemático e derivação de mecanismos biológicos também dependem da contínua contribuição desses talentos interdisciplinares.

Na Anthropic, o programa STEM Fellows, voltado para especialistas em ciência, tecnologia, engenharia e matemática, foi sistematizado e ampliado em grande escala em 2026. O programa, que dura alguns meses, convida especialistas de ponta de fora da área de IA — como físicos, biólogos, matemáticos e economistas — para trabalhar internamente na Anthropic. Eles podem levar problemas não resolvidos ou fluxos de trabalho complexos de suas áreas e acessar diretamente modelos Claude ainda não lançados publicamente e ferramentas internas de avaliação.

Nesses projetos, cientistas de materiais desenvolveram fluxos de avaliação específicos para o Claude com foco em raciocínio sobre estabilidade de fases, enquanto cientistas climáticos integraram profundamente ferramentas profissionais de modelagem atmosférica ao modelo. Durante o período de residência, mais de 80% dos pesquisadores produziram resultados acadêmicos de alta qualidade, e esses feedbacks provenientes de disciplinas reais se tornaram sinais de treinamento diretos para a iteração do modelo, impulsionando o avanço do Claude em raciocínio científico e uso de ferramentas complexas.

O valor desses projetos já ultrapassou a própria pesquisa científica, e as principais empresas de IA estão colocando a competição por cientistas do setor no mesmo nível de importância que a competição por capacidade de processamento.

Claro, a cooperação também possui um valor imenso para a comunidade científica. Grandes modelos estão se tornando a nova infraestrutura científica: da derivação de fórmulas e simulações numéricas à análise de vastos volumes de literatura e dados experimentais, a IA está redefinindo o paradigma da pesquisa, tornando possíveis temas que antes eram limitados por mão de obra e poder computacional.

Convidado para integrar a equipe de grandes modelos e participar de pesquisa in loco, o significado é equivalente ao de um astrônomo recebendo o uso exclusivo do próximo telescópio espacial superpotente. Esses projetos oferecem aos cientistas diversas vantagens, permitindo não apenas acesso a grande quantidade de poder de computação de IA e experiência com modelos de ponta, mas também o uso da IA como um “cérebro externo”, liberando energia para se concentrar na definição dos próprios problemas.

Para esses cientistas que estão ingressando na Anthropic e na OpenAI, essa colaboração profunda é tanto um multiplicador da eficiência científica quanto uma alavanca para novas descobertas. Neste momento, ao voltar o olhar para dentro do país, percebemos que a lacuna na área de interseção entre IA e pesquisa básica está sendo preenchida em primeiro lugar pelo Seed da ByteDance.

Quando ganhadores da Medalha Fields decidem se juntar à OpenAI, e cada vez mais cientistas de STEM começam a se unir às equipes de modelos, a próxima fase da competição em IA está se deslocando de iterações de produtos de curto prazo, pontuações em rankings e avanços em tarefas isoladas para questões fundamentais mais longas, complexas e avançadas.

A pesquisa científica é essencial porque está na vanguarda do conhecimento humano. Se conseguir estabelecer-se nesse tipo de ambiente aberto de alta complexidade, significa que a próxima geração de IA realmente terá capacidade de participar em tarefas reais e complexas.

Este caminho é difícil de produzir resultados notáveis rapidamente e difícil de formar um ciclo comercial claro em curto prazo. É lento, pesado e cheio de incertezas. Mas é exatamente por isso que ele mais testa se uma equipe está disposta a se dedicar verdadeiramente às bases e ao avanço.

A prova final que os grandes modelos precisam entregar é se conseguem avançar junto com os humanos nas questões ainda não resolvidas.

O progresso científico exige longo prazo, assim como a realização da AGI.

Este artigo é do公众号 da WeChat "Machine Heart" (ID: almosthuman2014), autor: Zeanan