Thomas Wolf (Hugging Face) afirma que a IA atual dificilmente fará descobertas científicas no nível de um Nobel 🤖🧵 Contraponto ao otimismo de Sam Altman e Dario Amodei — qual é o argumento técnico e quais as implicações para a indústria?

Imagem indisponível

O cerne técnico: modelos são treinados para prever o próximo token e, com alinhamento, para concordar com o usuário. Isso favorece respostas prováveis e seguras — não ideias surpreendentes e improváveis, que muitas vezes geram grandes avanços científicos.

Há também questão de incentivos: empresas big tech otimizam por produto, segurança e escalabilidade. Risco de concentração de poder — quando poucas plataformas definem objetivos e dados, a diversidade metodológica necessária para inovação radical diminui.

Imagem indisponível

Descobertas transformadoras exigem contrarianismo, experimentação e raciocínio causal — muitas vezes embodied. Chatbots que só manipulam texto têm limitações estruturais: não testam hipóteses no mundo real nem negociam incertezas como cientistas fazem.

Soluções plausíveis: modelos híbridos (símbolos + redes), integração com laboratórios automatizados, objetivos de curiosidade/surpresa e datasets processuais. Mas isso depende de investimento público, colaboração aberta e regras para evitar captura por monopólios.

Imagem indisponível

Impacto social e de mercado: em vez de extinguir carreiras, IA bem direcionada pode criar funções — operadores de laboratórios automatizados, engenheiros de experimento, curadores de dados e verificadores científicos. Precisamos de políticas de formação e proteção trabalhista.

Reflexão final: a observação de Wolf é menos um 'tiro no pé' da IA e mais um convite à humildade. Se a indústria quiser que IA gere ciência de verdade, terá que mudar objetivos, financiar infraestrutura experimental e abrir o campo — ou corremos o risco de repetir soluções seguras, porém superficiais.

Imagem indisponível