O próximo grande desafio de OpenAI
OpenAI anunciou uma ambição de pesquisa abrangente: construir o que chama de um pesquisador de IA—um sistema completamente automatizado baseado em agentes capaz de enfrentar de forma independente grandes e complexos problemas científicos. Em uma entrevista exclusiva com MIT Technology Review, o cientista-chefe Jakub Pachocki descreveu a iniciativa como a Estrela do Norte da OpenAI para os próximos anos, representando uma convergência do trabalho da empresa em modelos de raciocínio, agentes de codificação e interpretabilidade em um objetivo unificado de horizonte longo.
O cronograma é concreto e de curto prazo de maneiras que distinguem este anúncio das promessas de AGI mais difusas em que a indústria vem negociando há anos. OpenAI planeja construir um estagiário de pesquisa de IA autônomo—um sistema capaz de trabalhar de forma independente em problemas de pesquisa específicos por dias seguidos—até setembro de 2026. O pesquisador de IA multi-agente completo, capaz de enfrentar problemas muito grandes ou complexos para que os humanos gerenciem, tem como alvo o lançamento em 2028.
Codex como o plano
Pachocki apontou para o agente Codex existente da OpenAI tanto como a base de evidência quanto o protótipo inicial para a visão mais ambiciosa do pesquisador de IA. Codex, que OpenAI lançou em janeiro, é um sistema de codificação baseado em agentes que pode gerar, executar e depurar código de forma autônoma para completar tarefas de programação complexas. Ele foi amplamente adotado dentro da própria OpenAI, com Pachocki observando que a maioria da equipe técnica da empresa agora usa Codex como uma parte central de seu fluxo de trabalho.
O salto filosófico que Pachocki está fazendo é que, se um sistema de IA pode resolver de forma autônoma problemas de codificação complexos—que requerem raciocínio criativo, decomposição de grandes tarefas em subtarefas, rastreamento de estado complexo em sessões de trabalho estendidas e correção de erros—então a mesma arquitetura de capacidade pode ser estendida para resolução de problemas científicos em domínios como biologia, química, física e matemática.
Nossos empregos agora são totalmente diferentes do que eram há um ano. Ninguém realmente edita código o tempo todo mais. Em vez disso, você gerencia um grupo de agentes Codex, disse Pachocki ao MIT Technology Review. A visão é que a mesma relação de gerenciamento—humano direcionando, IA executando—poderia eventualmente se aplicar à pesquisa em si, com cientistas direcionando agentes de IA que independentemente perseguem hipóteses experimentais, revisam literatura, projetam análises e geram resultados.
Por que agora: o avanço do modelo de raciocínio
A ambição renovada pela capacidade de pesquisa autônoma está enraizada no surgimento dos chamados modelos de raciocínio—sistemas de IA treinados não apenas para produzir resultados, mas para trabalhar através de problemas passo a passo, recuando quando atingem becos sem saída. Os modelos de raciocínio tornaram os sistemas de IA qualitativamente melhores no trabalho autônomo estendido: eles podem manter contexto coerente em sessões de resolução de problemas mais longas e capturar e corrigir seus próprios erros de formas que os modelos de linguagem anteriores não podiam.
OpenAI também vem alimentando seus oleodutos de treinamento com exemplos de tarefas complexas—quebra-cabeças difíceis de competições de matemática e programação—que exigem que os modelos aprendam como gerenciar contextos muito grandes, decompor problemas em subtarefas e sustentar raciocínio eficaz ao longo de períodos estendidos. Pachocki acredita que essa abordagem de treinamento, combinada com as melhorias gerais de capacidade entre gerações de modelos sucessivas, trouxe a empresa ao limiar onde a pesquisa autônoma é alcançável dentro da trajetória de desenvolvimento atual.
Resultados recentes deram ao otimismo de Pachocki alguma base empírica. Os pesquisadores da OpenAI usaram GPT-5, o modelo que alimenta Codex, para descobrir novas soluções para problemas de matemática previamente não resolvidos e fazer progresso em quebra-cabeças específicos em biologia e física—realizações que, embora restritas, demonstram que o modelo pode gerar contribuições científicas genuinamente novas em vez de apenas resumir conhecimento existente.
O problema de segurança na fronteira
Pachocki não evitou os riscos inerentes à visão que está perseguindo. Um pesquisador de IA totalmente autônomo funcionando com supervisão humana mínima representa um tipo qualitativamente novo de capacidade de IA—um que pode gerar insights científicos em domínios como biologia sintética ou materiais avançados onde os resultados podem ser militarizados ou mal utilizados. Monitoramento de cadeia de pensamento, onde os processos de raciocínio dos sistemas de IA são tornados inspecionáveis, é a abordagem de segurança primária que Pachocki identificou, mas ele reconheceu que é imperfeita.
Há questões difíceis sobre onde as linhas devem ser traçadas, Pachocki disse ao MIT Technology Review. Acho que governos, não apenas OpenAI, terão que descobrir onde essas linhas estão. O reconhecimento de que a governança externa será necessária é significativo, refletindo um reconhecimento mais amplo da indústria de que a fronteira da capacidade de pesquisa autônoma requer marcos regulatórios que ainda não existem.
Contexto competitivo e implicações da indústria
O anúncio de OpenAI vem quando a empresa enfrenta intensificação da concorrência da Anthropic e Google DeepMind em múltiplas frentes. Anthropic ganhou terreno significativo em implementações de IA empresarial, e DeepMind continua produzindo pesquisa de IA científica influente através de programas como AlphaFold. Posicionar o pesquisador de IA autônomo como o próximo desafio definidor da OpenAI é em parte uma estratégia competitiva—reivindicando uma posição sobre a fronteira de capacidade mais ambiciosa e consequencial antes que os concorrentes possam definir o espaço.
Para a comunidade científica mais ampla, a perspectiva de sistemas de IA que podem avançar autonomamente a pesquisa levanta questões profundas sobre o futuro do trabalho científico, normas de publicação, propriedade intelectual e alocação de crédito para descobertas. Se um agente de IA independentemente descobre uma nova prova matemática ou identifica um novo alvo terapêutico, o ecossistema de publicação acadêmica, financiamento de bolsas e carreiras de pesquisa construído em torno da realização científica humana exigirá uma reformulação substancial. O cronograma de 2028 da OpenAI sugere que essas questões podem precisar de respostas antes do que muitos na comunidade científica estão se preparando.
Este artigo é baseado em reportagens do MIT Technology Review. Leia o artigo original.
Originally published on technologyreview.com