Economia de IA invisível, supervisão automática e avanços em modelagem de proteínas

Económistas de institutos acadêmicos e do Banco do Canadá revelaram que a economia de IA nos EUA cresce a ritmos sem precedentes — cerca de 2.600% ao ano em termos de qualidade ajustada — mas permanece largamente invisível nas estatísticas convencionais de produto interno bruto. O crescimento concentra-se principalmente no uso de sistemas de IA (inferência) e não em infraestrutura de data centers, o que dificulta a sua captura nas métricas económicas tradicionais. Este descompasso representa um risco potencial para os decisores políticos, que podem subestimar impactos disruptivos no mercado de trabalho e necessitam reformular modelos de projeção económica. Investigadores do Instituto de Segurança de IA do Reino Unido alertam que a supervisão automática de sistemas de IA é consideravelmente mais complexa do que frequentemente assumido. Os erros cometidos por agentes de IA são difíceis de identificar pelos humanos, pois surgem de formas não-intuitivas, ocorrem em contextos altamente correlacionados e podem envolver argumentos incompreensíveis para revisores humanos. Os investigadores propõem soluções que incluem recriação de projetos de pesquisa a partir de pontos de corte arbitrários, testes de generalização em dados correlacionados e desenvolvimento de protocolos de supervisão escalável. Paralelmente, investigadores de universidades como Stanford e Salesforce Research disponibilizaram o GPIC, um corpus de 100 milhões de imagens com licenças permissivas para investigação e uso comercial, hospedado na plataforma Hugging Face. O dataset, que inclui 200 mil exemplos de validação e 1 milhão de teste, representa um recurso significativo para investigadores académicos e startups. No domínio da biologia computacional, o Biohub lançou o ESMFold2, um modelo rival ao AlphaFold da DeepMind, capaz de mapear estruturas de proteínas e desenhar novos binders de proteínas funcionais em laboratório. O modelo inclui o ESMC, um modelo de linguagem treinado em 2,8 mil milhões de sequências de proteínas, e o ESM Atlas, que torna navegável representações de 6,8 mil milhões de sequências de proteínas e 1,1 mil milhões de estruturas preditas, constituindo a maior aplicação de IA à biologia de proteínas até à data.