A obsessão pela IA pode estar privando os campos de pesquisa de que ela precisa para sobreviver

Escrevo exclusivamente sobre inteligência artificial há dez anos. Em 2022, havia apenas um punhado de outros jornalistas no mundo dedicados exclusivamente à IA; hoje, somos vários milhares ou mais, e veículos com mais recursos empregam mais de um profissional exclusivamente para cobrir inteligência artificial.

Como espécie, agora concentramos nossa atenção, nossos esforços, temores e esperanças em torno de um fenômeno cultural e tecnológico que ocorre uma vez a cada século e que, até o advento de modelos de linguagem de grande porte úteis e da geração eficaz de imagens e vídeos por difusão, permanecera relegado ao campo das «curiosidades», com as falsificações hiper-realistas servindo de instrumento de disputa política, enquanto as economias mundiais aparentemente não estavam ameaçadas.

A tempestade “rotineira” da IA

É evidente que isso já ficou para trás. Tudo está ameaçado, tudo está sendo transformado e, pode-se argumentar, 2026 foi o ano em que foi mais difícil fundamentar previsões sobre o ano seguinte.*

Toda semana, às vezes várias vezes por semana, são lançados novos modelos de código fechado e de pesos abertos, com uma frequência tão alta que alguns nem sequer são avaliados pela comunidade de entusiastas e amadores, que vem adotando uma postura cada vez mais cética a esse respeito,  e exigindo cada vez mais atenção diante do fluxo constante de lançamentos.

Como alguém que acompanha de perto e profissionalmente o cenário de pesquisa e lançamentos, devo dizer que os avanços nos vários setores de pesquisa e desenvolvimento de IA, embora tenham grande impacto em intervalos mais longos, tendem — e sempre tenderam — a surgir em pequenos incrementos, em vez de se apresentarem como marcos revolucionários ou evolutivos, como os Transformers. Hoje, os maiores choques dizem respeito sobretudo ao efeito da IA na economia, e não às suas capacidades mais recentes.

Além disso, como já observei, a qualidade das ideias presentes no enorme crescimento da pesquisa em IA desde 2022 nem sempre acompanha a quantidade; muitas são novas versões no estilo de Frankenstein, recombinações ou remontagens de trabalhos já existentes e de outros mais inovadores — arquiteturas improvisadas, projetadas para criar melhorias aparentemente significativas em relação a trabalhos anteriores, mas que, quando examinadas, são prejudicadas por metodologias frágeis ou por custos absurdamente altos de VRAM.

As cidades-fantasma dos temas

Quando esses milhares de jornalistas migraram para a cobertura de IA, os assuntos que cobriam antes inevitavelmente passaram a receber menos atenção direta. De certo modo, isso pouco importava, pois o tema e a aplicação da IA se tornaram tão onipresentes na cultura e na infraestrutura que, por exemplo, um correspondente de energia agora cobriria questões relacionadas à IA mais do que qualquer outro assunto; o mesmo valeria para quem cobre economia, emprego, política e políticas públicas, entre outras áreas.

Parecia que todos esses temas podiam agora ser vistos pelo prisma da IA, o que talvez explique em parte o enorme aumento da cobertura “dedicada” à IA, em um campo cada vez menor (embora tenha recuperado um pouco de fôlego ultimamente).

Consequentemente, é preciso se perguntar se outros temas estão recebendo cobertura insuficiente por causa da “obsessão pela IA” — temas com histórias, tendências e ramificações que, em algum momento, podem afetar o próprio “tema de ouro”, a IA?

Mas o que se pode fazer? Os recursos são limitados e, até agora, a IA é a história do século.

A grande migração para a IA

Segundo um novo artigo que me despertou grande interesse pelo tema, é isso que pode estar acontecendo com a própria IA: além do risco de que a retração e a realimentação reduzam a qualidade dos modelos futuros, o ecossistema científico mais amplo, no qual as ideias surgem e se influenciam mutuamente entre diferentes disciplinas, está se concentrando tanto na pesquisa em IA que os momentos “serendípicos” — quando conexões inesperadas entre ideias aparentemente sem relação podem transformar campos inteiros — podem se tornar cada vez mais raros.

Em suma, o novo trabalho, intitulado Avanços mais robustos em inteligência artificial aceleram o próprio esgotamento, sugere que a obsessão pela IA está drenando as condições ambientais em que ocorrem novos avanços, inclusive os que afetam diretamente a IA; e que, para parafrasear grosseiramente os autores, há uma certa “tendência incestuosa” nesse novo foco de interesse, que dificilmente levará a um bom resultado.

O artigo afirma^†:

“Um paradigma dominante elimina não apenas seus rivais, mas também a diversidade a partir da qual seu próprio sucessor teria sido recombinado.

“O estreitamento do foco de atenção após 2017, a migração para a IA de mais da metade dos autores que mudaram de área, a vitalidade decrescente das novas ideias e o declínio cada vez mais acentuado das populações de ideias ativas ao longo de ciclos sucessivos descrevem, em conjunto, um sistema cuja capacidade criativa está sendo corroída pelo sucesso dos paradigmas dominantes que ele próprio produziu.”

Trabalhos anteriores observaram que a IA pode estar transformando a pesquisa em uma monocultura, mas os autores do novo estudo também acreditam que o domínio crescente da IA pode estar privando a área das ideias novas de que precisa para continuar avançando. Eles comparam a pesquisa em IA às ciências biológicas, nas quais avanços como a microscopia crioeletrônica e o AlphaFold desencadearam ciclos semelhantes de inovação — e declínio.

Para produzir evidências empíricas que sustentassem suas teorias, os autores analisaram 7,18 milhões de artigos de ciência da computação publicados entre 1990 e 2025 na OpenAlex, acompanhando mudanças nos temas de pesquisa e nas citações; a migração de 3,7 milhões de pesquisadores entre áreas; e 73.089 avaliações por pares, para verificar como o domínio crescente da IA afetou a diversidade científica.

Uma das descobertas mais interessantes que emergiram dos dados diz respeito à recente migração de pesquisadores para a IA e ao abandono dos temas que já estudavam:

“Os migrantes são pesquisadores em meio de carreira, com trajetória moderadamente consolidada, que abandonam o trabalho que lhes conferiu prestígio para seguir a atração gravitacional da área, mesmo ao custo de uma penalidade pela mudança de área.”

O estudo constatou que mais da metade das 918.862 mudanças registradas entre áreas da ciência da computação foram para a IA, enquanto outras áreas, sobretudo sistemas e pesquisa teórica, perdiam pesquisadores continuamente.

Do novo artigo: mudanças na proporção de artigos de ciência da computação dedicados à IA, a sistemas e à teoria, de 1990 a 2025. Cada quadrado representa um ano: o azul indica uma proporção maior e o vermelho, uma menor. A participação da IA aumentou acentuadamente após 2017, enquanto a das outras áreas diminuiu. Fonte

Os pesquisadores com maior probabilidade de fazer essa mudança eram acadêmicos experientes, com carreiras consolidadas. Enquanto isso, a participação da IA em todos os artigos de ciência da computação passou de 40% em 2017 para mais de 55% em 2025.

Do blog do Arxiv: o aumento dos envios na área de Ciência da Computação ao longo de um período de 2 anos, de 2024 a 2026. Fonte

Três sinais

O artigo identifica três “indícios convergentes” que, segundo os autores, passaram a definir a ciência da computação desde 2017.

O primeiro é um estreitamento acentuado da atenção dedicada à pesquisa após 2017, quando a arquitetura Transformer foi introduzida. Ao extrair as dez palavras-chave mais proeminentes de cada um dos 7,18 milhões de artigos de ciência da computação, os autores acompanharam em que medida a pesquisa se concentrava nos mesmos temas:

Gráficos que mostram como a pesquisa em ciência da computação se tornou cada vez mais concentrada desde 2017. À esquerda: os pesquisadores estão se concentrando em uma gama mais restrita de temas. À direita: uma parcela crescente das citações está sendo direcionada a um conjunto menor de artigos. As duas tendências se aceleraram com a chegada do Transformer.

Durante décadas, essa concentração permaneceu relativamente estável, mesmo com a ascensão da internet, dos smartphones e do aprendizado profundo. Mas, entre 2017 e 2025, o coeficiente de Gini^†† da atenção dedicada à pesquisa (veja a imagem acima) passou de 0,26 para 0,33, um aumento de 27%. As citações também se concentraram mais, e seu coeficiente de Gini subiu de 0,60 para um pico de 0,69.

Os pesquisadores, que são da Tsinghua University, da University of Chicago e do Santa Fe Institute, afirmam:

“O Transformer abalou a área em uma escala que seu antecessor não alcançou. O padrão não é um artefato: ele se mantém diante de variações em [keyword count].”

E continuam:

“A participação da IA nas publicações de ciência da computação aumenta de 40% para mais de 55% entre 2017 e 2025, enquanto a pesquisa em sistemas recua após uma longa era de ouro e a teoria se contrai ainda mais.”

Assim, os resultados sugerem que, mesmo com a expansão da ciência da computação, os pesquisadores passaram a perseguir as mesmas ideias e a citar um conjunto mais restrito de trabalhos.

O segundo “indício” diz respeito ao número crescente de pesquisadores que abandonam suas especializações para trabalhar com IA: ao acompanhar 3,7 milhões de pesquisadores, os autores identificaram quase 919.000 migrações entre áreas da ciência da computação. Dessas, 53,81% foram para a IA — uma área de pesquisa que ganhou pesquisadores a cada ano, enquanto sistemas e teoria os perderam continuamente:

Migração de pesquisadores para a IA. O gráfico à esquerda mostra que a IA atrai uma parcela crescente de pesquisadores de outras áreas da ciência da computação, enquanto sistemas e teoria perdem terreno. Os dois gráficos à direita mostram quem tem maior probabilidade de fazer essa transição: pesquisadores com cerca de 32 anos de carreira em publicações e um histórico de publicações superior ao de aproximadamente 82% de seus pares. Uma mudança de área é contabilizada quando um pesquisador passa a publicar a maioria de seus artigos em uma área diferente.

Quem fazia essa transição tendia a ser acadêmico estabelecido, em meio de carreira, e não iniciante ou veterano. A probabilidade de migração para a IA atingiu o pico aos 31,8 anos de carreira acadêmica e entre pesquisadores no percentil 82 em termos de desempenho em publicações.

A terceira das três tendências apontadas pelo artigo é a pressão crescente sobre a revisão por pares — o processo pelo qual outros pesquisadores avaliam a qualidade e a confiabilidade de um artigo científico antes de sua publicação.

Ao examinar 73.089 avaliações de 26.731 artigos enviados a 45 conferências e outros eventos entre 2017 e 2025, os autores constataram que a confiança dos revisores na própria capacidade de avaliar os artigos caiu de 3,9 para 2,9, numa escala de cinco pontos:

Gráficos das mudanças na revisão científica por pares entre 2017 e 2025. O gráfico à esquerda mostra que os revisores estão menos confiantes na própria capacidade de avaliar os artigos enviados, com as pontuações caindo de 3,9 para 2,9 em uma escala de cinco pontos. O gráfico à direita acompanha os comentários hostis nas avaliações, que diminuíram brevemente em 2021, quando a conferência NeurIPS migrou para a plataforma mais transparente OpenReview, antes de voltar a aumentar. As duas linhas mostram médias móveis de três anos.

Os autores sugerem que essa queda pode refletir a rápida expansão da IA, que tornou mais difícil encontrar revisores com qualificação adequada para avaliar os artigos:

‘Os grupos de revisores foram inundados por novatos atraídos pela força gravitacional da IA. Os revisores recebem cada vez mais artigos repletos de métodos de IA que fogem à sua área principal de especialização. Tornou-se estruturalmente difícil encaminhar os trabalhos submetidos a revisores que sejam de fato especialistas.

‘Nesse contexto, a aceitação se parece cada vez mais com um cara ou coroa.’

Depois da(s) corrida(s) do ouro

O artigo também sugere que os maiores avanços da IA podem, no fim das contas, acelerar o próprio esgotamento, já que cada grande avanço é seguido por uma onda de novas ideias — mas essa efervescência inicial de inovação dá lugar a uma repetição letárgica, à medida que a pesquisa se concentra cada vez mais nos próprios avanços.^†:

‘Os ciclos sucessivos da IA moderna se saturam mais cedo e se esgotam de forma mais acentuada. O ciclo está encurtando.

‘Ao longo de 36 anos de desenvolvimento da ciência da computação, abrangendo os três grandes avanços tecnológicos — AlexNet, Transformer e LLMs —, observamos repetidamente a mesma espiral[pattern].

‘Vale notar que esse padrão não se limita à ciência da computação. Na biologia, observamos o mesmo ciclo de esgotamento após grandes avanços não computacionais (por exemplo, a crio-EM) e computacionais (por exemplo, o AlphaFold).’ 

Essa «exaustão» certamente ocorreu com os autoencoders, as Redes Adversariais Generativas (GANs) e abordagens de codificador automático, como as falsificações hiper-realistas. Todas elas foram exploradas impiedosamente pelos pesquisadores durante anos, mesmo depois de seu potencial claramente se esgotar, até que novas estruturas e abordagens finalmente surgiram para aliviar a pressão sobre elas.

De todo modo, para acompanhar esses ciclos, os autores buscaram substantivos e expressões distintivos em resumos científicos, rastreando seu surgimento, desaparecimento e eventual retorno como indicadores de mudanças nas ideias de pesquisa.

A AlexNet, em 2012, e os Transformers, em 2017, desencadearam, cada um, uma onda de novas ideias que acabou arrefecendo. A IA ampliou sua vantagem a cada avanço, enquanto outras áreas da ciência da computação ficaram para trás e, por fim, passaram a gerar novas ideias a uma taxa inferior à de antes de 2012:

Comparação da proporção de novas ideias de pesquisa em IA (azul), em ciência da computação não relacionada à IA (vermelho) e em ambas, em conjunto (roxo tracejado). As novas ideias dispararam após o AlexNet, em 2012, e o Transformer, em 2017, antes de diminuir. A vantagem da IA aumentou após o segundo avanço. As linhas mostram médias móveis de três anos.

Esse padrão também se observa nas ideias que caem em desuso, à medida que novos avanços deixam de lado abordagens mais antigas, às vezes anos depois de seu surgimento. No entanto, os próprios avanços estão sujeitos ao mesmo ciclo: cada um atrai uma onda de atenção da pesquisa que acaba diminuindo, deixando o campo à espera de outra descoberta que renove seu impulso (como aconteceu com Gaussian Splatting, após um intervalo de 31 anos):

Comparação das citações aos artigos originais sobre AlexNet (vermelho) e Transformer (azul), de 2012 a 2025. Ambos atraíram parcelas crescentes das citações antes de sofrerem uma queda acentuada, ilustrando como a atenção dedicada aos grandes avanços acaba diminuindo. As linhas mostram médias móveis de três anos.

Os autores argumentam que o sucesso da IA concentra pesquisadores e ideias em torno de um punhado de abordagens dominantes, enquanto os campos adjacentes que poderiam ajudar a produzir as próximas gerações dessas abordagens continuam perdendo espaço. E, embora não prevejam categoricamente que isso impedirá avanços futuros, eles levantam a possibilidade de que a IA esteja gradualmente consumindo a diversidade da qual poderá depender seu próximo salto.

Também foi acompanhado o número de ideias ainda em uso ativo; ao longo de sucessivas ondas de desenvolvimento da IA, esse número ficou cada vez mais abaixo do esperado, com uma diferença maior após os Transformers do que depois do AlexNet:

Gráfico que mostra o número de ideias de pesquisa ativas ao longo de sucessivos avanços da IA. As linhas contínuas mostram o crescimento modelado, enquanto os trechos tracejados indicam que as contagens reais ficaram abaixo dos níveis projetados. A diferença é maior após o Transformer do que após o AlexNet, e uma queda inicial também aparece durante a era dos LLMs.

Em resumo, os autores concluem que a concentração de esforços e pessoas em uma gama cada vez mais restrita de desafios relacionados à IA ameaça empobrecer os campos adjacentes que antes naturalmente contribuiriam com ideias para o setor de IA — e para diversos outros setores.

Referindo-se ao comentário de John Hassler sobre a concessão do Prêmio Nobel de Ciências Econômicas de 2025, eles concluem:

‘O comitê do Nobel alertou que os mecanismos de destruição criativa precisam ser preservados para evitar a estagnação. Nossos resultados identificam um desses mecanismos, a diversidade intelectual, e mostram que as instituições atuais estão corroendo-a.

‘As instituições que distribuem a atenção — incluindo sistemas de avaliação, taxas e regras de submissão, estruturas de recompensa, contratação, promoção e convenções de aposentadoria 12 — moldam todas elas a possibilidade de o próximo paradigma surgir.

‘Projetá-las bem significa resistir ao impulso de apostar ainda mais no paradigma que está vencendo no momento, penalizar a concentração em vez da exploração e transferir a autoridade de avaliação dos mais prolíficos para o que é inovador.

‘A destruição criativa sustenta o crescimento apenas enquanto deixa algo para ser recombinado. Uma singularidade não tem sucessor.’

* Deveria haver uma palavra para isso: «resistente a previsões»? Bem, isso não é uma palavra isolada, mas uma expressão, e também parece referir-se a 2026, em vez de à visão de 2027 a partir de 2026. «Infuturável»? O corretor ortográfico marcou a palavra em vermelho, então vamos ficar com ela.

^† Minha conversão das citações no texto dos autores em hiperlinks.

^†† O coeficiente de Gini indica o grau de desigualdade na distribuição de algo, em uma escala de 0 (igualdade perfeita) a 1 (concentração máxima). Neste caso, uma pontuação mais alta significa que os pesquisadores estão se concentrando em menos temas.

Publicado originalmente na quarta-feira, 21 de outubro de 2026