Qual é o caminho certo para a IA?
Palestrantes da conferência discutiram a trajetória em desdobramento da IA e os benefícios de moldar a tecnologia para atender às necessidades das pessoas.
Quem se beneficia da inteligência artificial? Essa questão básica, que tem sido especialmente relevante durante o surto de IA dos últimos anos, foi o centro das atenções em uma conferência no MIT na quarta-feira, enquanto palestrantes e membros da audiência lidavam com as muitas dimensões do impacto da IA.
Em uma das palestras principais da conferência, a jornalista Karen Hao ’15 pediu uma trajetória alterada de desenvolvimento da IA, incluindo um afastamento da massiva expansão do uso de dados, data centers e modelos usados para desenvolver ferramentas sob a rubrica de “inteligência artificial geral”.
“Essa escala é desnecessária”, disse Hao, que se tornou uma voz proeminente nas discussões sobre IA. “Você não precisa dessa escala de IA e computação para obter os benefícios.” De fato, ela acrescentou: “Se realmente queremos que a IA seja amplamente benéfica, precisamos urgentemente abandonar essa abordagem.”
Hao é ex-membro da equipe do The Wall Street Journal e da MIT Technology Review, e autora do livro de 2025, “Empire of AI”. Ela tem reportado extensivamente sobre o crescimento da indústria de IA.
Em suas observações, Hao descreveu o tamanho surpreendente dos conjuntos de dados que estão sendo usados pelas maiores empresas de IA para desenvolver Large Language Models. Ela também enfatizou algumas das compensações nessa expansão, como o consumo massivo de energia e as emissões de data centers de hiperescala, que também consomem grandes quantidades de água. Com base em suas próprias reportagens, Hao também observou o custo humano do trabalho de entrada que os funcionários da gig-economy global realizam, inserindo dados manualmente para os modelos de hiperescala.
Em contraste, Hao ofereceu, um caminho alternativo para a IA pode existir no exemplo do AlphaFold, a ferramenta vencedora do Prêmio Nobel usada para identificar estruturas de proteínas. Isso representa o conceito de “modelo de IA pequeno e específico para tarefas que aborda um problema bem delimitado que se presta aos pontos fortes computacionais da IA”, disse Hao.
Ela acrescentou: “É treinado em conjuntos de dados altamente curados que só têm a ver com o problema em questão: dobramento de proteínas e sequências de aminoácidos. … Não há necessidade de supercomputação rápida porque os conjuntos de dados são pequenos, o modelo é pequeno e ainda está desbloqueando um enorme benefício.”
Em uma segunda palestra principal, a acadêmica Paola Ricaurte destacou a desejabilidade de abordagens de IA orientadas por propósitos, delineando uma série de chaves conceituais para avaliar a utilidade da