Em busca da IA prática

Para onde a fixação da indústria de IA em modelos cada vez maiores nos levará? O que realmente pretendemos alcançar ao injetar trilhões de dólares em IA, particularmente grandes modelos de linguagens (LLMs) e modelos de fundação multimodais? Estamos perseguindo cegamente modelos maiores e mais dados, mesmo quando a própria internet pode não fornecer matéria-prima suficiente para uma expansão significativa? Quão mais capazes serão o GPT-5 ou 6? Poderão ser melhores em responder perguntas? O que estamos construindo no final do dia? Até o próprio Sam Altman, em uma entrevista recente, revelou que quando começou a OpenAI, acreditava que a IA assumiria o trabalho pesado. Mas o que realmente estamos automatizando?

Os players maiores estão abordando necessidades genuínas ou estão presos em um loop de criação de sistemas cada vez mais complexos sem um propósito claro? À medida que a corrida armamentista da IA se intensifica, o mesmo acontece com o debate sobre despesas de capital. David Cahn, da Sequoia, argumentou recentemente que o debate atual não é apenas sobre se o CapEx da IA é muito alto, mas se a velocidade e a necessidade de construção da infraestrutura são justificadas.

A competição entre os principais provedores de nuvem, como Microsoft, Amazon e Google, está levando a uma rápida expansão, mas a que custo? Os players menores estão sendo espremidos, e os investimentos de hoje podem se tornar obsoletos se o progresso da IA ultrapassar a infraestrutura física que está sendo construída, alertam os analistas. The Information relata que duas empresas estão planejando data centers de IA de US$ 125 bilhões. Elon Musk anunciou que a xAI construiu um cluster de 100 mil unidades de processamento gráfico H100 — supostamente para ser dobrado em meses a um custo entre US$ 10 bilhões e US$ 15 bilhões. Isso supera o cluster de treinamento do GPT-4 em 30 vezes!!!