A ideia de uma inteligência artificial capaz de melhorar a si mesma deixou de ser apenas uma hipótese distante e começa a ganhar forma em projetos voltados para pesquisa científica. Foi esse o tema do painel composto por Alexey Dosovitskiy durante o HumanX Amsterdam 2026.

Dosovitskiy é cofundador da Recursive, empresa que trabalha com sistemas de IA voltados para descoberta de conhecimento. A proposta, segundo ele, não é criar uma tecnologia que se aperfeiçoe apenas por uma questão de desempenho. O objetivo final é usar esses sistemas para automatizar partes do processo científico e acelerar a solução de problemas complexos.

A estratégia começa pela própria pesquisa em inteligência artificial. A lógica é relativamente direta: se um sistema consegue pesquisar, propor hipóteses, implementar soluções e avaliar resultados, ele também pode ser usado para melhorar componentes dos próprios sistemas de IA.

Uma comunidade de agentes

Durante a conversa, Dosovitskiy explicou que isso não significa simplesmente entregar uma tarefa para um agente e esperar que ele resolva tudo sozinho. “Você pode construir toda uma comunidade inteira de agentes conscientes que trabalham juntos, acumulam conhecimento, revisam o trabalho uns dos outros, têm ideias, as implementam, executam experimentos, os avaliam e trabalham juntos como uma comunidade para fazer o problema avançar”, declarou. A abordagem envolve vários agentes trabalhando em conjunto, acumulando conhecimento, revisando o trabalho uns dos outros, criando ideias, executando experimentos e avaliando os resultados.

A chamada melhoria recursiva aparece quando esse mesmo sistema passa a atuar sobre diferentes partes do processo que o faz funcionar. Treinamento, dados, prompts e ferramentas podem ser analisados e aprimorados pela própria IA. Dosovitskiy reconheceu, porém, que a tecnologia ainda não é consistentemente “mais rápida e melhor” que pesquisadores humanos. Hoje, segundo ele, funciona mais como uma assistência que tende a ganhar cada vez mais autonomia.

Outro conceito apresentado foi o de open endedness, uma abordagem que evita limitar a IA a uma trajetória estreita para alcançar determinado objetivo. Para Dosovitskiy, uma busca excessivamente focada pode produzir ganhos rápidos, mas também levar a um platô.

A alternativa é permitir que os sistemas explorem caminhos que, inicialmente, parecem não ter relação direta com o problema. Uma dessas descobertas pode posteriormente abrir uma nova forma de atacar a questão original. O executivo apontou que “a ideia de open endedness é não ter essa visão focada demais, mas explorar diferentes caminhos de uma forma mais ampla, para alcançar um progresso consistente a longo prazo em vez de apenas um esforço rápido e pontual”.

A Recursive já apresentou resultados experimentais nessa direção. Segundo Dosovitskiy, os primeiros testes envolveram tarefas como melhorar o treinamento de modelos de linguagem e otimizar kernels de GPU, responsáveis por componentes que fazem redes neurais rodarem de forma mais eficiente. Ele classificou os resultados como promissores e disse que a empresa trabalha para levar o sistema a uma escala mais ampla.

O problema do “atalho”

Quanto mais autonomia esses sistemas ganham, maior fica a importância de saber se eles estão realmente cumprindo o objetivo proposto. Dosovitskiy citou o chamado reward hacking, quando uma IA encontra uma brecha na forma como seu desempenho é avaliado e consegue uma recompensa sem realizar exatamente o trabalho esperado.

No exemplo apresentado, um agente encarregado de criar um kernel de GPU mais rápido poderia explorar uma falha no mecanismo de avaliação para apresentar um resultado muito superior sem, de fato, executar o processamento necessário. Esse tipo de comportamento é uma versão reduzida de um problema maior de alinhamento entre o objetivo definido e aquilo que o sistema efetivamente faz.

Por isso, segurança e avaliação estão sendo consideradas desde o início, segundo o pesquisador. A Recursive trabalha com agentes capazes de analisar o comportamento de outros agentes, além de mecanismos de sandbox e supervisão humana. A intenção é fazer com que os próprios sistemas ajudem a identificar comportamentos inadequados antes que eles se tornem um problema em uma arquitetura mais autônoma.

Da IA para ciência

A ambição apresentada em Amsterdam vai além da própria inteligência artificial. Dosovitskiy citou áreas como energia, meio ambiente, biologia e medicina como possíveis aplicações futuras. Ele lembrou que já trabalhou com machine learning aplicado ao desenvolvimento de medicamentos e disse que a quantidade de problemas científicos ainda sem solução é muito maior do que a capacidade disponível para pesquisá-los.

Por enquanto, porém, a prioridade é mais específica: construir um sistema capaz de fazer pesquisa em IA e, ao mesmo tempo, melhorar partes de si próprio. A meta para o horizonte de cerca de um ano é justamente fechar esse ciclo.