Co-Fundador da OpenAI afirma que $110 mil milhões ainda não conseguem atender à procura, com o pré-treinamento a mudar para otimização conjunta de custos

De acordo com a monitorização da 1M AI News, o cofundador da OpenAI Greg Brockman reflectiu, numa entrevista, sobre o salto nas capacidades de programação em IA esperado até Dezembro de 2025. Ele usou um prompt de teste que tinha mantido durante anos para medir o progresso: pedir à IA para construir um website que lhe teria levado meses a concluir quando estava a aprender programação. Ao longo de 2025, esta tarefa exigiu múltiplos prompts e cerca de quatro horas para ser realizada; até Dezembro, podia ser concluída com um único prompt e com alta qualidade. Ele afirmou que o novo modelo permitiu à IA saltar de “ser capaz de completar cerca de 20% das tarefas” para “cerca de 80%”, uma mudança que obriga toda a gente a “reorganizar os fluxos de trabalho em torno da IA”.

Quanto à alocação do financiamento de 110 mil milhões de dólares, Brockman comparou o poder de computação a “contratar vendedores”: enquanto o produto tiver um canal de vendas escalável, contratar mais vendedores pode gerar mais receitas. O poder de computação não é um centro de custos, mas sim um centro de receitas. Ele recordou uma conversa com a sua equipa na véspera do lançamento do ChatGPT: “Perguntaram: ‘Quanto poder de computação devemos comprar?’ Eu disse: ‘Todo ele.’ Responderam: ‘Não, não, não, a sério, quanto devemos comprar?’ Eu disse: ‘Independentemente de como o construirmos, não vamos conseguir acompanhar a procura.’ Este juízo continua válido até hoje, e a aquisição de poder de computação precisa de estar definida com antecedência de 18 a 24 meses. Sobre como utilizar este poder de computação, Brockman revelou que a OpenAI já não está a perseguir apenas o maior escala de pré-treino, mas que está, em vez disso, a optimizar em conjunto as capacidades de pré-treino e os custos de inferência: ‘Não é necessariamente preciso torná-lo o maior possível, porque também é preciso considerar os inúmeros casos de uso de inferência a jusante; o que realmente queremos é a solução óptima de inteligência multiplicada pelo custo.’ No entanto, ele opôs-se firmemente à ideia de que ‘o pré-treino já não é importante’, acreditando que quanto mais inteligente for o modelo base, maior é a eficiência das fases subsequentes de reforço e inferência, e que ainda existe uma ‘necessidade absoluta’ de GPUs Nvidia para suportar um treino centralizado em grande escala.