Neolabs de IA captam US$ 3 bi e desafiam gigantes em 2026

Inteligência Artificial

Ex-líderes de grandes empresas fundam neolabs que atraem bilhões e prometem inovação disruptiva no setor de IA.

Leia também: Google ativa alerta no Find Hub que avisa ao esquecer objetos

Enquanto executivos como Jensen Huang, da Nvidia, e Greg Brockman, da OpenAI, proclamam a chegada da AGI, uma parte dos cientistas que criaram os modelos atuais está deixando os grandes laboratórios de inteligência artificial nos Estados Unidos para fundar neolabs independentes, que levantam bilhões de dólares mesmo sem lançar produtos públicos e apostam em caminhos técnicos diferentes do consenso da indústria.

Pesquisadores trocam big techs por apostas próprias

O movimento envolve alguns dos nomes mais influentes da IA moderna. Ilya Sutskever, cofundador e ex-cientista-chefe da OpenAI, hoje comanda a Safe Superintelligence (SSI), laboratório dedicado a desenvolver sistemas avançados com foco em segurança. Jerry Tworek, que liderou os modelos de raciocínio da OpenAI, agora dirige a Core Automation, voltada a novas formas de aprendizado contínuo.

No ecossistema do Google, David Silver, um dos principais responsáveis pelos avanços em jogos e aprendizado por reforço no Google DeepMind, deixou a empresa para assumir a Ineffable Intelligence. Jeff Dean, que passou 27 anos no Google e chegou ao posto de cientista-chefe, fundou a Discovery Loop, mantendo o Google como um dos investidores iniciais.

Na Meta, Yann LeCun, referência histórica em redes neurais, encerrou uma trajetória de 12 anos para criar a AMI, laboratório que também busca rotas alternativas para sistemas mais inteligentes. Em comum, esses pesquisadores trocam a infraestrutura colossal das big techs por times menores, independentes e com liberdade para perseguir linhas de pesquisa que consideram subexploradas.

Bilhões para laboratórios sem produto

O apetite de investidores acompanha essa migração. A Nvidia aportou US$ 5 bilhões na Safe Superintelligence e a SSI ainda não tornou público nenhum modelo ou artigo científico. Prometheus, laboratório industrial de IA ligado a Jeff Bezos, captou US$ 12 bilhões em junho e foi avaliado em US$ 41 bilhões, também sem disponibilizar modelos ao público.

Outra novata, a Flapping Airplanes, levantou US$ 1 bilhão em uma rodada Series A mesmo sem divulgar um sistema aberto, apostando em técnicas para lidar com escassez de dados em áreas como robótica e biologia. No total, já foram mapeados 45 neolabs no mundo, com 27 deles detalhados em um levantamento recente que os classifica por tipo de aposta técnica.

Os aportes se somam a um mercado em rápida expansão: uma das referências do setor, a Anthropic, nascida como spin-off da OpenAI, chegou a ter receita anualizada estimada em mais de US$ 65 bilhões até julho deste ano, mostrando que há espaço para novos entrantes disputarem contratos bilionários em nuvem, software e serviços de IA.

Por que os neolabs apostam contra a “receita padrão” da IA?

O ponto de convergência entre os fundadores dos neolabs é a desconfiança de que a estratégia dominante — modelos cada vez maiores, treinados em massa com dados da internet e refinados com aprendizado por reforço — seja suficiente, sozinha, para levar a uma inteligência artificial geral.

As críticas não negam que sistemas mais potentes estejam chegando; algumas dessas equipes acreditam que a AGI pode estar próxima. A dúvida é sobre o caminho. Para esses grupos, a abordagem atual esbarra em limites práticos e conceituais: necessidade de volumes gigantescos de dados, dificuldade de aprender continuamente depois que o modelo entra em produção, fraca adaptação a contextos específicos e pouca robustez em cenários com pouca informação.

Um conjunto de neolabs mira diretamente o chamado “aprendizado contínuo”. Hoje, grandes modelos costumam ser treinados uma vez, em lotes massivos de dados, e depois praticamente congelados. Eles conseguem usar informações novas dentro de uma conversa, mas não incorporam automaticamente essas experiências à própria estrutura. Reentreinar a rede frequentemente traz o risco de “esquecer” o que já foi aprendido, um efeito conhecido na pesquisa como esquecimento catastrófico.

Laboratórios como Core Automation, Adaption, Flapping Airplanes, Ineffable Intelligence, Ndea e a própria SSI exploram alternativas. As apostas vão de algoritmos que atualizam pesos em tempo real durante o uso a modelos que aprendem com poucos exemplos, tentando aproximar o comportamento das máquinas ao aprendizado humano em contextos com pouco dado disponível.

Liberdade de pesquisa e tensão com produtos

Além das questões técnicas, há motivações internas. Yann LeCun deixou a Meta após uma disputa estratégica sobre o rumo da pesquisa em IA na companhia. Ilya Sutskever busca explicitamente um ambiente no qual possa priorizar pesquisa de longo prazo, sem a pressão imediata por produtos comerciais.

Em grandes empresas, equipes de pesquisa disputam orçamento e atenção com times de produto. Quando uma ideia nova ameaça modelos de negócio existentes ou exige redirecionar recursos massivos, a tendência costuma ser a de cautela. Essa dinâmica, conhecida na academia de negócios como “dilema do inovador”, alimenta a tese dos investidores: grupos pequenos, focados e com autonomia teriam mais chance de bancar riscos que gigantes evitam.

A avaliação bilionária precoce dessas empresas também funciona como incentivo pessoal. Com rodadas de financiamento que chegam à casa das dezenas de bilhões de dólares, fundadores e primeiros funcionários se tornam bilionários no papel em pouco tempo, num mercado em que a promessa de uma descoberta disruptiva pesa quase tanto quanto resultados atuais.

AGI em disputa: o que dizem Nvidia e OpenAI?

A movimentação dos neolabs ocorre em paralelo a uma escalada retórica entre os próprios gigantes do setor. Após o lançamento do modelo GPT-6 Astra, Jensen Huang, CEO da Nvidia, escreveu na rede X: “AGI has arrived.” Pouco depois, Greg Brockman, presidente da OpenAI, saudou o momento com a frase: “Welcome to the AGI era.”

As declarações reforçam a mensagem de que sistemas extremamente poderosos já estão entre nós ou batendo à porta, embora não exista consenso sobre a definição de inteligência artificial geral. Para os neolabs, porém, mesmo que os modelos atuais se aproximem de capacidades gerais em muitos domínios, ainda há lacunas de aprendizado, percepção, controle e eficiência que exigem mais do que simplesmente ampliar parâmetros e consumo de energia computacional.

Na prática, o mercado passa a conviver com duas narrativas paralelas: a de que o caminho principal está traçado pelos grandes modelos comerciais, e a de que são necessários novos paradigmas para ultrapassar os limites que começam a aparecer justamente nesses sistemas de escala gigantesca.

Entenda o contexto

A atual onda de neolabs ganhou visibilidade a partir de 2024, quando Ilya Sutskever fundou a Safe Superintelligence e, em poucos meses, levantou US$ 1 bilhão para uma equipe de pesquisa sem qualquer produto anunciado. Desde então, os lançamentos de modelos de fronteira por OpenAI, Google DeepMind, Anthropic e outros se alternam com anúncios de laboratórios menores, que são apresentados como apostas de longo prazo em pesquisa fundamental.

Um mapeamento recente identificou 45 neolabs ao redor do mundo, a maioria nos Estados Unidos e na Europa, organizados em seis grandes tipos de aposta técnica: desde o aprendizado contínuo até novas arquiteturas de computação, passando por formas alternativas de percepção do ambiente por máquinas e mecanismos de controle e segurança.

Embora pequenos, esses laboratórios operam em uma espécie de relação simbiótica com os gigantes. De um lado, brigam para antecipar descobertas e mostrar capacidade de inovar onde as big techs seriam mais lentas. De outro, sabem que qualquer avanço relevante pode ser rapidamente absorvido via parcerias, licenças ou aquisições, como já ocorreu com outras startups de IA.

Como essa fragmentação muda a corrida pela AGI?

A saída de cientistas de ponta dos grandes laboratórios para fundar seus próprios centros de pesquisa fragmenta o mapa da IA de última geração. Em vez de um punhado de empresas definindo sozinho o rumo da tecnologia, surgem dezenas de grupos com estratégias divergentes sobre como chegar a sistemas mais gerais, confiáveis e eficientes.

Para investidores, essa dispersão significa mais opções de aposta em diferentes rotas técnicas. Ao financiar times especializados em nichos — como aprendizado com poucos dados, modelos que se adaptam em tempo real ou novas formas de computação —, fundos e grandes corporações tentam se posicionar em possíveis “atalhos” até a AGI ou em tecnologias complementares aos modelos dominantes.

Para os próprios gigantes, o fenômeno é ambíguo. De um lado, eles perdem talentos responsáveis por descobertas-chave dos últimos anos, o que pode afetar sua capacidade de inovar internamente. De outro, passam a contar com um ecossistema externo que funciona como laboratório avançado, do qual podem se aproximar mais adiante via contratos, aquisições ou alianças estratégicas.

Entre pesquisadores e desenvolvedores, a proliferação de neolabs amplia a diversidade de abordagens e abre espaço para projetos de longo prazo menos condicionados por metas trimestrais de receita. A médio prazo, a corrida pela inteligência artificial geral tende a seguir múltiplos caminhos em paralelo, com mais experimentação técnica, maior competição por talentos e um cenário regulatório ainda tentando acompanhar a velocidade das mudanças.

No curto prazo, a dúvida central permanece: qual dessas rotas — o escalonamento agressivo dos modelos atuais ou as apostas alternativas dos neolabs — vai entregar primeiro algo que possa ser chamado, com mais consenso, de AGI, e em quais mãos esse poder tecnológico vai ficar.