Sakana AI's RSI Lab Acredita que a IA Autoaperfeiçoável Pode Tornar Obsoleto o Investimento de US$ 100 bilhões em Data Centers

Imagine dois caminhos para uma IA mais inteligente. Caminho um: gastar 100 bilhões de dólares em data centers, comprar todas as GPUs disponíveis em três continentes e escalar até o modelo melhorar. Caminho dois: ensinar a IA a se redesenhar, e então deixar o efeito composto fazer o trabalho. A maior parte da indústria está correndo pelo caminho um. A Sakana AI, startup sediada em Tóquio liderada pelo Co-Fundador e CEO David Ha, acaba de se comprometer formalmente com o caminho dois.

O Que É o RSI Lab

A Sakana AI lançou o Sakana AI Recursive Self-Improvement (RSI) Lab, um grupo de pesquisa dedicado, sediado em Tóquio, com a missão de redesenhar o próprio processo de desenvolvimento de IA usando IA, de acordo com o anúncio oficial no sakana.ai. A tese do laboratório é simples de enunciar e genuinamente difícil de executar: em vez de depender de escalonamento por força bruta, construir sistemas que se aprimorem de forma iterativa, criando um ciclo composto de ganhos de capacidade sem um aumento proporcional nos gastos com computação. A empresa apresenta isso, em seu anúncio, como uma restrição de design específica do Japão transformada em vantagem estratégica, traçando uma analogia com a dominância do Japão na manufatura — conquistada não por meio de recursos naturais abundantes, mas pela filosofia de melhoria contínua e composta no chão de fábrica. É o tipo de narrativa fundacional que parece ter sido elaborada durante um bowl de ramen, mas a linhagem de pesquisa subjacente é real. O laboratório não é uma ideia nova surgida do nada. Conforme reporta The Decoder, a Sakana passou os últimos dois anos construindo as bases técnicas para o RSI, e o novo laboratório formaliza esse trabalho em um único grupo focado. A página de carreiras para Membro da Equipe Técnica (RSI Lab) descreve o grupo como "encarregado de redesenhar o próprio processo de desenvolvimento de IA com IA" e trabalhando diretamente com o CEO David Ha, com a Sakana expandindo ativamente seus recursos de pesquisa e engenharia em Tóquio em direção ao que chama de "explosão de inteligência composta."

A Pesquisa por Trás da Afirmação

Antes de concordar prontamente ou revirar os olhos, vale a pena examinar o que a Sakana está realmente apontando. De acordo com o anúncio da empresa no sakana.ai e uma análise detalhada do The Decoder, o RSI Lab unifica seis linhas de pesquisa anteriores. O LLM-Squared (LLM²) usa modelos de linguagem para automatizar pesquisas e inventar algoritmos de otimização de preferências mais eficientes. A Darwin Gödel Machine conta com agentes que reescrevem autonomamente sua própria base de código, supostamente dobrando o desempenho em engenharia de software. A ShinkaEvolve é focada em evolução de programas com alta eficiência de amostras, construindo novas funções de perda para modelos Mixture-of-Experts. O ALE-Agent tem agentes de aprendizado por reforço superando centenas de especialistas humanos por meio de autoaprendizado. O Digital Red Queen explora a coevolução adversarial aberta como base para o RSI em cibersegurança. E The AI Scientist, o mais proeminente deles, tem como objetivo a automação de ponta a ponta da pesquisa em IA e foi recentemente publicado na Nature, de acordo com o anúncio no sakana.ai. Cada um desses é um artefato de pesquisa real, não uma apresentação de slides. A Darwin Gödel Machine em particular é o tipo de coisa que faz pesquisadores de ML pararem para pensar duas vezes: um sistema que gera, testa e itera sobre variantes de sua própria base de código, conforme observa The Decoder. Isso não é uma metáfora para autoaperfeiçoamento. É literalmente um agente editando seu próprio código e executando o resultado.

Por Que a Eficiência Computacional É o Argumento Central

O valor de 100 bilhões de dólares não é enfeite retórico. Ele reflete a trajetória real dos gastos com infraestrutura de IA de fronteira, e a contra-tese da Sakana é que um laboratório operando sob restrições de recursos — como a Sakana enquadra explicitamente sua base em Tóquio — é forçado a encontrar caminhos mais inteligentes para o aumento de capacidade, em vez de caminhos mais amplos. O próprio instituto de pesquisa da Anthropic observou separadamente que a IA já está acelerando o desenvolvimento de sistemas de IA, apontando para dados internos que mostram engenheiros da Anthropic entregando significativamente mais código por trimestre à medida que as ferramentas de IA melhoram, de acordo com a análise do Instituto Anthropic sobre autoaperfeiçoamento recursivo. Trata-se de uma organização diferente fazendo uma observação estruturalmente semelhante: a automação do desenvolvimento de IA já está acontecendo em escalas menores, e a trajetória vale ser acompanhada. Para quem está estudando leis de escalonamento, a distinção conceitual importante aqui é entre escala como substantivo (mais computação, mais parâmetros, mais dados) e escala como verbo (um processo que se compõe sobre si mesmo). O RSI é uma aposta no segundo caso. Se ele pode substituir completamente o primeiro permanece, para dizer de forma generosa, uma questão de pesquisa em aberto. A entrada da Wikipedia sobre autoaperfeiçoamento recursivo observa que o conceito tem uma longa história teórica, e a distância entre um sistema que melhora uma capacidade específica e um que melhora recursivamente o desenvolvimento geral de IA é substancial.

O Que Isso Significa Para Quem Está Aprendendo ML Agora

Se você está estudando aprendizado de máquina, esse lançamento é um ótimo gatilho para pensar em duas coisas simultaneamente. Primeiro, os conceitos técnicos: otimização de preferências, algoritmos evolutivos, agentes geradores de código e pipelines de pesquisa automatizados são todos áreas de pesquisa ativas com relevância real no mercado de trabalho, e o portfólio RSI da Sakana toca em todos eles. A Darwin Gödel Machine e The AI Scientist valem a pena ser lidos como artigos científicos, não apenas como releases de imprensa. Segundo, o enquadramento estratégico: o debate entre computação e eficiência está moldando para onde fluem os recursos de pesquisa e os talentos, e entender os dois lados o torna um profissional mais bem-informado. O RSI Lab da Sakana está em estágio inicial, as afirmações são ambiciosas, e a distância entre "agentes que melhoram tarefas específicas" e "sistemas que conduzem autonomamente o progresso geral da IA" é real e não resolvida. Mas as linhas de pesquisa sendo unificadas aqui são legítimas, o laboratório está contratando, e a questão central sendo feita — se o autoaperfeiçoamento composto pode fazer o que o escalonamento por força bruta faz a uma fração do custo — é um dos problemas abertos mais interessantes da área. Acompanhe a Darwin Gödel Machine e The AI Scientist em busca de artigos subsequentes. É lá que as evidências vão se acumular. A suposição mais cara em IA agora é que inteligência requer capital infinito. A Sakana está construindo uma citação para o outro lado desse argumento.