A China conquistou metade das vagas na principal conferência de IA deste ano, com a Universidade Tsinghua sozinha desafiando Stanford e MIT juntos.

A principal conferência mundial de IA está rapidamente se tornando uma vitrine para os melhores profissionais da China.

Todos os anos, quando as principais conferências de IA divulgam suas listas de aceitos, várias instituições anunciam discretamente seus sucessos, competindo para ver quem tem o maior número de artigos aceitos. Mas este ano, após o anúncio da ICLR (Conferência Internacional sobre Representações de Aprendizagem), um pesquisador chamado Dmytro Lopushanskyy fez algo extremamente radical.

Em vez de usar as tabelas estatísticas oficiais, ele escreveu 250 expressões regulares e baixou os PDFs de todos os 5356 artigos aceitos no ICLR 2026, um por um.

Em seguida, ele extraiu meticulosamente todos os nomes institucionais das lacunas na primeira página de cada artigo e usou essas centenas de regras de código para limpá-los e normalizá-los, mesclando automaticamente diferentes grafias da mesma instituição, como "MIT CSAIL" e "MIT CSAIL".

Por que usar esse método de classificação manual tão primitivo?

Esse cara descobriu que as plataformas de estatísticas acadêmicas que costumamos citar rastreiam dados por "pessoa". Por exemplo, um estudante que passa quatro anos estudando para um doutorado na Universidade de Tsinghua publica um artigo de grande valor e depois se torna professor em Stanford. Adivinha? O sistema atualiza e esse artigo, que se originou em Wudaokou, automaticamente se torna produção acadêmica de Stanford.

Esse viés suprimiu artificialmente, por muito tempo, as contribuições reais das instituições chinesas, ao mesmo tempo que inflou os números dos Estados Unidos. Somente quando Dmytro, com uma taxa de sucesso de 96% na análise dos dados, criou um mapa de calor dos dados verdadeiros após filtrar os falsos positivos, foi que conseguimos visualizar o quadro completo dos dados reais.

Um mapa de calor acadêmico revela o verdadeiro panorama da IA ​​na China e nos EUA.

Deixando tudo o mais de lado, este conjunto de dados é de fato muito impactante.

A dimensão das instituições chinesas neste gráfico supera as expectativas de muitas pessoas. As instituições da China continental contribuíram com 43,7% dos artigos aceitos. E os EUA? 31,9%.

Se incluirmos Hong Kong (7,7%), mais da metade dos artigos apresentados na ICLR deste ano são de autoria de instituições da China. E quanto às potências europeias consolidadas? Todo o continente europeu, em conjunto, representa apenas 5,3%, o que é menos do que a produção de um único país como Singapura (5,5%).

O que é ainda mais interessante são os rankings de instituições específicas.

Este ano, a Universidade Tsinghua liderou a lista de todas as instituições do mundo com 332 artigos publicados. Para se ter uma ideia, a Universidade Stanford tem 177 e o MIT, 167. A produção da Tsinghua, por si só, é quase equivalente à produção combinada das duas universidades mais bem classificadas dos Estados Unidos. A Universidade Jiao Tong de Xangai, a Universidade de Pequim e a Universidade de Zhejiang, logo atrás, também mantêm firmemente suas posições no topo do ranking global.

Não apenas as universidades, mas também as indústrias nacionais têm demonstrado um desempenho notável em pesquisa.

Alibaba, Shanghai AI Labs, Huawei, ByteDance e Tencent — essas cinco empresas de tecnologia/instituições de pesquisa chinesas publicaram, juntas, 582 artigos. Alguns veículos de comunicação costumavam criticar as empresas de internet chinesas por se concentrarem apenas em inovações menores em seus modelos de negócios e negligenciarem a pesquisa fundamental. No entanto, os dados da ICLR 2026 desfizeram esse estereótipo.

Em termos simples, a IA da China não se baseia mais nos lampejos de inspiração de um ou dois gênios, mas se tornou um motor de pesquisa e desenvolvimento sofisticado, massivo e altamente sistemático.

No entanto, por trás desses números encorajadores, não podemos ignorar os indicadores que existem objetivamente.

Por exemplo, embora os tenhamos ultrapassado em número total, nos trabalhos de apresentação oral (apresentação oral, que geralmente representa a vertente mais original e inspiradora), que correspondem a apenas 4% do total de trabalhos aceitos, as instituições americanas ainda representam cerca de 40%, enquanto nós representamos 30%.

Temos uma vantagem absoluta em escala na expansão da engenharia, enquanto os Estados Unidos ainda mantêm uma liderança relativa na definição de novas direções. Este é um panorama relativamente realista da IA ​​entre a China e os Estados Unidos.

A inteligência artificial global (AGI) do Vale do Silício, impulsionada pela pesquisa, e o pragmatismo extremo dos laboratórios chineses.

Se um mapa de calor é um relatório macroscópico de verificação de saúde, então Nathan Lambert, um renomado pesquisador do Instituto Allen de Inteligência Artificial (AI2), conduziu um levantamento de 36 horas em Pequim, Hangzhou e outros locais em maio deste ano, que foi uma observação microscópica aprofundada.

Após visitar empresas de IA como Zhipu AI, Lunar Dark Side, Qianwen, Meituan, Xiaomi e Zero One Things, ele retornou à China e escreveu um artigo sobre suas observações dentro dos laboratórios de IA chineses, o que gerou muita discussão no Vale do Silício. Ele percebeu a lógica subjacente por trás de como os modelos de IA chineses em larga escala podem competir em pé de igualdade com os dos EUA: baixíssimo atrito organizacional e jovens extremamente pragmáticos.

Na visão de Lambert, os principais laboratórios dos EUA frequentemente têm uma fraqueza fatal: seu ego é muito forte.

O treinamento de modelos de grande porte é um projeto de engenharia de sistemas extremamente complexo, que exige concessões em todas as etapas, desde a limpeza de dados e a otimização da comunicação distribuída até o alinhamento do aprendizado por reforço. No entanto, no Vale do Silício, pesquisadores renomados frequentemente têm fortes vieses pessoais.

Há rumores de que a equipe do Llama na Meta passou por turbulências devido a divergências sobre a direção a seguir, com figuras-chave agindo de forma independente e cada uma querendo impulsionar o modelo em sua própria direção preferida. Em contraste, Lambert encontrou um pragmatismo incomum no laboratório chinês.

Os pesquisadores não se importavam com qual método parecia mais avançado; todos estavam alinhados em um objetivo: melhorar uma determinada métrica do modelo, e todos estavam dispostos a realizar o trabalho tedioso, sujo e cansativo. Esse pragmatismo minimizou o atrito dentro da equipe.

Lambert também resumiu as vantagens específicas trazidas por essa tendência cultural: uma maior disposição para realizar trabalhos básicos discretos para aprimorar o modelo final; os recém-chegados não vivenciaram os ciclos de hype anteriores da IA ​​e podem se adaptar às últimas tendências tecnológicas mais rapidamente; o ego é pequeno e a estrutura organizacional pode se expandir de forma relativamente tranquila; e existe um grande número de talentos qualificados para lidar com problemas-chave com base em soluções existentes.

O que surpreendeu Lambert ainda mais foi que, nos Estados Unidos, estagiários em laboratórios de ponta geralmente só trabalham em projetos periféricos. Mas na China, alunos de mestrado e doutorado estão profundamente envolvidos no desenvolvimento de modelos centrais de grande escala. Lambert apontou, com perspicácia, a principal vantagem dessa abordagem: a ausência de preconceitos históricos.

As rotas técnicas para modelos de grande escala evoluem extremamente rápido. Cientistas experientes muitas vezes apresentam "dependência de trajetória", acreditando que os métodos antigos que pesquisam há dez anos são a única verdade absoluta. Mas os jovens estudantes na China são diferentes; contanto que os dados comprovem a eficácia de uma nova rota, eles podem abandonar imediatamente a abordagem antiga e mudar de rumo rapidamente.

Vale ressaltar que Lambert descobriu que o ambiente na comunidade de IA da China é muito mais harmonioso do que os observadores externos imaginam. As trocas privadas entre os laboratórios são permeadas por respeito mútuo, e todos os laboratórios chineses admiram a ByteDance e seu popular modelo Doubao, já que a ByteDance é o único laboratório na China verdadeiramente na vanguarda, mantendo uma abordagem de código fechado. Ao mesmo tempo, quase todos os laboratórios também respeitam muito a DeepSeek, considerando-a a equipe com o melhor discernimento em pesquisa e bom gosto na execução.

Um detalhe desta pesquisa é particularmente notável. No Vale do Silício, os principais pesquisadores de IA não são apenas engenheiros, mas também costumam desempenhar o papel de uma espécie de "filósofo". Eles gostam de discutir em podcasts se a "inteligência artificial geral (AGI) destruirá a humanidade até 2030" e frequentemente debatem os limites da segurança e da ética da IA.

Lambert então perguntou timidamente a seus homólogos chineses sobre suas opiniões a respeito do impacto econômico e dos riscos sociais de longo prazo da IA, mas a resposta não foram longas discussões, e sim perplexidade generalizada. Os grandes temas da destruição da humanidade estavam, por ora, fora do escopo de seu trabalho atual.

Essa imunidade a grandes narrativas tornou-se, ironicamente, uma vantagem competitiva. Ela reduz o atrito filosófico interno na equipe, permitindo que toda a capacidade intelectual permaneça focada na implementação do projeto e no alcance dos principais indicadores de desempenho.
Nos laboratórios chineses, forma-se um ciclo de feedback muito curto entre supervisores, alunos de doutorado e engenheiros corporativos.

Este modelo dissolve as barreiras entre a academia e a indústria. Como observou Nathan Lambert, essa forma organizacional de baixa fricção permite que a IA da China apresente uma velocidade de avanço semelhante à de uma potência em infraestrutura — uma vez que a direção esteja clara, ela pode rapidamente reduzir a lacuna tecnológica com uma densidade impressionante de recursos intelectuais.

É claro que essa abordagem é eficaz dentro de uma janela de oportunidade específica, mas à medida que os benefícios das economias de escala atingem gradualmente seu pico, a principal barreira na próxima etapa acabará por retornar à competição por "capacidades de inovação originais".

Nesse momento, uma rede de colaboração de talentos de alta densidade e um indivíduo que ouse romper com as estruturas existentes se complementarão na segunda metade do desenvolvimento da IA, e nenhum dos dois será dispensável.

#Siga a conta oficial do iFanr no WeChat: iFanr (ID do WeChat: ifanr), onde você encontrará conteúdo ainda mais interessante o mais breve possível.