Google DeepMind investe em pesquisa de segurança de IA multiagente
Google DeepMind lança chamada de financiamento de $10M para pesquisa de segurança de IA multiagente
Publicidade
A Google DeepMind, em parceria com outras organizações, como a Schmidt Sciences, a Cooperative AI Foundation, a ARIA e a Google.org, anunciou uma chamada de financiamento de até $10M para pesquisa de segurança de IA multiagente. Esse investimento visa apoiar pesquisadores em todo o mundo a desenvolver soluções para garantir a segurança e a previsibilidade de sistemas de IA que interagem entre si.
Com a escalada da tecnologia de IA, estamos entrando em uma nova era em que milhões de agentes de IA, construídos por diferentes organizações, interagirão em ambientes digitais, comunicando-se, negociando e transacionando entre si. No entanto, quando esses sistemas interagem, eles devem fazê-lo de forma segura e previsível. Isso cria uma oportunidade vital para fortalecer a segurança e a estabilidade de todo o ecossistema de IA desde o início.
A chamada de financiamento se concentra no estudo de como sistemas de IA multiagente se comportam em grupo e como podemos fornecer estruturas para entender e mitigar riscos potenciais. Ao empoderar pesquisadores globalmente, o objetivo é resolver os riscos de segurança "invisíveis" que surgem quando sistemas independentes interagem em diferentes redes.
Publicidade
Quando grandes grupos de agentes de IA interagem, novos comportamentos coletivos e capacidades podem emergir repentinamente. Atualmente, falta-nos as ferramentas para prever, medir e monitorar essas transições. A maioria das avaliações de segurança analisa modelos em isolamento, mas, como já foi argumentado anteriormente, agentes autônomos interagindo podem produzir comportamentos complexos e "emergentes" que são difíceis de antecipar.
Por ser uma área de pesquisa nova, é fundamental entender como essas transições ocorrem. Por exemplo, elas poderiam causar uma atividade econômica imprevisível ou levar a novos desafios de segurança? Entender como gerenciar esses comportamentos de sistema é o nosso objetivo central.
Embora existam estruturas fundamentais para a segurança de IA multiagente, a evolução rápida desses sistemas exige uma expansão imediata e em larga escala da pesquisa. O financiamento visa acelerar o progresso apoiando uma rede global de pesquisadores independentes. Uma comunidade diversa é essencial para garantir que os padrões de segurança sejam transparentes e robustos para todos.
Essa iniciativa também avança a missão da Schmidt Sciences' Science of Trustworthy AI e AI Agents, que apoia o trabalho fundamental sobre a compreensão e a mitigação de riscos de sistemas de IA de fronteira, bem como o programa Scaling Trust da ARIA, que busca desbloquear novas formas de coordenação multiagente ciber-física.
Nenhuma instituição de pesquisa pode resolver a segurança de IA multiagente sozinha. Por isso, convidamos pesquisadores acadêmicos e independentes a submeter propostas em quatro áreas prioritárias. O prazo para aplicação é 8 de agosto de 2026, e os agraciados devem ser anunciados no outono de 2026.
Para obter mais detalhes sobre os requisitos técnicos e o processo de aplicação, visite o nosso portal de aplicação. Essa é uma oportunidade importante para os pesquisadores contribuir para a construção de uma base segura para um futuro de IA multiagente.
Fontes
Esta análise é original do i-a-trend e foi elaborada a partir das reportagens publicadas pelas fontes acima, consultadas para apuração dos fatos. O crédito pela apuração é dos veículos citados — recomendamos a leitura das matérias originais.
Texto produzido com apoio de inteligência artificial e publicado sob responsabilidade editorial do i-a-trend. Encontrou um erro? Escreva para contato@i-a-trend.com.
Publicidade
Leia também
Lançamento do Gemini 3.8 Live com Live Avatar
Nova tecnologia de IA para interações mais naturais
Aceleração do Treinamento de Aprendizado por Reforço com SkyRL no Amazon SageMaker HyperPod
Acelerando o treinamento de modelos de linguagem com SkyRL e Amazon SageMaker HyperPod.
Pesquisadores Propõem Método de Otimização para Remoção de Blocos em Modelos de Linguagem
Nova abordagem utiliza técnicas de física estatística para melhorar a compressão de modelos de linguagem.