Zhejiang amplia a iniciativa AI-for-Science para pesquisa, indústria e serviços públicos

Zhejiang renovou seus esforços para inserir a inteligência artificial na pesquisa científica, apesar da grande distância entre a ambição política e os resultados verificados. Uma nota da RSSHub sobre a 36Kr destacou o apoio da província aos modelos fundacionais científicos e à descoberta assistida por IA em diversas disciplinas.

O anúncio parece indicar uma nova guinada política. É melhor compreendê-lo como o sinal mais recente de um programa que já avança por várias camadas do planejamento provincial. Zhejiang divulgou um plano de ação específico para IA aplicada à ciência em 2025 e reforçou essa direção por meio de sua agenda governamental de 2026.

A verdadeira história, portanto, não é mais um endosso governamental à IA. Zhejiang está tentando transformar sua combinação incomumente densa de desenvolvedores de modelos, universidades, laboratórios, fabricantes e comunidades de código aberto em uma infraestrutura compartilhada de pesquisa.

Essa estratégia cria um conflito que pode ser testado. Os documentos de política prometem amplo acesso, colaboração aberta e descobertas científicas mais rápidas. O progresso real depende de um trabalho difícil envolvendo dados de pesquisa, capacidade computacional, validação científica, segurança e incentivos para que as instituições cooperem.

A nota da RSSHub sobre a 36Kr reflete um programa político mais amplo

A manchete mais recente é relevante porque conecta a agenda de desenvolvimento empresarial de Zhejiang a um plano de implementação de IA para a ciência já existente.

A nota afirma que a liderança provincial de Zhejiang apoia o uso de IA em toda a descoberta científica e a inovação tecnológica. Também descreve um programa mais amplo de “IA Plus” que abrange indústria, consumo, cultura, serviços públicos e governança social.

A RSSHub é o canal de distribuição associado ao item, enquanto a 36Kr é a plataforma de publicação. Nenhuma das duas organizações criou a política. O agente responsável é o governo provincial de Zhejiang, e o programa relevante vai além de uma única atualização da mídia.

Essa distinção importa para leitores que chegam por meio da palavra-chave principal rsshub 36kr. A nota fornece um sinal conciso do evento, mas não mostra o histórico completo da política, suas metas ou as questões de implementação ainda não resolvidas.

O plano de ação científica específico de Zhejiang foi publicado em julho de 2025 por doze departamentos provinciais. Ele abrange o período de 2025 a 2027.

O plano define IA para a ciência como o uso da inteligência artificial para apoiar a pesquisa científica e acelerar descobertas. Seu foco está em três prioridades provinciais: inteligência artificial, vida e saúde, e novos materiais e energia.

Até 2027, Zhejiang pretende estabelecer as bases computacionais, de dados e de modelos para a pesquisa assistida por IA. Essas camadas estão relacionadas, mas cada uma cria um problema de implementação diferente.

A infraestrutura computacional fornece a capacidade de processamento necessária para treinar modelos, executar simulações e analisar conjuntos de dados científicos. A infraestrutura de dados abrange coleta, governança, rotulagem, acesso e reutilização entre organizações.

A infraestrutura de modelos refere-se aos modelos fundacionais científicos. Esses sistemas são treinados com informações específicas de cada área e adaptados para tarefas como previsão molecular, projeto de materiais ou análise da literatura científica.

A província estabeleceu várias metas mensuráveis para 2027. Planeja desenvolver pelo menos quatro modelos fundacionais científicos e criar ao menos oito cenários de aplicação de referência.

O plano também prevê mais de vinte casos representativos envolvendo propriedade intelectual relacionada a dados científicos. Seu objetivo é apoiar mais de 1.000 empresas de tecnologia por meio do programa mais amplo.

Essas metas tornam a iniciativa mais concreta do que a breve nota sugere. Elas também oferecem uma forma de separar a infraestrutura concluída dos anúncios promocionais.

O relatório de trabalho de 2026 de Zhejiang acrescenta outra camada. Ele apoia o desenvolvimento de modelos fundacionais científicos no Zhejiang Lab e de uma comunidade internacional de código aberto em torno do ModelScope.

O relatório também pede cenários integrados na indústria, no transporte e nos serviços públicos. Isso mostra que Zhejiang considera os modelos científicos parte de um sistema regional de IA mais amplo.

A província não está começando com um mapa institucional vazio. Hangzhou abriga importantes empresas e organizações de desenvolvimento de modelos, computação em nuvem, comércio eletrônico, robótica e pesquisa.

No entanto, a concentração geográfica não produz colaboração científica automaticamente. Laboratórios, empresas, hospitais e universidades frequentemente armazenam dados sob regras técnicas, legais e institucionais incompatíveis.

O primeiro desafio da política é, portanto, a coordenação. Zhejiang precisa transformar organizações próximas umas das outras em uma rede de pesquisa funcional, sem enfraquecer os padrões científicos ou as proteções legítimas de dados.

A política de IA de Zhejiang coloca a infraestrutura de pesquisa sob pressão

O plano de Zhejiang exerce a maior pressão sobre as instituições de pesquisa que controlam dados valiosos, mas não têm incentivos para torná-los reutilizáveis.

A IA científica depende de mais do que modelos de linguagem de uso geral. Os pesquisadores precisam de conjuntos de dados de alta qualidade, ferramentas especializadas, experimentos reproduzíveis e especialistas capazes de identificar resultados plausíveis, mas incorretos.

Um modelo de materiais não pode gerar descobertas úteis a partir de medições inconsistentes e sem condições experimentais registradas. Um modelo biomédico não pode combinar dados hospitalares com segurança sem controles claros de privacidade, consentimento e acesso.

As metas de dados da província reconhecem parte desse problema. No entanto, contabilizar casos de propriedade intelectual relacionados a dados não revela se os cientistas conseguem realmente localizar, compreender e reutilizar as informações subjacentes.

Os dados de pesquisa frequentemente chegam em formatos concebidos para um único laboratório ou instrumento. Os metadados podem estar incompletos, a terminologia pode variar e resultados experimentais negativos talvez nunca sejam inseridos em repositórios compartilhados.

Essas limitações afetam a qualidade dos modelos. Um modelo fundacional científico pode reproduzir lacunas e vieses presentes em seu material de treinamento, mesmo quando sua saída parece tecnicamente sofisticada.

O problema se agrava quando as instituições tratam os dados como um ativo estratégico. Universidades querem crédito por publicações, empresas protegem segredos comerciais, hospitais protegem informações de pacientes e laboratórios competem por bolsas.

A estratégia de código aberto de Zhejiang tenta reduzir algumas dessas barreiras. Modelos abertos podem diminuir a dependência de um único fornecedor e permitir que pesquisadores inspecionem ou modifiquem partes de um sistema.

O acesso aberto não elimina os custos. Os pesquisadores ainda precisam de recursos computacionais, engenharia de dados, avaliação por especialistas, cibersegurança e equipes capazes de manter os modelos após o fim de um projeto-piloto.

As pequenas empresas enfrentam a mesma tensão. O acesso aos pesos dos modelos pode reduzir as barreiras de software, mas executar um sistema especializado ainda pode exigir hardware caro e talentos científicos escassos.

A província já vinculou o desenvolvimento de IA a comunidades de código aberto e mecanismos de apoio. Os programas locais incluíram vouchers de computação e subsídios para tokens destinados a alguns desenvolvedores.

Essas medidas podem ajudar as equipes a iniciar experimentos. Elas não garantem que um protótipo sobreviva à aquisição, à revisão regulatória, à integração ou à validação independente.

A pressão também chegará aos financiadores de pesquisa. Eles terão de decidir se devem apoiar novas plataformas de IA, projetos científicos individuais, conjuntos de dados compartilhados ou trabalhos de replicação.

Financiar modelos visíveis pode gerar anúncios rápidos. Financiar limpeza de dados, criação de benchmarks e documentação de experimentos malsucedidos gera menos publicidade, mas frequentemente cria um valor de pesquisa mais duradouro.

As universidades também precisam ajustar seus incentivos. Em geral, os pesquisadores são recompensados por artigos, patentes, bolsas e citações, não por manter conjuntos de dados ou avaliar o modelo de outra equipe.

Uma política de IA eficaz em Zhejiang precisa enfrentar esse descompasso. Caso contrário, as instituições anunciarão colaborações enquanto mantêm os comportamentos que impedem um compartilhamento significativo.

Os desenvolvedores devem observar se a província publica interfaces técnicas, regras de licenciamento, conjuntos de dados de benchmark e protocolos de avaliação. Esses detalhes determinarão se equipes externas poderão participar.

Os compradores corporativos devem buscar evidências de que os modelos funcionam entre diferentes instituições. O desempenho dentro de um único laboratório diz pouco sobre a confiabilidade sob instrumentos, populações ou condições operacionais diferentes.

Os profissionais do conhecimento devem se importar porque o mesmo problema de infraestrutura aparece nas organizações comuns. A IA se torna mais útil quando as informações são estruturadas, rastreáveis, atuais e conectadas ao seu contexto original.

A pressão, portanto, não se limita aos cientistas. Zhejiang está testando se uma política regional consegue coordenar o trabalho pouco glamoroso de organização das informações de que os sistemas de IA úteis precisam.

Modelos fundacionais científicos precisam de mais do que acesso aberto

O dilema central é claro: Zhejiang quer amplo acesso aos modelos, mas a confiabilidade científica exige controles mais rigorosos do que a implementação de chatbots comuns.

Os modelos fundacionais científicos aprendem padrões a partir de grandes coleções de dados de pesquisa. Em seguida, podem apoiar tarefas especializadas por meio de adaptação, uso de ferramentas ou conexões com sistemas experimentais.

Na pesquisa de materiais, um modelo pode classificar compostos candidatos antes da síntese em laboratório. Na medicina, pode organizar a literatura ou identificar padrões para uma análise clínica posterior.

Na pesquisa energética, os modelos podem auxiliar na previsão, na simulação e na otimização de sistemas. Na ciência da Terra, podem processar observações que sobrecarregariam a análise manual.

Esses usos podem reduzir os custos de busca e ajudar os pesquisadores a priorizar experimentos. Eles não transformam a saída do modelo em evidência científica.

Uma previsão só se torna útil após a validação adequada. Dependendo da área, isso pode exigir experimentos controlados, conjuntos de dados externos, medições físicas, revisão por pares ou testes clínicos prospectivos.

Isso cria uma tensão direta com a implementação rápida. Os programas de política frequentemente recompensam o número de modelos, projetos-piloto, usuários ou empresas participantes.

A ciência recompensa evidências que resistem às tentativas de falsificação. Um modelo amplamente implementado ainda pode ser cientificamente frágil se as equipes não testarem suas premissas e seus modos de falha.

O acesso de código aberto pode melhorar o escrutínio porque mais pesquisadores conseguem inspecionar componentes e reproduzir resultados. Também pode disseminar sistemas antes que existam salvaguardas e documentação adequadas.

A comparação correta não é entre aberto e fechado de forma isolada. É entre uma infraestrutura transparente e testável e sistemas cujas limitações permanecem pouco claras.

Zhejiang tem razões práticas para favorecer a abertura. A província reúne grandes empresas de tecnologia, fabricantes menores, universidades e desenvolvedores independentes com diferentes níveis de capacidade técnica.

Uma camada comum de modelos e ferramentas pode reduzir o trabalho duplicado. Componentes compartilhados também podem ajudar organizações menores a adaptar sistemas de pesquisa sem treinar tudo desde o início.

No entanto, a província precisa definir o que “aberto” abrange. Pesos dos modelos, código de treinamento, documentação dos conjuntos de dados, resultados de avaliação, licenças e relatórios de segurança oferecem diferentes tipos de acesso.

Publicar os pesos sem documentação sobre os dados de treinamento limita a interpretabilidade científica. Publicar um benchmark sem casos de falha representativos pode gerar uma confiança enganosa.

Também existe o risco de otimização de métricas. As equipes podem ajustar os sistemas para obter bom desempenho em avaliações públicas sem melhorar sua confiabilidade em contextos de pesquisa desconhecidos.

A avaliação independente torna-se essencial. Os responsáveis por projetar os testes devem ser organizacionalmente separados dos desenvolvedores dos modelos quando os resultados influenciarem financiamento, aquisição ou declarações públicas.

Pesquisas recentes reforçam essa cautela. Um benchmark de segurança laboratorial avaliou dezenove modelos avançados de linguagem e visão-linguagem em tarefas de segurança científica.

Nenhum modelo avaliado ultrapassou 70% de precisão na identificação de riscos. O estudo abrangeu 765 questões de múltipla escolha, 404 cenários realistas e 3.128 tarefas abertas.

Esses resultados não invalidam a pesquisa assistida por IA. Eles mostram por que um modelo fluente não deve controlar procedimentos laboratoriais de consequências relevantes sem supervisão especializada e salvaguardas específicas.

Uma análise de riscos separada descreve vulnerabilidades relacionadas a modelos, planejamento, ferramentas, ações e memória. Esses riscos se tornam mais graves quando os sistemas de IA podem afetar experimentos físicos.

Erros factuais podem conduzir pesquisadores a hipóteses inválidas. Falhas nas ferramentas podem corromper análises, enquanto agentes mal controlados podem executar ações além do escopo pretendido.

Dados científicos sensíveis criam outra exposição. Registros biomédicos, processos químicos proprietários e descobertas não publicadas podem vazar por meio de controles de acesso frágeis ou das interações com modelos.

O plano de Zhejiang, portanto, precisa de um modelo de governança em camadas. A assistência de baixo risco à literatura não deve estar sujeita aos mesmos controles que a experimentação química ou biológica autônoma.

A revisão humana deve continuar sendo significativa. Um cientista que apenas aprova uma recomendação opaca sem tempo ou evidências para avaliá-la não oferece supervisão eficaz.

A rastreabilidade é igualmente importante. Os pesquisadores devem conseguir identificar quais dados, versão do modelo, prompts, ferramentas e transformações produziram determinado resultado.

Sem esse registro, as equipes não conseguem reproduzir descobertas nem investigar falhas. A IA científica passa então a ser um gerador de resultados, em vez de um instrumento de pesquisa confiável.

A linguagem da política da província apoia a descoberta científica, mas não deve ser interpretada como prova de que os modelos fundamentais científicos já estão descobrindo conhecimento validado.

Os modelos são candidatos a infraestrutura. Seu valor dependerá dos padrões de avaliação, da qualidade da documentação, da integração com experimentos e da disposição de publicar resultados negativos.

A Promessa de Descobertas Mais Rápidas Encontra uma Agenda de Pesquisa Mais Restrita

A IA pode aumentar a produção científica enquanto concentra silenciosamente a atenção em questões que os dados existentes tornam mais fáceis de estudar.

Esse é o risco mais importante ausente de um simples resumo do rsshub 36kr. Uma pesquisa mais rápida não produz automaticamente uma ciência mais ampla ou original.

Os sistemas de IA têm melhor desempenho onde os dados são abundantes, digitalizados e compatíveis. Isso pode direcionar recursos para áreas estabelecidas com resultados mensuráveis.

Problemas que envolvem condições raras, materiais incomuns, arquivos incompletos ou experimentos físicos caros podem receber menos atenção. Seus dados oferecem sinais mais fracos para os modelos atuais.

Os pesquisadores também podem convergir para ferramentas e conjuntos de dados semelhantes. Quando muitas equipes usam o mesmo modelo fundamental, suas premissas podem influenciar quais hipóteses parecem promissoras.

Um estudo da Nature de 2026 examinou pesquisas ampliadas por IA em uma grande coleção de artigos de ciências naturais. O estudo constatou um aumento do impacto científico juntamente com uma contração do foco da pesquisa.

A lição não é que os cientistas devam evitar a IA. É que as métricas de produtividade podem ocultar uma redução na diversidade das questões exploradas.

As metas de Zhejiang enfatizam modelos, cenários de aplicação, casos de dados e empresas atendidas. Esses indicadores medem atividade, mas não medem plenamente a originalidade científica.

A província também deveria avaliar se os sistemas financiados produzem hipóteses novas, replicações independentes, resultados negativos úteis e descobertas em áreas sub-representadas.

A diversidade científica exige mais do que resultados variados dos modelos. Ela requer que diferentes instituições, métodos, conjuntos de dados e tradições intelectuais mantenham espaço para a discordância.

Essa questão está diretamente ligada ao financiamento. Se as bolsas privilegiarem projetos com resultados rápidos gerados por IA, os pesquisadores poderão evitar questões mais lentas, com conjuntos de dados incertos.

As aquisições podem criar pressão semelhante. As instituições podem se padronizar em torno de um modelo porque a integração é mais fácil, mesmo quando abordagens alternativas melhorariam a resiliência científica.

Os sistemas de código aberto podem reduzir a concentração entre fornecedores. Ainda assim, um ecossistema nominalmente aberto pode continuar concentrado em torno de um modelo dominante, uma plataforma de nuvem ou um benchmark.

A própria base tecnológica de Zhejiang torna essa preocupação especialmente relevante. DeepSeek e Qwen dão à região ativos reconhecidos de modelos, enquanto ModelScope oferece um canal de distribuição e colaboração.

Esses pontos fortes podem acelerar a adoção. Também podem tornar as instituições locais menos dispostas a testar arquiteturas ou métodos de pesquisa fundamentalmente diferentes.

A resposta adequada não é a fragmentação artificial. A província deveria apoiar a interoperabilidade, benchmarks independentes e bolsas que comparem múltiplas abordagens técnicas.

A avaliação também deve incluir especialistas de domínio que não sejam construtores de modelos. Um modelo pode obter boa pontuação técnica e, ainda assim, produzir resultados que os cientistas considerem triviais, inseguros ou impossíveis de validar.

As conexões com a manufatura oferecem um caminho para testes mais robustos. A base industrial de Zhejiang cria ambientes reais para pesquisas sobre materiais, processos, energia e controle de qualidade.

Por exemplo, a província estabeleceu uma aliança industrial de IA e novos materiais em março de 2026. Entre seus objetivos declarados estão um banco de dados provincial de materiais e pelo menos três modelos de design.

A aliança também planeja apoiar pelo menos vinte projetos de pesquisa e comercialização. Esses projetos podem testar se os modelos compartilhados avançam além das demonstrações e chegam a operações industriais reproduzíveis.

Comercialização não é o mesmo que sucesso científico. Ainda assim, ambientes operacionais expõem problemas relacionados a dados inconsistentes, variações de equipamentos, latência, manutenção e adoção humana.

As melhores evidências combinarão medidas científicas e operacionais. Um modelo útil de materiais deve melhorar a seleção de candidatos, preservar a rastreabilidade e funcionar em diferentes instalações.

A replicação independente é importante nesse contexto. Resultados apresentados por um desenvolvedor de modelos ou empresa participante devem ser tratados como alegações até que outras equipes os reproduzam.

O mesmo padrão se aplica a projetos-piloto apoiados pelo governo. O apoio oficial pode fornecer recursos e coordenação, mas não pode substituir a verificação científica.

Há também uma competição regional mais ampla. Shanghai, Jiangsu, Guangdong e outras jurisdições chinesas estão desenvolvendo seus próprios programas de IA para a ciência e plataformas de aplicação.

Essa competição pode gerar mais experimentação. Também pode premiar metas chamativas e infraestrutura duplicada, em vez de padrões compatíveis e evidências compartilhadas.

A vantagem de Zhejiang não virá do anúncio de mais um modelo. Virá da comprovação de que instituições de pesquisa e empresas conseguem reutilizar sistemas validados entre diferentes organizações.

Esse resultado continua incerto. Os documentos atuais estabelecem direção, prazos e metas numéricas, mas oferecem poucas evidências públicas sobre o desempenho entre instituições.

Os leitores devem, portanto, distinguir três etapas: compromisso político, implantação operacional e contribuição científica validada. Zhejiang claramente alcançou a primeira e está avançando pela segunda.

A terceira etapa exige evidências publicadas. Sem elas, a quantidade de modelos e os anúncios de projetos-piloto continuam sendo indicadores de atividade, não provas de descoberta.

O Que Observar Depois da Manchete do RSSHub 36Kr

Três sinais mostrarão se Zhejiang está construindo uma infraestrutura científica ou reunindo uma coleção de projetos-piloto de IA de curta duração.

O primeiro sinal é a existência de evidências técnicas públicas dos modelos fundamentais científicos da província. A meta de Zhejiang para 2027 — pelo menos quatro modelos — estabelece um prazo claro.

Observe a disponibilidade de fichas técnicas detalhadas dos modelos, descrições dos conjuntos de dados, licenças, métodos de avaliação, casos de falha e replicações independentes. Um anúncio de modelo sem esses materiais oferece pouca base para uma avaliação científica.

Evidências provenientes de várias instituições fortaleceriam a justificativa da política. Um bom desempenho relatado apenas pelo desenvolvedor deixaria sem solução o problema central da verificação.

O segundo sinal é saber se os oito cenários de aplicação de benchmark planejados sobreviverão além das demonstrações financiadas. Os casos mais fortes conectarão modelos a experimentos reais ou sistemas operacionais.

Procure uso repetido, ganhos de pesquisa mensurados e adoção fora da equipe original do projeto. Um projeto-piloto que termina junto com seu financiamento enfraqueceria as alegações sobre infraestrutura compartilhada.

A pesquisa de materiais é um teste inicial útil. Zhejiang já conta com demanda industrial, organizações de pesquisa, desenvolvedores de modelos e uma nova aliança destinada a coordenar dados e comercialização.

As ciências da vida oferecerão um teste mais rigoroso, pois privacidade, segurança e evidências clínicas elevam o custo dos erros. O progresso nessa área deve ser avaliado com maior cautela.

O terceiro sinal é saber se Zhejiang publicará regras funcionais para acesso e atribuição de dados. Os vinte casos de propriedade intelectual relacionados a dados previstos no plano de ação oferecem um ponto de partida.

Regras úteis devem explicar quem pode acessar conjuntos de dados científicos, em quais condições e com quais controles de auditoria. Elas também devem definir crédito e compensação para os colaboradores que fornecerem dados.

Se as instituições puderem contribuir com informações sem perder reconhecimento ou direitos comerciais legítimos, a camada de dados poderá se expandir. Se as regras permanecerem vagas, conjuntos de dados valiosos continuarão isolados.

Esses sinais devem ser analisados em conjunto. Os modelos não podem melhorar sem dados acessíveis, e os cenários de aplicação não podem escalar sem modelos confiáveis.

A manchete do rsshub 36kr é, portanto, um alerta útil, não a evidência final. Ela direciona os leitores para um experimento provincial com um escopo institucional incomumente amplo.

Para os desenvolvedores, a questão imediata é saber se Zhejiang disponibilizará componentes que pessoas de fora possam testar e ampliar. O acesso deve incluir documentação, não apenas arquivos para download.

Para compradores empresariais, a questão central é a portabilidade. Um sistema que funciona apenas dentro de uma demonstração subsidiada cria risco de integração, e não uma capacidade reutilizável.

Para os pesquisadores, a questão decisiva é o valor científico. Revisões mais rápidas da literatura ou classificações de candidatos são importantes, mas não substituem hipóteses originais e descobertas validadas.

Para os profissionais do conhecimento, o experimento de Zhejiang oferece uma lição mais ampla. O desempenho da IA depende da qualidade, procedência, permissões e estrutura do conhecimento que circunda um modelo.

A província estabeleceu metas numéricas e vinculou a IA à sua agenda de inovação. Agora precisa de evidências transparentes de que essas metas produzem capacidade de pesquisa confiável.

Zhejiang publicará dados de avaliação suficientes para que pesquisadores externos testem suas alegações, ou o progresso continuará visível principalmente por meio da quantidade de modelos e das atualizações de políticas? Essa é a questão a acompanhar além do próximo flash do RSSHub 36Kr.