Scrapyard AI

Resumo Técnico: Scrapyard AI e o Projeto Nudge-x

1. O Problema: Obsolescência Acelerada e o "Pátio de Sucata" de IA

O artigo identifica um novo fenômeno técnico-cultural: a obsolescência acelerada de modelos de IA. Enquanto a indústria busca incessantemente modelos fronteira (SOTA) mais potentes e custosos (ex: GPT-5, Gemini 1.5, Llama 4), modelos anteriores, embora tecnicamente capazes, são rapidamente descartados economicamente.

• O "Pátio de Sucata" (Scrapyard): Cria-se um acúmulo de modelos "zumbis" ou depreciados que são funcionalmente úteis, mas economicamente despriorizados.
• Impacto Ambiental e Econômico: A substituição constante gera "ativos encalhados" em data centers e aumenta a pegada energética global.
• Desafio de Pesquisa: A maioria das pesquisas e intervenções culturais exige recursos computacionais massivos, excluindo pesquisadores com restrições orçamentárias.
• Conexão Histórica: O artigo argumenta que humanos e IA compartilham uma história de "extrativismo" (mineração de minerais para hardware e mineração de dados para treinamento). O projeto busca explorar essa conexão através da mineração física.

2. Metodologia: O Conceito de "Scrapyard AI" e o Projeto Nudge-x

O projeto Nudge-x é uma intervenção de computação planetária que utiliza modelos de IA obsoletos (do "pátio de sucata") para analisar e interpretar o impacto da mineração industrial na paisagem terrestre.

A. Infraestrutura e Modelos (Frugalidade Computacional):

• Modelos Utilizados: Em vez de modelos fronteira caros, o projeto utiliza modelos depreciados mas capazes:
  • MLLM (Modelo de Linguagem Multimodal): Llama-4 (Maverick), escolhido por sua arquitetura eficiente (Mixture-of-Experts) e custo reduzido, apesar de ser limitado a imagens RGB.
  • LLM Avaliador: Gemini-Flash (versão anterior), usado para filtrar e avaliar a qualidade dos textos gerados.
  • LLM para RAG: DeepSeek-Chat, utilizado para gerar respostas baseadas em contexto recuperado.
• Dados de Entrada: Imagens de satélite do programa Copernicus Sentinel-2 (dados abertos, resolução de 10m/pixel), focando em coordenadas de minas globais.

B. Pipeline de Processamento (Nudge-x):
O sistema opera em duas fases principais:

1. Interpretação da Paisagem (Fase 1):

   • Pré-processamento: Como o modelo Llama-4 não aceita imagens multiespectrais diretamente, o sistema aplica operações aritméticas simples para extrair indicadores úteis das imagens multiespectrais do Sentinel-2, convertendo-as para RGB compatível.
   • Prompt Engineering: Uso de prompts de sistema e multi-shot prompts (exemplos) para instruir o MLLM a descrever a paisagem com precisão técnica, focando em danos ambientais.
   • Metadados: Coleta de dados históricos, geológicos e de controvérsias de cada mina (via Wikipedia, relatórios governamentais, etc.) para enriquecer o contexto.
   • Avaliação Humana e Automática: As imagens são verificadas por humanos. Os textos gerados são avaliados por um segundo LLM (Gemini-Flash) usando critérios rigorosos (foco ambiental, terminologia, padrões, concisão) para filtrar "alucinações" ou descrições pobres.

2. Ampliação do Conhecimento via RAG (Fase 2):

   • Retrieval-Augmented Generation (RAG): Para superar a "janela de conhecimento" limitada dos modelos antigos (ex: Llama-4 cego para eventos pós-dezembro de 2024) e a falta de capacidade de re-treinamento, o projeto utiliza RAG.
   • Funcionamento: As legendas e metadados filtrados são convertidos em vetores (usando sentence-transformers) e armazenados em um banco de dados vetorial (Qdrant).
   • Consulta: Quando um usuário ou outro modelo consulta o sistema, o RAG recupera evidências relevantes do banco de dados e as injeta no contexto de um LLM (ex: DeepSeek), permitindo que ele responda com base na realidade atual e nos dados específicos do projeto, sem re-treinamento.

3. Contribuições Chave

• Definição de "Scrapyard AI": Um novo paradigma que trata modelos depreciados não como lixo, mas como um substrato experimental de baixo custo para trabalho cultural e crítico.
• Técnica de Adaptação de Modelos: Demonstração de como contornar limitações técnicas de modelos antigos (ex: falta de suporte a multiespectrais) através de pré-processamento de dados e engenharia de prompts, alcançando resultados comparáveis a modelos mais caros para tarefas específicas.
• Avaliação em Cascata (AI Avaliando AI): Implementação de um sistema onde um modelo de linguagem mais antigo atua como crítico para filtrar a saída de um modelo multimodal, garantindo qualidade sem intervenção humana constante em escala.
• Integração de RAG para Atualização de Conhecimento: Uso de RAG para "nudgear" (impulsionar) modelos antigos com dados recentes e contextos específicos, contornando a obsolescência temporal do treinamento.
• Recurso Aberto: Disponibilização completa do código, metadados e prompts em um repositório público (GitHub), promovendo a soberania digital e a reprodutibilidade.

4. Resultados

• Interpretação de Paisagens: O sistema conseguiu gerar descrições precisas e contextualizadas de minas de superfície (ex: Thompson Mine, Canadá; minas na Austrália), identificando erosão, poluição da água e perturbação do solo.
• Eficácia do RAG: O uso de RAG permitiu que o modelo DeepSeek (que possui histórico de censura ou limitações) fornecesse respostas detalhadas e baseadas em evidências sobre o impacto ambiental da mineração na Austrália, superando suas limitações nativas de conhecimento.
• Validação de Frugalidade: O projeto provou que é possível realizar investigações planetárias complexas utilizando infraestrutura de nuvem padrão e modelos depreciados, reduzindo drasticamente o custo energético e financeiro em comparação com o uso de modelos fronteira.
• Interface Visual: Criação de uma interface interativa onde os usuários podem explorar minas globais e visualizar as interpretações geradas pela IA.

5. Significância e Implicações Futuras

• Sustentabilidade na IA: O artigo propõe uma via alternativa para a pesquisa em IA que não depende do consumo excessivo de recursos, alinhando-se com a necessidade de reduzir a pegada de carbono da computação.
• Crítica Cultural e Política: Ao forçar a IA a "olhar" para as cicatrizes da mineração (a base física da sua própria existência), o projeto cria um espaço de reflexão sobre a relação entre humanos e máquinas, desafiando a narrativa de que a IA é uma entidade separada ou superior.
• Democratização: O conceito de "Scrapyard AI" democratiza o acesso à experimentação com IA de grande escala, permitindo que artistas e pesquisadores com recursos limitados participem do discurso sobre o futuro da tecnologia.
• Futuro dos Dados: Sugere que o futuro da IA pode depender menos do treinamento de novos modelos do que da reconfiguração inteligente de modelos existentes e da integração com bancos de dados externos (RAG) para manter a relevância e a precisão.

Em suma, o artigo apresenta o Nudge-x como um manifesto prático para uma "IA frugal", demonstrando como a reutilização criativa de tecnologia descartada pode gerar novos insights sobre a crise ambiental e a história compartilhada da humanidade e da inteligência artificial.