A ciência por trás do treino de modelos grandes
Treinar um modelo de IA de fronteira consome meses de supercomputação. Quem sabe prever, antes de começar, como o desempenho evolui com mais parâmetros, mais dados ou outra arquitetura gasta menos e erra menos. É esse conhecimento metodológico que o tópico HORIZON-BRIDGING-2027-01-13 quer dar aos laboratórios europeus, no âmbito da EU Frontier AI Initiative e da Estratégia Apply AI.
Trata-se de uma Research and Innovation Action da call Bridging actions 2027, com 15 milhões de euros e uma contribuição indicativa da mesma ordem por projeto, o que aponta para um único consórcio financiado. O resultado esperado é um conjunto de ferramentas que apoie a escala de modelos de IA, validado até TRL 4 a 5. As ações anteriores da UE concentraram-se em treinar modelos; esta preenche a lacuna teórica e metodológica que as acompanha.
Necessidades que este instrumento resolve
É investigação aplicada com destinatário definido: os laboratórios de IA avançada e os centros de computação de alto desempenho que já treinam modelos de fronteira.
- I&D e ciência: leis de escala para várias modalidades e tarefas, para lá das simples leis de potência. Inclui quadros preditivos que estimem o desempenho antes do grande investimento em computação.
- Digitalização e IA: ferramentas automáticas de pesquisa de arquiteturas, otimização de misturas de dados e afinação de hiperparâmetros, transferíveis para modelos de setores estratégicos como administração pública, indústria, energia, saúde, indústrias criativas ou IA física.
Quatro áreas de investigação
O programa de trabalho lista quatro áreas possíveis, sem as tornar exaustivas:
| Área | Conteúdo |
|---|---|
| Derivação automática de leis de escala | Prever o desempenho em diferentes modalidades e tarefas, com modelos mais ricos do que as leis de potência. |
| Pesquisa exploratória de arquiteturas | Métodos automáticos para descobrir arquiteturas que mantêm o desempenho ao escalar, no treino e na inferência: esparsidade, eficiência de memória, contextos longos. |
| Otimização de misturas de dados | Seleção, ponderação e sequenciação sistemática de conjuntos de dados, incluindo avaliação automática da qualidade dos dados. |
| Hiperparâmetros e estabilidade | Treino estável a grande escala, com afinação automática de otimizadores e de calendários de taxa de aprendizagem que continuem eficazes à medida que o modelo cresce. |
Os quadros desenvolvidos têm de funcionar em arquiteturas de hardware diversas, demonstrando que a escala foi estudada em sistemas diferentes e não otimizada para hardware proprietário. A proposta deve incluir indicadores de desempenho, benchmarking e monitorização do progresso, partilhar resultados na plataforma AI-on-demand e ligar-se às AI Factories e aos Data Labs.
Um tópico que não vive sozinho
O tópico complementa o HORIZON-CL4-2027-04-DIGITAL-EMERGING-11, sobre soluções de IA de fronteira seguras e computacionalmente eficientes. A proposta tem de descrever a ligação entre as duas. Tem também de reservar tarefas para atividades de coesão com a parceria europeia ADRA (IA, dados e robótica) e com o hub central GenAI4EU. Sempre que possível, deve reutilizar resultados públicos de ações anteriores e pode criar ligações com empresas europeias que desenvolvem modelos de fronteira, numa troca pré-competitiva de conhecimento.
Lista de países restrita, com associados escolhidos
A participação está limitada a entidades estabelecidas nos Estados-Membros, Islândia, Noruega e num grupo específico de associados: Canadá, Israel, Coreia do Sul, Nova Zelândia, Reino Unido, Suíça e Japão. Países que se associem ao Horizonte Europa em 2026 ou 2027 podem ser incluídos se constarem da lista de países participantes no momento da submissão.
Prazo a 16 de fevereiro de 2027
A call HORIZON-BRIDGING-2027-01 abre a 20 de outubro de 2026 e fecha a 16 de fevereiro de 2027, às 17h00 de Bruxelas, numa única fase. A abertura pode ser antecipada ou adiada até um mês e o prazo prolongado até dois meses. A taxa de financiamento de uma RIA é de 100% dos custos elegíveis para todos os tipos de entidade.
Laboratórios de IA e centros de supercomputação
O perfil-alvo está bem definido: laboratórios de investigação em aprendizagem automática com publicações em escala de modelos, centros de computação de alto desempenho com experiência em treino distribuído e empresas que desenvolvem modelos de base. Para universidades e centros de investigação portugueses com equipas fortes em otimização, teoria da aprendizagem ou engenharia de dados, a entrada natural é como parceiro de uma das quatro áreas, com uma contribuição técnica bem delimitada.
Startups portuguesas que treinam modelos próprios ou constroem ferramentas de avaliação de qualidade de dados podem também encaixar, sobretudo na área de misturas de dados, desde que tenham estrutura acionista dentro do espaço elegível.
O que recomendamos
Com um só projeto em jogo, a competição será entre os maiores laboratórios europeus. Uma entidade portuguesa ganha relevância se trouxer uma capacidade diferenciadora: acesso a computação para validação em hardware não convencional, dados de um setor estratégico ou resultados publicados numa das quatro áreas. Convém posicionar-se cedo junto dos coordenadores prováveis, que tenderão a vir das redes ADRA e das AI Factories.
A ligação ao tópico CL4 DIGITAL-EMERGING-11 é exigida e pesa na avaliação. Recomendamos ler os dois tópicos em conjunto e, se fizer sentido, preparar participações coordenadas, com papéis complementares, em ambos.
Comentários, correções ou contrapontos são bem-vindos: [email protected]