O Lawrence Berkeley National Laboratory, referência em pesquisa científica dos Estados Unidos, passou a adotar modelos de visão computacional da Meta como parte central do Genesis Mission, iniciativa nacional lançada em 2025 para acelerar descobertas científicas com IA. O projeto SYNAPS-I, liderado por Berkeley em parceria com outros laboratórios do Departamento de Energia (DOE), utiliza os modelos open source Segment Anything Model 3 (SAM 3) e DINOv3 para automatizar a segmentação de imagens em experimentos de ponta, reduzindo o tempo de análise de semanas para minutos.
O desafio da análise em larga escala
Laboratórios como o Advanced Light Source (ALS) produzem dezenas de petabytes de dados por ano, resultado de upgrades recentes nos detectores que multiplicaram por milhares a quantidade de imagens capturadas por segundo. O gargalo não é só volume: a análise manual de imagens — especialmente a segmentação, que exige traçar contornos precisos de estruturas em experimentos — tornou-se inviável. Antes, um especialista levava até um mês para segmentar cada etapa de um experimento típico.
Como SAM 3 e DINOv3 mudam o jogo
O DINOv3, modelo auto-supervisionado, identifica padrões e estruturas em imagens sem necessidade de rótulos prévios. O SAM 3 vai além: desenha contornos exatos de objetos, tarefa crítica para diferenciar, por exemplo, vasos de xilema em plantas ou camadas em materiais avançados. Com ambos, o SYNAPS-I construiu um pipeline que entrega volumes 3D rotulados em cerca de 15 minutos, usando clusters de 300 GPUs A100 em supercomputadores nacionais. O processo ocorre enquanto o experimento roda, permitindo ao cientista interpretar dados em tempo real — algo que antes era impossível.
No caso prático apresentado, o pipeline foi usado para estudar resiliência à seca em videiras. Microtomografias de raio-X foram segmentadas automaticamente, distinguindo vasos hidratados e secos em cortes de caule. O que levaria um mês de anotação manual passou a ser feito em minutos, acelerando pesquisas agrícolas para desenvolvimento de culturas mais resistentes.
Por que open source é fundamental
Laboratórios nacionais dos EUA não podem transferir dados sensíveis para clouds externas. O caráter open source dos modelos da Meta foi decisivo: permitiu download, fine-tuning e implantação 100% on-premises, dentro das infraestruturas seguras do governo. Isso viabilizou a integração dos modelos diretamente nos fluxos científicos, respeitando exigências regulatórias e de confidencialidade.
Contexto e impacto
A adoção dos modelos da Meta no Genesis Mission marca um ponto de inflexão para o uso de IA em ciência de dados de grandes volumes. O movimento reforça a tendência de modelos abertos ganharem espaço em ambientes críticos, especialmente onde privacidade e controle total sobre o pipeline são mandatórios. Para o mercado brasileiro, a experiência sugere caminhos para laboratórios públicos e privados que lidam com volumes massivos de dados científicos, especialmente em setores como agronegócio e materiais avançados. O ciclo de análise mais curto permite decisões e descobertas em tempo compatível com a geração dos dados — e não mais semanas depois.