A rota de formatura é o mecanismo, não a tese

O 2026 BAIR Graduate Showcase lista 31 doutorados de Berkeley e, ao lado de cada nome, uma única linha que importa mais do que o título da tese: para onde vão a seguir. Lido mecanicamente, essa linha é uma tabela de roteamento. O mecanismo que transforma uma tese num sistema implantado é a rota — Physical Intelligence, OpenAI, Anthropic, Waymo, uma linha de professor na UCLA, uma startup, ou "procurando" — não o resumo. Uma tese torna-se capacidade de produção apenas quando aterra numa organização que a pode implementar e medir.

Essa é a leitura honesta do 2026 BAIR Graduate Showcase (Berkeley Artificial Intelligence Research Lab, julho de 2026). O showcase é uma celebração, e deve sê-lo. Mas para qualquer um que construa sistemas a partir de pesquisa, é também um mapa de quais mecanismos sobrevivem à viagem do laboratório à implantação, e quais ainda esperam um endereço de destino.

A linha "what's next" é o campo de roteamento

Cada entrada do showcase carrega os mesmos dois campos: um resumo de pesquisa (o endereço de origem) e uma linha "what's next" (o endereço de destino). Os resumos abrangem robótica, modelos de linguagem grandes, segurança de IA, modelagem generativa, IA para ciência e interação humano-IA. Os destinos são o sinal que sustenta tudo.

Aproximadamente um terço da turma — pelo menos dez dos 31 formandos — lista a sua próxima linha como "Looking for". São pacotes não roteados. A sua pesquisa existe, foi defendida, e ainda espera uma organização que possa implementar o mecanismo, instrumentá-lo e medir se a propriedade que afirma realmente se mantém sob carga. Os outros dois terços estão roteados: para a Physical Intelligence (Baifeng Shi, Kevin Black), OpenAI (Hanlin Zhu), Anthropic (Lisa Dunlap), Thinking Machines Lab (Long "Tony" Lian), xAI (Xiuyu Li), Waymo (Yiheng Li), Mistral AI (Josh Kang), Google DeepMind (Niklas Lauffer), Luma AI (Yichen Xie), a equipa de condução autónoma da Toyota Woven (Maulik Bhatt), Hudson River Trading's AI Labs (Yigit Efe Erginbas), Baseten (Michael Psenka), e uma co-fundação da Yumi Health (Nathan Lichtlé). Um punhado toma linhas de professor ou pós-doutorado — UCLA (J.D. Zamfirescu-Pereira), University of Chicago (Haozhi Qi), Princeton CITP (Eve Fleisig), Stanford (Kunhe Yang, Zhe Fu).

[UNIQUE INSIGHT] O campo de roteamento é o preditor. Uma tese sobre manipulação destre roteada para a Physical Intelligence tem um caminho claro para uma propriedade medida em hardware real. Uma tese sobre o mesmo tema sem destino tem as mesmas ideias e nenhum ciclo de medição. A rota é o que fecha o ciclo. É por isso que o enquadramento the-space-is-the-router lê o showcase como uma topologia, não como uma transcrição: a rede à qual um formando se junta determina quais dos seus mecanismos alguma vez são implementados e medidos.

Por que o destino, não o título, prevê a implantação

Um título de tese diz o que foi estudado. O destino diz se o mecanismo dentro desse estudo alguma vez será exercitado contra a realidade. A lacuna entre os dois é todo o problema de transformar pesquisa em capacidade.

Considere o cluster de robótica. Baifeng Shi constrói modelos de visão e robótica generalistas, roteado para a Physical Intelligence. Kevin Black trabalha em aprendizagem de robótica em larga escala — imitação, reforço, modelagem generativa, controle em tempo real — também roteado para a Physical Intelligence. Haozhi Qi trabalha em manipulação destre e aprendizagem de robótica, roteado para a Amazon e uma linha de professor na University of Chicago. Qiyang Li estuda como otimizar políticas de action-chunking com aprendizagem por reforço usando dados prévios, e está à procura de um pós-doutorado ou posição de investigador em RL para robótica e LLMs. Os três primeiros têm um destino que pode pôr o mecanismo em hardware e medi-lo. O quarto tem a mesma classe de mecanismo e ainda procura o ciclo.

O mesmo padrão se repete no cluster de segurança. Niklas Lauffer trabalha em segurança de IA e aprendizagem por reforço em cenários multi-agente e de LM agents, roteado para o Google DeepMind. Sampada Deglurkar trabalha em garantias de segurança para sistemas autónomos — quantificação de incerteza, tomada de decisão sob incerteza, garantias probabilísticas — e está à procura de uma posição de investigador ou engenheiro de pesquisa. Ambos estudam mecanismos de segurança. Um aterra numa organização que pode implementar e medir aprendizagem adversarial em escala; o outro espera o endereço.

Isto não é um juízo sobre os formandos. É uma afirmação sobre a completude do mecanismo. O Teorema 3 da nossa própria série de 21 papers afirma que uma propriedade é garantida exatamente quando o seu mecanismo está implementado e a medir. Uma tese propõe um mecanismo. O destino é o que o implementa e mede. Sem o destino, a propriedade fica hipotética — correta no papel, sem garantia no mundo.

As quatro rotas, e o que cada uma mede

Leia o campo de destino como quatro rotas distintas, cada uma com uma superfície de medição diferente.

Rota 1 — Laboratórios fronteiriços (Physical Intelligence, OpenAI, Anthropic, xAI, Thinking Machines Lab, Mistral)

Estas organizações executam o mecanismo contra computação em escala de fronteira e tráfego real de utilizadores. O trabalho de Hanlin Zhu sobre raciocínio em LLMs, roteado para a OpenAI, é exercitado contra a carga e as condições adversariais que um laboratório de fronteira produz. O trabalho de Lisa Dunlap sobre auditoria de modelos generativos, roteado para a Anthropic, aterra num laboratório cujo negócio depende de a auditoria ser honesta. A superfície de medição é escala mais exposição adversarial.

Rota 2 — Autonomia aplicada (Waymo, Toyota Woven, Luma AI, Hudson River Trading)

Estas organizações executam o mecanismo contra um ambiente físico ou de mercado que não perdoa. O vision world modeling de Yiheng Li, roteado para a Waymo, encontra um caso de segurança que se mede em milhas sem colisão, não em precisão de benchmark. O trabalho de Yigit Efe Erginbas sobre aprendizagem online em mercados de larga escala e interpretabilidade, roteado para a Hudson River Trading's AI Labs, encontra uma demonstração de lucros e perdas que se liquida todos os dias. A superfície de medição é uma verdade fundamental externa e dura.

Rota 3 — Professor e pós-doutorado (UCLA, UChicago, Princeton, Stanford)

Estas rotas mantêm o mecanismo num ciclo de medição, mas o ciclo é académico: revisão por pares, estudantes, estudos longitudinais. O trabalho de J.D. Zamfirescu-Pereira sobre co-design humano-IA e os limites das interfaces de linguagem, roteado para uma professoria assistente na UCLA, obtém um horizonte longo e uma coorte de doutorandos própria. O trabalho de Eve Fleisig sobre LLMs que funcionam de forma fiável e justa para populações amplas de utilizadores, roteado para um pós-doutorado no Princeton CITP, mantém o ciclo de avaliação a correr sobre a questão de equidade ao nível da população. A superfície de medição é mais lenta, mais profunda e menos tolerante com atalhos.

Rota 4 — Fundar e "procurando"

Nathan Lichtlé co-funda a Yumi Health. Jiachen Lian procura talento de IA para se juntar a uma startup. Dez mais estão à procura de uma posição. Esta rota é onde o mecanismo ou encontra um ciclo de medição soberano do cliente, ou não. Uma startup tem a superfície de medição mais limpa possível — receitas, retenção e um cliente que pode ir embora — e o maior risco de nunca a alcançar. A rota "procurando" é o pacote não roteado: o mecanismo é real, o endereço está aberto.

O mecanismo que cada cluster transporta, e para onde roteia

[ORIGINAL DATA] Agrupe os 31 resumos por família de mecanismo e a assimetria de roteamento torna-se visível. O cluster de robótica e inteligência encarnada é o maior e o mais completamente roteado: quase todos os formandos em robótica têm um destino nomeado, porque os mecanismos de robótica requerem hardware para serem medidos e os laboratórios industriais que detêm o hardware contrataram-nos. O cluster de LLMs e raciocínio está igualmente bem roteado, para laboratórios fronteiriços. O cluster de segurança de IA divide-se — um para o DeepMind, um "procurando" — porque os mecanismos de segurança são mais difíceis de instrumentar dentro de uma única entidade comercial. O cluster de IA para a ciência (Junhao Xiong sobre modelagem generativa de proteínas, Nikita Mehandru sobre raciocínio clínico a partir de registos de saúde eletrónicos) está quase inteiramente "procurando", porque o ciclo de medição para um mecanismo clínico ou biológico vive dentro de um hospital ou de um laboratório húmido que não contrata como um laboratório de fronteira.

O padrão é consistente: quanto mais próxima a superfície de medição de um mecanismo está da instrumentação existente de um laboratório de fronteira, mais completamente roteia. Quanto mais longe a superfície de medição (uma clínica, um laboratório húmido, uma economia multi-agente), mais formandos ficam não roteados. A tese não ficou mais fraca. O destino ficou mais difícil de encontrar.

O que isto significa para quem contrata a partir de um showcase

Se está a contratar a partir de um graduate showcase, leia o campo de destino como um sinal de aquisição, não como um ranking de prestígio. Um formando cujo mecanismo corresponde a uma superfície de medição que já possui é a contratação de maior alavancagem que pode fazer — está a fornecer o ciclo que completa o mecanismo dele. Um formando cujo mecanismo não consegue instrumentar é uma contratação que lhe custará a avaliar, por mais forte que seja a tese.

Esta é a mesma lógica que aplicamos à nossa própria engenharia. O HAI Engine corre em produção desde 2016 (Production ✅), não porque a ideia fosse nova, mas porque o motor tem um ciclo contínuo de medição — redes reais, comunidades reais, salas reais, previsões reais. As Sisters propõem futuros e o Oracle funde-os num conjunto calibrado (Production ✅) porque a calibração é medida contra resultados que se liquidam. O World Monitor (Production ✅) roteia sinais geográficos ao vivo através de uma cache em Postgres e um canal de difusão por tile porque a superfície de medição são viewports reais de clientes, não uma demo. Os módulos que são Partial ⚠️ — Matchmaking, Marketplace, Calendar — são parciais precisamente porque os seus ciclos de medição ainda estão a fechar. Os módulos que são Roadmap 🔵 — Wallet & Token, Super App, Community Credit — são roadmap porque o ciclo de medição (e, para mecanismos de token, a revisão Howey) ainda não existe. Não promovemos um estado afirmando-o. A rota determina o estado.

[PERSONAL EXPERIENCE] O motor corre em produção desde 2016, e o preditor mais fiável de se uma capacidade foi publicada nunca foi a elegância do design — foi se existia um destino que a pudesse medir. As capacidades que foram publicadas tinham uma rota. As capacidades que ficaram no quadro branco tinham uma tese e nenhum endereço.

The space is the router

Em Everythink, the space is the router: uma rede contém comunidades, uma comunidade contém salas, e a topologia network→community→room roteia um pedido antes de algo responder. O showcase da BAIR tem a mesma forma, a uma escala diferente. A pesquisa é o pedido. O destino é a rota. A organização é a sala que responde.

É por isso que um graduate showcase, lido mecanicamente, é mais útil do que um resumo de paper. O resumo diz o que foi afirmado. O destino diz se a afirmação alguma vez será medida. E o Teorema 3 não perdoa quanto a isto: uma propriedade é garantida exatamente quando o seu mecanismo está implementado e a medir. Um mecanismo sem destino é uma propriedade sem garantia — não porque esteja errada, mas porque o mundo ainda não teve permissão para a confirmar.

Pontos-chave

• O 2026 BAIR Graduate Showcase é uma tabela de roteamento: a linha "what's next", não o título da tese, prevê quais mecanismos chegam à produção.
• Aproximadamente um terço dos 31 formandos está "procurando" — pacotes não roteados cujos mecanismos são reais mas não medidos.
• Os clusters de robótica e LLM roteiam mais completamente porque os laboratórios fronteiriços detêm as superfícies de medição; os clusters de IA para a ciência e de segurança roteiam menos porque as suas superfícies vivem em clínicas, laboratórios húmidos e economias multi-agente.
• O Teorema 3 mantém-se: uma propriedade é garantida exatamente quando o seu mecanismo está implementado e a medir. O destino é o que implementa e mede.
• Contratar a partir de um showcase é aquisição, não prestígio: corresponda o mecanismo a uma superfície de medição que já possui.

Perguntas frequentes

O que é o BAIR Graduate Showcase? É um post anual do Berkeley Artificial Intelligence Research Lab que lista os formandos de doutorado do ano, cada um com um resumo de pesquisa e uma linha "what's next". O showcase de 2026 lista 31 formandos.

Por que o destino importa mais do que o título da tese? Uma tese propõe um mecanismo. O destino — um laboratório de fronteira, uma empresa de autonomia aplicada, uma linha de professor, uma startup — é o que implementa e mede esse mecanismo. Sem o destino, a propriedade que a tese afirma fica hipotética.

O que significa "looking for" no showcase? Significa que a próxima posição do formando ainda não está determinada. Lido mecanicamente, é um pacote não roteado: a pesquisa existe, o ciclo de medição que a completaria ainda não tem um endereço.

Como é que isto se liga ao Everythink? A nossa topologia — network→community→room — roteia antes de algo responder, e os nossos estados de capacidade (Production ✅ / Partial ⚠️ / Roadmap 🔵) são fixados por se existe um ciclo de medição, não por aspiração. O showcase é a mesma lógica ao nível da carreira: a rota determina quais mecanismos são medidos.

Deveria um gestor de contratação ler o showcase assim? Sim. Leia o campo de destino como um sinal de aquisição. Um formando cujo mecanismo corresponde a uma superfície de medição que já possui é a contratação de maior alavancagem, porque fornece o ciclo que completa o trabalho dele.

Se está a construir uma rede onde o roteamento é o produto, o mesmo princípio se aplica: a topologia decide quais mecanismos são medidos. Create your network, e seja dono da rota.

Sources

• 2026 — Berkeley Artificial Intelligence Research (BAIR) Lab, "2026 BAIR Graduate Showcase" — https://bair.berkeley.edu/blog/2026/07/01/grads-2026/