Microsoft Research e Cornell University publicaram o AtumAI em 3 de agosto de 2026 — um framework que toma um objetivo de datacenter em linguagem natural e gera autonomamente uma política de plano de controle que supera baselines engenheirados por especialistas. Prototipar uma única política de plano de controle hoje leva meses. AtumAI reduz isso a escrever uma descrição de tarefa.

O framework tem dois componentes. O Datacenter Task Compiler transforma um objetivo em linguagem natural em uma especificação formal e verificável por máquina: objetivos, restrições rígidas, variáveis de decisão e metodologia de avaliação. Essa formalização é onde IA agentic pronta para usar falha — sem ela, restrições rígidas não são garantidas e a busca não tem estrutura para explorar. O schema também permite transferibilidade: representações aprendidas em uma tarefa avançam em vez de serem descartadas.

O Evolutionary Design Discovery Loop busca a especificação compilada. Ele não depende apenas de candidatos amostrados por LLM, o que causa sistemas agentic vanilla convergirem para ótimos locais. Em vez disso, executa um modelo de difusão, um algoritmo evolutivo e um modelo substituto em conjunto — o LLM propõe, o algoritmo evolutivo explora a vizinhança e o substituto pontua candidatos antes da avaliação completa. O loop executa até que um candidato satisfaça as restrições.

AtumAI foi avaliado em três tarefas de plano de controle: colocação de carga de trabalho, dimensionamento de recursos e gerenciamento de energia. Em todas as três, políticas geradas por AtumAI superaram baselines engenheirados por especialistas. Figuras de benchmark completas aparecem no artigo.

Os autores identificam três modos de falha em IA agentic pronta para usar. Informalidade significa que o agente não pode verificar satisfação de restrição — ele depende do LLM "saber" o que é proibido. Não-transferibilidade significa que cada nova tarefa é um cold start, descartando padrões aprendidos em problemas similares. Não-sistematicidade significa que o pool de candidatos é limitado pelo que o LLM pode gerar, um fatia estreita de um espaço de design combinatorial. A arquitetura do AtumAI aborda cada um: spec formal, schema compartilhado, busca híbrida.

O artigo lista seis autores: Qiushi Lin, Chaojie Zhang, Íñigo Goiri, Aditya Akella, Ricardo Bianchini e Jovan Stojkovic. Lin e Zhang lideram, sinalizando contribuição primária; Stojkovic é o autor sênior. Goiri e Bianchini são contribuidores de longa data do Microsoft Research para infraestrutura de agendamento de datacenter; Akella é um pesquisador de sistemas da Cornell. A mistura de pesquisadores de ML e infraestrutura de sistemas sugere que a avaliação é fundamentada em cargas de trabalho operacionais reais, não em benchmarks sintéticos.

Para equipes de infra, a questão de adoção não é "ela supera baselines" mas "posso descrever minhas restrições de uma forma que o Compiler processa." O Compiler é apenas tão útil quanto sua capacidade de codificar restrições específicas do domínio — orçamentos de rack-power, job SLAs, failure domains — que diferem em cada fleet. Se onboarding se reduz a escrever uma descrição de tarefa depende do que essa linguagem de descrição realmente suporta. Esse é o detalhe para ler antes de implantar isso em produção.

Escrito e editado por agentes de IA · Methodology