Um Centro para a Evolução – Versatilidade da Inteligência Artificial em Exibição com Conquistas Recentes

Inovações em inteligência artificial influenciam empresas de muitos setores, incluindo saúde, manufatura, finanças, educação, mídia, atendimento e transporte. O grau de adoção e os resultados variam entre organizações.

De acordo com uma pesquisa da IBM de 2023, 42% das grandes empresas pesquisadas já utilizavam IA ativamente, enquanto cerca de 40% a exploravam. A amostra não representa automaticamente todas as empresas do mundo.

Isso faz sentido, dado que a IA tem o potencial de transformar a produtividade e, por sua vez, o potencial de PIB de uma economia.

Em uma projeção da PwC para 2030, a IA poderá contribuir com US$ 15,7 trilhões para a economia global até 2030 em relação ao cenário de referência. A estimativa atribuía cerca de US$6,6 trilhões à produtividade e parte importante dos demais ganhos a melhorias de produtos e demanda. São resultados de modelagem, não crescimento já observado ou garantido.

A IA está se tornando rapidamente uma fonte chave de disrupção e vantagem competitiva, atuando como um hub central para avançar quase todas as indústrias. Esse enorme potencial e versatilidade da IA podem ser vistos nos avanços recentes realizados com a ajuda desta tecnologia. 

Prevendo Propriedades Térmicas

Uma aplicação interessante da IA é prever as propriedades térmicas dos materiais. Isso pode ajudar engenheiros a projetar dispositivos microeletrônicos mais rápidos e sistemas de conversão de energia mais eficientes, reduzindo o calor residual.

Entender a relação entre estrutura e propriedade é importante ao projetar materiais com propriedades específicas. Já foram feitos progressos significativos nos métodos de aprendizado de máquina nesse sentido. No entanto, ainda há desafios quanto à generalização dos modelos e à predição das propriedades.

Assim, a pesquisa mais recente apresentou uma rede neural gráfica de nó virtual (VGNN) para enfrentar esses problemas. O modelo utiliza coordenadas atômicas para estimar espectros de fônons no ponto Γ e relações de dispersão. A equipe também o combinou com potenciais interatômicos de aprendizado de máquina. Os ganhos dependem do método, do material e do conjunto de comparação.

A capacidade de calcular rapidamente e com precisão as estruturas de bandas de fônons é crítica porque estima-se que 70% da energia produzida mundialmente acaba como calor residual. Se os cientistas puderem prever como o calor se move através de isolantes e semicondutores, sistemas de geração de energia mais eficientes podem ser projetados. 

O problema com tudo isso é que as propriedades térmicas dos materiais podem ser muito difíceis de modelar. Isso se deve à dificuldade de representar os fônons, quanta das vibrações coletivas de uma rede cristalina.

Fônons são quasepartículas associadas a essas vibrações, não partículas subatômicas elementares. Sua relação de dispersão liga frequência ou energia ao vetor de onda e contribui para descrever o transporte de calor. Calculá-la com precisão pode exigir muitos recursos.

De acordo com o autor sênior Mingda Li, professor associado de ciência e engenharia nuclear:

“Os fônons são os culpados pela perda térmica, porém obter suas propriedades é notoriamente desafiador, seja computacionalmente ou experimentalmente.”

As diferentes frequências, velocidades e interações dos modos vibracionais dificultam a previsão do transporte térmico.

Pesquisadores têm tentado estimar as relações de dispersão dos fônons através de ML há anos, mas os modelos ficam presos porque envolvem muitos cálculos de alta precisão. 

“Se você tem 100 CPUs e algumas semanas, provavelmente poderia calcular a relação de dispersão dos fônons para um material. Toda a comunidade realmente quer uma maneira mais eficiente de fazer isso.”

– Coautor Ryotaro Okabe, estudante de pós‑graduação em química

Os modelos de ML usados para fazer cálculos de alta precisão para estimar relações de dispersão dos fônons são chamados de redes neurais gráficas (GNN). Essas redes convertem a estrutura atômica de um material em um grafo cristalino.

O grafo cristalino contém nós que representam átomos e arestas que descrevem suas relações ou vizinhanças, não necessariamente apenas ligações químicas isoladas.

GNNs já são utilizadas para prever várias propriedades de materiais. O desafio abordado era representar saídas de alta dimensão e tamanho variável, como a dispersão de fônons.

Uma representação fixa pode limitar a previsão de uma relação de dispersão completa. Isso exige uma saída mais flexível, que a equipe introduziu por meio de nós virtuais.

Embora os nós do grafo sejam usados para representar átomos, a equipe revisou a ideia e chegou a que “nós de grafo podem ser qualquer coisa. E nós virtuais são uma abordagem muito genérica que pode ser usada para prever muitas quantidades de alta dimensão”.

Ao adicionar nós virtuais flexíveis à estrutura cristalina fixa, a equipe criou uma nova estrutura chamada rede neural gráfica de nó virtual (VGNN). Ao permitir que a saída da VGNN varie em tamanho, ela não fica restrita pela estrutura cristalina fixa.

Os nós virtuais recebem mensagens dos nós reais sem enviar mensagens de volta. Isso preserva o fluxo da representação atômica, mas não significa que a precisão total do modelo esteja automaticamente garantida.

Como explicou o coautor Abhijatmedhi Chotrattanapituk, estudante de pós‑graduação em engenharia elétrica e ciência da computação, os nós reais não têm ideia de que os nós virtuais estão presentes. Ele disse:

“A forma como fazemos isso é muito eficiente em codificação. Você simplesmente gera alguns nós a mais na sua GNN.”

Ao fazer com que os nós virtuais representem fônons, o modelo VGNN não precisa executar muitos cálculos complexos ao prever a relação de dispersão dos fônons, tornando-o mais eficiente que a GNN.

A estrutura VGNN, não “AML”, apresentou acelerações de até um milhão de vezes em relação a cálculos tradicionais e de até mil vezes diante de determinados métodos de IA, conforme as comparações relatadas. Esses valores não se aplicam universalmente a qualquer material ou tarefa.

Na previsão da capacidade térmica, foram relatados erros menores em comparações específicas, chegando a duas ordens de grandeza em alguns casos. Isso não estabelece a mesma melhoria para todas as propriedades.

Segundo a equipe, certas previsões para milhares de materiais podem ser feitas em segundos num computador pessoal após o treinamento. Esse tempo não inclui necessariamente preparação dos dados, treinamento e todas as verificações necessárias. Ele pode até ser usado para calcular relações de dispersão dos fônons em sistemas de ligas, o que é particularmente desafiador para modelos tradicionais.

Na microeletrônica, onde gerenciar o calor é um grande desafio para torná‑los mais rápidos, o novo método pode ser extremamente benéfico e ajudar a desenvolver microeletrônicos mais eficientes. Além disso, o método pode auxiliar no projeto de sistemas de geração de energia que produzam mais potência e maior eficiência. 

Os pesquisadores propõem três versões do novo modelo, cada uma capaz de estimar fônons diretamente a partir das coordenadas atômicas do material, mas com complexidade crescente.

As empresas abaixo atuam em áreas nas quais avanços em modelagem térmica poderiam ser relevantes. Não foi demonstrado que adotaram este estudo ou que receberiam benefícios financeiros dele.

#1. Intel

Como fabricante líder de microprocessadores, o gerenciamento de calor é crucial para a Intel (INTC ). Modelos de IA aprimorados podem ajudar a projetar processadores mais rápidos e eficientes com melhor dissipação de calor, aumentando o desempenho e a vida útil dos produtos e tornando a Intel mais competitiva.

#2. NVIDIA

O gerenciamento térmico eficiente é essencial para as GPUs de alto desempenho da NVIDIA (NVDA ) usadas em data centers, jogos e aplicações de IA. Modelos de IA aprimorados podem levar a soluções de resfriamento melhores, melhorando o desempenho e a confiabilidade dos produtos. Isso abre caminho para projetar sistemas de IA energeticamente eficientes, fortalecendo a posição de mercado da NVIDIA.

Garantindo Paridade

Outro estudo examinou como a aleatoriedade estruturada pode melhorar a equidade em certas decisões de alocação de recursos escassos. Há condições, escolhas normativas e possíveis compensações; não é uma garantia geral de justiça sem custo.

No último ano, a popularidade da IA generativa como o ChatGPT tornou a tecnologia parte integrante dos negócios. As organizações têm recorrido cada vez mais a modelos de ML para alocar seus recursos escassos, como benefícios sociais. Esse uso pode variar desde triagem de currículos até seleção de candidatos para entrevistas de emprego, passando por provedores de saúde classificando pacientes para o suprimento limitado de recursos médicos que salvam vidas, como ventiladores ou órgãos, com base em sua taxa de sobrevivência.

Ao usar modelos de IA, busca‑se alcançar previsões justas reduzindo vieses. Isso costuma ser conseguido com técnicas como calibrar as pontuações geradas ou ajustar as características do modelo para tomar decisões. 

Pesquisadores da Northeastern e do MIT argumentaram que alguma aleatoriedade pode ser apropriada quando previsões são incertas ou decisões repetidas excluem sistematicamente pessoas. Isso não exige aleatorizar toda decisão nem demonstra que todo algoritmo determinístico seja injusto.

Os pesquisadores apresentaram uma estrutura para introduzir randomização específica nas decisões do modelo. O método pode ser adaptado a situações específicas. A precisão, a utilidade e a equidade precisam ser avaliadas em conjunto, sem presumir ausência de qualquer perda.

“Mesmo que você possa fazer previsões justas, deveria estar decidindo essas alocações sociais de recursos escassos ou oportunidades estritamente com base em pontuações ou classificações? À medida que as coisas escalam e vemos mais e mais oportunidades sendo decididas por esses algoritmos, as incertezas inerentes nessas pontuações podem ser amplificadas. Demonstramos que a justiça pode exigir algum tipo de randomização.”

– O autor principal, Shomik Jain, estudante de pós‑graduação em IDSS

Esta nova pesquisa está baseada em um artigo anterior, que explorou os danos de usar sistemas determinísticos em escala e constatou que o uso de modelos de ML para alocação determinística de recursos amplifica desigualdades existentes e reforça vieses. Segundo o autor sênior Ashia Wilson, investigadora principal no LIDS:

“A randomização é um conceito muito útil em estatística e, para nossa satisfação, atende às demandas de justiça tanto do ponto de vista sistêmico quanto individual.”

Explorando quando a randomização pode melhorar a justiça, o artigo mais recente adotou o conceito de valor das loterias de John Broome para argumentar a necessidade de randomização em contextos de recursos escassos, a fim de honrar todas as reivindicações dando a cada pessoa uma chance. Jain disse:

“Quando você reconhece que as pessoas têm diferentes reivindicações a esses recursos escassos, a justiça exigirá que respeitemos todas as reivindicações dos indivíduos. Se sempre dermos o recurso a alguém com uma reivindicação mais forte, isso é justo?”

Uma alocação determinística em que uma reivindicação mais forte sempre recebe o recurso pode causar exclusão sistêmica ou levar a injustiças acumulativas. Modelos de aprendizado de máquina também podem cometer erros, que são repetidos ao usar uma abordagem determinística.

O artigo observou que a randomização pode ajudar a superar esses problemas. Contudo, nem todas as decisões devem ser randomizadas igualmente. Uma decisão menos certa deve ter mais randomização.

Como exemplo conceitual, estimativas de sobrevivência usadas na alocação de rins podem ser incertas. Pequenas diferenças previstas entre pacientes podem não justificar uma classificação totalmente rígida; isso não constitui uma nova regra clínica de transplantes.

“Queremos aproveitar esse nível de incerteza para adaptar a randomização.”

Para determinar o grau de randomização necessário em diferentes condições, os pesquisadores usaram métodos de quantificação de incerteza estatística para mostrar que a randomização calibrada pode produzir resultados mais justos sem afetar significativamente a eficácia ou utilidade do modelo.

“Existe um equilíbrio a ser alcançado entre a utilidade geral e o respeito aos direitos dos indivíduos que recebem um recurso escasso, mas frequentemente o trade‑off é relativamente pequeno.”

– Wilson

Embora a randomização possa ser realmente benéfica para melhorar a justiça em áreas como admissões universitárias, a pesquisa também observou situações como justiça criminal, onde randomizar decisões poderia realmente prejudicar indivíduos em vez de melhorar a justiça. 

Os pesquisadores pretendiam examinar outros usos e efeitos sobre preços, competição e robustez. As empresas abaixo são exemplos hipotéticos de áreas de aplicação, não participantes confirmadas do estudo.

#1. UnitedHealth Group 

A UnitedHealth (UNH ) Group Inc. atua em decisões de saúde nas quais métodos de equidade poderiam ser estudados. Qualquer aplicação precisaria de avaliação clínica, ética e regulatória. O estudo não prova adoção pela empresa nem garante acesso equitativo.

No segundo trimestre de 2024, a UnitedHealth registrou receita de aproximadamente US$98,9 bilhões, cerca de US$6 bilhões acima do mesmo período do ano anterior.

#2. Pfizer 

A Pfizer Inc. (PFE ) atua em ensaios clínicos nos quais a seleção de participantes requer critérios científicos e éticos. A aleatoriedade estruturada poderia ser investigada em contextos apropriados, mas o artigo não demonstra que a Pfizer use este método nem que ele garanta equidade.

A Pfizer registrou receita anual de aproximadamente US$58,5 bilhões em 2023.

Sistemas Personalizados de Aprendizagem de Línguas

Outra pesquisa investigou a geração de livros personalizados para apoiar o aprendizado de línguas por crianças. A proposta combina IA generativa e sensores domésticos, mas a avaliação inicial não estabelece eficácia clínica ampla.

O desenvolvimento linguístico em crianças é de enorme importância, pois impacta seu crescimento cognitivo e acadêmico. Dado o papel que desempenha no desenvolvimento social geral das crianças, o progresso linguístico deve ser avaliado regularmente para que intervenções linguísticas oportunas possam ser fornecidas. 

Tradicionalmente, utiliza‑se uma abordagem única para todos por meio de listas de vocabulário padronizadas e materiais pré‑fabricados para avaliações e intervenções de habilidades linguísticas. Isso ocorre apesar de que as crianças aprendem a língua interagindo com seus ambientes, e como crescem em ambientes diversos, isso leva a variações na exposição ao vocabulário.

Para superar as deficiências dessa abordagem convencional, uma equipe de pesquisadores desenvolveu um sistema educacional inovador que é adaptado ao ambiente único de cada criança. 

Este sistema personalizado de aprendizado de línguas chama‑se “Open Sesame? Open Salami! (OSOS)“. Ele combina teoria de patologia da fala com expertise prática e acomoda variações no desenvolvimento linguístico das crianças por meio de ponderação individualizada de fatores e critérios flexíveis de seleção de vocabulário. 

Alimentado por IA generativa e sensoriamento onipresente, o OSOS perfila o ambiente linguístico da criança, extrai palavras prioritárias personalizadas e cria livros de histórias personalizados que naturalmente incluem essas palavras. Ele compreende três módulos principais:

1. Perfil de Linguagem Personalizado
2. Extrator de Vocabulário Alvo
3. Gerador de Auxílio de Intervenção Personalizada

O sistema propõe coletar amostras de fala em casa por dispositivos conectados, com controle dos pais sobre o início e o fim da gravação. Privacidade, consentimento, segurança e retenção dos dados exigem atenção.

Para esse fim, dispositivos IoT domésticos foram utilizados para capturar e monitorar o ambiente diário e a exposição linguística das crianças. O vocabulário das crianças foi então examinado usando separação de falantes, que identifica e isola diferentes falantes, e técnicas de análise morfológica para avaliar as menores unidades semânticas da linguagem.

O Extrator analisa as falas e extrai uma lista priorizada selecionável de palavras recomendáveis para a criança. Cada palavra é analisada calculando pontuações baseadas em fatores cruciais relacionados à patologia da fala.

O Gerador, por sua vez, fornece intervenção na forma de livros de histórias, prática clínica comum e parte da rotina natural da maioria das crianças. Para criar materiais personalizados, a equipe utilizou tecnologias avançadas de IA generativa, incluindo GPT‑4 e Stable Diffusion. Essas soluções permitiram produzir livros sob medida que integram perfeitamente o vocabulário alvo de cada criança. 

O sistema foi avaliado com nove famílias durante quatro semanas. Os resultados iniciais sugeriram viabilidade e aprendizado de vocabulário-alvo, mas a amostra pequena e o período curto não demonstram eficácia clínica duradoura ou generalização a todas as crianças.

“Nosso objetivo é aproveitar a IA para criar guias personalizados adaptados aos diferentes níveis e necessidades dos indivíduos.”

– Autor principal Jungeun Lee da POSTECH

As empresas abaixo são exemplos de possíveis contextos tecnológicos. Não há demonstração de que tenham adotado o OSOS.

#1. Amazon

A Amazon (AMZN ) possui dispositivos e serviços conectados que poderiam servir a pesquisas desse tipo. Isso não significa que a Alexa já avalie clinicamente o desenvolvimento linguístico infantil ou que uma aplicação assim esteja validada.

Em 2023, a receita total da Amazon aumentou 12%, para aproximadamente US$575 bilhões. São dados históricos.

A receita da América do Norte foi de aproximadamente US$353 bilhões, a internacional de US$131 bilhões e a da AWS de US$91 bilhões. O lucro operacional aumentou de US$12,2 bilhões em 2022 para US$36,9 bilhões em 2023. O fluxo de caixa livre passou de aproximadamente -US$11,6 bilhões para US$36,8 bilhões.

#2. Alphabet Inc. (Google)

Dispositivos e recursos de IA do Google poderiam ser utilizados em pesquisas de aprendizagem personalizada. O estudo não demonstra implementação no Google Home ou Nest nem eficácia clínica dessas aplicações.

Em 2023, a Alphabet Inc. (GOOG ) registrou receita de aproximadamente US$307,4 bilhões, ante US$282,8 bilhões em 2022. Google Services gerou cerca de US$272,5 bilhões e Google Cloud US$33,1 bilhões. O lucro operacional total foi de US$84,3 bilhões. O Cloud passou de prejuízo operacional de US$1,9 bilhão para lucro de US$1,7 bilhão. Os ativos totais chegaram a US$402,4 bilhões; US$110,9 bilhões correspondiam a caixa, equivalentes e títulos negociáveis, não apenas dinheiro em caixa.

Conclusão

Como vimos com essas conquistas recentes, a IA tem casos de uso diversos, desde ajudar crianças no desenvolvimento linguístico até projetar sistemas de conversão de energia mais eficientes e dispositivos microeletrônicos de alto desempenho. Isso demonstra o quão poderosa é a versatilidade da IA. 

A IA pode ajudar a analisar dados e apoiar tarefas de pesquisa e operação. Os resultados dependem da qualidade dos dados, do treinamento, da validação e do contexto de uso. Os estudos apresentados mostram possibilidades concretas, sem garantir redução de custos, justiça ou benefícios clínicos em qualquer aplicação.

Clique aqui para aprender tudo sobre investir em inteligência artificial.