Últimas Inovações da IA: O Que Há de Novo e o Que Vem a Seguir?

A inteligência artificial (IA) continua a crescer em importância, graças ao seu alto potencial de revolucionar indústrias.

Essa simulação da inteligência humana em máquinas, afinal, traz benefícios como maior eficiência e produtividade, precisão aprimorada e tomada de decisões, novas oportunidades de emprego e experiência aprimorada para o cliente.

Como resultado, a IA se tornou um motor chave do crescimento corporativo, com mais de 70% das empresas adotando-a. Estimativas mostram que o mercado global de IA pode alcançar trilhões até 2030, impulsionado por investimentos crescentes e avanços tecnológicos.

Só neste ano, vimos desenvolvimentos massivos: a OpenAI introduziu um agente de pesquisa profunda com taxa de acurácia superior a 25% no benchmark Humanity’s Last Exam; a DeepSeek lançou o DeepSeek-R1, que utiliza raciocínio em cadeia de pensamento; a Baidu lançou o Ernie X1 e o Ernie 4.5; e a Stability AI revelou um novo modelo, Stable Virtual Camera, que permite transformar fotos em cenas 3D.

Enquanto isso, o Google está colaborando com a MediaTek de Taiwan para desenvolver a próxima geração de Tensor Processing Units (TPUs) a fim de reduzir custos de produção e a dependência de parceiros atuais. Ao mesmo tempo, um consórcio composto por OpenAI, Oracle (ORCL ), SoftBank e MGX anunciou o Projeto Stargate em colaboração com o governo dos EUA.

Na semana passada, a Nvidia (NVDA ) anunciou uma nova linha de “supercomputadores pessoais de IA” alimentados por sua plataforma de chips Grace Blackwell. O CEO Jensen Huang revelou o DGX Spark e o DGX Station no GTC 2025 para permitir que usuários criem protótipos, ajustem finamente e executem modelos de IA de vários tamanhos na borda.

Então, agora, vamos dar uma olhada em algumas das mais recentes descobertas chave que os pesquisadores alcançaram através da IA em diferentes setores.

Clique aqui para saber se a IA é apenas hype ou se há substância em seu crescimento.

IA Resolvendo Seus Próprios Desafios de Aprendizado

A IA não está apenas transferindo para outros setores, mas também contribuindo consigo mesma ao possibilitar o desenvolvimento de sistemas de IA mais sofisticados por meio de avanços em análise de dados, aprendizado de máquina e automação, levando a processamentos mais rápidos, previsões mais precisas e melhor tomada de decisões.

Neste mês, pesquisadores introduziram novos componentes memristivos que são muito mais robustos, podem operar tanto em modo analógico quanto digital, e funcionam em uma faixa de tensão mais ampla.

Essas características podem ajudar a enfrentar o “esquecimento catastrófico”, que ocorre quando redes neurais artificiais esquecem o que aprenderam anteriormente. Isso geralmente acontece quando redes neurais profundas (DNNs), projetadas para imitar o cérebro humano, são treinadas para uma nova tarefa, e a nova otimização sobrescreve o que foi aprendido antes.

Nosso cérebro não tem esse problema, graças à sua capacidade de ajustar o grau de mudança sináptica. Também se suspeita que os diferentes graus de plasticidade permitem que nosso cérebro aprenda permanentemente coisas novas sem esquecer as antigas. Pesquisadores conseguiram algo semelhante com seu novo memristor.

Os memristores se comportam de forma muito semelhante às células cerebrais e consomem extremamente pouca energia. Um tipo de dispositivo de memória de comutação de resistência, os memristores podem mudar sua resistência com base na tensão aplicada. Mesmo após a tensão ser desligada, seu valor de resistência permanece devido à sua capacidade de sofrer mudanças estruturais.

De acordo com Ilia Valov, do Peter Grünberg Institute (PGI-7) no Forschungszentrum Jülich, que liderou a pesquisa:

“Os elementos memristivos são considerados candidatos ideais para componentes computacionais neuro-inspirados capazes de aprendizado, modelados no cérebro.”

Embora progressos substanciais tenham sido feitos, a comercialização dos componentes está ocorrendo a um ritmo muito mais lento devido à alta taxa de falha na produção, à curta vida útil do produto e à sensibilidade a influências mecânicas que podem causar mau funcionamento durante a operação.

Isso requer pesquisas para melhor controlar processos em escala nanométrica, bem como novos materiais e mecanismos de comutação para reduzir a complexidade dos sistemas e ampliar sua gama de funcionalidades, disse Valov.

Para esse propósito, cientistas alemães e chineses se uniram e “descobriram um mecanismo memristivo eletroquímico fundamentalmente novo que é quimicamente e eletricamente mais estável”, que expandirá o horizonte das aplicações em neurociência.

Clique aqui para saber como os chips cerebrais habilitados por IA irão liderar o próximo salto na evolução da humanidade.

Avanço em Memristor para o Aprendizado Contínuo da IA

Publicado no journal Nature Communications¹, o estudo identificou dois mecanismos principais para o funcionamento dos memristores bipolares:

1. Metalização Eletroquímica (ECM)
2. Mecanismo de Mudança de Valência (VCM)

Os memristores ECM formam um filamento metálico entre os dois eletrodos. Essa pequena “ponte condutora” altera a resistência elétrica e se dissolve ao inverter a tensão. Embora permita tensões de comutação baixas e tempos de comutação rápidos, os estados gerados aqui são variáveis e de curta duração.

Os memristores VCM alteram a resistência por meio do movimento de íons de oxigênio na interface entre o eletrodo e o eletrólito, modificando a barreira de Schottky. Embora comparativamente estáveis, isso requer tensões de comutação altas.

Com cada processo tendo seus próprios prós e contras, a equipe projetou um memristor combinando os benefícios de ambos os tipos, algo que antes não se acreditava ser possível.

Assim, o novo memristor usa um filamento feito de óxidos metálicos (em vez de ser totalmente metálico como o ECM), que é formado pelo movimento de íons de oxigênio e tântalo. É muito estável e nunca se dissolve completamente.

“Você pode pensar nele como um filamento que sempre existe em certa medida e é apenas modificado quimicamente.”

– Valov

O novo e robusto mecanismo de comutação é referido como um mecanismo de modificação de condutividade de filamento (FCM). Componentes baseados neste mecanismo são mais resistentes a altas temperaturas, necessitam de tensões mais baixas para operar, têm uma janela de tensão mais ampla e são quimicamente e eletricamente mais estáveis. Sua vida útil também é maior porque menos componentes queimam durante a produção, resultando em uma taxa de rejeição menor.

Os diferentes estados de oxidação ainda permitem que o memristor opere tanto em modos binário quanto analógico, o que pode ajudar a superar o problema do “esquecimento catastrófico”.

Valov explicou que as “propriedades únicas” do novo memristor óhmico de dois terminais “permitem o uso de diferentes modos de comutação para controlar a modulação do memristor de forma que a informação armazenada não seja perdida.”

Os pesquisadores já implementaram o novo componente memristivo em um modelo de rede neural artificial em simulação, alcançando altas precisões de reconhecimento de padrões em múltiplos conjuntos de imagens.

A equipe agora explorará outros materiais que podem ser ainda melhores e mais estáveis. Valov está confiante de que seus “resultados avançarão ainda mais o desenvolvimento de eletrônicos para aplicações de ‘computação na memória’.”

Agora, uma das empresas líderes no setor de IA é a Microsoft (MSFT ), que investiu US$12 bilhões na criadora do ChatGPT, OpenAI, e oferece produtos de IA como Copilot, Azure AI Studio e ferramentas alimentadas por IA dentro do Microsoft 365, Dynamics 365 e Power Platform. As ações do gigante tecnológico, com capitalização de mercado de US$2,9 trilhões, estão atualmente negociando a $394.58, com queda de 7,17% no ano. No trimestre encerrado em 31 de dezembro de 2024, a empresa relatou um aumento de 12% na receita, para US$69,6 bilhões, e EPS diluído de US$3,23.

De acordo com o CEO da Microsoft, Satya Nadella:

“Estamos inovando em toda a nossa pilha tecnológica e ajudando os clientes a desbloquear o ROI total da IA para capturar a enorme oportunidade à frente. Já, nosso negócio de IA ultrapassou uma taxa de receita anual de US$13 bilhões, um crescimento de 175% ano a ano.”

Novidades sobre a Microsoft

IA na Saúde, Melhorando o Diagnóstico da Doença de Parkinson

No setor de saúde, a IA está ajudando a reduzir custos e alcançar melhores resultados para os pacientes ao aprimorar diagnósticos, tratamentos e cuidados ao paciente por meio da detecção de doenças, medicina personalizada e maior eficiência nas tarefas administrativas.

Agora, a IA ajudará os clínicos a diagnosticar diferencialmente a doença de Parkinson e condições relacionadas de forma mais rápida e com maior precisão.

O diagnóstico da doença de Parkinson atualmente varia entre 55% e 78% nos primeiros cinco anos de avaliação, em parte devido a distúrbios de movimento semelhantes que compartilham semelhanças, o que pode tornar o diagnóstico definitivo inicialmente difícil.

Entretanto, um novo modelo de IA desenvolvido por pesquisadores da Universidade da Flórida e do UF Health Norman Fixel Institute for Neurological Diseases ostenta uma taxa de precisão superior a 96%.

Como o estudo observou, aplicar uma abordagem baseada em imagens para diagnosticar e diferenciar entre a doença de Parkinson (PD), a paralisia supranuclear progressiva (PSP) e a atrofia de múltiplos sistemas (MSA), variantes parkinsonianas, tem sido particularmente desafiador. No entanto, dados recentes mostraram que isso é possível com ressonância magnética ponderada por difusão associada a algoritmos de aprendizado de máquina (ML) específicos da doença.

O estudo, financiado pelos Institutos Nacionais de Saúde e publicado na JAMA Neurology², detalhou o Automated Imaging Differentiation for Parkinsonism (AIDP), um software automatizado de processamento de MRI e ML que apresenta uma técnica de biomarcador não invasiva.

Fabricantes de MRI, David Vaillancourt, professor no Departamento de Fisiologia Aplicada e Cinesiologia da UF, observaram que eles não se comunicam entre si devido à competição de mercado e utilizam seus próprios softwares e sequências.

Portanto, os pesquisadores “desenvolveram um software inovador que funciona em todos eles”. A ferramenta ajudará os médicos a aumentar sua eficácia diagnóstica entre diferentes distúrbios, disse Vaillancourt.

Enquanto a MRI ponderada por difusão no AIDP ajuda a identificar onde a neurodegeneração está ocorrendo ao medir como as moléculas de água se difundem no cérebro, o algoritmo analisa a varredura cerebral para fornecer os resultados.

O algoritmo foi rigorosamente testado contra diagnósticos clínicos presenciais e conduzido em 21 locais, incluindo dois no Canadá e 19 nos EUA.

“Este é um caso em que a inovação entre tecnologia e inteligência artificial foi comprovada para melhorar a precisão diagnóstica, permitindo-nos a oportunidade de aprimorar ainda mais o tratamento de pacientes com doença de Parkinson.”

– Michael Okun, M.D., diretor do Norman Fixel Institute for Neurological Diseases na UF Health.

Os pesquisadores agora buscam obter aprovação da Food and Drug Administration (FDA) dos EUA.

Usando IA para Prever Risco Cardiovascular por meio de Mamografias

Outro modelo de deep learning mostrou potencial em prever risco cardiovascular com base em imagens de mamografias, uma importante ferramenta de rastreamento de câncer. Este estudo separado apresentado na Sessão Científica Anual do American College of Cardiology (ACC) combina o poder da IA com mamografias para analisar o acúmulo de cálcio nas artérias dentro do tecido mamário.

O acúmulo de cálcio nos vasos sanguíneos é um sinal de dano cardiovascular associado ao envelhecimento ou doença cardíaca em estágio inicial. Mulheres com acúmulo de cálcio nas artérias, segundo estudos anteriores, apresentam 51% maior risco de doença cardíaca e AVC.

Apesar de ser a principal causa de morte nos EUA, as doenças cardíacas em mulheres ainda são subdiagnosticadas, o que pode mudar com ferramentas de rastreamento de mamografias alimentadas por IA que aproveitam melhor os exames que muitas mulheres recebem rotineiramente.

Nos EUA, cerca de 40 milhões de mamografias são realizadas a cada ano. Esses raios-X são usados para rastrear o câncer de mama. Embora essas imagens mostrem calcificações das artérias mamárias, a informação não é relatada aos pacientes ou aos seus clínicos.

O novo estudo utilizou uma técnica de análise de imagem por IA não usada anteriormente em mamografias para mostrar que a tecnologia pode ajudar a preencher essa lacuna ao avaliar automaticamente a calcificação e, em seguida, fornecer uma classificação de risco cardiovascular. De acordo com o autor principal do estudo, Theo Dapamede, MD, PhD, e bolsista de pós-doutorado na Emory University em Atlanta:

“Vemos uma oportunidade para que as mulheres sejam rastreadas para câncer e, adicionalmente, obtenham um rastreamento cardiovascular a partir de suas mamografias. Nosso estudo mostrou que a calcificação arterial mamária é um bom preditor de doença cardiovascular, especialmente em pacientes com menos de 60 anos. Se pudermos rastrear e identificar esses pacientes precocemente, podemos encaminhá-los a um cardiologista para avaliação de risco adicional.”

Para construir a ferramenta, os pesquisadores treinaram um modelo de IA para segmentar vasos calcificados em imagens de mamografias. O modelo então usa esses pixels brilhantes para calcular o risco de eventos cardiovasculares futuros com base nos dados de mais de 56.000 pacientes.

“Avanços em deep learning e IA tornaram muito mais viável extrair e usar mais informações das imagens para informar rastreamentos oportunistas.”

– Dapamede

Os resultados do estudo demonstraram que o novo modelo teve bom desempenho ao identificar o risco cardiovascular de pacientes em risco baixo, moderado ou severo com base em imagens de mamografias.

De acordo com eles, a taxa de eventos cardiovasculares graves aumenta com o nível de calcificação arterial mamária em mulheres com menos de 60 anos e entre 60 e 80 anos, após calcular o risco de morte por ataque cardíaco agudo, AVC ou qualquer causa em dois e cinco anos.

Isso torna a ferramenta especificamente adequada para fornecer alerta precoce de risco de doença cardíaca em mulheres mais jovens, permitindo intervenções antecipadas.

Os resultados do estudo também demonstram que aqueles com o maior nível de calcificação arterial mamária, acima de 40 mm², tiveram uma taxa de sobrevida livre de eventos em cinco anos consideravelmente menor do que aqueles com o nível mais baixo, abaixo de 10 mm².

O próximo passo dos pesquisadores é obter aprovação da FDA e disponibilizar a ferramenta para uso mais amplo. No futuro, o plano também inclui investigar o uso de modelos de IA semelhantes para analisar biomarcadores de outras condições, como doença renal, que podem ser extraídos das mamografias.

Agora, quando se trata de empresas que avançam a IA na saúde, a GE HealthCare Technologies (GEHC ) está fortemente investida na tecnologia e a integrando em seus produtos para melhorar o cuidado ao paciente e aprimorar os fluxos de trabalho dos clínicos. As ações da empresa, com capitalização de mercado de US$37,26 bilhões, estão atualmente negociando a US$81,49, alta de 4,23%. Em 4Q24, sua receita aumentou 2% para US$5,3 bilhões, enquanto o EPS diluído foi US$1,57.

Novidades sobre a GE Healthcare Technologies

IA em Ciência dos Materiais: Otimizando Processos de Crescimento de Filmes Finos

A ciência dos materiais é crítica para os avanços modernos, pois permite o desenvolvimento de novos materiais e a melhoria dos existentes. A IA neste campo está contribuindo ao acelerar a descoberta e o design de novos materiais, otimizar os já existentes e melhorar os processos de fabricação.

Pesquisadores da Tokyo University of Science (TUS), liderados pelo Professor Masato Kotsugi, agora utilizaram IA para otimizar processos de crescimento de filmes finos ao prever o crescimento dendrítico neles.

Esses processos desempenham um papel fundamental no desenvolvimento de dispositivos semicondutores, tecnologias de comunicação e tecnologias de sensores.

Agora, filmes finos são cultivados depositando pequenas camadas de materiais sobre um substrato. No entanto, para aproveitar plenamente o desempenho de dispositivos de filmes multicamadas, o substrato deve ser fabricado com precisão, pois tem influência considerável na configuração estrutural, o que afeta sua função e desempenho.

Entretanto, as estruturas são significativamente influenciadas por condições do processo de crescimento, como composição, atmosfera e defeitos de superfície. Durante o processo de crescimento de fabricação em grande área, importante para sua aplicação comercial, um grande obstáculo surge na forma de estruturas dendríticas.

Esses padrões de ramificação semelhantes a árvores reduzem a planicidade dos filmes finos e são comumente observados em materiais como grafeno, cobre e boroferro, especialmente nas fases iniciais de crescimento e em filmes multicamadas.

Dado que a microestrutura influencia diretamente o desempenho do dispositivo, é crítico reduzir a formação dendrítica. Para isso, primeiro devemos entender a condição que causa o ramificação dendrítica. Métodos existentes de estudo de dendritos, porém, dependem de análise visual simples e interpretação subjetiva, exigindo considerável tentativa e erro.

Para enfrentar esses problemas, os pesquisadores construíram um modelo de IA para analisar estruturas dendríticas. O método inovador integra aprendizado de máquina (ML) e homologia persistente (PH) com análise de energia para conectar estrutura e processo no crescimento dendrítico.

“Nossa abordagem fornece novas percepções sobre os mecanismos de crescimento e oferece um caminho poderoso, orientado por dados, para otimizar a fabricação de filmes finos.”

– Prof. Kotsugi

Combinando IA, PH e Análise de Energia para Estudar o Crescimento Dendrítico

Publicado em Science and Technology of Advanced Materials: Methods³, o estudo detalha o modelo que usa homologia persistente (PH) para capturar as complexas características topológicas das microestruturas dendríticas, frequentemente negligenciadas por técnicas tradicionais de processamento de imagem.

Enquanto a PH permite a avaliação multiescala de furos e conexões dentro de estruturas geométricas, a técnica de ML análise de componentes principais (PCA) ajudou a reduzir as características essenciais da morfologia dendrítica extraídas via PH para um espaço 2D.

Isso ajudou a equipe a quantificar mudanças estruturais nos dendritos e estabelecer uma relação entre essas mudanças e a energia livre no material que impacta a forma como os dendritos são formados.

Ao avaliar essa relação, a equipe descobriu as condições particulares e os mecanismos de crescimento ocultos que afetam a ramificação dendrítica.

“Nosso framework mapeia quantitativamente a morfologia dendrítica para variações de energia livre de Gibbs, revelando gradientes de energia que impulsionam o comportamento de ramificação.”

– Kotsugi

A equipe então estudou o crescimento de dendritos em um substrato de cobre (Cu) hexagonal e comparou os resultados com dados de simulações de campo de fase para validar sua abordagem. Kotsugi observou:

“Ao integrar topologia e energia livre, nosso método oferece uma abordagem versátil para a análise de materiais. Por meio dessa integração, podemos estabelecer uma conexão hierárquica entre microestruturas em escala atômica e funcionalidades macroscópicas em uma ampla gama de materiais, abrindo caminho para futuros avanços na ciência dos materiais.”

Esse método, segundo ele, pode levar ao desenvolvimento de dispositivos de filmes finos de alta qualidade para comunicação de alta velocidade além do 5G e avanços em materiais de alto desempenho, física fora do equilíbrio e tecnologia de sensores.

Agora, se observarmos um nome proeminente no campo da ciência dos materiais que está utilizando IA para inovar, a Applied Materials (AMAT ) está entre as principais. Ela aproveita IA para aprimorar a fabricação de chips semicondutores por meio de sua plataforma AI(x), ExtractAI e do sistema SEMVision™ H20. As ações da empresa, com capitalização de mercado de US$123,6 bilhões, estão atualmente negociando a US$151, com queda de 6,5% no ano. No 1T25, a empresa relatou um aumento de 7% na receita, para US$7,17 bilhões, enquanto o EPS GAAP foi US$1,45 e o EPS não GAAP foi US$2,38.

“O impulso da indústria para acelerar o desenvolvimento de computação avançada e IA mais sofisticada está ganhando força. A Applied Materials está possibilitando as principais inflexões de arquitetura de dispositivos críticas para IA energeticamente eficiente, e nosso foco em co-inovação de alta velocidade cria oportunidades únicas de colaboração com nossos clientes e parceiros, posicionando a Applied para crescimento contínuo e desempenho superior nos próximos anos.”

– CEO Gary Dickerson no mês passado

Novidades sobre a Applied Materials

Conclusão

A IA já está transformando negócios em diversos setores. O ritmo acelerado da inovação está agora oferecendo soluções revolucionárias para seus desafios de longa data. Com esses avanços, que vão da ciência dos materiais, diagnósticos médicos e supercomputadores pessoais até soluções para os próprios desafios de aprendizado da IA, estamos entrando em uma era que promete uma transformação sem precedentes.

À medida que a IA continua a evoluir, sua capacidade de impulsionar a produtividade, melhorar a tomada de decisões e abrir novas fronteiras a torna uma das forças mais poderosas que moldam o futuro.

Clique aqui para aprender tudo sobre investir em inteligência artificial (IA).