Alterando o Cronograma das Descobertas por Meio do Uso da Inteligência Artificial (IA)

De Pesquisa Manual à Automação com IA

Por um tempo, os avanços científicos dependeram exclusivamente da perspicácia de brilhantes cientistas e não da Inteligência Artificial (IA). Eles precisavam então projetar e testar suas hipóteses manualmente por meio de experimentos personalizados. Isso geralmente era um processo dolorosamente lento, levando anos desde as ideias iniciais até os resultados reais.

Recentemente, níveis mais altos de automação permitiram reduzir o trabalho manual na pesquisa fundamental. Por exemplo, o Next-Generation Sequencing (NGS) possibilitou o sequenciamento do genoma em apenas alguns dias e a um custo menor, quando o primeiro sequenciamento do genoma humano em 2003 custou US$ 3 bilhões e levou uma década para ser concluído.

NGS Sequencer- Fonte: Illumina

A automação permitiu que as etapas físicas da pesquisa fossem realizadas em escala massiva e a custos menores. Mas o esforço intelectual, por exemplo, a análise dos dados provenientes do sequenciamento de genoma, ainda dependia exclusivamente do cérebro humano e de modelos matemáticos assistidos por computador. Isso até que a IA se tornou um novo divisor de águas.

Assistindo o Cérebro Humano

Quanto mais a ciência avançava, mais complexos os dados se tornavam. Encontrar um novo material depende de um processo relativamente simples, como misturar elementos que nunca foram testados juntos antes.

Mas as ciências de materiais avançados, por exemplo em tecnologia de baterias ou semicondutores, exigem a manipulação de componentes ao nível nanométrico e, às vezes, ao nível de átomos individuais. Isso torna a modelagem e a compreensão do processo muito complexas para que o cérebro humano possa absorver todos os dados disponíveis.

Por exemplo, encontrar o material adequado para um novo design de bateria pode incluir decidir qual escolher entre 32 milhões de materiais inorgânicos potenciais. Essa era a tarefa que enfrentava Vijay Murugesan, líder do grupo de ciências de materiais no PNNL (Pacific Northwest National Laboratory).

Anteriormente, suposições fundamentadas, modelos computacionais aproximados e testes manuais seriam necessários para reduzir as possibilidades e levariam anos. Em vez disso, o PNNL estabeleceu uma colaboração com a Microsoft para aproveitar a expertise da gigante tecnológica em IA.

Ensinando Química a Múltiplas IAs

A Microsoft tem trabalhado há muito tempo em tais aplicações, através de seu programa AI4Science. Por exemplo, sua IA generativa MatterGen “permite o design amplo de materiais guiado por propriedades”.

Fonte: Microsoft

Em colaboração com o PNNL, a Microsoft desenvolveu especificamente várias IAs diferentes para avaliar todos os elementos utilizáveis e suas combinações.

Ela também possui uma IA dedicada a encontrar quais materiais são estáveis. Em seguida, uma IA que avalia moléculas com base em sua reatividade. E outra IA que julga a capacidade das moléculas de conduzir energia.

Essa combinação de IAs não foi projetada para encontrar todas as soluções possíveis para um determinado problema. Em vez disso, ela analisa o enorme conjunto de possibilidades (na casa das dezenas de milhões) e tenta reduzi-lo a alguns bons candidatos.

Essa abordagem reduziu 32 milhões de materiais potenciais para 500 000 candidatos e, em seguida, para 800.

Ela difere fundamentalmente de uma abordagem puramente baseada em modelos matemáticos computacionais, que tenta calcular com “força bruta” as propriedades químicas de um material, muitas vezes simulando átomo por átomo. Em vez disso, a IA faz uma “suposição” educada do que deveria funcionar usando analogias, praticamente da mesma forma que um humano faria. Exceto que a equipe de IAs poderia analisar 32 milhões de ideias em menos de 80 horas.

Reduzir meses ou anos de trabalho a poucos dias ou semanas é uma revolução completa no ritmo do progresso científico.

Se aplicada de forma mais ampla, isso poderia mudar completamente o ritmo do progresso tecnológico nas sociedades humanas.

Economizando Recursos Preciosos

Uma vez que a lista foi reduzida a apenas 800 candidatos, os pesquisadores puderam então empregar o método mais padrão de Computação de Alto Desempenho (HPC). Isso permitiu o cálculo de todos os possíveis estados de energia dos 800 candidatos. Em seguida, uma combinação de IA dedicada e HPC foi usada para simular os movimentos de cada átomo e molécula dentro de cada material.

Ao usar HPC em apenas algumas centenas de candidatos, isso economizou muito tempo e dinheiro ao PNNL, já que esse método consome muita potência computacional. Isso reduziu a lista de candidatos para apenas 150.

A partir daí, uma avaliação de custos, disponibilidade e outras considerações práticas reduziu a lista inicial de 32 milhões de candidatos para apenas 23. Curiosamente, dos 23, 5 já eram conhecidos, demonstrando a pertinência do método, já que ele “redescobriu” esses 5 materiais de forma independente.

Metodologias de pesquisa anteriores dependeriam fortemente de HPC caro e lento. O método de IA, por sua vez, reduziu o uso de HPC para apenas 10 % do tempo total de computação. O fato de o cálculo de IA ser baseado em nuvem, em vez de usar o tempo de supercomputadores preciosos e raros de institutos de pesquisa, também ajudou a torná‑lo mais eficiente.

Os Próximos Passos

A colaboração entre Microsoft e PNNL sobre material de bateria foi apenas o início de um acordo de colaboração de vários anos. Em última análise, a ideia seria gerar dados suficientes para que saber com qual novo material projetar uma nova bateria fosse tão simples quanto perguntar ao sistema de IA.

“A visão que estamos trabalhando é de materiais generativos onde eu possa solicitar uma lista de novos compostos de bateria com as características desejadas,” - Nathan Baker, Líder de Produto do Azure Quantum Elements.

Também vale a pena observar que o método atual depende de computação clássica. Mas a programação e o software de IA da Microsoft foram projetados para serem atualizados para usar computação quântica assim que essa tecnologia estiver suficientemente madura.

Isso proporcionaria poder de computação sem precedentes para tópicos como simulações químicas e biológicas, aumentando o poder de computação em várias ordens de magnitude (x100‑10.000). Portanto, ainda estamos na fase muito inicial da IA trabalhando no design de novas moléculas e materiais.

Campos de Aplicação

O primeiro experimento foi focado em materiais de bateria. Mas muitos outros campos provavelmente se beneficiarão de tal insight avançado em química, bem como da aplicação de IAs a outras ciências, todas já no pipeline da Microsoft:

• Semicondutores.
• Computação quântica & criptografia.
• Visual e áudio
• Biologia molecular & genômica.
• Biotecnologia & farmacêuticos em geral.
• Energias renováveis & mudança climática.
• Agricultura & Ecologia.
• Economia.
• Ciências sociais.
• Matemática teórica.

Cada um desses campos tem visto a pesquisa enfrentar dificuldades devido à enorme quantidade de dados e à complexidade dos problemas em questão. De forma semelhante ao projeto piloto de baterias, cada um poderia se beneficiar do insight das IAs.

Ações de Ciência Impulsionadas por IA

1. Microsoft

(MSFT )

A Microsoft tem estado no centro da indústria de tecnologia quase desde sua criação com seu ainda dominante sistema operacional Windows. Agora também é líder em software empresarial (Office365, Teams, LinkedIn, Skype, GitHub), jogos (Xbox e múltiplas aquisições de estúdios de videogame) e em nuvem (Azure).

Mais recentemente, fez bons progressos em IA. Isso inclui algumas IAs de consumo como o Bing Image Creator e sua parceria aprofundada com a OpenAI. Também inclui iniciativas mais focadas em negócios, como o Copilot para Microsoft 365 e a Microsoft Research. O Copilot está agora sendo implantado em varejo e pequenas empresas também.

A Microsoft conquistou reputação de ser a gigante tecnológica centrada em empresas, comparada a companhias mais focadas no consumidor, como Apple ou Facebook. Com a IA se tornando cada vez mais importante nos modelos de negócios, a presença pré‑existente da Microsoft em serviços de nuvem e empresariais deve lhe dar uma vantagem inicial na implantação de IA em escala e na aquisição de clientes.

A colaboração/quase‑propriedade com líderes de desenvolvimento de IA como a OpenAI também consolidará a posição da Microsoft como uma potência de IA.

2. NVIDIA

(NVDA )

A Nvidia inicialmente tinha uma posição dominante no mercado de placas gráficas (GPU), usadas principalmente para jogos de alto nível e modelagem 3D. As GPUs conseguem executar cálculos em paralelo e diferem nesse aspecto dos processadores (CPU).

O design de seu hardware mostrou ser muito adequado para mineração de criptomoedas (especialmente Bitcoin), gerando uma forte onda de crescimento para a empresa.

Agora, parece que ele é igualmente poderoso para treinar IAs, tornando o hardware da Nvidia a espinha dorsal da revolução da IA.

A Nvidia está agora desenvolvendo sistemas de computação personalizados para diferentes aplicações de IA, desde carros autônomos, até IA de fala e IAs conversacionais, IAs generativas, ou cibersegurança.

É provável que a Nvidia ainda não tenha terminado de encontrar novos casos de uso para seu hardware de IA, como demonstrado pela pesquisa da Microsoft com o PNNL. Por exemplo, a Nvidia está agora desenvolvendo uma gama completa de soluções para descoberta de medicamentos, bem como dispositivos médicos alimentados por IA e imagens médicas assistidas por IA.

Fonte: NVidia

É provável que, a longo prazo, concorrentes da Nvidia comecem a desafiar seriamente a vantagem inicial da empresa. Mas no futuro previsível, considerando a explosão na demanda por poder de computação dedicado à IA, a Nvidia permanecerá a principal fornecedora de todos os novos data centers de treinamento de IA que estão sendo construídos.

3. CrowdStrike

(CRWD )

Quanto mais o mundo depende de IA e digitalização, mais a cibersegurança conectada se tornará importante.

A CrowdStrike foi fundada com uma abordagem cloud‑first para cibersegurança. A oferta da empresa cobre todas as categorias de ameaças de cibersegurança, e entre seus clientes estão 15 dos 20 maiores bancos dos EUA, 70 das empresas da Fortune 100 e 556 das empresas do Global 2000.

O crescimento da CrowdStrike é sustentado por um mercado total endereçável (TAM) que se expande rapidamente, esperado crescer 13 % CAGR nos próximos 2 anos. Com ofertas adicionais ainda em desenvolvimento, a empresa espera expandir seu TAM de US$ 76 bi para US$ 158 bi até 2026.

Fonte: CrowdStrike

Outro fator de crescimento para a CrowdStrike é a expansão dos negócios com clientes já existentes. Quando um cliente começa com pelo menos um módulo de cibersegurança, geralmente continua integrando mais módulos, com 62 % dos clientes usando 5 ou mais módulos e 23 % usando 7 ou mais módulos.

Essa dinâmica cria um ambiente que permite à CrowdStrike aumentar suas margens quando um relacionamento se desenvolve por tempo suficiente, com uma impressionante margem bruta total de 78 % em 2023.

A transição para a nuvem ainda está em grande parte em andamento para muitas grandes empresas. Isso cria uma grande oportunidade para um líder de mercado como a CrowdStrike ajudar na transição de suas estratégias de cibersegurança para a nuvem.

A empresa também deve ver seu negócio internacional crescer, com ainda 3/4 das empresas do Global 2000 ainda não ingressando no ecossistema da CrowdStrike.

A abordagem cloud‑first da CrowdStrike lhe permitiu ganhar participação de mercado rapidamente e agora é replicada por todas as grandes empresas de cibersegurança. Portanto, os investidores deverão prestar atenção à capacidade da CrowdStrike de manter sua vantagem apesar dos crescentes contra‑ataques da indústria.

4. Adobe

(ADBE )

À primeira vista, o surgimento da IA generativa, especialmente a geração de imagens, poderia ser uma ameaça ao proprietário de softwares gráficos importantes como Photoshop, InDesign, After Effects, Lightroom ou Illustrator.

Isso seria esquecer que a Adobe tem sido pioneira na indústria de software, sendo uma das primeiras a migrar para um modelo de assinatura baseado em nuvem, quando a prática da indústria era vender a versão mais recente do software por milhares de dólares.

O mesmo vale para a IA, com o Adobe Firefly. Esta ferramenta de geração de imagens por IA está agora sendo integrada perfeitamente aos outros programas da Adobe, permitindo gerar imagens a partir de texto simples, criar uma imagem rica a partir de um modelo 3D simples ou até mesmo “preenchimento generativo”, expandindo uma imagem existente de forma fotorrealista.

Fonte: Adobe

Com a IA reduzindo a barreira de habilidades necessária para criar logotipos, revistas ou modificar imagens, a oferta e a demanda por conteúdo original provavelmente crescerão.

Ao abraçar a mudança e a IA, a Adobe provavelmente manterá sua posição como um pacote de software líder para todas as criações visuais e ainda expandirá ainda mais seu alcance.

5. Upstart

(UPST )

A Upstart é um marketplace de empréstimos alimentado por IA, lançado muito antes de a IA se tornar o centro da conversa tecnológica em 2023.

O processo da Upstart é em sua maioria automatizado, com 87 % dos empréstimos concedidos decididos totalmente por automação.

A ideia por trás da Upstart é que o sistema de pontuação de crédito existente é ineficiente e desatualizado. Com muito mais dados disponíveis, é possível identificar melhor os riscos de empréstimo e, como resultado, oferecer empréstimos mais baratos a grande parte da população.

Isso significa que o método da Upstart pode identificar pessoas com altas pontuações FICO que, na prática, têm alto risco de inadimplência em seus empréstimos. E, inversamente, pessoas com pontuações FICO baixas não são tão propensas a inadimplir.

Fonte: Upstart

O Mercado Endereçável Total é grande, com US$ 4 triões anuais provenientes de empréstimos pessoais, automotivos, residenciais e para pequenas empresas.

Devido ao aumento das taxas de juros e à redução da demanda por empréstimos, a Upstart experimentou certa queda nas receitas e perdas em 2023, juntamente com o resto de sua indústria.

Esse revés temporário no volume de empréstimos não diminuiu a expansão da rede de parceiros de empréstimo da Upstart, que conta com 100 bancos, um aumento em relação aos 71 do ano anterior e apenas 10 no IPO em 2020, e 61 concessionárias, de 39 no início de 2023.

Os investidores na Upstart precisarão esperar que a rede crescente seja um sinal claro do valor da tecnologia da Upstart e de seu potencial para se tornar um grande originador de empréstimos no mercado dos EUA.

O progresso contínuo no cálculo de IA também pode lhe dar uma vantagem em um mercado de classificação de empréstimos muito competitivo.