Investindo nas Conquistas do Prêmio Nobel – Redes Neurais Artificiais, a Base da IA

História do Prêmio Nobel

O Prêmio Nobel é a mais prestigiosa premiação no mundo científico. Foi criado de acordo com testamento do Sr. Alfred Nobel para conceder um prêmio “àqueles que, no ano anterior, tenham conferido o maior benefício à humanidade” nas áreas de física, química, fisiologia ou medicina, literatura e paz.

Um sexto prêmio seria criado posteriormente para ciências econômicas pelo banco central sueco, oficialmente chamado Prêmio em Ciências Econômicas, mais conhecido como Prêmio Nobel em Economia.

A decisão de a quem atribuir o prêmio cabe a várias instituições acadêmicas suecas.

Preocupações com o Legado

A decisão de criar o Prêmio Nobel chegou a Alfred Nobel depois que ele leu seu próprio obituário, após um erro de um jornal francês que interpretou erroneamente a notícia da morte de seu irmão. Intitulado “O Mercador da Morte Está Morto”, o artigo francês criticou Nobel por sua invenção de explosivos sem fumaça, dos quais a dinamite foi a mais famosa.

Suas invenções foram muito influentes na formação da guerra moderna, e Nobel comprou uma enorme siderúrgica para transformá‑la em um grande fabricante de armamentos. Como primeiro químico, engenheiro e inventor, Nobel percebeu que não queria que seu legado fosse o de um homem lembrado por ter feito fortuna com a guerra e a morte de outros.

Prêmio Nobel

Hoje, a fortuna de Nobel está armazenada em um fundo investido para gerar renda que financia a Fundação Nobel e a medalha verde dourada, o diploma e o prêmio monetário de 11 milhões de coroas suecas (cerca de US$ 1 milhão) concedidos aos vencedores.

Fonte: Britannica

Frequentemente, o dinheiro do Prêmio Nobel é dividido entre vários vencedores, especialmente nas áreas científicas onde é comum que 2 ou 3 figuras principais contribuam juntas ou em paralelo para uma descoberta revolucionária.

Prêmio Nobel em Computação?

Normalmente, os Prêmios Nobel de Física são atribuídos a descobertas sobre a natureza fundamental do Universo, como buracos negros (2020) ou exoplanetas (2019). Também podem ser concedidos por avanços importantes em ciência dos materiais, como pontos quânticos (2023), lasers (2018), ou LEDs (2014).

Mas os vencedores deste ano são um pouco mais incomuns, com foco em análise de dados. Mais precisamente, foi concedido a Geoffrey Hinton e John Hopfield por sua contribuição à criação de redes neurais artificiais.

Fonte: Nobel Prize

Este é um Prêmio Nobel muito atual, com redes neurais como a tecnologia central responsável pela maioria dos avanços recentes em IA, incluindo LLMs, mas também visão de máquina (incluindo veículos autônomos) e IAs técnicas usadas em novas descobertas de medicamentos, ciência dos materiais, etc.

O que são Redes Neurais?

Chips versus Neurônios

Quando os computadores foram inventados, a esperança rapidamente cresceu de que eles poderiam evoluir em capacidade até desenvolver capacidades intelectuais semelhantes às humanas. Mas na prática, enquanto os computadores se tornaram cada vez mais impressionantes em cálculo e, depois, em geração de imagens, eles permaneciam “burros” quando se tratava de raciocínio real.

Em grande parte, isso ocorre porque um chip de computador é muito diferente dos neurônios que formam o cérebro. Enquanto um chip de silício pode executar muito rapidamente milhões de cálculos binários (0 ou 1), os neurônios são mais um sinal analógico, com muita complexidade e “ruído” no sinal.

Portanto, os computadores precisam de programação precisa para executar um cálculo; eles não podem realmente “aprender” nada e simplesmente seguem as instruções codificadas à risca.

Redes neurais são diferentes. Elas podem enfrentar problemas que são muito vagos e complicados para serem gerenciados por instruções passo a passo. Um exemplo é interpretar uma imagem para identificar os objetos nela, algo que os computadores são notoriamente ruins, daí o teste “Você é humano?” em algumas páginas da web.

Fonte: Google

Como os Neurônios Funcionam

Os neurônios não seguem uma programação pré‑estabelecida estrita na maior parte. Em vez disso, eles funcionam por meio de um loop de feedback que reforça padrões de conexão.

O que acontece é que os neurônios fortalecem a conexão com outros neurônios quando trabalham juntos. Isso gerou a ideia de simular em um computador como os neurônios funcionam, com múltiplos nós interconectados.

As conexões entre esses nós podem ser tornadas mais fortes ou mais fracas, formando um processo chamado “treinamento”, que ainda hoje está no cerne da criação das IAs mais recentes.

Fonte: Nobel Prize

A ideia parecia promissora, mas por um tempo o poder computacional necessário parecia proibitivamente alto, especialmente para os computadores relativamente primitivos das décadas de 1960 e 1970.

Como Funciona a Memória Humana

Quando lembramos ou reconhecemos algo, não estamos realizando um cálculo matemático perfeito da cor de cada pixel de uma imagem. Em vez disso, iteramos a partir de dados parciais, tentamos fazer uma associação com algo já conhecido e identificamos um padrão reconhecível.

O físico John Hopfield inventou em 1982 a rede Hopfield, um método para armazenar e recriar padrões.

Começando pela Física

Ele começou percebendo que propriedades coletivas em muitos sistemas físicos são robustas a mudanças nos detalhes do modelo. Notavelmente, materiais magnéticos derivam suas características especiais graças ao spin atômico – uma propriedade que faz de cada átomo um pequeno ímã.

A propriedade do material maior vinha do spin de cada átomo modificando os spins ao seu redor, levando todos os spins a terminarem na mesma direção. Seu modelo descreve o fenômeno usando diferentes nós que influenciam uns aos outros.

De forma semelhante, uma imagem pode ser registrada como uma grade de nós, cada um com valor 0 ou 1 (preto ou branco).

Se você comparar uma imagem distorcida com essa grade original, pode calcular quanto cada nó da imagem distorcida difere. Mas “empurrando” o nó distorcido mais próximo de onde faz sentido, como a inclinação em uma paisagem pré‑estabelecida, você pode frequentemente recriar a imagem original apesar das distorções.

Assim, Hopfield criou um modelo primitivo, mas funcional para correção de erros ou completamento de padrões, algo que os computadores normalmente são incapazes de fazer, pois estão presos à sua programação rígida.

Fonte: Nobel Prize

Com poder computacional suficiente, cada nó pode armazenar qualquer valor, não apenas preto e branco. Por exemplo, pode ser um número que reflita uma cor exata, da mesma forma que imagens são criadas digitalmente.

Ele também pode refletir todo tipo de dado, não apenas imagens, criando um modelo funcional para uma memória associativa artificial.

Usando Associação para Compreensão

Mesmo animais simples ou crianças pequenas podem desempenhar extraordinariamente melhor que computadores avançados no reconhecimento de padrões, como identificar qual imagem contém um cachorro, um gato ou um esquilo. Isso também é feito sem qualquer compreensão de ordem superior de conceitos como animais, mamíferos ou espécies.

E talvez mais importante, isso pode ser alcançado com dados e experiência iniciais muito limitados, em vez de um catálogo de bilhões de imagens desses animais cobrindo todas as posturas, cores, formas ou variações possíveis.

Analógico ao invés de Binário

Como os nós podem conter qualquer dado, eles podem ser usados para dados contínuos, como fenômenos ao longo do tempo.

Isso também permite cálculo eficiente de interações entre sistemas complexos, onde a resposta a um estímulo é mais estatística que um simples sim/não. Isso economiza tanto consumo de energia quanto poder de computação comparado à computação tradicional para esse tipo de problema.

E ao adicionar mais nós, mais complexidade pode ser progressivamente acrescentada aos modelos.

A Máquina de Boltzmann

Geoffrey Hinton, junto com Terrence Sejnowski e outros colegas, trabalhou na melhoria e extensão do conceito do modelo Hopfield.

Hinton utilizou ideias da física estatística, um campo que descreve coisas com muitos elementos como gases ou líquidos. Como os componentes individuais são numerosos demais, a única forma de modelar seu comportamento é usar expectativas estatísticas, ao invés de um cálculo “físico rígido” de temperatura, localização, velocidade etc. de cada molécula.

Para adicionar essa capacidade ao modelo Hopfield, ele inseriu uma camada “oculta” extra de nós entre a camada visível que antes realizava o cálculo sozinha. Embora invisíveis, os nós ocultos contribuem para os níveis de energia dos outros nós e do sistema como um todo.

Fonte: Nobel Prize

Chamaram esse conceito de máquina de Boltzmann, em homenagem a Ludwig Boltzmann, físico do século XIX que desenvolveu a mecânica estatística, a base da física estatística.

Fonte: Wikipedia

Máquina de Boltzmann Restrita

Em seu design original, a máquina de Boltzmann era complexa demais para uso prático. Uma versão simplificada foi desenvolvida, onde não há conexões entre nós da mesma camada.

Fonte: Nobel Prize

Isso tornou a máquina muito mais eficiente, ainda capaz de realizar reconhecimento de padrões complexo.

Uma melhoria adicional foi o processo de “pré‑treinamento” da rede neural, com uma série de máquinas de Boltzmann em camadas, uma sobre a outra.

Isso melhorou o ponto de partida da rede neural, aprimorando suas habilidades de reconhecimento de padrões.

Impacto nas Redes Neurais Modernas

Tanto Hopfield quanto Hinton construíram as ideias fundamentais por trás das redes neurais, bem como a matemática e as ferramentas para utilizá‑las.

No entanto, só na década de 2010 o poder computacional cresceu o suficiente para que as redes neurais se tornassem relevantes na consciência mainstream.

Como a versão moderna da máquina de Boltzmann usa tantas camadas interconectadas, elas são chamadas de redes neurais “profundas”. Para dar perspectiva sobre a evolução do campo, Hopfield usou um modelo de 30 nós em sua publicação de 1982, gerando 435 conexões possíveis. Isso resultou em cerca de 500 parâmetros a serem monitorados.

Na época, os computadores não conseguiam lidar com um modelo tentativo de 100 nós. Os LLMs atuais (Modelos de Linguagem de Grande Escala), base dos ferramentas como o ChatGPT, utilizam um trilhão de parâmetros e continuam aumentando suas necessidades computacionais.

Aplicações

Física Fundamental

Como muitos outros Prêmios Nobel de Física, as redes neurais são uma descoberta que impulsiona outras novas descobertas.

Por exemplo, foram usadas para filtrar e processar a enorme quantidade de dados necessária para descobrir a partícula de Higgs (Peter Higgs recebeu o Prêmio Nobel de Física em 2013). Também foram empregadas por outros pesquisadores premiados, como nas medições de ondas gravitacionais de buracos negros colidentes ou na busca por exoplanetas.

Física Aplicada

Materiais e fenômenos da vida real são frequentemente complexos demais para serem modelados apenas com um modelo causa → efeito ao nível de partículas individuais.

Em comparação, bases de redes neurais em física estatística permitem muito mais flexibilidade, podendo fornecer a resposta correta diretamente ou “apontar” os cientistas na direção certa.

Isso já está sendo rotineiramente implantado por institutos de pesquisa de ponta para, por exemplo, calcular a estrutura e função de moléculas proteicas, ou determinar quais novas versões de materiais podem ter as melhores propriedades para uso em células solares ou baterias mais eficientes.

LLMs

Claro, nenhuma conversa sobre aplicações de redes neurais estaria completa sem falar dos LLMs, o núcleo da febre de IA dos últimos anos desde o lançamento do ChatGPT em 2022.

Em grande parte, isso ocorre porque a geração de linguagem semelhante à humana, “sentindo‑se” como uma pessoa real, foi há muito considerada o teste que poderia comprovar que uma IA é verdadeiramente inteligente (Teste de Turing).

A inteligência real dos LLMs é intensamente debatida, variando entre entusiastas de IA (ou apocaliptistas) que esperam verdadeira inteligência e singularidade tecnológica em breve, até quem os vê como um truque incapaz de entregar resultados úteis.

Ainda assim, eles têm ampla gama de aplicações, especialmente onde podem executar tarefas baratas que hoje são reservadas a humanos muito mais caros. Isso é particularmente verdadeiro para tarefas predominantemente verbais, como:

• Chatbots e atendimento ao cliente.
• Desenvolvimento e verificação de código.
• Tradução e localização.
• Pesquisa de mercado.
• Busca e respostas a perguntas.
• Análise de documentos e conjuntos de dados extensos.
• Educação

Ao lado dos LLMs, a geração de imagens pode também criar uma nova enxurrada de imagens na era digital, tanto para usos úteis quanto potencialmente nefastos (desinformação, chantagem, etc.).

Visão de Máquina & Visão Computacional

Como a aplicação original das redes neurais remonta a Hopfield, faz sentido que o reconhecimento de imagens seja agora uma aplicação central das redes neurais.

Às vezes, visão de máquina é usada para descrever identificação limitada em um ambiente industrial mais controlado, enquanto visão computacional busca uma visão mais semelhante à humana.

Fonte: Solomon

Condução Autônoma

Um grande sub‑segmento desse campo são os veículos autônomos, já que, em última análise, motoristas humanos usam seu reconhecimento visual de padrões para conduzir com segurança veículos de várias toneladas.

Por enquanto, a maioria dos sistemas autônomos depende de uma combinação de câmeras e outros sensores para permanecer segura (como radar e LIDAR), com exceção da Tesla (TSLA ), que foca exclusivamente em visão de máquina semelhante à humana (graças a um conjunto de dados muito maior, fornecido pela frota de carros Tesla).

Dados de treinamento suficientes, anotação manual de milhões de situações reais complexas e também hardware customizado que reduz consumo e acelera tempos de reação provavelmente serão a combinação vencedora para a primeira empresa a ganhar o prêmio de trilhões de dólares ao desenvolver a primeira automação de condução nível 5 totalmente real.

Médico

Muitos diagnósticos na medicina não dependem de exames laboratoriais, mas da interpretação manual por um especialista treinado de imagens produzidas por máquinas de raio‑X, ressonância magnética, scanners, etc.

Isso pode levar anos para que um especialista se torne realmente proficiente nessa tarefa, que é tanto arte quanto ciência. Em vez disso, a IA pode analisar milhões de imagens médicas de forma barata e consistente com resultados previsíveis.

Ela poderia ainda ser usada para diagnosticar condições antes consideradas impossíveis de detectar por exames, como TDAH.

E talvez menos óbvio, IA usando redes neurais pode também auxiliar cirurgiões, como a francesa Pixee Medical, permitindo rastreamento 3D com smartphone ou óculos inteligentes para cirurgias ortopédicas.

A IA também pode automatizar o procedimento crucial de registrar a cirurgia, especialmente para tarefas repetitivas e propensas a erro. Como cirurgiões esquecem instrumentos dentro do paciente em cerca de 1500 cirurgias por ano nos EUA, a visão computacional poderia igualmente ajudar a eliminar esse problema completamente ao rastrear automaticamente tudo que foi usado durante a cirurgia.

Biopesquisa

Desde a descoberta de medicamentos até a predição de dobramento de proteínas, redes neurais são ferramentas poderosas para pesquisadores em medicina e biologia.

Já está revolucionando como novas terapias são desenvolvidas, como discutimos em “Top 5 AI & Digital Biotech Companies”. Também pode contribuir para dados mais consistentes, que frequentemente são um problema nas ciências biológicas, onde muitos dados ainda são criados manualmente, como a contagem de glóbulos sanguíneos.

Isso pode ser resolvido com visão de máquina IA, com produtos como Shonit da Sigtuple agora capaz de fornecer contagens confiáveis e padronizadas de todos os tipos de glóbulos sanguíneos.

Fonte: Sigtuple

Indústria & Produção

Desde controle de qualidade & inspeção de componentes, até montagem totalmente automatizada, visão de máquina/computador pode tornar a linha de produção mais flexível e reativa a qualquer mudança no processo produtivo.

Isso pode reduzir custos ao diminuir a necessidade de intervenção humana, além de melhorar a qualidade e a velocidade de produção.

Robótica

À medida que a robótica saiu do chão de fábrica para interagir com ambientes cotidianos mais complexos, ela precisa rapidamente aprimorar suas capacidades de reconhecimento de padrões.

De robôs‑cão a robôs de entrega, e talvez em breve assistentes pessoais humanoides, os robôs estão cada vez mais fundindo IA usando redes neurais para nos ajudar em tarefas diárias.

Agricultura

Robôs agrícolas estão cada vez mais usando visão de máquina para identificar ervas daninhas ou frutos maduros e substituir trabalho manual tedioso ou ferramentas agrícolas destrutivas em larga escala.

Isso pode não impactar apenas a agricultura e nossos sistemas alimentares, mas também a restauração ecológica, com fortes efeitos na saúde do solo, no surgimento de novas práticas agrícolas e talvez melhores ferramentas para reflorestamento e manejo de espécies invasoras.

Militar

Apesar de levantar questões éticas complexas, é uma regra histórica que qualquer nova tecnologia também é investigada por seu potencial de dar à força militar uma vantagem sobre seus adversários.

E como sempre haverá uma nação fazendo isso, as demais precisam acompanhar.

A IA já é usada para identificar alvos e analisar dados no campo de batalha, inclusive em guerras reais em curso como Ucrânia e Gaza, algo que discutimos em “Top 10 Drones And Drone Warfare Stocks”.

Entre os desenvolvimentos recentes mais alarmantes, podemos citar o desenvolvimento da última versão do Lancet russo, um drone/míssil suicida usando visão de máquina IA para identificar e mirar veículos inimigos no último segmento de seu trajeto.

Delegar a decisão de matar a um sistema automatizado é um passo obviamente muito perigoso, que realmente parece material de filme de ficção científica pouco antes de uma rebelião de IA contra a humanidade.

Portanto, só nos resta esperar que as forças militares globais cheguem a um entendimento sobre quais tecnologias podem ser implantadas ou não, de forma semelhante ao gerenciamento de armas nucleares.

Riscos das Redes Neurais

Vale mencionar que Geoffrey Hinton, que ganhou o Prêmio Nobel deste ano também está muito preocupado com o progresso da tecnologia de IA.

Após o Prêmio Turing em 2018 e o Prêmio Nobel em 2024, é provável que seu alerta seja ainda mais ouvido do que antes.

“Mudei repentinamente minha opinião sobre se essas coisas vão ser mais inteligentes que nós.

Acho que elas já estão muito próximas e serão muito mais inteligentes que nós no futuro. Como sobreviveremos a isso?”

Geoffrey Hinton

Nosso entusiasmo por IA nos condenará a um futuro como nos filmes Matrix ou Exterminador do Futuro? Talvez não, mas como redes neurais ultra‑complexas são essencialmente uma caixa‑preta, seus próprios criadores não compreendem totalmente que regras éticas e de segurança provavelmente são necessárias antes que uma IA com defeito cause danos irreparáveis.

Investindo em Redes Neurais

Redes neurais estão se tornando quase sinônimas da tecnologia de IA em geral, já que há uma crescente fusão de disciplinas no setor.

Como redes neurais requerem grandes conjuntos de dados para pré‑treinamento e treinamento, elas tendem atualmente a ser domínio de empresas de tecnologia muito grandes ou startups muito bem financiadas.

Você pode investir em empresas relacionadas à IA através de muitas corretoras, e pode encontrar aqui, em securities.io, nossas recomendações para as melhores corretoras nos Estados‑Unidos, Canadá, Austrália, e Reino Unido, bem como em muitos outros países.

Se você não tem interesse em escolher empresas específicas relacionadas à IA, pode também olhar para ETFs como o ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), o Global X Robotics & Artificial Intelligence ETF (BOTZ), ou o WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT )  que proporcionarão uma exposição mais diversificada para capitalizar em IA.

Empresas de Redes Neurais

1. Microsoft

Microsoft (MSFT ) tem estado no centro da indústria tecnológica quase desde sua fundação com seu ainda dominante sistema operacional Windows.

MSFT Gráfico de preços

Agora também é líder em software empresarial (Office365, Teams, LinkedIn, Skype, GitHub), jogos (Xbox e várias aquisições de estúdios de videogame), e em nuvem (Azure).

Mais recentemente, fez bons progressos em IA. Isso inclui IA de consumo como o Bing Image Creator e iniciativas focadas em negócios, como Copilot para Microsoft 365 e Microsoft Research. O Copilot está agora sendo implantado em varejo e pequenas empresas também.

Fonte: Constellation Research

Microsoft ganhou reputação de ser o gigante tecnológico centrado em empresas, comparado a companhias mais focadas no consumidor como, por exemplo, Apple (AAPL ) ou Facebook. Com a IA se tornando cada vez mais importante nos modelos de negócios, a presença pré‑existente da Microsoft em nuvem e serviços empresariais deve lhe dar uma vantagem inicial na implantação de IA em escala e na aquisição de clientes.

A colaboração/quase‑posse com líderes de desenvolvimento de IA como OpenAI (famosa pelo ChatGPT) também consolidará a posição da Microsoft como potência de IA.

2. NVIDIA

NVidia inicialmente tinha posição dominante no mercado de placas gráficas (GPU), usadas principalmente para jogos de alta performance e modelagem 3D. GPUs conseguem executar cálculos em paralelo e diferem nesse aspecto dos processadores (CPU).

O design de seu hardware mostrou-se 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 (NVDA ) a espinha dorsal da revolução IA.

NVidia está agora desenvolvendo sistemas computacionais customizados para diferentes aplicações de IA, desde carros autônomos até reconhecimento de fala e IAs conversacionais, IAs generativas, ou cibersegurança.

É provável que a Nvidia ainda não tenha encontrado 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 impulsionados 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 computacional dedicado à IA, a NVidia permanecerá a principal fornecedora de todos os novos data centers de treinamento de IA que estão sendo construídos.

E se a IA é uma nova corrida do ouro tecnológico, a sabedoria de investimento é preferir os vendedores de picaretas e pás ao invés de apostar na descoberta de ouro.

No frenesi da IA, as ferramentas de escolha são, por enquanto, os chips de IA da NVidia.