MIT explica como a inteligência artificial e as ciências matemáticas e físicas podem se reforçar mutuamente

O MIT formulou como a inteligência artificial e as ciências fundamentais podem se reforçar mutuamente, em vez de evoluir separadamente. Segundo o professor Jesse Thaler, a próxima etapa da IA depende não apenas de levar modelos para a ciência, mas também de quanto a própria ciência ajudará a entender, melhorar e controlar esses sistemas.

A lógica da ponte de mão dupla

O ponto de partida foi o workshop AI+MPS, realizado pelo MIT em 2025 com pesquisadores de física, matemática, química, ciência de materiais e astronomia. Dessas discussões saiu um white paper com recomendações para universidades, pesquisadores e financiadores, publicado depois na revista Machine Learning: Science and Technology.

A principal conclusão: a IA já deve muito às ciências matemáticas e físicas, porque foram elas que forneceram os problemas complexos, os dados de qualidade e as ideias sobre as quais os métodos modernos de aprendizado de máquina se desenvolveram.

Thaler propõe olhar essa relação de forma mais ampla. Não se trata apenas de redes neurais ajudarem a buscar novos materiais, analisar dados de colisores ou resolver problemas matemáticos. As abordagens científicas também podem melhorar a própria IA: explicar o comportamento dos modelos, sugerir novas arquiteturas e tornar os sistemas mais controláveis. No MIT, a avaliação é que, na interseção desses dois mundos, está se formando uma área própria, que influenciará tanto a velocidade das descobertas científicas quanto a qualidade dos futuros sistemas inteligentes.

"Isso precisa ser um movimento nos dois sentidos."

O que a ciência oferece à IA

O MIT chama isso de science of AI: um olhar científico sobre os próprios sistemas inteligentes. No artigo, Thaler divide o conceito em três frentes: a ciência como base da IA, a ciência como fonte de novos algoritmos e a ciência como ferramenta para explicar como os modelos funcionam.

Para as disciplinas fundamentais, isso não é teoria abstrata, mas um caminho prático que pode, ao mesmo tempo, acelerar descobertas e aumentar a confiabilidade da IA, especialmente onde se espera dos modelos não só precisão, mas também interpretabilidade.

Das discussões entre as cinco comunidades científicas, surgiu rapidamente um consenso: a ponte entre a IA e a ciência não se constrói com laboratórios isolados nem com experimentos pontuais. São necessárias condições comuns, que funcionem para várias disciplinas ao mesmo tempo e tenham sustentação duradoura no nível das instituições. Os participantes do workshop resumiram essa base em algumas prioridades práticas, importantes para universidades, financiadores e para as próprias equipes de pesquisa:

• investimento em infraestrutura computacional e de dados;
• métodos de pesquisa interdisciplinares;
• formação mais rigorosa de especialistas na interseção entre áreas;
• apoio de longo prazo a projetos em que IA e ciência se desenvolvem juntas.

Um exemplo à parte é a física de altas energias. Lá, os pesquisadores constroem algoritmos em tempo real para lidar com o fluxo de dados dos colisores. Essas soluções são necessárias para a busca por nova física, mas depois podem ir muito além de uma única disciplina e influenciar a pilha de IA de forma mais ampla. A lógica é simples: quanto mais difícil o problema científico, maior a chance de que os métodos criados para ele sejam úteis em outras áreas, da análise de sinais a um treinamento mais eficiente de modelos.

Profissionais e estratégia do MIT

A segunda tese transversal é que modelos e computação não bastam. Para um progresso real, são necessárias pessoas que se sintam igualmente seguras na computação e na própria disciplina científica. Thaler as chama de "cientistas centauros". Não se trata de raros generalistas solitários, mas de uma formação sistemática: de cursos integrados para estudantes a trilhas de doutorado interdisciplinares, contratações conjuntas de professores e posições de pós-doutorado específicas, nas quais jovens pesquisadores podem atuar entre áreas sem sofrer penalização na carreira por esse perfil híbrido.

O MIT considera que já tem parte dessa infraestrutura. Thaler cita como exemplos o IAIFI, o instituto A3D3 e programas universitários que ensinam os estudantes a serem "bilíngues" em computação e na especialidade de base. Ele dá ênfase especial à abordagem sistêmica: sairão ganhando as universidades que coordenarem contratação, ensino, recursos computacionais e financiamento de pesquisa como uma estratégia única. Como sinal desse rumo, o MIT já lançou a primeira seleção conjunta de professores entre a Schwarzman College of Computing e o departamento de física.

O que isso significa

A posição do MIT mostra que a próxima rodada da IA depende cada vez mais não só de produtos e da escala dos modelos, mas também da ciência fundamental. Para o mercado e para as universidades, é um sinal: a vantagem competitiva ficará, com frequência crescente, com quem souber combinar algoritmos, expertise científica, dados, infraestrutura e a formação de equipes interdisciplinares.