MIT explicou como a inteligência artificial e as ciências matemáticas e físicas se reforçam mutuamente

O MIT explicou como a inteligência artificial e as ciências fundamentais podem se fortalecer mutuamente, em vez de se desenvolverem separadamente. Segundo o professor Jesse Thaler, o próximo estágio da IA depende não apenas da implementação de modelos na ciência, mas também de como a própria ciência ajudará a entender, melhorar e controlar esses sistemas.

A Lógica de uma Ponte Bidirecional

A conversa foi motivada pelo workshop AI+MPS que o MIT realizou em 2025 junto com pesquisadores de física, matemática, química, ciência dos materiais e astronomia. Dessas discussões surgiu um white paper com recomendações para universidades, pesquisadores e agências de financiamento, posteriormente publicado na revista Machine Learning: Science and Technology.

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

Thaler propõe olhar a conexão de forma mais ampla. Não se trata apenas de redes neurais ajudando a encontrar novos materiais, analisar dados de colisor 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 gerenciáveis.

O MIT acredita que na intersecção desses dois mundos, um campo separado está se formando atualmente e influenciará tanto o ritmo das descobertas científicas quanto a qualidade dos futuros sistemas inteligentes.

"Isso deve ser um movimento em ambas as direções."

O Que a Ciência Oferece à IA

O MIT chama isso de science of AI — uma perspectiva científica sobre os próprios sistemas inteligentes. Em seu trabalho, Thaler o divide em três direções: ciência como fundação para IA, ciência como fonte de novos algoritmos e ciência como ferramenta para explicar como os modelos funcionam.

Para disciplinas fundamentais, isso não é teoria abstrata, mas um caminho prático que pode simultaneamente acelerar descobertas e melhorar a confiabilidade da IA, especialmente onde se espera que os modelos não apenas sejam precisos, mas também interpretáveis.

Das discussões de cinco comunidades científicas, um consenso surgiu rapidamente: a ponte entre IA e ciência não pode ser construída por meio de laboratórios separados ou experimentos pontuais. São necessárias condições comuns que funcionem em diferentes disciplinas e sejam sustentavelmente apoiadas em nível institucional.

Os participantes do workshop reduziram esse conjunto básico a várias prioridades práticas importantes para universidades, agências de financiamento e equipes de pesquisa:

• investimentos em infraestrutura computacional e infraestrutura de dados;
• métodos de pesquisa interdisciplinares;
• treinamento mais rigoroso de especialistas na intersecção de campos;
• apoio de longo prazo para projetos onde IA e ciência se desenvolvem juntas.

Um exemplo separado é a física de altas energias. Lá, os pesquisadores constroem algoritmos em tempo real para lidar com o fluxo de dados dos colidores. Tais soluções são necessárias para descobrir nova física, mas depois podem se estender muito além de uma única disciplina e influenciar a pilha de IA mais ampla. A lógica aqui é simples: quanto mais rigoroso o problema científico, maior a chance de que os métodos criados para ele se mostrem úteis em outras áreas, desde processamento de sinais até treinamento de modelos mais eficiente.

Pessoal e Estratégia no MIT

A segunda tese transversal é que modelos e computação por si só não são suficientes. Para um progresso real, precisamos de pessoas que se sintam igualmente confiantes em computação e em sua disciplina científica. Thaler as chama de "cientistas-centauros."

Não se trata de raros indivíduos universais, mas de treinamento sistemático: desde cursos integrados para estudantes até trilhas de doutorado interdisciplinares, contratação conjunta de docentes e posições de pós-doutorado especiais onde jovens pesquisadores podem trabalhar entre campos sem penalidade na carreira por essa hibridez.

O MIT acredita que já possui parte dessa infraestrutura. Thaler cita o IAIFI, o instituto A3D3 e programas universitários que ensinam aos estudantes a serem "bilíngues" em computação e em sua especialidade base como exemplos.

Uma ênfase particular é na abordagem sistêmica: universidades que coordenam contratação, educação, recursos computacionais e financiamento de pesquisa como uma estratégia unificada se beneficiarão. Como sinal dessa abordagem, o MIT já iniciou a primeira busca conjunta de docentes entre o Schwarzman College of Computing e o Departamento de Física.

O Que Isso Significa

A partir da posição do MIT, fica claro que a próxima onda de IA está cada vez mais ligada não apenas a produtos e dimensionamento de modelos, mas à ciência fundamental. Para o mercado e universidades, este é um sinal: a vantagem competitiva pertencerá cada vez mais àqueles que sabem como combinar algoritmos, experiência científica, dados, infraestrutura e treinamento de equipes interdisciplinares.