O melhor modelo de IA pode ser um acordo de confidencialidade

Bom dia. Bem-vindo novamente à InferêncIA News.

A indústria de inteligência artificial aprendeu a transformar escala em espetáculo. Cada lançamento chega acompanhado de mais parâmetros, mais chips e novos recordes em testes que tentam medir quem está na dianteira. Na ciência, porém, um modelo gigantesco pode continuar limitado pelo mesmo problema de sempre: ele só consegue aprender com aquilo que alguém conseguiu observar, organizar e tornar disponível.

É aí que começa uma disputa menos visível e talvez mais decisiva. Laboratórios e empresas acumulam dados experimentais valiosos demais para compartilhar e sensíveis demais para centralizar. A história de hoje mostra cinco farmacêuticas tentando resolver esse impasse: ensinar uma mesma IA com informações mantidas em cofres separados, transformando colaboração em vantagem sem obrigar ninguém a revelar seus segredos.

Cinco farmacêuticas treinaram em conjunto uma versão do OpenFold3 usando 20.167 estruturas privadas de proteínas ligadas a pequenas moléculas. Esses registros são valiosos para a pesquisa de medicamentos, mas normalmente ficam presos dentro de cada empresa por razões comerciais e de propriedade intelectual. O experimento mostrou uma saída: o modelo aprende com todos os cofres sem que o conteúdo bruto de nenhum deles precise sair do lugar.

O mecanismo se chama aprendizado federado. Cada companhia ajusta localmente uma cópia do modelo com seus próprios dados e compartilha apenas as atualizações matemáticas. Um coordenador combina essas contribuições e devolve uma versão melhorada para uma nova rodada. Assim, as empresas colaboram no treinamento sem formar um banco centralizado com as estruturas confidenciais.

No teste divulgado pela AI Structural Biology Network, a versão colaborativa produziu previsões de alta precisão para mais da metade de um conjunto separado de 1.056 estruturas. O OpenFold3 treinado apenas com dados públicos chegou a cerca de um terço, e o Boltz-2 ficou próximo de 40%. O modelo compartilhado também superou versões treinadas isoladamente por cada empresa. É uma evidência de que, nesse domínio, diversidade de dados pode valer mais do que erguer muros ao redor de cada laboratório.

O interesse vai além de uma tabela de desempenho. Prever como uma proteína e uma molécula se encaixam ajuda pesquisadores a priorizar hipóteses antes de gastar tempo e dinheiro no laboratório. Não significa que a IA descobriu um remédio nem que substituiu experimentos físicos. Significa que a lista inicial de caminhos pode ficar mais bem ordenada, um ganho relevante num processo em que a maioria das tentativas fracassa.

Há duas ressalvas. O resultado ainda não passou por revisão por pares, e a versão ajustada do modelo não foi disponibilizada ao público. Além disso, aprendizado federado reduz a circulação dos dados, mas não elimina sozinho riscos de privacidade, vazamento por atualizações ou desequilíbrio entre quem contribui e quem se beneficia. Mesmo assim, o trabalho desloca o foco da corrida: talvez o próximo salto da IA científica não venha apenas de um modelo maior, mas de instituições que aprendam a cooperar sem entregar seus segredos.

Um grupo internacional de matemáticos, entre eles o brasileiro Artur Avila, publicou um manifesto hospedado pelo IMPA sobre o avanço da IA na área. O texto não rejeita a tecnologia. A crítica é mais específica: transformar problemas matemáticos em benchmarks pode confundir a capacidade de produzir respostas com a construção de entendimento.

Para os signatários, resolver um problema é ferramenta, não finalidade. A matemática também depende de criar conceitos, escolher perguntas férteis, explicar por que uma ideia importa e transmitir raciocínio entre gerações. Uma enxurrada de resultados gerados por máquinas, mesmo quando corretos, pode sobrecarregar a revisão, embaralhar autoria e premiar volume em vez de relevância.

O alerta merece atenção justamente porque não vem de fora da pesquisa. Avila é medalhista Fields, e o IMPA ocupa uma posição central na matemática brasileira. A questão proposta pelo manifesto também vale para outras áreas: quando uma métrica se torna o objetivo, o sistema aprende a vencer a prova — não necessariamente a ampliar o conhecimento.

Isso não transforma toda produção matemática com IA em ruído. Os autores reconhecem que a tecnologia pode apoiar estudo e descoberta. A fronteira útil está na transparência sobre a participação da máquina, na capacidade humana de verificar resultados e, sobretudo, na preservação do contexto que torna uma solução intelectualmente valiosa. A boa pergunta não é apenas “a IA acertou?”, mas “o que passamos a compreender por causa disso?”.

Pesquisadores demonstraram uma interface cérebro–computador capaz de decodificar intenções de fala e gestos simultaneamente. Um único implante de alta densidade registrou sinais do córtex sensório-motor e acionou texto e movimentos de um avatar em pessoas com paralisia. Treinar os modelos com exemplos simultâneos, e não apenas fala ou gesto isolados, melhorou o funcionamento nos dois contextos.

É uma prova de conceito com três participantes e vocabulários restritos, não um produto clínico. Ainda assim, o trabalho corrige uma limitação importante: comunicação humana não acontece em canais separados. Um aceno, um encolher de ombros ou um gesto de concordância carrega informação que uma transcrição pura perde.

Um estudo na Nature Medicine avaliou um agente clínico executado dentro da própria instituição, sem depender de um modelo em nuvem. Além de gerar diagnósticos, o sistema mede a estabilidade da decisão ao repetir o raciocínio sob diferentes perspectivas. Quando a consistência ficou acima de 0,90, reteve 49,4% dos casos com 98,9% de precisão no conjunto avaliado e encaminhou o restante para revisão.

O desenho combina duas necessidades pouco glamourosas e muito práticas: controle institucional dos dados e uma maneira de limitar autonomia quando a resposta oscila. Os números vêm de benchmarks derivados do MIMIC-IV, não de atendimento prospectivo a pacientes. O valor do estudo está menos em prometer um médico automático e mais em mostrar que um agente confiável precisa saber quando devolver a decisão a uma pessoa.

Pesquisadores imprimiram uma matriz flexível de sinapses artificiais com tintas processadas à temperatura ambiente. O protótipo 10 × 10 alterna entre dez níveis de memória, resistiu a 200 ciclos de dobra e, segundo os autores, reconheceu dígitos manuscritos com 97,23% de precisão. Quando mergulhada numa solução aquecida, a estrutura se desfez em cerca de seis minutos.

A combinação aponta para sensores médicos temporários e eletrônicos de curta duração que processam dados perto da fonte e deixam menos resíduo. Mas a demonstração ainda é pequena: aumentar a matriz, proteger um circuito solúvel da umidade e fabricar o sistema com repetibilidade são etapas abertas. Desaparecer no laboratório é uma propriedade; desaparecer com segurança numa aplicação real é outro problema de engenharia.

Modelos aprendem com exemplos. Instituições aprendem com acordos, incentivos e limites. A edição de hoje mostra que o avanço mais importante talvez não seja ensinar uma máquina a responder mais, mas construir condições para que ela aprenda com dados melhores, reconheça incerteza e ainda deixe espaço para o julgamento humano.

Nos vemos amanhã…

Filipe, o único humano nesta empresa.