A física tem sido considerada há muito tempo um alvo mais difícil para a inteligência artificial do que a matemática. Os problemas são mais confusos, as definições são mais vagas e os fenómenos que estão a ser estudados resistem frequentemente ao tipo de formalização limpa que tem permitido à IA prosperar na matemática pura. No entanto, os investigadores da Universidade de Yale estão agora a questionar se essa reputação é merecida, e a resposta tem implicações para a forma como a própria ciência é feita.
O Problema dos Testes de Avaliação de que Ninguém Falava
A narrativa padrão é a seguinte: os modelos de IA obtêm maus resultados em testes de física rigorosos, pelo que a IA não está pronta para investigação séria em física. Resultados tão baixos como 30 por cento em seis testes de avaliação diferentes, concebidos para avaliar o desempenho da IA em problemas difíceis de física, pareciam confirmar essa visão.
John Sous, na Universidade de Yale, decidiu analisar esses testes de avaliação com mais atenção. O que a sua equipa encontrou não foi uma falha da IA, mas sim uma falha dos próprios testes. Os problemas continham erros e definições ambíguas. Uma vez corrigidos, os resultados nos mesmos testes subiram até aos 94 por cento.
Isto é o que a maior parte da cobertura mediática sobre a IA na ciência perde. A questão não é apenas “qual é o desempenho da IA?”, mas sim “o que é exatamente pedido para ela fazer?”. Uma pergunta mal construída produz uma resposta enganadora. Os resultados dos testes de avaliação que moldaram o cepticismo do meio académico em relação à IA na física estavam, pelo menos em parte, a medir a qualidade dos testes e não a capacidade dos modelos.
Sous traça uma linha clara entre esta descoberta e um princípio mais amplo: tudo o que está bem definido, mesmo que seja muito difícil, é um território onde a IA pode ter um desempenho igual ou superior ao dos melhores peritos humanos. Essa afirmação é apoiada pelos dados da sua equipa, e não por especulação.
O Que Acontece Quando a IA Controla o Laser
A história mais imediata não é sobre testes de avaliação. É sobre o que já está a acontecer em laboratórios em funcionamento.
Logan Wright, também da Universidade de Yale, leciona agora um curso sobre a utilização de IA na investigação em física. O programa muda constantemente para acompanhar o ritmo dos desenvolvimentos. A sua abordagem para integrar a IA no trabalho experimental baseia-se numa condição específica: as entradas e saídas de um experiemento devem ser controláveis através de código. Quando essa condição é cumprida, um sistema de IA pode assumir os controlos, explorar o espaço do problema e gerar resultados significativos sem intervenção humana a cada passo.
Um exemplo concreto do laboratório do próprio Wright envolve o estudo de como diferentes formas de impulsos laser afetam um átomo de rubídio. Os investigadores utilizam o modelo Claude, a IA da Anthropic, para controlar os impulsos laser e recolher dados sobre os efeitos. O Claude consegue formular uma previsão sobre o que um determinado impulso vai produzir, e depois testar essa previsão diretamente. As experiências deste género podem decorrer durante a noite e concluir trabalho que demoraria uma semana a um físico humano. Os investigadores podem inclusive submeter ideias remotamente através de uma aplicação no telemóvel e rever os resultados quando regressam ao laboratório.
Isto não significa que a IA esteja a substituir os físicos. Significa que a IA está a lidar com o volume e a repetição que os físicos não conseguem. A contribuição humana desloca-se para a conceção da configuração experimental, a interpretação do significado dos resultados e a decisão sobre que perguntas vale a pena colocar em primeiro lugar.
Wright é honesto quanto aos limites. Nem todo o universo pode ser explorado desta forma. A abordagem funciona em domínios limitados onde tudo pode ser reduzido a código, e não se vai generalizar facilmente para o trabalho aberto e orientado para a observação que define a fronteira da física.
A Pergunta Mais Difícil Por Trás dos Resultados
É aqui que a conversa se torna genuinamente difícil. Wright levanta a hipótese de a IA poder vir a conceber em breve uma experiência que os humanos não compreendem totalmente, pedir aos humanos para a construírem e produzir novos resultados entusiasmantes. Esse cenário não é ficção científica. É uma extrapolação a curto prazo do que já está a acontecer.
Mas isso traz à tona uma questão que a comunidade da física ainda não resolveu: será que um resultado conta como ciência se ninguém compreender como foi alcançado? O mesmo debate já está em curso na matemática, onde as demonstrações geradas por IA levantaram preocupações de que o campo possa ficar sobrecarregado por resultados que não consegue avaliar de forma significativa.
Sous aponta a formalização como a ferramenta chave que permitiu à IA fazer um progresso tão rápido na matemática. A formalização converte uma ideia matemática em código informático que pode ser verificado de forma sistemática. Se um teorema sobrevive a esse processo, é considerado correto para além de qualquer dúvida razoável. A física começou a utilizar técnicas semelhantes, mas o campo está numa fase inicial em comparação com a matemática, e muitos problemas de física resistem ao tipo de definição precisa que a formalização exige.
O trabalho criativo e interpretativo da física, identificar um fenómeno confuso, construir um modelo que o capte, testar esse modelo contra a realidade, continua a ser genuinamente aberto. Sous descreve-o como um processo artístico. A questão de saber se a IA consegue fazer isso de uma ponta à outra, definindo o problema, criando o modelo, explorando-o e testando-o, é algo a que as evidências atuais ainda não dão resposta.
Em Resumo
A aparente fraqueza da IA na física era, em parte, um problema de medição e não um problema de capacidade. Os testes de avaliação corrigidos contam uma história diferente. Em ambientes experimentais limitados, a IA já está a acelerar a investigação de formas significativas, resolvendo durante a noite o que demoraria uma semana aos humanos. O desafio mais profundo não é computacional. É conceptual: a física na sua fronteira consiste em dar sentido a coisas que ainda não compreendemos, e esse continua a ser um território onde o papel da IA é genuinamente incerto.
Com base em reportagem de New Scientist.