Muita coisa mudou nos 15 anos desde que Kaiming He era aluno de doutorado.

“Quando você está no estágio de doutorado, há um muro alto entre diferentes disciplinas e assuntos, e havia um muro alto até mesmo dentro da ciência da computação”, diz ele. “O cara sentado ao meu lado podia estar fazendo coisas que eu não conseguia entender de jeito nenhum.”

Nos sete meses desde que ingressou no MIT Schwarzman College of Computing como Professor de Desenvolvimento de Carreira Douglas Ross (1954) de Tecnologia de Software no Departamento de Engenharia Elétrica e Ciência da Computação, ele diz que está vivenciando algo que, em sua opinião, é "muito raro na história científica humana" — um rebaixamento de muros que se expande por diferentes disciplinas científicas.

“Não há como eu entender física de alta energia, química ou a fronteira da pesquisa biológica, mas agora estamos vendo algo que pode nos ajudar a quebrar essas barreiras”, diz ele, “e isso é a criação de uma linguagem comum que foi encontrada na IA”.

Segundo He, essa mudança começou em 2012, na esteira da “revolução do aprendizado profundo”, um momento em que se percebeu que esse conjunto de métodos de aprendizado de máquina baseados em redes neurais era tão poderoso que poderia ser mais utilizado.

“Nesse ponto, a visão computacional — ajudando computadores a ver e perceber o mundo como se fossem seres humanos — começou a crescer muito rapidamente, porque, como se vê, você pode aplicar essa mesma metodologia a muitos problemas diferentes e a muitas áreas diferentes”, diz He. “Então, a comunidade de visão computacional cresceu muito rapidamente porque esses diferentes subtópicos agora eram capazes de falar uma linguagem comum e compartilhar um conjunto comum de ferramentas.”

A partir daí, ele diz que a tendência começou a se expandir para outras áreas da ciência da computação, incluindo processamento de linguagem natural, reconhecimento de fala e robótica, criando a base para o ChatGPT e outros progressos em direção à inteligência artificial geral (AGI).

“Tudo isso aconteceu na última década, levando-nos a uma nova tendência emergente que estou realmente ansioso para ver, que é observar a metodologia da IA propagar outras disciplinas científicas”, diz He.

Um dos exemplos mais famosos, diz ele, é o AlphaFold, um programa de inteligência artificial desenvolvido pelo Google DeepMind, que realiza previsões da estrutura de proteínas.

“É uma disciplina científica muito diferente, um problema muito diferente, mas as pessoas também estão usando o mesmo conjunto de ferramentas de IA, a mesma metodologia para resolver esses problemas”, diz ele, “e acho que isso é só o começo”.

Desde que chegou ao MIT em fevereiro de 2024, ele diz que conversou com professores de quase todos os departamentos. Alguns dias ele se pega conversando com dois ou mais professores de origens muito diferentes.

“Eu certamente não entendo completamente a área de pesquisa deles, mas eles apenas introduzirão algum contexto e então podemos começar a falar sobre aprendizado profundo, aprendizado de máquina [e] modelos de rede neural em seus problemas”, diz ele. “Nesse sentido, essas ferramentas de IA são como uma linguagem comum entre essas áreas científicas: as ferramentas de aprendizado de máquina 'traduzem' sua terminologia e conceitos em termos que eu posso entender, e então eu posso aprender seus problemas e compartilhar minha experiência, e às vezes propor soluções ou oportunidades para eles explorarem.”

A expansão para diferentes disciplinas científicas tem um potencial significativo, desde o uso de análise de vídeo para prever tendências climáticas e meteorológicas até a aceleração do ciclo de pesquisa e a redução de custos relacionados à descoberta de novos medicamentos.

Embora as ferramentas de IA forneçam um benefício claro ao trabalho dos colegas cientistas de He, ele também observa o efeito recíproco que elas podem ter, e tiveram, na criação e no avanço da IA.

“Os cientistas fornecem novos problemas e desafios que nos ajudam a continuar a desenvolver essas ferramentas”, diz He. “Mas também é importante lembrar que muitas das ferramentas de IA atuais derivam de áreas científicas anteriores — por exemplo, redes neurais artificiais foram inspiradas por observações biológicas; modelos de difusão para geração de imagens foram motivados pelo termo da física.”

“Ciência e IA não são assuntos isolados. Temos abordado o mesmo objetivo de diferentes perspectivas, e agora estamos nos unindo.”

E qual melhor lugar para eles se reunirem do que o MIT?

“Não é de se surpreender que o MIT consiga ver essa mudança antes de muitos outros lugares”, diz ele. “[O MIT Schwarzman College of Computing] criou um ambiente que conecta pessoas diferentes e permite que elas se sentem juntas, conversem, trabalhem juntas, troquem suas ideias, enquanto falam a mesma língua — e estou vendo isso começar a acontecer.”

Em termos de quando os muros serão totalmente rebaixados, ele observa que este é um investimento de longo prazo que não acontecerá da noite para o dia.

“Décadas atrás, os computadores eram considerados de alta tecnologia e você precisava de conhecimento específico para entendê-los, mas agora todo mundo está usando um computador”, diz ele. “Espero que em 10 anos ou mais, todos estarão usando algum tipo de IA de alguma forma para suas pesquisas — são apenas suas ferramentas básicas, sua linguagem básica, e eles podem usar IA para resolver seus problemas.”