História da IA: os Nobéis de 2024

De Dartmouth aos Nobéis: oito décadas em uma página

A história da inteligência artificial começa nos anos 1940, com o primeiro modelo formal de neurônio artificial — uma curiosidade matemática mais do que uma promessa industrial. O nome do campo só apareceria em 1956, durante a Conferência de Dartmouth, quando um pequeno grupo de cientistas convenceu-se de que máquinas poderiam, em algum momento, raciocinar. Entre essa fundação otimista e o reconhecimento científico definitivo, atravessou-se mais de meio século de altos e baixos, com longos "invernos da IA" — períodos em que o financiamento secou, as promessas pareceram vazias e o consenso acadêmico declarou o tema uma perda de tempo.

Em 2024, o argumento foi vencido em definitivo: o Comitê Nobel concedeu dois prêmios em um único ano a contribuições fundadas em IA — um em Física, outro em Química. Não foi homenagem nostálgica; foi reconhecimento de que aprendizado de máquina virou infraestrutura científica, comparável em peso ao microscópio ou à cristalografia de raios-X. Para a medicina, isso é menos uma manchete e mais uma mudança de regime: o que era ferramenta opcional passou a ser dependência estrutural na descoberta de fármacos, no entendimento molecular de doenças e no desenho de vacinas.

Nobel de Física 2024 — Hopfield e Hinton

O prêmio honrou dois pioneiros que apostaram em redes neurais quando a maior parte da comunidade considerava o caminho um beco sem saída: John J. Hopfield (n. 1933) e Geoffrey E. Hinton (n. 1947). A justificativa oficial: "descobertas e invenções fundamentais que possibilitam o aprendizado de máquina com redes neurais artificiais".

Hopfield criou, no início dos anos 1980, uma rede de memória associativa — um modelo computacional capaz de reconstruir um padrão a partir de um fragmento ruidoso, análogo ao modo como o cérebro recupera uma lembrança a partir de uma pista parcial. Foi a primeira evidência matemática elegante de que estruturas neurais artificiais poderiam fazer trabalho cognitivo útil.

Hinton, conhecido como o "padrinho do aprendizado profundo", popularizou a retropropagação aplicada a redes neurais no artigo de 1986 com Rumelhart e Williams — o algoritmo em si é anterior — e apostou nas redes profundas quando quase ninguém apostava. Durante décadas, manteve a tese contra o consenso da área — e a recompensa só veio em 2012, quando sua equipe venceu a competição ImageNet com o AlexNet, por margem de precisão sem precedentes. Esse foi o evento divisor de águas que "acordou" a indústria para o que rede profunda + dados em massa + GPU podiam fazer (ascensão das GPUs NVIDIA®). O Nobel de 2024 fechou o arco que começou na sua persistência solitária.

Nota ética. Hinton renunciou ao Google® em maio de 2023 justamente para poder falar publicamente sobre os riscos da tecnologia que ajudou a criar. O principal arquiteto do sistema usa hoje o microfone para alertar a sociedade civil: "prestem atenção" — frase que enquadra todo o capítulo de por que a tecnologia perturba e dá peso à figura do Médico Curador.

Nobel de Química 2024 — Baker, Hassabis e Jumper

Se o Nobel de Física celebrou os fundamentos, o de Química celebrou a aplicação que mais rapidamente entrou no laboratório de pesquisa biomédica: a previsão e o design de estruturas proteicas por IA.

David Baker, da University of Washington, foi premiado pela rota inversa: usar IA para desenhar proteínas que ainda não existem na natureza. Seu laboratório (com o software Rosetta e, mais recentemente, RFdiffusion) abriu caminho para novos medicamentos, enzimas industriais sob medida e materiais biológicos com função programada — algo que, antes, dependia de seleção evolutiva ou de imitação de moléculas naturais.

Demis Hassabis e John M. Jumper, da Google DeepMind, foram reconhecidos pelo AlphaFold 2: o sistema que resolveu o desafio de 50 anos da previsão da estrutura tridimensional de proteínas a partir da sequência de aminoácidos. Cristalografar uma proteína para descobrir seu formato pode levar anos de bancada; o AlphaFold 2 entrega a previsão em horas. A equipe usou o sistema para liberar publicamente as estruturas previstas de praticamente todas as proteínas conhecidas — cerca de 200 milhões delas. Trabalho que tomaria décadas humanas foi entregue em meses.

Por que isso importa para a medicina

Os Nobéis de 2024 não chegam ao consultório como manchete inspiracional — chegam como aceleração concreta em cinco frentes:

• Descoberta de fármacos. Estruturas proteicas previstas em horas reduzem o ciclo de identificação de alvos terapêuticos de anos para semanas.
• Compreensão molecular de doenças. Mutações que antes precisavam ser inferidas a partir de cristalografia parcial podem ser visualizadas diretamente em modelos preditos, abrindo hipóteses mecanísticas em câncer, doenças neurodegenerativas e raras.
• Personalização de terapias. Estrutura proteica do paciente individual passa a ser dado tratável em massa, viabilizando medicina de precisão fora dos centros de excelência.
• Vacinas desenhadas a partir de estrutura predita. Conhecer a forma tridimensional do antígeno deixa de custar meses de bancada, e o gargalo se desloca da cristalografia para a validação experimental. Cabe a ressalva histórica: as vacinas de mRNA contra a COVID-19 não vieram daí — a estabilização da proteína spike (mutação 2P) foi resolvida por biologia estrutural experimental em fevereiro de 2020, dez meses antes de o AlphaFold 2 ser liberado.
• Diagnósticos moleculares. Painéis baseados em alvos proteicos passam a ser projetáveis sob demanda, em vez de selecionados de catálogos pré-existentes.

Em síntese, o problema do enovelamento de proteínas — considerado por décadas insolúvel para fora de laboratórios bem equipados — saiu do horizonte como obstáculo. Quem hoje pesquisa biomedicina trabalha em um regime diferente do de 2019, e os Nobéis de 2024 são o marcador formal dessa mudança.

Referências

• The Royal Swedish Academy of Sciences. The Nobel Prize in Physics 2024. Press release, outubro de 2024.
• The Royal Swedish Academy of Sciences. The Nobel Prize in Chemistry 2024. Press release, outubro de 2024.
• Hopfield JJ. Neural networks and physical systems with emergent collective computational abilities. PNAS 1982; 79: 2554–2558.
• Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature 1986; 323: 533–536.
• Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature 2021; 596: 583–589.
• Wrapp D, Wang N, Corbett KS, et al. Cryo-EM structure of the 2019-nCoV spike in the prefusion conformation. Science 2020; 367: 1260–1263.
• Curso Medicina com IA — Instituto Carlos Stéfano / Xdiag Tecnologias, 2026.

Relacionadas

• Conferência de Dartmouth — o ponto de partida em 1956 que os Nobéis de 2024 fecham.
• Ascensão das GPUs NVIDIA — o hardware sem o qual a aposta de Hinton em redes profundas teria continuado sem evidência.
• Retropropagação — o algoritmo popularizado em 1986 que sustenta praticamente toda a IA moderna.
• AlphaFold — o produto principal do Nobel de Química, com aplicações médicas detalhadas em página própria.
• Curva S de adoção — onde os médicos individuais se posicionam neste mesmo arco histórico.