O futuro da ciência e tecnologia
Inscrições: https://forms.gle/YfK9woMuhkkjxV3Q7
Informações: acm@acm-itea.org
A inteligência artificial (IA) tem transformado a ciência e a tecnologia, principalmente a partir do uso de modelos de língua de larga escala (LLMs, do inglês large-language models). Nesta palestra será abordada a importância da nanotecnologia para dispositivos e hardware de IA, assim como a IA é usada para descoberta de materiais e análise de dados. Destaca-se, nesse contexto, a integração entre análise de imagens e aprendizado de máquina, que tem o potencial de gerar métodos de detecção e diagnóstico quase sem uso de instrumentos. Será também apresentado um novo paradigma para geração de conhecimento, em que máquinas poderão gerar conhecimento autonomamente. Isso será ilustrado com a escrita automatizada de artigos de revisão, utilizando LLMs e análise de redes de complexas.
Evoluções Históricas da Inteligência Artificial
A inteligência artificial moderna tem suas raízes no Dartmouth Summer Research Project on Artificial Intelligence, realizado em 1956, considerado o marco fundacional da IA como campo científico (McCarthy; Minsky; Rochester; Shannon, 1956). Antes disso, cientistas como Claude Shannon desenvolveram protótipos experimentais como “Theseus”, um rato mecânico que aprendia trajetórias em labirinto, antecipando conceitos de aprendizado (Shannon, 1950). Na década de 1960, surgiram sistemas como Dendral (1965), voltado à química orgânica, e Eliza (1966), uma das primeiras tentativas de processamento de linguagem natural (Feigenbaum et al., 1965; Weizenbaum, 1966). Esses projetos pioneiros exemplificam a transição entre abordagens simbólicas e heurísticas, baseando-se em conhecimento explícito e regras formais.
Nas décadas seguintes, passou-se por ciclos de otimismo e retração — os “invernos da IA” — devido a expectativas não atendidas e limitações técnicas (Simon, 1957; Lighthill, 1973). Com o surgimento de sistemas especialistas e nova rodada de investimentos no Japão e nos EUA, a IA voltou a tornar-se viável economicamente na década de 1980 (década de 1980). Porém, observou-se nova queda nos investimentos na década de 1990, enquanto modelos simbólicos perdiam força (IA Winter). Já nos anos 2000, com o advento do big data, impulso computacional e redes neurais profundas, emergiu a era do deep learning, com marcos como AlphaGo (2016) e os transformadores (2017), consolidando novos paradigmas (Muthukrishnan et al., 2024; Kaplan; Haenlein, 2018).
Esse percurso histórico mostra a evolução da IA desde suas bases lógicas e simbólicas até modelos autônomos baseados em aprendizado profundo e linguagem natural. A filosofia de pesquisa se deslocou do raciocínio explícito para sistemas adaptativos capazes de generalizar e aprender com dados. Cada fase histórica trouxe novas ferramentas, desafios técnicos e éticos, moldando o campo de forma cumulativa. Compreender essa trajetória é essencial para projetar os rumos futuros da ciência, tecnologia e educação com IA.
Perspectivas Científicas Futuras
No horizonte científico, espera-se que a IA avance em direção à “superinteligência”, com sistemas cada vez mais autônomos e autossuficientes, capazes de autoaperfeiçoamento (Zuckerberg, 2025). Pesquisas avançadas em agentes autorreferenciais inspirados em Gödel apontam para IA capazes de resolver problemas complexos e adaptar sua própria arquitetura (Schmidhuber, 2007). A área científica está atenta também à transição gradual para IA geral (AGI), com iniciativas acadêmicas e institucionais focadas em abrangência e adaptabilidade (Goertzel et al., 2002; DeepMind; OpenAI). Essas perspectivas elevam o debate sobre a capacidade das máquinas ultrapassarem limitações cognitivas humanas e colaborarem de forma autônoma na pesquisa científica.
Outra vertente científica propõe a fusão entre IA e outras disciplinas, como neurociência, biotecnologia e física quântica, em direção a sistemas híbridos mais inteligentes e sensíveis ao contexto. A integração de lógica simbólica e redes neurais, defendida por Schmidhuber (2022), sugere novas arquiteturas mais explicáveis e robustas. Ainda, o desenvolvimento de modelos conscientes ou com autoconsciência funcional é tema especulativo em voga, embora suscite profundas questões filosóficas, como riscos existenciais e ética de responsabilidade. A interdisciplinaridade se revela essencial para conferir a essas IAs não apenas poder computacional, mas também capacidade de interpretação, ética e colaboração criativa com seres humanos.
Essas tendências científicas projetam um futuro onde a IA não é apenas ferramenta, mas coautora do avanço científico, capaz de conceber hipóteses e integrar dados complexos em tempo real. No entanto, é imprescindível que esse progresso seja acompanhado de regulamentação, vigilância ética e reflexão sobre autonomia tecnológica. Além disso, a segurança de sistemas autônomos deve ser centrada em transparência, prevenindo vieses e decisões opacas. Somente assim será possível garantir que essas inteligências superem desafios técnicos sem comprometer valores humanos e sociais.
Enfoques Experimentais e Aplicações
Em laboratórios e centros de pesquisa, o deep learning domina experimentos em visão computacional, PLN, robótica e aprendizado por reforço, com resultados mais sofisticados a cada ano (Muthukrishnan et al., 2024). Modelos baseados em arquitetura transformer, a partir de 2017, permitiram avanços marcantes em geração de linguagem natural, tradução e assistentes virtuais, como ChatGPT, ampliando experimentos em escala real (Russell; Norvig, 2021). Em robótica, a integração com IA viabilizou desenvolvimento de robôs ágeis e autônomos, incluindo sistemas de navegação, visão e interação física complexa (History-AI evolution). Esses experimentos demonstram que a IA já extrapola o laboratório e se prova em contextos reais, com impacto nas indústrias, saúde, transporte e comunicação.
Outro exemplo experimental são ferramentas participativas desenvolvidas por ONGs para democratizar o acesso à IA em educação global. O projeto “Digi-Wise”, em parceria com MIT, Harvard e UNDP, disponibiliza chatbots e recursos de aprendizado em contextos vulneráveis, adaptados culturalmente (Education Above All, 2025). Experimentos em educação também englobam currículos co-desenhados para K-12, estruturando ensino de IA em disciplinas diversas com foco crítico e ético (Van Brummelen; Lin, 2020). Essas iniciativas testam as possibilidades de IA como ferramenta educativa inclusiva, personalizada e culturalmente sensível.
Tais aplicações experimentais mostram que a IA está se consolidando em contextos reais com impacto tangível: da educação inclusiva à robótica avançada e PLN interativo. Esses enfoques reforçam a necessidade de experimentação prática aliada à reflexão ética e pedagógica. Além disso, confirmam que a IA tem potencial de transformação social quando adaptada aos contextos locais e humanas. A experimentação integrada — técnica, social e educativa — se configura como caminho promissor para o desenvolvimento sustentável desta tecnologia.
Utilidades e Aplicações na Educação Básica
A IA já está sendo utilizada para personalizar o ensino na educação básica, por meio de plataformas que adaptam conteúdo ao ritmo e estilo de cada aluno (Bozkurt et al., 2024). Ferramentas como Education Perfect, usadas por milhares de escolas, oferecem feedback instantâneo e melhoram a escrita, motivando alunos a revisarem suas respostas (St Mary MacKillop College, 2025). Em países em desenvolvimento, iniciativas como o programa AWS na Austrália visam capacitar milhões de estudantes do ensino fundamental e médio em habilidades de IA ampliando acesso e equidade (AWS, 2025). Essas aplicações demonstram o potencial da IA para apoiar o ensino, não apenas como ferramenta de ensino, mas também de engajamento e equidade educacional.
Pais e educadores compartilham a percepção da importância da IA na educação: 88 % dos pais consideram essencial, mas expressam preocupação com a preparação das escolas (Samsung Solve for Tomorrow, 2024). Economistas como Daniel Susskind defendem que até um terço das aulas escolares deveria tratar de IA — sua história, funcionamento, limitações e ética — para preparar os alunos para o futuro digital (Susskind, 2025). Há também um movimento crescente em educação para mostrar IA como apoio pedagógico complementar, não substituto — promovendo literacia digital, reflexão crítica e responsabilidade na geração de conteúdo (Wired, 2025; Bozkurt et al., 2024). A relevância da IA na educação básica se afirma tanto como instrumento técnico como catalisador de competências do século XXI.
Essas utilidades reforçam que a IA pode beneficiar o ensino fundamental se integrada com criatividade, ética e orientação docente. É imperativo desenvolver políticas, formação de professores e infraestrutura para uso responsável e significativo dessas tecnologias. A educação básica se encontra em posição estratégica para formar cidadãos críticos, informados e agentes conscientes na era da IA. A relevância pedagógica exige uma abordagem que una inovação tecnológica, inclusão e reflexão ética desde os primeiros anos escolares.
Relevância na Educação Básica e no Futuro Científico-Tecnológico
O ensino da IA desde cedo contribui para a formação de pensamento crítico, criatividade, e habilidades digitais essenciais para o futuro científico e tecnológico. A literacia em IA — incluindo prompt engineering e compreensão de impactos sociais — é essencial, como discutido por Walter (2024) no contexto da educação universitária, mas igualmente relevante para o ensino básico (Walter, 2024). As ferramentas de IA podem empoderar professores, automatizando tarefas rotineiras e permitindo foco em mentoria e inovação pedagógica (Bozkurt et al., 2024). Inclusive, a ideia de co-design de currículos com professores melhora a adequação dos materiais e o engajamento dos alunos (Van Brummelen; Lin, 2020).
A relevância também se manifesta na equidade: a IA torna possível diferenciar instrução para alunos com necessidades diversas, promovendo acessibilidade e inclusão (Toyokawa et al., 2023). Iniciativas como “Digi-Wise” reforçam esse aspecto, ao disponibilizar IA educacional gratuita e culturalmente adaptada em contextos vulneráveis (Education Above All, 2025). O preparo de estudantes para entendimento ético e crítico da IA pode prevenir desigualdades e abusos tecnológicos, fomentando uma cultura de responsabilidade digital. Assim, a educação básica com IA integrada contribui para formar futuros profissionais e cidadãos aptos a guiar a ciência e tecnologia com consciência social.
Portanto, a integração da IA na educação básica não se limita à transmissão de conteúdos técnicos, mas representa uma dimensão formativa ampla: desenvolve autonomia, pensamento ético e participação ativa no futuro científico. Preparar as novas gerações com essas competências será fundamental para enfrentar os desafios da sociedade digital. A educação transformada pela IA, quando bem gerida, pode ser o terreno fértil para inovação democrática, inclusiva e sustentável. O investimento pedagógico e social nessa integração será decisivo para o futuro da ciência e tecnologia com inteligência artificial.
Referências Bibliográficas
ALHARBI, W. Mind the Gap, Please! International Journal of Computer-Assisted Language Learning and Teaching, v. 14, n. 1, p. 1–28, 14 ago. 2024.
ALMEIDA, T. A.; TEIXEIRA, R. R. P. Explorando a fronteira entre Inteligência Artificial e Astronomia na Educação. Informática na educação: teoria & prática, Porto Alegre, v. 27, n. 1, 2024. DOI: 10.22491/1982-1654.138688. Disponível em: https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/138688. Acesso em: 18 ago. 2025.
ANSARI, A. N.; AHMAD, S.; BHUTTA, S. M. Mapping the global evidence around the use of ChatGPT in higher education: A systematic scoping review. Education and Information Technologies, v. 29, n. 9, p. 11281–11321, 20 jun. 2024.
AWS (Amazon Web Services). Amazon Web Services launches AI program as data reveals Australia’s AI education crisis. The Australian, 2025.
AZEVEDO, D. Próximos passos da agricultura digital: AgEvolution talks. Canal Rural, 17 jun. 2020. 2 vídeos (18min:23seg e 28min:47seg). [Webinar]. Disponível em: Parte 1: https://www.youtube.com/watch?v=2quKGLbQRyo. Parte 2: https://www.youtube.com/watch?v=CExIYmloc3M. Acesso em: 3 fev. 2021.
BARDO. Resposta ao prompt do usuário. [s. l.], 21 mai. 2024. Disponível em: https://lamda.ai/. Acesso em: [21 maio 2024].
BASTOS, M. A. D. Inteligência Artificial e o futuro do trabalho. O que apontam os estudos do FMI e quais são as reflexões. [s. l.], [s. d.]. Disponível em: (URL da fonte não fornecida). Acesso em: [Data de acesso].
BHULLAR, P. S.; JOSHI, M.; CHUGH, R. ChatGPT in higher education – a synthesis of the literature and a future research agenda. Education and Information Technologies, v. 29, n. 16, p. 21501–21522, 2 nov. 2024.
BOZKURT, A. et al. Artificial Intelligence in Education: Implications for Policymakers, Researchers, and Practitioners. Technology, Knowledge and Learning, 2024.
Education Above All. AI models aren’t made equal. Some nonprofits are creating their own tools instead. Business Insider, 2025.
FEIGENBAUM, Edward; BUCHANAN, Bruce G.; LEDERBERG, Joshua; DJERASSI, Carl. Desenvolvimento de Dendral, 1965. Em: Timeline of Milestones. 1965.
GARCÍA-PEÑALVO, F. J. La percepción de la inteligencia artificial en contextos educativos tras el lanzamiento de ChatGPT: disrupción o pánico. Education in the Knowledge Society, vol. 24, p. e31279, 2023.
GOERTZEL, B. et al. Artificial General Intelligence movement, por volta de 2002. History of artificial intelligence. 2025.
HOLLAND, A.; CIACHIR, C. A qualitative study of students’ lived experience and perceptions of using ChatGPT: immediacy, equity and integrity. Interactive Learning Environments, p. 1–12, 13 maio 2024.
KAPLAN; Haenlein. Desenvolvimento dos Transformers a partir de 2017. History of artificial intelligence. 2025.
KASNECI, E. et al. ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, v. 103, p. 102274, abr. 2023.
KUMAR, A. et al. Does ChatGPT foster academic misconduct in the future? Public Administration and Policy, v. 27, n. 2, p. 140–153, 12 set. 2024.
LIGHTHILL, James. Crítica que desencadeou o IA Winter nos anos 1970. History of artificial intelligence. 2025.
LIM, W. M. et al. Generative AI and the future of education: Ragnarök or reformation? A paradoxical perspective from management educators. The International Journal of Management Education, v. 21, n. 2, p. 100790, jul. 2023.
MACHADO, J. dos S. et al. A inovação tecnológica e os desafios representados pela Inteligência Artificial. Revista Thema, Pelotas, v. 22, n. 1, p. 151–168, 2023. DOI: 10.15536/thema.V22.2023.151-168.2991. Disponível em: https://periodicos.ifsul.edu.br/index.php/thema/article/view/2991. Acesso em: 18 ago. 2025.
MCCARTHY, J.; MINSKY, M.; ROCHESTER, N.; SHANNON, C. A seminal 1956 workshop. Dartmouth Summer Research Project on Artificial Intelligence, 1956.
MICHEL-VILLARREAL, R. et al. Challenges and Opportunities of Generative AI for Higher Education as Explained by ChatGPT. Education Sciences, v. 13, n. 9, p. 856, 23 ago. 2023.
MUÑOZ-CANTERO, J. M.; ESPIÑEIRA-BELLÓN, E. M. Intelligent Plagiarism as a Misconduct in Academic Integrity. Acta Médica Portuguesa, v. 37, n. 1, p. 1–2, 30 nov. 2023.
MUTHUKRISHNAN, et al. Big Data, Deep Learning e revolução da IA na década de 2010. AI Through the Ages, 2024.
NILOY, A. C. et al. Is Chatgpt a menace for creative writing ability? An experiment. Journal of Computer Assisted Learning, v. 40, n. 2, p. 919–930, 21 abr. 2024.
OLIVEIRA, O. O Futuro da Ciência e Tecnologia com a Inteligência Artificial. Instituto de Física Gleb Wataghin – Unicamp, 2024. (Vídeo do YouTube). Disponível em: (URL da fonte não fornecida). Acesso em: 18.08.2025.
OPENAI. ChatGPT. Disponível em: https://chat.openai.com/. Acesso em: 20 jan. 2025.
PERKINS, M. Academic Integrity considerations of AI Large Language Models in the post-pandemic era: ChatGPT and beyond. Journal of University Teaching and Learning Practice, v. 20, n. 2, 1 jan. 2023.
PONTES, Acelino. Prolegômenos à Nova Matemática. Fortaleza: Scientia Publishers, 2023. 232 p.
RIBEIRO, R. EDITORIAL: Regulação da Inteligência Artificial no Brasil e no mundo. SBPC, 19 abr. 2024. Disponível em: (URL da fonte não fornecida). Acesso em: 18.08.2025.
RUSSELL, Stuart J.; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 4ª ed., Prentice Hall, 2020.
SALDANHA, T. O futuro já começou: como a IA está ditando a nova revolução industrial. Startups, 24 jul. 2025. Disponível em: (URL da fonte não fornecida). Acesso em: 18.08.2025.
SAMSUNG Solve for Tomorrow. 88 % dos pais dizem que IA é crucial mas escolas não ensinam. Parents.com, 2024.
SCHEDLER, G. In: OLIVEIRA, O. O Futuro da Ciência e Tecnologia com a Inteligência Artificial. Instituto de Física Gleb Wataghin – Unicamp, 2024. (Vídeo do YouTube). Disponível em: (URL da fonte não fornecida). Acesso em: 18.08.2025.
SCHMIDHUBER, Jürgen. 2006: Celebrating 75 years of AI – History and Outlook: the Next 25 Years. arXiv, 2007.
SHANNON, Claude. Theseus, o rato mecânico. Claude Shannon, 1950.
SHOUFAN, A. Exploring Students’ Perceptions of ChatGPT: Thematic Analysis and Follow-Up Survey. IEEE Access, v. 11, p. 38805–38818, 2023.
SILVA, D. et al. ÉTICA NA INTELIGÊNCIA ARTIFICIAL: DESAFIOS E PERSPECTIVAS. devTEC – Seminário de Desenvolvimento, Conhecimento e Tecnologia, v. 2, n. 2, 11 jun. 2024.
SILVA, G. T. S.; SILVA, A. C. da. Avanço da ciência de dados e big data, inteligência artificial, aprendizado de máquina e cooperativas de dados. In: Plataforma Visão de futuro do Agro. [s. l.], [s. d.]. Disponível em: https://www.embrapa.br/visao-de-futuro/agrodigital/sinal-e-tendencia/avanco-da-ciencia-de-dados-e-big-data-inteligencia-artificial-aprendizado-de-maquina-e-cooperativas-de-dados. Acesso em: 02 mai. 2023.
SILVA, L. S. da. INTELIGÊNCIA ARTIFICIAL GENERATIVA NA PRODUÇÃO CIENTÍFICA: IMPACTOS POSITIVOS, DESAFIOS ÉTICOS E LIMITAÇÕES. 2025. Trabalho de Conclusão de Curso (Bacharelado Interdisciplinar em Ciência e Tecnologia do Mar) – Universidade Federal de São Paulo, Santos, 2025.
SIMON, Herbert. Previsões sobre IA em meados do século XX. Artificial Intelligence Through Time, década de 1960.
SONG, N. Higher education crisis: Academic misconduct with generative AI. Journal of Contingencies and Crisis Management, v. 32, n. 1, 9 mar. 2024.
SUSSKIND, Daniel. Spend a third of school lessons on AI, says economist. The Times, 2025.
TAMANNA, M.; SINHA, B. A conceptual analysis of artificial intelligence (AI) on academic opportunities and challenges: a case study based on higher educational institutions in Bangladesh. Quality Assurance in Education, 16 jul. 2024.
TOYOKAWA, et al. The Impact of Artificial Intelligence on Inclusive Education: A Systematic Review. MDPI, 2023.
VAN BRUMMELEN, Jessica; LIN, Phoebe. Engaging Teachers to Co-Design Integrated AI Curriculum for K-12 Classrooms. arXiv, 2020.
Walter, Yoshija. Embracing the future of Artificial Intelligence in the classroom… International Journal of Educational Technology in Higher Education, 2024.
WEIZENBAUM, Joseph. Desenvolvimento de Eliza, 1966. Timeline of Milestones, 1966.
WILLIAMS, R. T. The ethical implications of using generative chatbots in higher education. Frontiers in Education, v. 8, 8 jan. 2024.
Osvaldo Novais de Oliveira Junior
Físico de formação, tendo concluído o doutorado na University of Wales, Bangor, Reino Unido, e recebido o título de Doutor Honoris Causa da Universidade Federal do Mato Grosso do Sul em 2019.
É diretor do Instituto de Física de São Carlos, Universidade de São Paulo. Publicou cerca de 750 artigos em periódicos especializados, 23 capítulos de livros, 2 livros de divulgação científica, 1 livro sobre escrita científica em inglês, 3 livros com coletâneas sobre nanotecnologia, tendo submetido 13 pedidos de patentes. Esses trabalhos receberam cerca de 22.700 citações (fator h = 68) na Web of Science, e 34.100 citações (h= 86) no Google Scholar (dados de agosto de 2025). Orientou 53 mestres e doutores.
É membro fundador do Núcleo Interinstitucional de Linguística Computacional (NILC), que desenvolveu o revisor gramatical ReGra, agraciado com 2 prêmios de inovação tecnológica e que integrou o processador de texto Word for Windows por vários anos.
Suas principais áreas de atuação são em filmes orgânicos nanoestruturados, e processamento de línguas naturais.
Foi presidente da Sociedade Brasileira de Pesquisa em Materiais (SBPMat) (2016 a 2020), e da International Union of Materials Research Societies (IUMRS) em 2023-2024.
É membro da Academia de Ciências do Estado de São Paulo, da Academia Brasileira de Ciências e da Academia de Ciências da América Latina, e editor executivo da revista ACS Applied Materials Interfaces.
Recebeu o Prêmio Scopus 2006, outorgado pela Elsevier do Brasil e a Capes, como um dos 16 pesquisadores brasileiros com maior produção científica, com base no número de publicações, citações e orientações.
CV Lattes: http://lattes.cnpq.br/8582867831317500