1

Momade António Rihela

Estratégias e Fundamentos da Física Computacional e os Recursos da Inteligência

Artificial Aplicados na Resolução de Problemas concretas

(Curso de Licenciatura em Física)

Universidade Rovuma

Nampula, Setembro de 2025

 2

Momade António Rihela

Estratégias e Fundamentos da Física Computacional e os Recursos da Inteligência

Artificial Aplicados na Resolução de Problemas concretas

(Curso de Licenciatura em Física)

Trabalho de Investigação de carácter avaliativo,

IIº Semestre, 3° ano, lecionado pelo:
Docente: Ivens Sualehe

Universidade Rovuma

Nampula, Setembro de 2025

 3

Índice
1. Introdução ............................................................................................................................... 4

2. Fundamentos e Estratégias da Física Computacional............................................................. 5

2.1.Área de atuação da Física Computacional ........................................................................ 5

2.2.O início da Computação ................................................................................................... 6

[Link]ância da Física Computacional .............................................................................. 7

[Link]ção da Física Computacional ................................................................................. 7

[Link]égias e o processo criativo ....................................................................................... 9

[Link] recursos da inteligência artificial aplicados na resolução de problemas concretos ......... 10

[Link] ........................................................................................................................ 10

[Link]ória da Inteligência Artificial ................................................................................... 11

4. Aplicação da Inteligência Artificial na Resolução de Problemas Concretos ....................... 14

Conclusão ................................................................................................................................. 21

Referências Bibliográficas ........................................................................................................ 22

 4

1. Introdução
O presente trabalho científico explora a interseção entre a Física Computacional e a
Inteligência Artificial (IA), demonstrando como a sinergia dessas áreas pode melhorar a
resolução de problemas físicos complexos. O objetivo é apresentar os fundamentos teóricos e
as estratégias práticas de ambas as disciplinas, exemplificando sua aplicação na resolução de
problemas concretos em física, como a simulação de dinâmica molecular, a análise de dados
experimentais em física de partículas e a otimização de materiais.

A Física Computacional surgiu como uma resposta a esse desafio, transformando a

abordagem para a resolução de problemas físicos. Ao invés de buscar soluções analíticas
exatas, ela utiliza algoritmos e métodos numéricos para simular o comportamento de sistemas
físicos em computadores, aproximando-se da solução com alta precisão (Faria 2018). Essa
área se tornou o terceiro pilar da física, ao lado da teoria e da experimentação, permitindo aos
físicos explorar novos regimes e prever fenômenos que não poderiam ser observados em
laboratório.

A união dessas duas áreas, Física Computacional e IA, abre um novo horizonte para a ciência.
A IA pode ser usada para melhorar os parâmetros de simulações físicas, acelerar cálculos
complexos, ou até mesmo descobrir novas leis e padrões a partir de dados gerados por
simulações ou experimentos.
 5

2. Fundamentos e Estratégias da Física Computacional

A física, em sua essência, busca compreender as leis que regem o universo, do nível
subatômico ao cosmológico. Historicamente, essa busca foi impulsionada por métodos
analíticos, que permitiam encontrar soluções exatas para equações que descrevem fenômenos
físicos. No entanto, muitos problemas do mundo real, como a dinâmica de fluidos turbulentos,
o comportamento de sistemas com múltiplos corpos interagindo ou a mecânica quântica de
sistemas complexos, são intrinsecamente não lineares e não admitem soluções exatas.

Segundo o site Universo Racionalista (2016), Física Computacional (FC) é uma área
multidisciplinar que combina Física, Matemática aplicada e ciência da computação, com o
objetivo de resolver problemas nas ciências naturais – sobretudo na Física.

Simulações computacionais começam a ser usadas como ferramenta científica em

Meteorologia e física nuclear logo apos a segunda guerra, e tem-se tornado indispensáveis
num número crescente de áreas desde então.

As pesquisas da Física computacional, em sua forma mais tradicional, prevê que esse estudo
atinja equações, onde a álgebra não consegue alcançar. Essa parte da física utiliza técnicas
que podem resolver os problemas de muitas áreas interligadas aos seus estudos.

Nele são utlizados muitos mecanismos importantes, entre eles técnicas estatísticas como o
Método de Monte Carlo e matriciais, que são usados na resolução de problemas de
autovalores e autovetores.

2.1.Área de atuação da Física Computacional

Cada vez mais a computação tem-se mostrado uma ferramenta importante para a solução de
diversas necessidades humanas. Esse instrumento científico começou a ser utilizado na
meteorologia e na física nuclear logo depois da segunda guerra mundial, e tem-se tornado
fundamental em diversas áreas da física.

As algumas áreas de atuação da computacional:

 Astrobiologia
 Astrofísica
 Automação Industrial
 Biofísica
 Bioinformática
 6

 Biologia Estrutural
 Bioquímica
 Ciência dos Materiais
 Ciência Oceânica
 Cosmologia
 Estatística
 Física de Partículas
 Física Moderna
 Fusão Nuclear
 Inteligência Artificial
 Matemática Financeira
 Mecânica Quântica
 Nanotecnologia
 Neurociência
 Previsão do Tempo
 Sistemas de Equações Diferenciais
 Teoria de Campos

Segundo Ribeiro (2019), A física tem o objetivo de compreender o funcionamento dos

elementos que compõem o universo. Ela usa a matemática como forma de manter a interação
com a natureza.

Normalmente a Física Computacional é utlizada quando não é possível resolver algum

problema de forma analítica ou quando existe muitos dados para serem processados.

2.2.O início da Computação

Os Estados Unidos da América foi primeiro no uso do computador, sendo o primeiro
equipamento utilizado em 1945.

Anos depois, a máquina foi aprimorada e passou a realizar inúmeros cálculos matemáticos por
segundo, algo inacreditável para a época. Essas equações eram complexas e inacessíveis aos
homens.

Por isso, mesmo que a teoria matemática não conseguisse descrever toda a realidade, seria
possível a partir daí aprofundar o conhecimento sobre outros setores dessa realidade.
 7

Na atualidade alguns supercomputadores que estão instalados em centros de pesquisa são

aptos a desenvolver dezenas de petaflops,ou seja, quatrilhões de funcionalidades sendo
realizadas ao mesmo tempo e a cada segundo.

Com essa altíssima velocidade é possível realizar simulações de fenómenos meteorológicos,

subatómicas e galácticos, tudo de maneira segura e com o máximo de precisão.

Para reproduzir as simulações é necessário um amplo entendimento dos conceitos teóricos da

física aliada ao conhecimento de técnicas da computação, dando origem a uma disciplina
independente chamada física computacional.

[Link]ância da Física Computacional

O uso do computador tem possibilitado entender, aprofundar e desenvolver alternativas
eficientes para fenômenos que estão além do controle humano como é caso das tempestades.

É através dessa tecnologia que a ciência tem evoluído, principalmente na exploração de

fenômenos considerados extremos, como é o caso das colisões de partículas subatômicas. É
por meio desse conhecimento que são desenvolvidos os chamados supercomputadores.

Os modelos desenvolvidos pelos engenheiros a partir da Física Computacional trabalha em

diversas áreas como biologia, química, engenharia, medicina, novos materiais, dispositivos
eletrônicos, nanotecnologia e até nas análises feitas no mercado financeiro.

[Link]ção da Física Computacional

A Física Computacional tem como principal tarefa conseguir resolver situações que não é
possível através dos estudos teóricos. Como é o caso da descoberta de sequências
matemáticas, que não podem ser resolvidas por meio das equações matemáticas.

Esse é o caso dos números primos, que até os dias atuais não foi elaborado cálculo
matemático capaz de listar todos os primos ou saber se uma equação muito grande é de fato
um número primo ou não.

Porém, com a ajuda da computação é possível identificar se um número gigantesco é um

primo. Além disso, os computadores são capazes de realizar cálculos maiores e mais
complexos que os assistidos na teoria.

Por meio de recursos computacionais os cientistas conseguem previamente identificar

fenômenos meteorológicos.
 8

Outra forma de aplicação da Física Computacional é a criação de supercomputadores, que

conseguem simular muitos acontecimentos atmosféricos com antecedência e com muita
precisão.

Desta forma, é possível utilizar embasamentos teóricos para desenvolver supermáquinas

computacionais. Esse é o caso do Tupã, que recebeu o título de supercomputador mais rápido
do hemisfério sul. Ele está instalado no Instituto Nacional de Pesquisas Espaciais (Inpe), na
cidade de Cachoeira Paulista (a 202 km de São Paulo).

O Tupã é o terceiro equipamento mais poderoso no que diz respeito à previsão do tempo. Ele
ajudar a identificar de forma mais rápida fenômenos naturais como as tempestades que
causam enchentes e deslizamentos de terra.

Não tem como falar em tecnologia sem mencionar a China, que assume a liderança na lista
das supermáquinas. Os chineses possuem o Tianhe-1-A, um equipamento 20 vezes mais
poderosa que o Tupã. O Supercomputador chinês opera a 4,7 PetaFlops.

A Física Computacional se baseia em um conjunto de princípios e técnicas para traduzir

problemas físicos em algoritmos computacionais. O processo, geralmente, envolve as
seguintes etapas:

Modelagem do Problema

O primeiro passo é traduzir o problema físico para um modelo matemático. Isso pode
envolver a formulação de equações diferenciais (equação de Schrödinger, equações de
Navier-Stokes), sistemas de equações algébricas ou modelos estatísticos. Um exemplo
clássico é a simulação do movimento de um projétil, que é descrito por um sistema de
equações diferenciais ordinárias (Menezes, 2010).

Discreta ação e Métodos Numéricos

Como os computadores trabalham com números discretos, é necessário transformar o modelo

contínuo em um conjunto de pontos discretos. Métodos como as diferenças finitas, elementos
finitos e volumes finitos são amplamente utilizados para resolver equações diferenciais,
substituindo as derivadas por aproximações numéricas.
 9

Para a simulação de sistemas estatísticos, o método de Monte Carlo é uma estratégia crucial,
usando números aleatórios para explorar o espaço de configurações do sistema (Chapra,
2008).

Simulação e Análise de Dados

Após a implementação dos métodos numéricos, o computador executa a simulação, gerando

uma vasta quantidade de dados. A visualização desses dados é fundamental para a análise e
interpretação dos resultados. Ferramentas de visualização computacional transformam os
dados numéricos em gráficos, animações e modelos 3D, facilitando a compreensão de
fenômenos complexos, como a evolução de uma supernova ou a dinâmica de um fluido em
um conduto.

Métodos de elementos finitos (FEM): Dividem um objeto complexo em pequenas partes

para analisar a distribuição de tensões, calor ou campos elétricos, por exemplo.

Programação e computação: A implementação desses algoritmos requer o uso de linguagens

de programação como Python, C++, Fortran ou Julia. A eficiência do código é crucial,
especialmente para simulações em grande escala. O uso de computação de alto desempenho
(HPC) com processadores paralelos e GPUs é comum para acelerar os cálculos.

Visualização e análise de dados: A saída de uma simulação computacional é geralmente

uma grande quantidade de dados. Ferramentas de visualização, como Matplotlib ou
ParaView, são essenciais para transformar esses dados em gráficos, animações e imagens que
ajudem a entender os resultados físicos.

Algoritmos numéricos: Como a maioria das equações físicas não tem uma solução analítica
(exata), a física computacional se baseia em algoritmos numéricos. Esses são procedimentos
matemáticos que aproximam a solução. Alguns dos mais comuns incluem:

Métodos de integração: Usados para resolver equações diferenciais, como as que descrevem
o movimento de um objeto. O método de Euler e o de Runge-Kutta são exemplos.

[Link]égias e o processo criativo

A física computacional não é apenas sobre matemática e código, é também sobre estratégia e
criatividade. O processo é mais parecido com a solução de um quebra-cabeça do que com um
cálculo mecânico. A primeira etapa, a formulação do problema, exige clareza. Precisamos nos
 10

perguntar: O que queremos realmente saber? e Quais são as perguntas que a simulação pode
responder?.

A escolha do modelo é um momento crucial. O físico computacional deve decidir quais

simplificações são aceitáveis para tornar o problema computacionalmente viável. Por
exemplo, modelar um metal a nível. Por exemplo, modelar um metal a nível atômico com
todas as interações de elétrons pode ser complexo demais.

Uma estratégia pode ser usar o método de elementos finitos para tratar o material como um
contínuo e analisar a distribuição de tensões e deformações (Strang & Fix, 2008).

Depois, a implementação é o momento de dar vida ao modelo. Escrever um código limpo e

eficiente é uma arte. A validação é a etapa em que o cientista respira fundo e compara os
resultados da sua simulação com dados experimentais ou resultados teóricos já conhecidos.

É o momento de provar que o "universo" que você criou no computador se comporta como o
real. E a etapa final, a análise dos resultados, é onde a descoberta acontece. Gráficos,
animações e visualizações complexas revelam padrões e insights que seriam invisíveis de
outra forma. É o ponto em que os números se transformam em conhecimento.

Em essência, a física computacional nos dá a liberdade de explorar mundos que não podemos
tocar, de prever o futuro de sistemas complexos e de desvendar o passado. É uma disciplina
que combina a lógica fria da matemática com a curiosidade e a criatividade da ciência.

[Link] recursos da inteligência artificial aplicados na resolução de problemas concretos

[Link]
A inteligência artificial é um campo da ciência que se concentra na criação de computadores
e maquinas que podem raciocinar, aprender e atuar de maneira que normalmente exigiria
inteligência humana ou que envolve dados com escala maior do que as pessoas podem
analisar.

A inteligência artificial (IA) é um conjunto de tecnologias que permitem aos computadores

executar uma variedade de funções avançadas, incluindo a capacidade de ver, entender e
traduzir idiomas falados e escritos, analisar dados, fazer recomendações e muito mais. A
 11

[Link]ória da Inteligência Artificial

A evolução da Inteligência Artificial (IA) é marcada por avanços tecnológicos e

transformações sociais que moldaram a maneira como vivemos e trabalhamos. Desde seu
nascimento nos anos 1950 até os desenvolvimentos atuais, a história da IA é rica em inovação
e aprendizado constante. Abaixo, exploramos as principais fases dessa trajetória.

Anos 1950: O Nascimento da IA

A década de 1950 viu o surgimento da IA como um campo de estudo distinto. Em 1956, o

termo “Inteligência Artificial” foi cunhado por John McCarthy durante a conferência de
Dartmouth. Este evento marcou o início oficial das pesquisas em IA.

Programas como o Logic Theorist, desenvolvido por Allen Newell e Herbert Simon,
representaram as primeiras tentativas de replicar a lógica humana em máquinas. Esses
primeiros esforços mostraram que computadores poderiam realizar tarefas consideradas
“inteligentes”, estabelecendo as bases para as décadas seguintes.

Anos 1960-1970: Primeiros Sucessos e Desafios

Nos anos 1960, as pesquisas em IA ganharam tração com o desenvolvimento de sistemas

simbólicos e linguagens de programação especializadas, como LISP, criada por John
McCarthy. Durante essa época, projetos como o General Problem Solver (GPS) tentaram criar
algoritmos capazes de resolver uma ampla gama de problemas.

Apesar de alguns sucessos, as limitações tecnológicas da época e a falta de poder

computacional levaram a um período conhecido como “IA Winter”, durante os anos 1970,
onde o interesse e o financiamento em IA diminuíram drasticamente.

Anos 1980: A Renascença da IA

A década de 1980 foi marcada por uma revitalização do interesse na IA. Sistemas
especialistas, que eram programas desenvolvidos para resolver problemas em domínios
específicos, se tornaram populares. Empresas começaram a adotar essas tecnologias para
melhorar a eficiência de suas operações.

Ao mesmo tempo, avanços em redes neurais começaram a emergir, embora ainda estivessem
limitados pela capacidade computacional. Essa combinação de inovação e aplicação prática
trouxe a IA de volta ao radar das grandes corporações e governos.
 12

Anos 1990-2000: Expansão e Consolidação

Nos anos 1990, a IA começou a sair dos laboratórios e encontrar aplicações no mundo real. O
aprendizado de máquina tornou-se um foco central, possibilitando que sistemas de IA
aprendessem com dados em vez de dependerem exclusivamente de regras programadas. Em
1997, o mundo testemunhou um marco significativo quando o supercomputador Deep Blue da
IBM derrotou o campeão mundial de xadrez Garry Kasparov. Este evento simbolizou o
avanço do poder da IA em tarefas complexas e estratégicas.

Anos 2010-2020: A Revolução do Deep Learning

Com o advento do deep learning, a IA entrou em uma nova era. Redes neurais profundas,
alimentadas por grandes volumes de dados e poderosas GPUs, começaram a superar os
métodos tradicionais em várias tarefas.

Tecnologias como reconhecimento de fala e imagem se tornaram comuns, e assistentes

virtuais como Siri, Alexa e Google Assistant começaram a fazer parte da vida cotidiana. Essa
revolução foi impulsionada por empresas de tecnologia que investiram pesadamente em
pesquisa e desenvolvimento, tornando a IA acessível a um público mais amplo.

Futuro da IA: 2020 em Diante

Desde 2020, a IA tem se concentrado no desenvolvimento de modelos de linguagem de

grande escala, como o GPT-3. Esses modelos são capazes de gerar texto, entender linguagem
natural e realizar tarefas complexas com níveis impressionantes de precisão. Além disso, a IA
autônoma, como veículos sem motorista e robôs industriais, está se tornando uma realidade
cada vez mais próxima. No entanto, questões éticas, como viés algorítmico e privacidade,
permanecem desafios cruciais para o futuro.

A linha do tempo da IA demonstra uma progressão notável, repleta de altos e baixos. Cada
fase trouxe inovações que não apenas impulsionaram a tecnologia, mas também impactaram a
sociedade de maneiras profundas. À medida que avançamos, o equilíbrio entre inovação e
ética será essencial para moldar um futuro onde a IA continue a beneficiar a humanidade.

Quem foram os pioneiros na história da Inteligência Artificial?

O progresso da Inteligência Artificial (IA) não seria possível sem as mentes brilhantes que
lançaram as bases desse campo revolucionário. Desde os primeiros conceitos teóricos até as
 13

aplicações práticas que transformam a sociedade moderna, os pioneiros da IA

desempenharam papéis fundamentais. Nesta seção, exploraremos as contribuições de algumas
das figuras mais influentes.

Alan Turing: O Visionário da Computação

Alan Turing é amplamente reconhecido como um dos pais da ciência da computação

moderna. Seu trabalho teórico, incluindo o conceito de máquinas de Turing, estabeleceu os
alicerces para a criação de computadores programáveis. Em 1950, Turing introduziu o famoso
“Teste de Turing”, um método para avaliar a capacidade de uma máquina de exibir
comportamento inteligente equivalente ao humano. Este teste permanece um marco na
filosofia da IA, influenciando discussões sobre a natureza da inteligência e consciência.

John McCarthy: O Pai da IA

John McCarthy foi o responsável por cunhar o termo “Inteligência Artificial” em 1956
durante a conferência de Dartmouth. Ele também criou a linguagem de programação LISP,
que se tornou um padrão para pesquisas em IA por décadas. McCarthy acreditava no potencial
da IA para resolver problemas complexos, desde jogos até diagnósticos médicos, e seu
trabalho ajudou a estruturar a IA como um campo de estudo independente.

Marvin Minsky: Explorando as Redes Neurais

Marvin Minsky foi um dos primeiros a investigar o uso de redes neurais para simular a
aprendizagem humana. Seu livro “Perceptrons” (coautoria com Seymour Papert) foi influente
ao apontar as limitações e possibilidades desse modelo. Além disso, Minsky contribuiu para a
criação de sistemas especialistas e fundou o Laboratório de Inteligência Artificial do MIT,
que se tornou um dos centros mais importantes para a pesquisa em IA.

Claude Shannon: O Teórico da Informação

Claude Shannon, conhecido como o “pai da teoria da informação”, também teve impacto
significativo no desenvolvimento da IA. Seus estudos sobre a lógica simbólica e a
representação de informações influenciaram a maneira como os sistemas computacionais
processam dados. Ele foi um dos primeiros a considerar como os computadores poderiam
jogar xadrez, contribuindo para o desenvolvimento de algoritmos estratégicos.

Geoffrey Hinton: O Mestre do Deep Learning

 14

Geoffrey Hinton é um nome central na era moderna da IA, particularmente no campo do

aprendizado profundo. Seus trabalhos com redes neurais profundas revolucionaram áreas
como reconhecimento de fala, imagem e processamento de linguagem natural. Hinton foi
fundamental para popularizar o uso de backpropagation, uma técnica essencial para o
treinamento de redes neurais modernas.

Outros Nomes Relevantes

Além dos nomes acima, figuras como Herbert Simon, Allen Newell, e Fei-Fei Li também
fizeram contribuições significativas. Simon e Newell foram pioneiros no desenvolvimento de
sistemas simbólicos e na criação de programas que simulavam processos cognitivos humanos.
Fei-Fei Li, por sua vez, foi uma das líderes na criação de grandes conjuntos de dados, como o
ImageNet, que impulsionaram a evolução do aprendizado profundo.

Os pioneiros da IA foram visionários que imaginaram e começaram a concretizar um futuro

onde máquinas podem complementar e ampliar as capacidades humanas. Suas contribuições
continuam a influenciar gerações de pesquisadores, moldando um campo que evolui
constantemente. Enquanto exploramos novas fronteiras, é essencial reconhecer e valorizar os
alicerces estabelecidos por essas mentes brilhantes.

4. Aplicação da Inteligência Artificial na Resolução de Problemas Concretos

Segundo Tableau (2023), a Inteligência Artificial já está presente em diversas áreas do
cotidiano, como internet, marketing, saúde, educação e indústria, mostrando seu impacto
crescente na vida das pessoas.

1. IA na Internet

Quando pensamos em Inteligência Artificial, talvez o que venha primeiro à nossa mente são
aquelas máquinas que conseguem simular a habilidade humana de pensar e realizar tarefas
autônomas, como construir um carro praticamente sozinhas.

Mas a Inteligência Artificial está muito mais próxima de nós do que essas máquinas. Ela está
presente nos aplicativos do seu celular, na sua televisão Smart ou em dispositivos Alexa
conectados à Internet e também no seu computador, quando você acessa um sistema de busca.
 15

Algoritmos de recomendação e relevância

No mundo atual, estamos todos rodeados pela Inteligência Artificial que potencializa nosso
padrão de consumo por meio dos algoritmos de recomendação quando visitamos um site de e-
commerce, por exemplo. Isso sem falar nos algoritmos de relevância, que permeiam toda a
nossa navegação nas redes sociais e hoje representam o trampolim para transformar
adolescentes em celebridades digitais.

Google

O Google disponibiliza diversos recursos baseados em machine learning e Inteligência

Artificial. O principal deles, o mecanismo de pesquisa, faz o processamento de linguagem
natural e conta com o GoogleBot, um robô que rastreia toda a web em busca dos melhores
resultados de pesquisa.

Nos smartphones, o Google está presente por meio de seus assistentes virtuais que
“conversam” com os usuários e até mesmo fazem ligações e interagem com os contatos.
Também no seu celular, a Inteligência Artificial do Google categoriza fotos por meio do
reconhecimento facial.

Um novo recurso do Google Lens permite que você encontre a mesma estampa em outra peça
de roupa a partir da foto de uma camisa, por exemplo.

E depois de revolucionar nossos deslocamentos com o Google Maps, a empresa lançou o

Google Trip, O recurso ajuda a criar um roteiro da sua próxima viagem, organizando os
destinos, locais favoritos e até mesmo realizando as reservas necessárias.

Amazon

A Amazon consegue analisar seu comportamento digital para fazer suas recomendações de
compra. Seu sistema de recomendações de produtos é baseado em Inteligência Artificial de e-
commerce e chamado internamente de “item-based collaborative filter”. Imagine assistir a um
filme de super-herói no Prime – o sistema de streaming da empresa – e receber uma oferta da
camiseta do personagem no mesmo dia, por e-mail?

Além de saber muito sobre seus hábitos de consumo, na outra ponta - – a de logística – a
Amazon pretende utilizar câmeras para monitorar seus entregadores enquanto dirigem. O
 16

sistema é capaz de filmar e fornecer análises baseadas em Inteligência Artificial e notificar,

por exemplo, quando o motorista se distrai ao volante.

Assistentes pessoais e casas inteligentes

Empresas como a Amazon e o Google também estão surfando no segmento de assistentes

pessoais com Inteligência Artificial e casas inteligentes, com produtos que acabaram com o
mito de que automatizar um imóvel é caro.

Além das lâmpadas inteligentes que fazem sucesso nos lares brasileiros, a tecnologia também
é cada vez mais vista nos eletrodomésticos, a começar pelas Smart TVs com Inteligência
Artificial. Elas já respondem a dúvidas feitas pelos usuários e podem se tornar centralizadoras
de casas inteligentes, para executar tarefas, criar rotinas ou até mesmo fazer compras. Mas
outras atividades estão cada vez mais comuns no cotidiano dos brasileiros, como ligar o ar-
condicionado, controlar a temperatura da geladeira ou configurar o ciclo da máquina de
lavar/secar, tudo à distância.

Amazon Alexa

Não é de hoje que grandes empresas da área de tecnologia, como Google, Apple e Microsoft,
têm investido pesado em soluções com assistentes pessoais inteligentes. A Inteligência
Artificial da Alexa, assistente virtual da Amazon, funciona por meio do machine learning e
pode configurar alarmes, fazer a previsão do tempo ou tocar uma playlist.

Além disso, a Alexa tem compatibilidade com muitos aplicativos, como Spotify, Uber,
Samsung Smart Things e até iFood, e pode interagir com eletrodomésticos, controles remotos
e interruptores. E o melhor de tudo é que, com o passar do tempo, a Inteligência Artificial da
assistente virtual da Amazon foi capaz de se adaptar exatamente aos gostos dos brasileiros.

Google Assistente

Outro assistente virtual que caiu no gosto dos brasileiros é o Google Assistente. Com ele, os
usuários podem encontrar as informações que precisam e organizar a vida com praticidade e
rapidez, usando apenas a voz.

A Inteligência Artificial do Google Assistente permite a integração com diversos aplicativos,

e o resultado disso são o mais de 1 milhão de ações que podem ser feitas por pessoas em
todos os lugares do mundo.
 17

As parcerias locais permitem aos usuários brasileiros ouvir notícias da CBN, Jovem Pan e
Rádio Globo, assistir ao catálogo da Globoplay, reservar uma mesa no Restorando ou chamar
um carro pelo 99 Táxi, entre tantas possibilidades.

Filtros de spam e conteúdo impróprio

O Google também está apostando no seu framework de machine learning para bloquear
mensagens de spam que chegam ao Gmail de seus usuários. Neste caso, a Inteligência
Artificial tem sido aplicada para “treinar” filtros adicionais de spam no serviço de e-mails.
Segundo a empresa, a tecnologia consegue bloquear mais de 100 milhões de mensagens de
spam todos os dias.

Nessa mesma linha, o Facebook e o YouTube utilizam a Inteligência Artificial para realizar a
moderação de conteúdo que esteja em desacordo com as diretrizes das empresas ou restringir
conteúdo por idade. As postagens que não cumprem as regras são detetadas automaticamente
e, em alguns casos, são excluídas, e as contas dos autores bloqueadas.

2. IA na comunicação e no marketing

Na comunicação e no marketing, a Inteligência Artificial permite analisar o comportamento

do consumidor por meio dos dados de navegação em redes sociais ou sites. Isso ajuda as
empresas a aperfeiçoar seus sistemas de recomendação e vendas.

Outro bom exemplo desta abordagem é a utilização cada vez mais frequente dos chatbots na
interação com os clientes. Apoiando-se em machine learning, os bots interagem com as
pessoas simulando a linguagem natural dos humanos e, conforme são usados, personalizam
cada vez mais a experiência do usuário com a aplicação.

Um dos maiores exemplos do uso da Inteligência Artificial nas estratégias de marketing

digital é a otimização de anúncios. No Google ou no Facebook, a tecnologia ajuda na
segmentação do público, levando uma campanha ao seu público-alvo mais assertivo e
qualificado para aumentar consideravelmente as taxas de conversão.

Na contramão de todos esses avanços, a Inteligência Artificial tem sido usada para espalhar os
deepfakes – vídeos que, apesar de serem falsos, são bastante realistas. Geralmente, os
deepfakes são imagens que mostram alguém realizando ações que nunca fez ou dizendo
coisas que não condizem com sua natureza.
 18

3. IA na análise de big data e carros autônomos

Além das grandes montadoras internacionais de automóveis, gigantes como a Apple, o

Google e a Tesla acreditam que a automação veicular terá um impacto positivo na segurança
nas ruas e estradas e reduzirá o consumo de combustível.

No entanto, os carros autônomos operam sem um motorista humano – um conceito bastante

controverso. Para garantir a segurança, são equipados com sensores de alta precisão, capazes
de detectar perturbações mínimas e saber, por exemplo, graças aos recursos da Inteligência
Artificial em carros, quando os freios precisarão ser acionados.

A análise de big data e o uso da Inteligência Artificial nos veículos autônomos permitirão a
integração com redes municipais, estaduais ou federais para gerar dados sobre o ambiente e
vias locais e monitorar congestionamentos, acidentes ou perigos no percurso, por exemplo.

4. IA no metaverso

Muito tem se falado sobre o advento do metaverso – uma rede permanente de mundos em 3D,
renderizados em tempo real e que podem ser experimentados de forma sincronizada por um
número ilimitado de usuários que interagem entre si por meio de avatares, cada um com
presença e experiência individuais.

Pegando esta onda, o Facebook já anunciou que as experiências que estão sendo construídas
para o seu festejado metaverso exigirão um enorme poder computacional (quintilhões de
operações por segundo) e que seu supercomputador “AI Research SuperCluster” – o RSC –
permitirá novos modelos de Inteligência Artificial que poderão aprender com trilhões de
exemplos e entender centenas de idiomas, por exemplo.

5. IA na educação e aprendizagem

O uso da Inteligência Artificial na educação permite a um aluno estudar em qualquer lugar do

mundo, a qualquer hora e com muito mais eficiência, pois os conteúdos são disponibilizados
de acordo com as necessidades individuais. Graças a essa experiência individual, o aluno
consegue tirar dúvidas e ter autonomia para revisar conteúdos e ser avaliado conforme a sua
própria performance.

De maneira bastante original, a utilização da Inteligência Artificial na aprendizagem se apoia

em recursos atraentes, como realidade aumentada, computação em nuvem e gamificação.
 19

Com os recursos da IA aplicados na educação, é possível saber quais são as disciplinas em

que o aluno tem maior dificuldade e o professor pode fazer um acompanhamento mais efetivo
e planejado.

6. IA na medicina e saúde

A Inteligência Artificial na medicina apoia-se em computadores que analisam um grande

volume de dados e, seguindo algoritmos, são capazes de propor soluções para problemas
médicos com agilidade e precisão.

Os benefícios da aplicação da Inteligência Artificial na medicina têm impactado a rotina de

profissionais de saúde e pacientes, que agora contam com soluções antes inimagináveis, como
interoperabilidade ou cirurgias feitas por robôs, sem a interação direta do médico – que fica
apenas responsável pela supervisão do procedimento.

E em tempos de pandemia, a Inteligência Artificial na saúde tem ajudado os profissionais de

saúde graças à sua alta capacidade de análise e processamento de dados, diagnosticando,
tratando e contendo a disseminação da Covid-19.

7. IA na área do direito

Já é evidente a revolução que a Inteligência Artificial tem proporcionado na área do direito,

seja nos serviços que automatizam atividades legais ou na sua atuação para exercer a função
“regulatória” e ética sobre os casos.

Graças à sua grande capacidade de processamento de dados, a Inteligência Artificial na área

do direito já permite que mais indivíduos tenham acesso à Justiça, reduzindo em tempo e
custo um processo litigioso.

E, para os advogados, a aplicação da IA possibilita que eles obtenham a ajuda e a rapidez de

processamento das máquinas que, por sua vez, podem tomar uma decisão de forma autônoma,
sem que haja necessidade de intervenção humana.

8. IA nas empresas e na indústria

A Inteligência Artificial nas empresas tem se mostrado bastante eficiente para criar e
processar dados de forma proactiva e aumentar os seus lucros operacionais. Apoiadas no
processamento ágil de um grande volume de dados, as empresas tornam-se capazes de
entender melhor as mudanças do mercado e oferecer novos produtos e serviços.
 20

Com a revolução causada pela Inteligência Artificial no mercado de trabalho, as empresas

conseguem selecionar profissionais adequados às oportunidades disponíveis, aumentando a
qualidade do recrutamento.

E o emprego da tecnologia da IA na indústria permite que uma máquina aprenda e reproduza

uma tarefa humana, evitando que trabalhadores passem por situações com riscos de acidentes.
 21

Conclusão
A integração da Física Computacional e da Inteligência Artificial representa um novo
paradigma na pesquisa científica. A Física Computacional fornece a estrutura e os métodos
para modelar e simular o universo físico, enquanto a IA oferece as ferramentas para analisar,
otimizar e extrair insights desses modelos e de dados experimentais.

Essa combinação não apenas acelera o processo de descoberta, mas também possibilita a
exploração de problemas que antes eram considerados insolúveis. A IA atua como um
catalisador, elevando a capacidade da Física Computacional de lidar com a complexidade do
mundo real.

No futuro, é provável que a linha entre essas disciplinas se torne cada vez mais tênue, com a
IA se tornando uma ferramenta intrínseca ao trabalho do físico computacional. Essa sinergia
promete avanços significativos na ciência, com potenciais aplicações em campos tão diversos
como a ciência dos materiais, a astrofísica e a medicina. A revolução da IA não é apenas
sobre aprimorar o que já fazemos, mas sobre nos permitir perguntar e responder a novas
questões fundamentais.
 22

Referências Bibliográficas
Faria, P. L. (2018). Física computacional: Uma introdução ao método científico com Python.
Editora Livraria da Física.

Tableau. (2023). A Inteligência Artificial no dia-a-dia em oito exemplos. Tableau. Recuperado

em 3 de setembro de 2025, de https:// www. [Link]/ pt-br/learn/articles/ ai/examples

Flores. (2025). História e Evolução da Inteligência Artificial: Marcos, Pioneiros e Impactos.

Quiker Tecnologia. Recuperado em 1 de setembro, de https:// www. Quiker [Link]
Universo Racionalista. (2016). Física Computacional. Recuperado em 2 de setembro de 2025
de https:// [Link]
23