Inteligência Artificial e Cisnes Negros: Massimo Buscema e a Arte de Ver o Invisível

O matemático Massimo Buscema explica por que a inteligência artificial do futuro não olhará para o passado, mas sim para os sinais sutis ocultos no presente. Uma revolução silenciosa contra a tirania do Big Data. Veja como um matemático romano enxerga além dos gigantes do Vale do Silício com algoritmos que analisam anomalias em conjuntos de dados históricos e detectam sinais precoces em imagens diagnósticas invisíveis à análise convencional. Uma nova abordagem europeia para a IA que busca sinais sutis em vez de padrões históricos.

Massimo Buscema desenvolveu algoritmos que analisam anomalias em conjuntos de dados sísmicos históricos, que, em um caso documentado, detectaram anomalias em imagens de diagnóstico três anos antes do diagnóstico clínico e que revelam contaminação radioativa onde nenhum sensor a havia procurado. Tudo isso sem big data, sem GPUs multimilionárias, analisando apenas o "ruído" que os grandes modelos ignoram.

É novembro de 2025, é a semana do IT'S WEEK em Rimini. O matemático romano, diretor do Centro de Pesquisa Semeion e professor da Universidade do Colorado, sobe ao palco, diante de uma plateia de centenas de pessoas, para explicar por que a inteligência artificial do futuro não olhará mais para o passado.

Durante quarenta anos, ele estudou e construiu algoritmos capazes de enxergar o invisível. Enquanto gigantes do Vale do Silício acumulam compulsivamente petabytes de dados e GPUs multimilionárias para treinar modelos que só olham para o passado, Massimo Buscema escolheu um caminho diferente. Um caminho que não persegue o big data, mas o processa aos poucos. Que busca não padrões em frequências, mas anomalias. Que não prevê o futuro olhando pelo retrovisor, mas decifrando os sussurros do presente. É inteligência artificial investigativa . Ou, como ele chama, "previsão harmônica". Diferentemente da previsão probabilística, ele usa uma abordagem que soa quase metafísica, mas que, em suas pesquisas, demonstrou a capacidade de analisar padrões anômalos em dados sísmicos, detectar anomalias em imagens de diagnóstico e reconstruir com sucesso dispersões de contaminantes radioativos.

“ Você não consegue parar uma locomotiva que está em movimento há 40 anos com um palito de dente ”, começa Buscema com a franqueza de alguém que conhece bem seus próprios limites e pontos fortes. A locomotiva são os Estados Unidos e a China , que há décadas vêm construindo data centers cada vez maiores, GPUs cada vez mais poderosas e redes neurais cada vez mais profundas. “ Mas existe uma parte da inteligência artificial que ainda não foi desenvolvida ”, continua ele. “ E esse pode ser o futuro que poderemos explorar. Seria um pouco como viajar em um fóton, na velocidade da luz .”

Rebanhos, átomos e a dança da complexidade

Buscema projeta uma imagem. Rebanhos de pássaros. “ Você vê os pássaros? Eles se distribuem de forma completamente aleatória quando levantam voo. Um instante depois de decolarem, começam a desenhar geometrias incríveis.” Geometrias hipnóticas, impossíveis de prever observando-se um único pássaro . “ Nenhum pássaro tem na cabeça, ou no cérebro, a maneira como eles se organizam”, explica ele. É um fenômeno que os matemáticos chamam de “ emergência espontânea da complexidade a partir de baixo ”. O mesmo princípio pelo qual os átomos se ligam para formar moléculas, as moléculas se unem para formar aminoácidos, múltiplos aminoácidos se dobram para formar estruturas proteicas complexas. Cada passo é um salto evolutivo. Cada nível é algo a mais, algo radicalmente diferente, do que a soma de suas partes.

“ O que pretende alcançar essa inteligência artificial que chamo de investigativa? ”, pergunta Buscema. “ Compreender as regras pelas quais os comportamentos individuais se organizam espontaneamente em comportamentos coletivos. E, assim, revelar a informação oculta que já está incorporada e invisível no presente .”

Aqui reside a diferença fundamental. A IA que conhecemos — aquela por trás dos Grandes Modelos de Linguagem , aquela que gera imagens de prompts, aquela que o ChatGPT usa para responder — baseia-se em uma premissa diferente: aprender com o passado para prever o futuro. Encontrar os hiperparâmetros da função a partir de dados históricos. Memorizar milhões de exemplos. Reconhecer padrões recorrentes.

Espelhos retrovisores e caminhos de montanha

Buscema não subestima a importância dessa abordagem. Mas destaca suas limitações com uma analogia cirúrgica: " É como dirigir um carro olhando não para o para-brisa, mas para o retrovisor ". Claro, se você tem uma memória poderosa, se já percorreu milhões de quilômetros de estradas, olhando um metro à frente você consegue encontrar a analogia com o que já percorreu. E chega ao seu destino.

“ Agora imagine que essa estrada se transforma em uma trilha rural ou de montanha ”, continua ele. “ Não existem trilhas assim no meu treinamento. A função muda repentinamente. Como quando ligo o fogão: temperatura ambiente num instante, 1000 graus no seguinte; não sei o que aconteceu nesse meio tempo .”

Esse tipo de aprendizado ignora todos os cisnes negros , os eventos raros, imprevisíveis e catastróficos. Sempre. Porque se baseia em probabilidades, em frequências, em fenômenos que já ocorreram vezes suficientes para estarem codificados. " A areia cedendo às ondas que anunciam um tsunami é um evento tão raro que não estaria codificado ", explica ele.

O exemplo da coruja-parda é esclarecedor. Em previsões probabilísticas, uma rede neural profunda observou milhões de gatos em diferentes posições, mas apenas algumas, cerca de 10 a 15, corujas-pardas. Quando uma nova coruja-parda aparece para ser classificada, a rede diz: gato. Por quê? " Todas as caudas das distribuições gaussianas são aparadas durante o treinamento. E assim, torna-se mais provável que seja um gato. Mas não é um gato, é uma coruja-parda ."

Buscema cita um paradoxo histórico com ironia mordaz: “ Se o caminho muda repentinamente, essa abordagem deixa de funcionar. E se aplicássemos a mesma abordagem em 1600, a Ptolomeu e Copérnico, nos diriam que Ptolomeu estava certo .”

Previsão Harmônica: Do Ruído à Música

Então, como se faz isso? Como capturar sinais fracos antes que eles se amplifiquem? A resposta de Buscema é contraintuitiva: observando o ruído. Ou melhor, aquilo que confundimos com ruído.

“ Imagine um concerto acontecendo em uma clareira na floresta ”, diz ele: “ Se eu ouvir a floresta de fora, só ouço o baixo e a bateria”. As frequências altas, a guitarra, a voz, são “fragmentadas ” por obstáculos como troncos de árvores, tornando-se confetes que se misturam ao farfalhar das folhas. Mas estão lá. “ Trata-se de entender como podemos reconstruir a partir disso, que vemos chegar como sêmola, o bucatini all’amatriciana que já estava lá desde o início .”

A previsão harmônica tem a tarefa de "transformar parte do ruído em música". Segundo Buscema, uma parcela significativa daquilo que confundimos com ruído pode ser informação crucial. Sinais fracos que anunciam o que está por vir, padrões ocultos nas dobras da média.

Ele mostra uma imagem. Cinza, indistinta. Ruído. O sistema a processa. Aos poucos, algo emerge: um filhote de tigre. " Ele emergiu do ruído de fundo ", comenta. O sistema não tinha visto nenhuma outra imagem, não tinha exemplos de tigres escondidos. Tinha apenas aquela foto. E foi capaz de extrair a informação oculta.

Dois pulmões em uma tomografia computadorizada. Duas lesões óbvias. Após o processamento harmônico: o que parece ser uma rede de deformações vasculares ao redor delas, invisível a olho nu. " Essas deformações dos vasos linfáticos que as lesões já estão produzindo ", explica Buscema. O sistema teria identificado que as duas lesões são, na verdade, uma única lesão bifurcada, mapeando também o perímetro de operabilidade.

Quando o pequeno tigre surge do nada

Buscema descreve uma série de casos clínicos. Uma artéria femoral-poplítea, operada recentemente. O cirurgião: "Não sobrou nada." O filtro normal confirma: tudo está limpo. Então o sistema de ressonância magnética entra em ação. " Os vários pixels daquela imagem começaram a se comunicar, trocando informações como agentes ", descreve Buscema com uma imagem quase poética. " Em certo ponto, eles concordaram, e esta imagem surgiu ." Uma estenose. Que estava lá.

Segundo Buscema, sua equipe observou diversos casos do mesmo fenômeno. No entanto, tratam-se de achados anedóticos, ainda não corroborados por validação clínica sistemática com amostras estatisticamente significativas.

Mas é o caso da tomografia computadorizada do pulmão que causa arrepios. Um paciente com uma pequena opacidade em vidro fosco — uma opacidade leve e comum. "Olha, muita gente tem isso, não significa nada, volte daqui a alguns meses." O paciente retorna após três anos. Lesão neoplásica maligna, estágio avançado. É um caso único, o próprio Buscema não esconde isso, e deve ser interpretado como tal. Mas o que acontece a seguir é difícil de ignorar. Buscema e sua equipe processam a imagem original de três anos antes. Apenas isso. O sistema traça lentamente uma forma. Um lambda, que gradualmente se transforma em um A. Então para.

" Vimos três anos antes o que aconteceria três anos depois ", diz Buscema calmamente. " Poderíamos ter agido antes. Talvez até salvado algumas vidas ." Um único caso, analisado retrospectivamente em uma imagem já sabidamente patológica: uma demonstração de princípio que exigiria confirmação por meio de estudos prospectivos em larga escala antes que seu verdadeiro valor diagnóstico pudesse ser avaliado.

Aplicações no mundo real: caldeiras, terremotos, Fukushima e a Camorra.

Não se trata apenas de medicina. O sistema PYCLA identifica anomalias em sistemas complexos.

A caldeira

Uma caldeira com 39 sensores, todos aparentemente normais. No entanto, a eficiência caiu repentinamente. Bombearam metano para aumentá-la. Caiu novamente. Bombearam mais uma vez. O PYCLA identificou quatro sinais fracos, quatro anomalias ocultas nos dados normais.

Três sensores. "Em uma inspeção técnica, eles pareciam normais", explica Buscema. Mas estavam alterando o funcionamento da caldeira. Os quatro pontos anômalos alertavam com antecedência para uma queda brusca na eficiência . Identificação preditiva de eventos anômalos. " Anomalias perigosas estão escondidas no fluxo normal ", resume ele. " E, portanto, identificá-las é difícil ."

Os terremotos

Conjunto de dados global de 1976 a 2002. O objetivo: analisar padrões anômalos e estimar a magnitude. Publicado no Boletim de Geofísica Teórica e Aplicada. O sistema identifica eventos raros, terremotos anômalos que podem ser correlacionados com outros eventos.

Uma análise retrospectiva da Itália, em outubro de 2012, com padrões que o sistema havia identificado previamente, segundo os pesquisadores, uma hipótese de trabalho ainda a ser verificada em condições prospectivas, ou seja, antes que os eventos ocorram. " Não é perfeito, mas estamos satisfeitos com uma aproximação de magnitude 0,5? ", questiona Buscema. " Se estivermos satisfeitos, podemos melhorar ." A filosofia é simples: " O futuro entra no presente aos poucos ."

Fukushima

3.467 sensores medem o césio radioativo liberado pelo tsunami causado pela explosão da usina nuclear. É aqui que entra o TWC (Centroide Ponderado Topológico), um sistema de perfilamento geográfico que utiliza coordenadas espaciais para identificar a origem de um processo. O sistema faz sua estimativa. Dois pontos vermelhos. Um em Fukushima, obviamente. Mas o outro? No meio do caminho entre o local do tsunami e Fukushima. No meio do mar.

“ Parecia inexplicável para nós ”, conta Buscema. Então, de acordo com a reconstrução da equipe, os técnicos japoneses explicam: a maior parte do césio foi para o mar, e uma quantidade menor para a terra. No local da Grande Mancha Vermelha, existe uma fossa submarina que se estende de 300 a 400 metros até 3.000 metros de profundidade. As rochas no fundo do mar absorveram o césio. O tsunami as fragmentou. E as correntes trouxeram esse césio de volta para a costa. Uma fonte secundária, identificada por sinais fracos invisíveis aos sensores convencionais. “ As duas fontes eram precisas. Nunca teríamos entendido isso .”

A Camorra

Este é talvez o caso mais impressionante. E o que possui a validação mais sólida , pois não provém de um laboratório, mas de uma investigação policial real com resultados judiciais verificáveis. Em julho de 2008, a ROS (Unidade de Operações Especiais dos Carabinieri) levou um caso espinhoso a Buscema. A Investigação Taurania, parte do chamado Projeto Magalhães: 62 indivíduos sob observação, 778 variáveis ​​cada. As investigações tradicionais haviam chegado a um beco sem saída. Estavam prestes a ser encerradas.

Buscema aplicou o Auto CM (Mapa Autocontrativo) , uma rede neural desenvolvida no Semeion, na qual cada nó não apenas aprende sua própria porção dos dados, mas desenvolve uma compreensão holística de todo o conjunto de dados. O sistema funciona sem saber nada sobre os dois clãs. Zero informações sobre a estrutura existente. Apenas dados brutos. O resultado surpreendeu os Carabinieri. O Auto CM separou espontaneamente os dois clãs com apenas dois erros em 62. De sessenta e dois indivíduos. Sem que ninguém tivesse lhe dito onde ficava a fronteira.

Mas esse não é o ponto de virada. O sistema identifica três indivíduos que haviam sido completamente ignorados pelas investigações tradicionais . O mais importante deles acaba sendo o elo mais protegido de toda a rede criminosa. Uma posição que, como os próprios investigadores escrevem no relatório oficial, "nunca havia surgido durante a investigação". A estimativa do sistema é quase cirúrgica: eliminar esse indivíduo teria enfraquecido a estrutura da quadrilha em quase 30%.

Os Carabinieri ROS, em seus slides oficiais para a Investigação Taurania, confirmam que o sistema permitiu identificar indivíduos que eram "mais protegidos dentro de sua estrutura organizacional" e "mais influentes no gráfico geral", definindo-o como "altamente útil para análises táticas na orientação de decisões investigativas". A análise foi então repetida em todos os 1.112 indivíduos da investigação, com 8.586 variáveis, e o sistema classificou corretamente os indivíduos dentro dos clãs, mesmo aqueles que não haviam sido incluídos na análise inicial, o que foi posteriormente confirmado pelos Mandados de Prisão Preventiva.

Uma voz diferente: a questão da replicabilidade

Nem todos na comunidade científica compartilham desse entusiasmo. Aqueles que trabalham com aprendizado de máquina aplicado a imagens diagnósticas tendem a levantar uma questão metodológica específica: a diferença entre um resultado obtido em um único caso e uma capacidade demonstrada em amostras grandes e independentes.

“A abordagem de sinal fraco é conceitualmente interessante”, explica um pesquisador de um laboratório europeu de IA médica que prefere não ser identificado, “mas o salto de uma prova de princípio para uma ferramenta clinicamente confiável requer validação que, no momento, não foi publicada sistematicamente”.

Buscema não ignora o problema; ele o reconhece abertamente e aponta a falta de recursos institucionais como o principal obstáculo à construção de conjuntos de dados em larga escala. O debate, em suma, está aberto. E isso, para uma pesquisa que se define como estando em fase exploratória, é exatamente onde deveria estar.

O fóton versus a locomotiva

Mas há um ponto que Buscema faz questão de enfatizar, quase provocativamente. Grandes quantidades de memória e GPUs nem sempre são necessárias. " Isso não é verdade. Não em todos os casos ", afirma categoricamente. "Para LLMs, sim. Mas LLMs só são úteis no nível linguístico ." Seu modelo é diferente: LLMs traduzem o problema que você expressa em linguagem natural para termos matemáticos. Sistemas de predição harmônica entendem as informações ocultas. Só então, e somente então, os LLMs se tornam úteis para traduzir o que descobriram em uma linguagem compreensível. "E isso não é pouca coisa", admite.

Mas a maior parte do trabalho, o trabalho de investigação, é feita com sistemas mais leves e rápidos. Software de PC. Processamento em tempo real. Não centros de dados bilionários.

A filosofia que ele propõe é quase democrática: "É inútil construir uma grande rede neural para um problema, mas muitas redes pequenas são melhores, cada uma expressando um ponto de vista diferente sobre os mesmos dados." Combiná-las vai muito além da precisão de uma única rede grande. "Como se dissesse: melhor uma democracia que também inclua idiotas, do que uma tirania esclarecida que comete um grande erro quando comete um erro."

Até mesmo a rede pequena mais "burra" consegue enxergar coisas que as melhores redes não conseguem. Buscema cita Stephen Hawking: " Imagine se, seguindo um princípio darwiniano, Stephen Hawking tivesse sido atirado do Rochedo Tarpeiano aos 21 anos. O que teríamos perdido? ". Muitas perspectivas são melhores do que uma. "Algo banal e simples, mas aplicado a este campo, é revolucionário."

A Europa que ainda não existe.

Buscema conclui com uma visão estratégica: " Acredito que esta poderá ser a evolução europeia ou italiana da inteligência artificial, um campo em que não temos concorrentes ." A maioria dos centros de pesquisa trabalha com o passado, que prevê o futuro. Poucos, muito poucos, trabalham com o presente, que contém o futuro. " Em outras palavras: aqueles que não conseguem ver o futuro no seu presente também não conseguem compreender o seu passado ."

É uma afirmação forte. Quase um manifesto. A ideia de que, enquanto os Estados Unidos e a China competem com centros de dados e bilhões de parâmetros, a Europa, e a Itália em particular, poderiam trilhar um caminho diferente. Não a força bruta do big data , mas a elegância matemática da topologia. Não milhões de exemplos, mas a capacidade de ler o que já está escrito no presente.

A filosofia que permeia toda a apresentação é a seguinte: " Há muita informação em cada pequeno detalhe ". E novamente: " Tudo o que é visível esconde algo invisível ". Não adianta acumular montanhas de dados se você não consegue enxergar o que já está lá, oculto no ruído. Quarenta anos de pesquisa foram dedicados à construção de algoritmos que identificam eventos anômalos. Que transformam ruído em música. Que fazem os pixels "vibrarem" até que estenoses invisíveis emerjam. Que analisam padrões sísmicos e detectam anomalias em imagens de diagnóstico através da leitura de sinais fracos.

“ A natureza sempre anuncia o que está prestes a fazer ”, diz Buscema. “ Trata-se de compreensão prática, não de prever o futuro por analogia com o passado, mas de ler aqueles sinais ocultos no presente que serão amplificados pela ressonância em eventos futuros .”

Do alto de sua torre de matemático em Roma, Massimo Buscema dedicou a vida a construir olhos capazes de enxergar o invisível. Enquanto o mundo corre atrás da locomotiva do big data, ele escolheu viajar na velocidade do fóton. E talvez ele tenha razão ao afirmar que, nesse campo — previsões harmônicas, sinais fracos, informações ocultas —, a Itália e a Europa ainda têm algo a dizer. Basta a coragem de olhar onde ninguém mais olha. No ruído. No presente. Naqueles sinais fracos que, por ora, continuamos a confundir com sêmola.

Fontes

• Referência: “IA: Uma Perspectiva Ampla e Diferente”, Springer 2025.
• Massimo Buscema. IA: uma perspectiva ampla e diferente”, Springer 2025
• Massimo Buscema É SEMANA

O artigo "IA e Cisnes Negros: Massimo Buscema e a Arte de Ver o Invisível" foi publicado no Tech | CUENEWS .