10 descobertas científicas de pesquisadores da Microsoft
À medida que a inteligência artificial se torna uma parte cada vez mais presente do nosso cotidiano, cientistas estão encontrando maneiras inovadoras de utilizar seu poder transformador para enfrentar alguns dos maiores desafios da sociedade.
Do desenvolvimento de novos materiais até o mapeamento de riscos de enchentes através de nuvens, pesquisadores da Microsoft estão usando a IA para resolver problemas de forma mais rápida e eficiente do que nunca.
Com foco em sustentabilidade e acessibilidade, eles estão superando obstáculos de maneiras surpreendentes, como utilizar algas marinhas para reduzir as emissões de carbono do cimento e construir um computador eficiente que usa sensores de câmera de smartphone e luz.
Em 2025, a Microsoft publicou inúmeros artigos científicos em periódicos revisados por pares, compartilhando suas descobertas com outros para promover avanços. Aqui estão 10 exemplos que mostram como a IA e outras tecnologias estão acelerando a inovação nos setores bancário, saúde, ciências biológicas e energia – e traçando um caminho para avanços muito necessários.
Majorana 1: o primeiro processador quântico do mundo com qubits topológicos
Imagine materiais autorreparáveis capazes de consertar fissuras em pontes ou partes de aviões, catalisadores que transformam poluentes em subprodutos valiosos — ou avanços que aumentam a fertilidade do solo para elevar a produção de alimentos em climas difíceis.
Uma pesquisa publicada na Nature detalhou como cientistas da Microsoft conseguiram criar propriedades quânticas exóticas que levaram ao Majorana 1: um novo tipo de chip quântico baseado em uma arquitetura inovadora. Espera-se que essa tecnologia permita computadores quânticos capazes de resolver problemas industriais de grande escala, que os computadores atuais não conseguem — em anos, em vez de décadas.
O chip utiliza o primeiro topocondutor do mundo, um material inovador capaz de observar e controlar partículas de Majorana para produzir qubits mais confiáveis e escaláveis, que são os blocos fundamentais da computação quântica. Embora ainda haja desafios de engenharia, muitos obstáculos científicos e de engenharia já foram superados.
BioEmu-1: predições mais rápidas de estabilidade de proteínas podem gerar medicamentos mais eficazes
As proteínas compõem os blocos funcionais da vida e são centrais para a descoberta de medicamentos e a biotecnologia. Embora tenha havido progressos extraordinários nos últimos anos para melhor compreensão das estruturas proteicas usando IA, muitos desses métodos oferecem apenas um retrato de uma molécula altamente flexível ou exigem simulações de anos ou até décadas.
Entra em cena o Biomolecular Emulator-1 (BioEmu-1), um modelo de aprendizado profundo generativo que oferece aos cientistas um vislumbre do rico mundo das diferentes estruturas que cada proteína pode adotar. Isso é significativo porque um entendimento mais profundo das proteínas pode permitir o desenvolvimento de medicamentos mais eficazes, já que muitos medicamentos atuam influenciando as estruturas proteicas para potencializar sua função ou evitar que causem danos.
Como explicado na revista Science, o BioEmu-1 pode gerar milhares de estruturas proteicas por hora em uma única unidade de processamento gráfico (GPU) por uma fração do custo computacional das simulações tradicionais. Com base nisso, o BioEmu-1 pode prever mudanças estruturais funcionalmente relevantes das proteínas em velocidade sem precedentes e prever a estabilidade das proteínas, um fator importante ao projetar proteínas para fins terapêuticos.
MatterGen e MatterSim: Avanços impulsionados por IA na descoberta de materiais
A inovação em materiais impulsiona o progresso tecnológico — de baterias e células de combustível até ímãs — e é essencial para criar avanços energéticos futuros. Mas identificar o próximo novo material há muito depende de experimentos caros e demorados. Até mesmo a triagem controlada por computador exige avaliar milhões de opções.
MatterGen é uma ferramenta de IA generativa que pula a triagem e, em vez disso, busca produzir materiais inovadores baseados em prompts que delineiam requisitos de design para aplicações específicas, conforme explicado na revista Nature. Assim como um gerador de imagens por IA transforma imagens borradas em nítidas com um prompt, ele começa com uma estrutura 3D aleatória e ajusta gradualmente átomos, elementos e padrões repetidos para criar um material realista com propriedades químicas, mecânicas, eletrônicas ou magnéticas definidas. Treinado com mais de 600 mil exemplos, o MatterGen alcança o estado da arte na geração de materiais inorgânicos na tabela periódica. O MatterGen também pode funcionar com o MatterSim, uma ferramenta baseada em IA que simula rapidamente propriedades de materiais. Juntos, podem criar um ciclo de retroalimentação que acelera tanto a simulação quanto a exploração.
RAD-DINO: dados de raio X encontram tecnologia de IA
Na área da saúde, o acesso mais rápido à informação pode salvar vidas.
Descobertas publicadas na Nature Machine Intelligence mostram que modelos de base de IA generativa podem ser capazes de fornecer informações mais precisas aos profissionais e melhorar o cuidado ao paciente.
Uma colaboração entre a Microsoft Research e a Mayo Clinic está focada na construção de modelos de fundação multimodais que integram imagens de texto e raio-X. O projeto combina a tecnologia de IA da Microsoft Research com os dados de raio-X da Mayo Clinic para ajudar os médicos a obter dados médicos melhores e mais abrangentes, para que possam analisar os resultados da radiologia em menos tempo.
A tecnologia, chamada RAD-DINO, recebe esse nome por seu foco em radiologia e um método específico de aprendizado computacional. Ele funciona identificando correspondências anatômicas entre os raios-X do tórax de diferentes sujeitos, enquanto indica semelhanças por meio do brilho proporcional do mapa de calor, que é uma sobreposição visual que usa cores para mostrar áreas de interesse ou importância em raios-X, tomografia, ressonância magnética e outros tipos de imagens.
Aurora: previsão avançada atmosférica e meteorológica
O modelo base de IA Aurora da Microsoft aproveita os avanços mais recentes em IA para prever com mais precisão não apenas o clima, mas uma ampla gama de eventos ambientais.
Desenvolvido pelo Microsoft Research, o Aurora prevê essa gama de eventos atmosféricos com maior precisão e velocidade e a um custo computacional muito menor quando comparado à previsão numérica tradicional e abordagens anteriores de IA. O que diferencia o Aurora é sua versatilidade. Ele pode ser especializado por meio de ajustes finos para ir além do que é considerado previsão tradicional do tempo, como prever poluição do ar, ondas oceânicas e ciclones tropicais.
O Aurora aprende a gerar previsões por meio de treinamentos sobre padrões climáticos gerais a partir de mais de um milhão de horas de dados. E gera previsões em segundos, em comparação com sistemas tradicionais que exigem horas em grandes supercomputadores para gerar previsões comparáveis. Os primeiros resultados do Aurora, publicados na Nature, despertaram interesse particular em ver como ele pode ser adaptado para prever melhor a chuva, melhorar a logística das culturas e proteger as redes energéticas. A Microsoft continua a avançar o Aurora como uma plataforma de código aberto, aprofundando parcerias de pesquisa por meio de uma bolsa Microsoft AI for Good e investindo em estações meteorológicas comunitárias.
FCDD: melhorando a triagem precoce do câncer de mama com IA
O câncer de mama é o câncer mais comum entre mulheres em todo o mundo. E, embora o rastreamento precoce possa salvar vidas, frequentemente leva a altas taxas de falsos positivos, aumento significativo da ansiedade para as pacientes e biópsias desnecessárias. O problema é especialmente agudo para mulheres que possuem tecido mamário denso, uma condição que aumenta o risco de câncer de mama e dificulta a detecção de anomalias por meio de métodos tradicionais de imagem, como mamografias.
Mas um novo modelo de IA chamado FCDD (Fully Convolutional Data Description) visa melhorar a detecção precoce ao gerar mapas de calor de ressonância magnética que localizam tumores suspeitos com altíssimo grau de precisão, superando outros modelos de IA. Desenvolvido por meio de uma colaboração entre o Microsoft AI for Good Lab, a Universidade de Washington e o Fred Hutchinson Cancer Center, os resultados foram publicados em Radiology, e o modelo desde então foi tornado open source (código aberto). Embora a IA não substitua os radiologistas, ela pode oferecer melhores ferramentas para avaliar casos difíceis ou reduzir a carga de trabalho desses profissionais.
O cimento impregnado de algas marinhas poderia reduzir a pegada de carbono do concreto
O mundo moderno é construído com concreto. E o cimento, o componente chave do concreto, está em toda parte. É o segundo material mais utilizado na Terra, atrás apenas da água — e um dos maiores contribuintes para as emissões de gases de efeito estufa.
Agora, pesquisadores da Universidade de Washington e da Microsoft desenvolveram um novo tipo de concreto de baixo carbono feito de algas marinhas , projetado para reduzir emissões sem sacrificar o desempenho.
Embora a maioria das emissões de cimento venha dos combustíveis fósseis usados para aquecer matérias-primas durante a produção, as algas marinhas são um sumidouro de carbono. Ele puxa carbono do ar e o armazena enquanto cresce. As descobertas da equipe, publicadas na Matter, mostraram que algas marinhas secas em pó misturadas com cimento tinham um potencial de aquecimento global 21% menor, ou GWP, uma métrica usada para comparar quanto gases de calor retêm em comparação com o dióxido de carbono. Graças a modelos personalizados de aprendizado de máquina, a equipe desenvolveu essa nova formulação em apenas 28 dias, em comparação com cinco anos mais típicos de tentativa e erro.
Mapear inundações a partir do espaço — mesmo quando as nuvens atrapalham
Enchentes causam danos extensos anualmente em todo o mundo. Embora as observações por satélite tenham se mostrado inestimáveis para a detecção e rastreamento de enchentes, conjuntos de dados globais de inundações que abrangem períodos prolongados continuam sendo escassos, complicando a preparação para desastres.
Mas um modelo de detecção de inundações com aprendizado profundo do Microsoft AI for Good Lab aproveita as capacidades de penetração de nuvens de um poderoso satélite de observação da Terra usando imagens de radar, permitindo que pesquisadores mapeiem áreas impactadas por enchentes mesmo sob cobertura de nuvens e no escuro da noite.
Como explicado na Nature Communications, o modelo permitiu que pesquisadores analisassem dados especializados para construir um mapa global mostrando onde as enchentes ocorreram ao longo de um período de 10 anos, fornecendo uma imagem confiável das áreas propensas a enchentes. Essa visão de longo prazo dá aos formuladores de políticas uma compreensão maior das tendências das enchentes, para que as comunidades possam se preparar melhor. A análise de longo prazo dos pesquisadores sugere que as inundações globais podem estar aumentando, embora mais pesquisas sejam necessárias. As previsões e o código da equipe estão disponíveis publicamente para que pesquisadores e socorristas ao redor do mundo possam melhorar o monitoramento de enchentes e a resposta a desastres.
Computador Óptico Analógico: acelerando IA e otimização com luz
A Microsoft desenvolveu um computador óptico analógico (AOC, em inglês) que utiliza luz em vez de eletrônica digital convencional para lidar eficientemente com problemas complexos de otimização e acelerar a inferência de IA, o processo de rodar um modelo de IA treinado para gerar resultados, sem treinamento adicional. Os problemas de otimização buscam encontrar a melhor solução entre possibilidades quase infinitas.
Os achados, publicados na revista Nature, mostram o potencial de aproveitar a luz para possibilitar cálculos importantes, potencialmente a uma fração da energia e a uma velocidade significativamente maior do que as GPUs comumente usadas hoje. Foi construído usando tecnologias existentes e escaláveis, como lâmpadas micro-LED, para ser mais acessível e fácil de fabricar com as cadeias de suprimentos já existentes. O protótipo resolveu com sucesso dois tipos de problemas de otimização no setor bancário e na saúde: encontrar a forma mais eficiente de resolver transações bancárias complexas e reduzir drasticamente o tempo necessário para realizar exames de ressonância magnética.
Gerenciando o risco por trás da promessa da IA na biologia
Os avanços em IA estão abrindo fronteiras extraordinárias na biologia. No entanto, essas mesmas tecnologias também apresentam riscos de biossegurança e podem diminuir barreiras para o desenvolvimento de toxinas ou patógenos nocivos. Esse potencial de “uso duplo”, no qual o mesmo conhecimento pode ser aproveitado para o bem ou para causar dano, representa um dilema crítico para a ciência moderna.
Um artigo liderado pela Microsoft publicado na Science descreve um projeto confidencial de dois anos iniciado no final de 2023. Pesquisadores da Microsoft reconheceram que o próprio trabalho — detalhando métodos e modos de falha — poderia ser explorado por agentes maliciosos se publicado abertamente. Para orientar as decisões sobre o que compartilhar, realizaram uma deliberação com múltiplos interessados envolvendo agências governamentais, organizações internacionais de biossegurança e especialistas em políticas públicas.
Os autores também criaram um sistema de acesso em níveis para dados e métodos, implementado em parceria com a Iniciativa Internacional de Biosegurança e Biosegurança para a Ciência (IBBIS). Até onde sabem, esta é a primeira vez que um periódico científico de destaque endossa formalmente uma abordagem de acesso em níveis para gerenciar um risco de informação.
Imagens da Microsoft e John Brecher para a Microsoft (Majorana 1), Jonathan Banks para a Microsoft (MatterGen, MatterSim), Frank Ramspott / Getty Images (imagem do tufão), Mark Stone para a Universidade de Washington (cimento de algas marinhas) e Chris Welsch para a Microsoft (computador óptico analógico).