What have we actually achieved that is truly useful with AI? // O que de realmente útil alcançamos com a IA?

There is no one who is not tired of those stupid AI videos that flood the “dumb internet”, short videos that are literally a brain‑rot stimulator. But it is hard not to think that this somehow creates a kind of unconscious and involuntary “smokescreen” over the real advantages, benefits, and efficiencies of AI in human life. After all, this is something as important as electric power, you realize? Yet we are stuck in nonsense, or at least it seems that is what reaches us, we mere social media users. Of course it is fun and it helps a lot in countless marketing and research functions for basic users, but is that all there is?

The answer is obviously no. Much more serious things are happening at levels less perceptible to us, in laboratories, hospitals, research centers. The idea with this post is precisely to shed a bit of light on that, not as a cheap defense of AI (especially because I have always been in favor of it and find it ridiculous that someone is against it, because that only proves the person is looking at the tool and assigning human properties to it, which is at the very least sad), but as proof that this thing is more serious than cat memes or robotic copywriting.

## 1. AlphaFold: The Protein Folding Problem That Took 50 Years

Since the 1970s, scientists have tried to understand how a protein behaves; through X‑ray crystallography and nuclear magnetic resonance they achieved some results, determining the 3D structure of a single protein, but there are millions of known proteins and billions of possible variations. This investigation model was a failure because of how slow it was to reach a solution.
AlphaFold (from DeepMind – Google), launched in 2020, was trained on data from already known protein structures and learned patterns that humans still could not see. The fact is that AlphaFold can predict the 3D structure of a protein just by looking at its amino acid sequence, with extreme precision. 1

AlphaFold became a tool for drug discovery. Researchers use the predicted structures to design molecules that fit perfectly into disease target proteins. It generated derivative tools such as AlphaMissense, which classifies whether human genetic variants cause disease or not. And AlphaFold 3, launched in 2024, became 50% more accurate than traditional methods at predicting how drugs and antibodies bind to their target proteins, without needing any experimental structure as input.2

## 2. Drug Discovery in Record Time: When AI Designs the Medicine

Everyone knows how slow it is to develop a drug and how many billions are sometimes invested for a medication to be developed over 7 to 10 years, for example, not to mention that the success rate under these conditions is always low (about 10% of drugs reach the final testing phase to become a “product”). In 2024 we had good news when one of those much‑feared big pharma companies managed, through the use of AI, to design a drug for idiopathic pulmonary fibrosis (IPF), a disease that progressively worsens and irreversibly damages the lungs. The drug “Rentosertib” represents the first AI‑designed drug to enter human trials with promising results. 3
We are talking about a huge shortening of a process that would take almost 10 years (in this case it took approximately 3 years). Now, already 30% of new drugs discovered in 2025 use AI at some point in the development pipeline. Companies such as Exscientia and Insilico have signed multi‑billion‑dollar partnerships with pharmaceutical giants like Sanofi, Bristol Myers Squibb, and GSK to design drugs using AI.4

The logic is clear: AI identifies promising targets in genomic and biochemical data that humans cannot mentally process. Then it designs molecules that fit those targets precisely. And it predicts, before a single lab test, whether the molecule will be effective, safe, and viable for manufacturing. In 2025, AI is projected to generate between $350 billion and $410 billion annually for the pharmaceutical sector. This is no small number. It is a fundamental reorganization of how the industry works.

## 3. Superhuman Cancer Diagnosis: When AI Sees Better Than Radiologists

The damned disease. Who here does not root for the end of cancer? Unfortunately, for the great majority of cases we still depend on very limited models and systems, such as the clinical and trained eye of radiologists (NOTHING AGAINST THEM, OBVIOUSLY). Even with such professionalism, we know it is not rare for cancers to go unnoticed, mainly because this involves the human quality of an immense palette of professionals; there is no standardization when it comes to human flexibility. And this is where the advantages come in: access to the “patterns” of hundreds of millions of images already analyzed by humans, in addition to having inexhaustible stamina.

For lung cancer, algorithms based on YOLO have achieved 98.7% accuracy in detecting tumors on computed tomography scans. For breast cancer, AI‑assisted systems reduced false positives by 37.3% and unnecessary biopsies by 27.8%, while increasing sensitivity. And even more impressive: they detected 49.8% of cancers that human radiologists missed—so‑called “interval cancers.”5

The numbers vary by cancer type. For skin cancer, the system reaches more than 95% accuracy. For prostate cancer in magnetic resonance images, it approaches 90% sensitivity and specificity. For lymphoma, one model achieved 87% sensitivity, 94% specificity, and an area under the curve of 0.97—metrics that would rival the most experienced radiologist.6

Obviously, but it is necessary to say this here: AI does not work on its own; human radiologists reviewing these results are a crucial point. What we have is a flagging system that is checked by humans, just as you do with your little texts and art, but for a more worthy reason in this case.

## 4. Nuclear Fusion: The AI That Could Save the Planet

Solar panels? Wind turbines? No! Nuclear fusion! But in a pre‑AI reality, our forecast for achieving the ability to work with nuclear fusion (the cleanest and most powerful energy that exists) was for 2040. In a rough summary: creating an ionized gas (plasma) at temperatures above 100 million degrees Celsius in a stable state inside a magnetic reactor. Imagine how complex and chaotic that is! The calculations needed to reach a safe model were astronomical. In 2024, the National Fusion Facility (DIII‑D) used AI techniques to predict one of the instabilities that destroys the reaction, and the machine learned to anticipate this kind of problem by adjusting the magnetic field in real time.7

Simultaneously, Google DeepMind formed a partnership with Commonwealth Fusion Systems, a fusion startup, to work in three key areas: differentiable plasma simulation, optimization of the most efficient path to maximum energy, and discovery of new real‑time control strategies using AI. The result is that calculations that used to take weeks now take minutes.8

Well, these were 4 examples just to get you out of the bubble that AI is only making art. You do not see this kind of news deliberately out there, do you? Even I did not know any of this! And I hope it was new to you too! We are going to keep seeing a stupid and exhausting use of AI for an indefinite time. I have no idea what the real future of this technology will be from here on; it really does seem like anything is possible. Thank you for your attention and for reading!

Thômas Blum

=================================================================================

O que de realmente útil alcançamos com a IA?

Não há quem não esteja cansado daqueles estúpidos vídeos de IA que inundam a "internet burra", videos curtos que são literalmente um estimulador de apodrescimento cerebral. Mas não consigo deixar de pensar que de alguma forma isso cria uma espécie de "cortina de fumaça" inconsciente e involuntária sobre as reais vantagens, benefícios e eficiências da IA na vida humana. Estamos afinal falando de algo que é tão importante quanto a energia elétrica, vocês percebem? Mas estamos presos em bobagens, ou ao menos parece que é isso que nos alcança, nós aqui meros usuários das redes sociais. É lógico que é divertido e que ajuda muito em inúmeras funções de marketing e pesquisa para usuários básicos, mas será que é só isso?

A resposta é óbviamente não. Coisas muito mais sérias acontecem em níveis menos perceptíveis para nós, em laboratórios, hospitais, centros de pesquisa. A ideia com esse post é exatamente trazer um pouco de luz sobre isso, não como uma defesa barata da IA (até porque eu sempre fui a favor dela e acho ridículo que alguém seja contra, por que isso só prova que a pessoa está olhando para a ferramenta e dando-lhe propriedades humanas, o que é no mínimo triste), mas como uma prova de que o negócio é mais sério que memes de gatinho ou copywriting robótico.

## 1. AlphaFold: O Problema de Dobra de Proteína Que Levou 50 Anos

Desde os anos 70 os cientistas tentam compreender como uma proteína se comporta, através de cristalografia de raio x e ressonância magnética nuclear conseguiram alguns resultados, determinar a estrutura 3D de uma única proteída, mas existem milhões de proteínas conhecidas e bilhões de variações possíveis. Esse modelo de investigação era um fracasso pela lentidão que leva até a solução.
O AlphaFold (do DeepMind - Google) lançado em 2020, foi treinado com os dados de estruturas de proteínas já conhecidas e aprendeu os padrões que humanos ainda não conseguiam visualizar. Fato é que o AlphaFold consegue prever a estrutura 3D de uma proteína apeans olhando para a sua sequeência de aminoácidos, com extrema precisão. 1

O AlphaFold virou ferramentas para descoberta de drogas. Pesquisadores usam as estruturas preditas para desenhar moléculas que se encaixem perfeitamente em proteínas-alvo de doenças. Gerou ferramentas derivadas como o AlphaMissense, que classifica se variações genéticas humanas causam doença ou não. E o AlphaFold 3, lançado em 2024, tornou-se 50% mais preciso que os métodos tradicionais em prever como drogas e anticorpos se ligam a suas proteínas-alvo, sem precisar de nenhuma estrutura experimental como entrada. 2

## 2. Descoberta de Drogas em Tempo Recorde: Quando a IA Desenha o Medicamento

Todo mundo sabe quão lento é desenvolver um fármaco e quantos bilhões as vezes são investidos para um medicamento ser elaborado em tempo de 7 a 10 anos por exemplo, sem falar que a taxa de sucesso nessas condições é sempre baixa (coisa de 10% dos medicamentos chega na última fase de teste para se tornar um "produto). Em 2024 tivemos uma boa notícia quando uma dessas empresas da tão temida big pharma conseguiu através do uso de IA desenhar uma droga para fibrose pulmonar idioática (FPI), uma doença de piora progressiva e que danifica irreversivemente o pulmão. O medicamento "Rentosertib" representa a primeira droga desenhada por IA a entrar em testes humanos e com resultados promissores. 3
Estamos falando de um encurtamento imenso de um processo que levaria quase 10 anos (nesse caso durou aproximadamente 3 anos).

Agora, já 30% das novas drogas descobertas em 2025 usam IA em algum ponto do pipeline de desenvolvimento. Empresas como Exscientia e Insilico assinaram parcerias multi-bilionárias com gigantes farmacêuticas como Sanofi, Bristol Myers Squibb e GSK para desenhar drogas usando IA.4

A lógica é clara: IA identifica alvos promissores em dados genômicos e bioquímicos que os humanos não conseguem processar mentalmente. Depois desenha moléculas que se encaixam nesses alvos com precisão. E prevê, antes de um único teste de laboratório, se a molécula será eficaz, segura e viável para manufatura. Em 2025, projeta-se que a IA gere entre $350 bilhões e $410 bilhões anualmente para o setor farmacêutico. Não é um número pequeno. É uma reorganização fundamental de como a indústria funciona.

## 3. Diagnóstico de Câncer Sobre-Humano: Quando a IA Vê Melhor Que Radiologistas

A maldita doença. Quem aqui não torçe pelo fim do câncer? Infelizmente para grande maioria dos casos ainda dependemos de modelos e sistemas bastante limitados, como por exemplo o olhar clínico e treinado dos Radiologistas (NADA CONTRA, OBVIAMENTE), mesmo com tamanha profissionalidade sabemos que não é raro cânceres passarem despercebido, principalmente porque isso envolve a qualidade humana de uma paleta imensa de profissionais, não existe padronização quando se trata da flexibilidade humana. E aqui entra as vantagens do acesso aos "padrões" de centenas de milhões de imagens já analisadas pelo homem além de ter uma resistência inesgotável.

Para câncer de pulmão, algoritmos baseados em YOLO alcançaram 98,7% de acurácia na detecção de tumores em tomografias computadorizadas. Para câncer de mama, IA assistida reduziu falsos positivos em 37,3% e biópsias desnecessárias em 27,8%, enquanto aumentava a sensibilidade. E mais impressionante: detectou 49,8% dos cânceres que radiologistas humanos perderam—chamados "cânceres de intervalo". 5

Os números variam por tipo de câncer. Para pele, o sistema atinge mais de 95% de acurácia. Para câncer de próstata em imagens de ressonância magnética, aproxima-se de 90% de sensibilidade e especificidade. Para linfoma, um modelo atingiu sensibilidade de 87%, especificidade de 94% e área sob a curva de 0,97—métricas que rivalizariam com o radiologista mais experiente. 6

Óbvio mas necessário dizer aqui: A IA não funciona sozinha, radiologistas humanos revisando esses resultados são um ponto crucial. O que temos é um sistema de flag que é conferido pelo homem, tal como você faz com seus textinhos e arte, mas por um motivo mais digno nesse caso.

## 4. Fusão Nuclear: A IA Que Pode Salvar o Planeta

Painel Solar? Turbinas Eólicas? Não! Fusão Nuclear! Mas numa realidade pré-IA a nossa previsão para alcançar a capacidade de trabalhar com Fusão Nuclear (a energia mais limpa e poderosa que existe) era pra 2040. Num resumo bruto: a criação de um gás ionizado (plasma) a temperatura acima de 100 milhões de graus Celsius em estabilidade num reator magnético. Imaginem quão complexo e caótico é isso! Os cálculos necessários para chegar num modelo seguro eram astronômicos. Em 2024 a National Fusion Facility (DIII-D) usaram técnicas IA para prever uma das instabilidades que destrói a reação, e a máquina aprendeu a antecpar esse tipo de problema ajustando o campo magnético em tempo real.7

Simultaneamente, o Google DeepMind formou uma parceria com Commonwealth Fusion Systems, uma startup de fusão, para trabalhar em três áreas-chave: simulação diferenciável de plasma, otimização do caminho mais eficiente para máxima energia, e descoberta de novas estratégias de controle em tempo real usando IA. O resultado é que cálculos que levavam semanas agora levam minutos.8

Bom, esses foram 4 exemplos só pra te tirar da bolha de que a IA está apenas fazendo arte. Esse tipo de notícia não se vê deliberadamente por aí, não é? Eu mesmo não sabia de nada disso! E espero que tenha sido novidade pra você também! Vamos continuar vendo um uso estúpido e desgastante de IA por termpo indeterminado. Eu não faço ideia do real futuro dessa tecnologia daqui pra frente, parece mesmo que tudo é possível. Agradeço sua atenção e sua leitura!

Thômas Blum