MIT, Microsoft e Google criam primeira tabela periódica das IAs

Inspirados na organização clássica dos elementos químicos, pesquisadores do MIT, Google e Microsoft desenvolveram a primeira “tabela periódica da inteligência artificial“.

Apresentada na 13ª edição da ICLR (International Conference on Learning Representations), em Singapura, a ferramenta propõe uma nova forma de enxergar e combinar os principais algoritmos de aprendizado de máquina.

A estrutura, batizada de I-Con (Information-Contrastive Learning), atua como um modelo matemático unificado que conecta técnicas como CLIP, SimCLR, k-Means, PCA e t-SNE.

A proposta permite visualizar como esses métodos se relacionam entre si com base em seus fundamentos probabilísticos.

Um novo alicerce para o aprendizado de representações

A ideia central da I-Con é reorganizar métodos de aprendizado de representações — uma área do machine learning que busca transformar dados brutos em formas compreensíveis e manipuláveis por algoritmos.

Dentro desse campo, o aprendizado contrastivo se destaca por agrupar dados similares e afastar os diferentes, algo essencial em tarefas como classificação de imagens. A I-Con mapeia mais de 23 desses métodos em um sistema visual e lógico, permitindo comparar, adaptar ou combinar algoritmos com base em seus princípios matemáticos comuns.

Como cada algoritmo “se conecta”: a lógica por trás da I-Con

Um dos grandes diferenciais da I-Con está em sua analogia de conexões sociais: assim como em uma festa, os algoritmos se agrupam por afinidade — seja por proximidade física, função semelhante ou objetivos comuns.

A tabela abaixo, apresentada pelos pesquisadores, mostra como a estrutura mapeia diferentes tipos de algoritmos com base em como os dados se “relacionam” entre si na entrada e o que geram como saída.

A visão ajuda a enxergar que, apesar das diferenças aparentes entre técnicas como K-Means, CLIP ou t-SNE, muitas delas compartilham fundamentos matemáticos semelhantes — a conexão entre os dados.

Ao reorganizar essa estrutura, cientistas conseguem recriar, combinar ou até propor novos algoritmos mais eficientes e éticos.

Tabela propõe novas combinações e desempenho superior

Ao posicionar algoritmos como se fossem elementos químicos, a I-Con oferece insights práticos. Com ela, cientistas conseguem identificar lacunas, sobreposições e potenciais inovações.

Um dos resultados mais concretos foi o desenvolvimento de um novo classificador não supervisionado, com desempenho 8% superior às abordagens anteriores.

Assim, a ferramenta expande a compreensão teórica da IA e pode orientar a construção de algoritmos mais eficientes e éticos.

Estamos deixando para trás o improviso e entrando numa era em que o machine learning pode ser previsto, testado e estruturado como uma ciência formal

Shaden Alshammari, principal autora da pesquisa.

Redução de vieses e adaptação entre domínios

Além da organização conceitual, a I-Con permite aplicar estratégias para mitigar vieses em modelos contrastivos, um problema recorrente na IA.

A estrutura também mostra como transferir técnicas entre domínios distintos — como adaptar um método supervisionado para tarefas não supervisionadas — com base em suas semelhanças internas.

Esse tipo de técnica híbrida pode acelerar pesquisas em áreas como linguagem natural, visão computacional e aprendizado auto-supervisionado.

Lista completa de algoritmos classificados na tabela:

🔵 Dimensionality Reduction (Redução de Dimensionalidade)

• SNE [Hinton 2002]
• PCA [Pearson 1901]
• t-SNE [Van der Maaten 2008]
• t-SNE with Uniform Affinities
• SNE with Uniform Affinities
• SNE Graph Embeddings
• t-SNE Graph Embedding

🟠 Cluster Learning (Aprendizado por Agrupamento)

• K-Means [Macqueen 1967]
• t-K Means
• Normalized Cuts [Shi 2000]
• DCD [Yang 2012]
• InfoNCE Clustering [Ours]
• Supervised Clustering

🟥 Unimodal SSL (Aprendizado Auto-supervisionado Unimodal)

• InfoNCE [Bachman 2019]
• SimCLR [Chen 2020]
• MoCoV3 [Chen 2021]
• VI-Reg [Bardes 2021]
• Triplet Loss [Schultz 2004]
• X-Sample CL [Sobal 2025]
• LGSimCLR [El Banani 2023]

🟪 Multimodal SSL (Aprendizado Auto-supervisionado Multimodal)

• CLIP [Radford 2021]
• CMC [Tian 2020]
• Average Margin CLIP
• Triplet CLIP
• t-SimCNE [Böhm 2023]
• t-SimCLR [Hu 2023]
• t-CLIP

🟩 Supervised Learning (Aprendizado Supervisionado)

• SupCon [Khosla 2020]
• Cross Entropy [Good 1963]
• Average Margin SupCon
• Triplet SupCon
• t-SupCon

⬛ Interpretation of Gaps (Interpretação de Lacunas / Métricas)

• Dual t-SNE
• Doubly t-SNE
• Error Rate
• Harmonic Loss [Baek 2025]

Metáfora do baile: como os algoritmos “se agrupam”

Para ilustrar o funcionamento da I-Con, a Microsoft usou uma analogia simples: imagine um baile, onde você conhece poucas pessoas. Ao observar interações e comportamentos semelhantes, você escolhe com quem se sentar. Esse é o mesmo comportamento que os algoritmos contrastivos utilizam para agrupar dados.

A tabela periódica da IA é exatamente isso: algoritmos que aprendem relações com base em afinidade, mas agora descritos matematicamente como variações de um mesmo modelo lógico.

Leia também:

• 30% dos códigos da Microsoft já são escritos por IA
• Google testa inclusão de anúncios em chatbots
• Meta lança app próprio da Meta AI para competir com o ChatGPT

Impacto prático e futuro da estrutura

A publicação da I-Coné um avanço cujas consequências representam mais do que um framework visual. Ela veio para se estabelecre como um instrumento de engenharia e investigação para pesquisadores, startups e grandes empresas que desejam explorar caminhos mais previsíveis e combinatórios na construção de sistemas inteligentes.

Ao oferecer uma estrutura sólida e adaptável, a tabela periódica da IA pode se tornar um pilar no avanço de modelos mais robustos, interpretáveis e justos.

Fonte: Open Review

Conteúdo Relacionado

Tem potencial

Google lança alternativa ao Duolingo gerada por IA