De sensores a contratos inteligentes: minha jornada pelos Gêmeos Digitais e Tokenização de Dados

Quando iniciei o curso de Gêmeo Digital e Comunicação 5G na UniFacens, promovido em parceria com a Softex e com apoio do Ministério da Ciência, Tecnologia e Inovação, eu já trazia comigo experiências em diferentes áreas da tecnologia. Já havia participado de capacitações em Web 3.0 e Sistemas Embarcados, por meio do EmbarcaTech, e também estava estudando Visão Computacional e Provimento de Serviços Computacionais.

À primeira vista, essas formações poderiam parecer caminhos independentes. Entretanto, conforme avanço nos estudos, percebo que elas fazem parte de uma mesma arquitetura tecnológica.

Sistemas embarcados produzem dados. Redes 5G transportam esses dados. A Inteligência Artificial os interpreta. Os Gêmeos Digitais os transformam em representações dinâmicas. A Realidade Virtual permite que interajamos com essas representações. A infraestrutura computacional armazena e processa as informações. Finalmente, a Web 3.0 pode estabelecer mecanismos de registro, propriedade, tokenização e negociação desses ativos digitais.

É justamente nessa convergência que comecei a identificar o tema ao qual desejo dedicar minhas pesquisas.

O início da capacitação: os fundamentos da Inteligência Artificial

As primeiras disciplinas da capacitação foram Fundamentos de Inteligência Artificial e Inteligência Artificial Aplicada.

Estudar Inteligência Artificial dentro do contexto de Gêmeos Digitais mudou a maneira como passei a compreender sua aplicação. A IA não aparece apenas como uma ferramenta capaz de conversar, produzir textos ou gerar imagens. Ela pode atuar como uma camada de análise e decisão sobre os dados produzidos por sensores, máquinas, veículos, edifícios e infraestruturas urbanas.

Em uma cidade inteligente, por exemplo, sensores podem medir:

• fluxo de veículos;
• qualidade do ar;
• intensidade sonora;
• temperatura;
• umidade;
• consumo de energia;
• nível de reservatórios;
• vibração de pontes e estruturas;
• ocupação de espaços públicos;
• funcionamento da iluminação urbana.

A simples coleta dessas informações não torna uma cidade inteligente. É necessário interpretar os dados, identificar padrões, detectar anomalias, produzir previsões e apoiar decisões.

É nesse ponto que entram técnicas de Inteligência Artificial, aprendizado de máquina, reconhecimento de padrões e análise preditiva.

Um sistema pode aprender o comportamento normal de uma determinada infraestrutura e perceber quando algo começa a se desviar desse padrão. Isso pode indicar um vazamento, uma falha estrutural, um equipamento deteriorado, um congestionamento incomum ou algum desperdício de energia.

Assim, a IA transforma dados brutos em informação, e a informação em conhecimento útil para a tomada de decisão.

Programação de Software Embarcado: onde o mundo físico começa a falar

Na sequência, estudamos Programação de Software Embarcado.

Essa disciplina está diretamente ligada à origem dos dados utilizados por um Gêmeo Digital. Antes de termos modelos tridimensionais, dashboards, algoritmos de Inteligência Artificial ou contratos inteligentes, precisamos observar o mundo físico.

Essa observação acontece por meio de sensores conectados a microcontroladores, computadores de placa única, controladores industriais, gateways IoT e outros dispositivos embarcados.

O software embarcado é responsável por tarefas como:

• adquirir sinais dos sensores;
• converter grandezas físicas em dados digitais;
• aplicar filtros e calibrações;
• identificar erros de leitura;
• armazenar informações temporariamente;
• executar processamento na borda;
• controlar atuadores;
• transmitir os dados para outros sistemas.

Por isso, vejo o sistema embarcado como a primeira camada de confiança de toda essa infraestrutura.

Quando um sensor mede uma variável, não basta apenas transmitir um número. É necessário registrar o contexto daquela medição: qual equipamento realizou a leitura, onde ele estava instalado, quando foi calibrado, qual unidade de medida foi utilizada, qual era sua margem de erro e em que momento a informação foi produzida.

Sem essa contextualização, posso ter uma grande quantidade de dados e, ainda assim, possuir pouca informação confiável.

Minha experiência anterior com Sistemas Embarcados, especialmente por meio do EmbarcaTech, ajudou-me a compreender que o Gêmeo Digital depende diretamente da qualidade do sistema físico que o alimenta.

Um modelo digital não pode ser mais confiável do que seus sensores, sua comunicação e seus processos de aquisição.

Modelagem de Processos e Sistemas: representar antes de transformar

Outra etapa importante da capacitação foi a disciplina de Modelagem de Processos e Sistemas.

Modelar significa selecionar os elementos relevantes de uma realidade e representá-los de forma compreensível. Nenhum modelo contém absolutamente tudo sobre o objeto real. Ele precisa representar aquilo que é necessário para determinado objetivo.

Posso criar diferentes modelos de uma mesma avenida, por exemplo.

Para estudar mobilidade, preciso representar faixas de trânsito, semáforos, veículos, velocidades, cruzamentos e horários de maior movimento.

Para analisar drenagem urbana, preciso representar declividade, galerias pluviais, intensidade das chuvas, nível dos canais e capacidade de escoamento.

Para estudar iluminação pública, preciso modelar luminárias, consumo de energia, luminosidade, horários de funcionamento e falhas dos equipamentos.

O território físico pode ser o mesmo, mas cada problema exige uma representação diferente.

Essa percepção é fundamental para compreender que um Gêmeo Digital não é apenas um desenho tridimensional. Ele é uma representação computacional de um objeto, processo ou ambiente físico, alimentada por dados e utilizada para monitoramento, simulação, análise e tomada de decisão.

Dependendo de sua maturidade, essa representação pode receber informações do mundo físico, analisar seu comportamento, simular cenários e até enviar comandos de volta aos equipamentos reais.

A chegada à Realidade Virtual

No momento em que escrevo este artigo, estamos aproximadamente na metade da capacitação e iniciamos a disciplina de Introdução à Realidade Virtual.

A Realidade Virtual acrescenta uma camada de percepção e interação ao Gêmeo Digital. Ela permite que o usuário não apenas consulte dados em tabelas ou gráficos, mas entre em um ambiente tridimensional e interaja com sua representação.

Imagine uma equipe de engenharia analisando virtualmente uma estação de tratamento, uma ponte, uma subestação elétrica ou um sistema de drenagem urbana.

Os profissionais poderiam visualizar sensores, tubulações, estruturas, equipamentos e variáveis operacionais dentro do próprio modelo. Poderiam observar regiões críticas, consultar o histórico de uma máquina ou acompanhar uma simulação antes de executar uma intervenção no ambiente real.

A Realidade Virtual, nesse contexto, deixa de ser apenas uma tecnologia de entretenimento. Ela se torna uma interface de engenharia.

Também é importante distinguir visualização tridimensional de Gêmeo Digital. Um modelo 3D pode representar apenas a aparência de um objeto. Já um Gêmeo Digital precisa estabelecer algum nível de correspondência com o sistema físico, seus estados, seus dados e seu comportamento.

A Realidade Virtual pode ser a interface usada para explorar o Gêmeo Digital, mas não é, isoladamente, o próprio gêmeo.

O papel da comunicação 5G

Embora o 5G apareça muitas vezes associado apenas à velocidade da internet móvel, sua importância para sistemas urbanos é mais ampla.

Ambientes de Gêmeos Digitais podem depender da comunicação entre grandes quantidades de sensores, dispositivos móveis, veículos, câmeras, sistemas de controle e plataformas computacionais.

Nesse cenário, não basta transportar dados rapidamente. Algumas aplicações precisam de baixa latência, disponibilidade, previsibilidade e capacidade de atender muitos dispositivos simultaneamente.

Uma aplicação de manutenção urbana pode tolerar que uma medição ambiental seja transmitida alguns segundos depois. Entretanto, um sistema de controle remoto, um veículo conectado ou uma aplicação interativa de Realidade Estendida pode exigir respostas muito mais rápidas.

O 5G torna-se, portanto, uma importante infraestrutura de comunicação entre o mundo físico e sua representação digital.

Nem todos os sensores de uma cidade precisarão usar 5G. Tecnologias como LoRaWAN, Wi-Fi, redes celulares convencionais, Ethernet industrial e protocolos específicos continuarão tendo seu espaço. O desafio de engenharia está justamente em escolher a tecnologia adequada para cada necessidade.

Web 3.0, blockchain e uma nova percepção sobre o valor dos dados

Minha capacitação em Web 3.0 trouxe outra dimensão para esse conjunto de conhecimentos.

Por meio dela, aprofundei meu contato com conceitos ligados a blockchain, tokenização e contratos inteligentes. Passei a perceber que essas tecnologias podem ser utilizadas não apenas em criptomoedas, mas também na representação de direitos, ativos, permissões e relações digitais.

A tokenização permite representar digitalmente determinado ativo ou direito por meio de tokens. Já os smart contracts, ou contratos inteligentes, permitem programar regras que podem ser executadas quando determinadas condições forem atendidas.

Isso abre possibilidades para novos modelos de relacionamento entre compradores, vendedores, prestadores de serviços, operadores de infraestrutura e produtores de dados.

Um contrato inteligente poderia, por exemplo, definir:

• quem pode acessar determinado dataset;
• durante quanto tempo o acesso será permitido;
• quais tipos de processamento podem ser realizados;
• como o pagamento será distribuído;
• quais registros de auditoria devem ser mantidos;
• quais condições de qualidade precisam ser atendidas;
• quando uma licença deve ser renovada ou encerrada.

Entretanto, é importante fazer uma distinção: a blockchain pode registrar transações e regras de acesso, mas não garante, por si só, que o dado recebido do mundo físico seja verdadeiro.

Esse é um dos grandes desafios do modelo que comecei a imaginar.

Smart cities, redes cognitivas de sensores e produção de datasets

Meu principal foco de interesse está nas smart cities, especialmente na combinação entre IoT, redes cognitivas de sensores e Gêmeos Digitais.

Uma rede cognitiva de sensores não deveria apenas coletar tudo continuamente. Ela deveria compreender o contexto, ajustar sua operação e selecionar quais dados são realmente relevantes.

Um nó de sensoriamento poderia:

1. observar uma variável física;
2. processar localmente parte da informação;
3. detectar mudanças relevantes;
4. ajustar sua taxa de amostragem;
5. transmitir somente os dados necessários;
6. colaborar com outros sensores;
7. alimentar o Gêmeo Digital;
8. receber novos parâmetros de operação.

Essa abordagem é importante porque uma cidade pode conter milhares ou milhões de fontes de dados. Registrar todas as medições, em todos os instantes e com a máxima resolução, pode produzir muito volume, mas não necessariamente muito valor.

É necessário transformar medições em datasets documentados, organizados, verificáveis e adequados a determinados usos.

Esse processo envolve conceitos de Ciência de Dados, engenharia de dados, Data Lakes, repositórios, catálogos e pools de dados. Também exige metadados capazes de informar a origem, o período, a localização aproximada, o método de coleta, a resolução, a calibração, a qualidade e as restrições de uso de cada conjunto.

Um possível mercado de dados urbanos

A partir dessas conexões, comecei a imaginar um ecossistema no qual empresas, governos, universidades e prestadores de serviços possam produzir, utilizar e negociar datasets relacionados ao ambiente urbano.

Uma empresa de engenharia poderia instalar sensores para acompanhar vibrações em pontes. Outra poderia monitorar condições climáticas. Uma terceira poderia estudar mobilidade, consumo energético ou qualidade do ar.

Essas empresas poderiam atuar de diferentes maneiras.

Algumas poderiam prestar serviços diretamente ao município. Outras poderiam receber concessões ou autorizações para explorar determinados dados. Também poderiam existir iniciativas independentes, respeitando os limites legais, contratuais, éticos e de privacidade.

Cada organização produziria datasets especializados. Esses conjuntos poderiam ser utilizados internamente ou licenciados para outras empresas interessadas em consolidar diferentes fontes de informação.

Uma empresa que possui dados sobre chuvas poderia combiná-los com dados sobre drenagem, relevo, impermeabilização do solo e trânsito. Dessa combinação poderia surgir um relatório mais completo sobre riscos de alagamento.

O novo produto não seria apenas o conjunto original de medições, mas uma informação derivada, enriquecida e contextualizada.

Esse relatório também poderia ser licenciado, alimentando novos modelos e novos Gêmeos Digitais.

Forma-se, assim, um ciclo:

sensores produzem dados; dados alimentam modelos; modelos geram análises; análises orientam serviços; os serviços produzem novos dados; e esses novos dados retornam ao ecossistema.

O dado tokenizado não é automaticamente uma moeda

Inicialmente, fui levado a pensar que os tokens de dados poderiam funcionar como uma espécie de moeda lastreada nos datasets produzidos.

Hoje percebo que essa definição exige cuidado.

Um token pode representar diferentes coisas:

• propriedade sobre um ativo digital;
• licença de acesso a um dataset;
• direito de executar determinada consulta;
• cota de participação em uma infraestrutura;
• crédito para processamento de dados;
• comprovação de origem;
• remuneração pela produção de informação;
• direito sobre receitas futuras.

Portanto, nem todo token precisa funcionar como moeda.

Em muitos casos, talvez seja mais adequado utilizá-lo como uma licença programável, um comprovante de procedência ou uma unidade de acesso. Isso reduziria a pressão para que todo dataset tivesse comportamento semelhante ao de um ativo financeiro.

Mesmo assim, permanece a questão econômica: como determinar o valor de um conjunto de dados?

O valor de um dataset não depende apenas de seu tamanho

Um dataset maior não é necessariamente mais valioso.

Seu valor pode depender de diversos fatores:

• exclusividade;
• atualidade;
• precisão;
• cobertura temporal;
• cobertura espacial;
• confiabilidade dos sensores;
• qualidade dos metadados;
• dificuldade de obtenção;
• possibilidade de combinação com outras fontes;
• relevância para uma decisão;
• capacidade de reduzir custos ou riscos;
• permissões legais de utilização.

Dados sobre o trânsito de uma avenida produzidos há cinco anos podem ter pouco valor para uma operação em tempo real, mas ainda podem ser úteis em pesquisas históricas.

Uma única medição que antecipe a falha de uma estrutura pode ser mais valiosa do que milhões de registros repetitivos.

O valor, portanto, não está apenas na quantidade. Ele está na utilidade, na qualidade, no contexto e na capacidade de produzir conhecimento ou apoiar uma decisão.

O problema da abundância e da desvalorização

Uma das questões que mais me chama atenção é o efeito da abundância.

Com o tempo, teremos cada vez mais sensores e, consequentemente, mais dados. Caso a emissão de tokens esteja diretamente associada à quantidade de registros produzidos, o sistema poderá incentivar uma geração artificial e desnecessária de dados.

Um sensor poderia aumentar sua frequência de amostragem apenas para gerar mais tokens, ainda que as novas medições não acrescentassem qualquer informação relevante.

Isso criaria uma espécie de inflação informacional: muitos dados, muitos tokens e pouco conhecimento novo.

Para evitar esse problema, a remuneração não deveria considerar somente o volume produzido. Ela poderia observar critérios como:

• novidade da informação;
• qualidade da medição;
• cobertura de uma região ainda não observada;
• contribuição para determinado modelo;
• redução da incerteza;
• demanda real pelo dataset;
• validação por outras fontes;
• capacidade de apoiar decisões concretas.

Nesse modelo, o sistema recompensaria o valor informacional e não apenas a quantidade de bytes armazenados.

Como evitar dados falsos?

Outro desafio é a falsificação.

A blockchain pode tornar um registro difícil de alterar depois de armazenado. Porém, se um sensor enviar uma informação falsa, a blockchain poderá preservar de maneira segura um dado incorreto.

Esse problema é conhecido, em diferentes contextos, como o desafio de conectar a confiança do mundo físico à confiança do sistema digital.

Para enfrentá-lo, seria necessário combinar diferentes mecanismos:

• identidade criptográfica dos dispositivos;
• assinatura digital das medições;
• inicialização segura do hardware;
• armazenamento protegido de chaves;
• firmware autenticado;
• registro de calibração;
• carimbo de tempo confiável;
• geolocalização ou comprovação de contexto;
• comparação entre sensores independentes;
• detecção de anomalias por Inteligência Artificial;
• auditorias e certificações;
• sistemas de reputação;
• rastreabilidade da transformação dos dados.

O dataset também precisa manter sua proveniência, isto é, a história de sua origem e de todas as transformações pelas quais passou.

Se um relatório foi gerado a partir de cinco conjuntos de dados, deve ser possível saber quais foram esses conjuntos, quais algoritmos foram aplicados, quais versões dos modelos foram usadas e quem executou cada etapa.

O risco da microgeração desnecessária

A microgeração desnecessária ocorre quando inúmeros produtores criam fragmentos de dados pouco relevantes apenas para receber alguma recompensa.

Esse comportamento pode sobrecarregar redes, sistemas de armazenamento e plataformas de processamento. Também pode dificultar a descoberta de informações realmente úteis.

Uma possível resposta seria criar mecanismos de curadoria e agregação. Em vez de negociar cada leitura individualmente, os dados poderiam ser organizados em lotes ou produtos com finalidade definida.

Por exemplo:

Dataset de temperatura, umidade e qualidade do ar de uma determinada região, coletado durante seis meses, com sensores calibrados, resolução temporal conhecida e índice mínimo de completude.

Esse produto é mais compreensível e comercialmente utilizável do que milhões de registros isolados.

Também seria possível estabelecer níveis de qualidade, certificações, pontuações de confiabilidade e mercados especializados por domínio.

Nem todos os dados podem ser livremente negociados

Outro ponto essencial é que dados não devem ser tratados como simples mercadorias sem considerar seus impactos sociais e jurídicos.

Dados relacionados a pessoas, deslocamentos, imagens, veículos, residências ou hábitos podem permitir a identificação direta ou indireta de indivíduos.

Por isso, qualquer infraestrutura de negociação de datasets precisa incorporar princípios de privacidade e proteção de dados desde sua arquitetura.

Isso pode exigir:

• minimização da coleta;
• anonimização ou pseudonimização;
• controle de finalidade;
• limitação de acesso;
• consentimento quando aplicável;
• políticas de retenção;
• auditoria;
• governança;
• descarte seguro;
• mecanismos contra reidentificação.

Em determinadas situações, talvez o dataset não deva ser transferido. O comprador poderia enviar um algoritmo para ser executado em um ambiente controlado e receber apenas o resultado autorizado.

Assim, a tokenização não representaria necessariamente a posse de uma cópia dos dados, mas o direito de executar uma operação específica sobre eles.

O Gêmeo Digital como ambiente de experimentação

Os Gêmeos Digitais podem ser o ponto de encontro de todas essas tecnologias.

Uma cidade representada digitalmente pode servir como ambiente para empresas de engenharia, operadores de serviços públicos, universidades e gestores governamentais realizarem experimentos antes de interferirem no mundo físico.

Seria possível simular:

• alterações no trânsito;
• implantação de novas linhas de transporte;
• mudanças na temporização de semáforos;
• expansão de redes elétricas;
• instalação de painéis solares;
• obras de drenagem;
• resposta a chuvas intensas;
• manutenção de pontes;
• expansão da iluminação pública;
• evacuação de áreas de risco.

Cada experimento consumiria determinados datasets, produziria resultados e, potencialmente, geraria novos conjuntos de dados derivados.

Uma empresa poderia utilizar dados de diferentes produtores, executar uma simulação e oferecer um novo produto informacional. Os contratos inteligentes poderiam controlar licenças, pagamentos e repartição de receitas entre os participantes que contribuíram para aquele resultado.

Um ciclo tecnológico e econômico

A arquitetura que imagino pode ser resumida nas seguintes camadas:

1. Sensoriamento: dispositivos IoT observam o ambiente físico.

2. Processamento embarcado e de borda: os dados são filtrados, validados e contextualizados.

3. Comunicação: redes como 5G, LoRaWAN e outras tecnologias transportam as informações.

4. Infraestrutura computacional: serviços de borda, nuvem e datacenters armazenam e processam os dados.

5. Engenharia de dados: os registros são organizados em datasets documentados.

6. Inteligência Artificial: algoritmos detectam padrões, anomalias e tendências.

7. Gêmeo Digital: o ambiente físico é representado e atualizado digitalmente.

8. Realidade Estendida: profissionais visualizam e interagem com o modelo.

9. Blockchain: eventos, permissões e transações são registrados.

10. Tokenização: direitos de acesso, licenças ou participações são representados digitalmente.

11. Smart contracts: regras comerciais e operacionais são automatizadas.

12. Prestação de serviços: empresas utilizam os dados para propor, simular e executar soluções.

O resultado do serviço realimenta o sistema, produzindo novos dados e iniciando outro ciclo.

Mais do que reunir tecnologias

Ao observar minha trajetória de estudos, percebo que não estou apenas acumulando cursos.

A formação em Sistemas Embarcados ajuda-me a compreender a origem do dado. A Visão Computacional amplia as formas de observação do mundo. A Inteligência Artificial transforma dados em análises. O Provimento de Serviços Computacionais ajuda a estruturar a infraestrutura necessária. A Realidade Virtual oferece novas interfaces. O 5G conecta dispositivos e aplicações. A Web 3.0 apresenta mecanismos de propriedade, confiança e negociação.

Já os Gêmeos Digitais organizam essas tecnologias ao redor de uma representação operacional do mundo físico.

É essa convergência que dá sentido ao conjunto.

O tema ao qual desejo me dedicar

Caso me perguntem hoje qual tema de pesquisa desejo desenvolver, minha resposta está se tornando cada vez mais clara:

Quero estudar como projetar e viabilizar uma infraestrutura confiável para produção, validação, tokenização, licenciamento e negociação de datasets urbanos, utilizando blockchain e contratos inteligentes em ambientes de smart cities representados por Gêmeos Digitais.

Esse tema envolve várias áreas:

• sistemas embarcados;
• Internet das Coisas;
• redes cognitivas de sensores;
• comunicação 5G;
• engenharia e Ciência de Dados;
• Inteligência Artificial;
• Gêmeos Digitais;
• Realidade Estendida;
• cibersegurança;
• blockchain;
• tokenização;
• contratos inteligentes;
• proteção de dados;
• economia;
• direito;
• governança urbana.

Reconheço que os aspectos econômicos, especialmente os relacionados à formação de preço, emissão de tokens, escassez, abundância e estabilidade de valor, ainda estão fora do campo que domino.

Mas identificar aquilo que ainda não conheço também faz parte do processo de pesquisa.

Talvez o maior desafio não seja criar sensores, blockchains ou representações virtuais de cidades. Todas essas tecnologias já existem de alguma maneira.

O verdadeiro desafio será estabelecer confiança entre elas.

Precisaremos confiar no sensor, no firmware, na comunicação, no dataset, no algoritmo, no modelo digital, no contrato inteligente, nas organizações participantes e nas regras de governança.

Minha experiência na capacitação de Gêmeo Digital e Comunicação 5G tem me mostrado que o futuro não será construído por uma tecnologia isolada. Ele surgirá da integração entre diferentes conhecimentos, sistemas e profissionais.

E é justamente nessa interseção — entre o mundo físico, sua representação digital e os novos modelos de negociação de dados — que pretendo concentrar meus próximos estudos.