A inteligência artificial produziu um de seus sucessos científicos mais claros ao aprender com um vasto conjunto de dados cuidadosamente reunido. Mas uma nova análise da MIT Technology Review argumenta que esse modelo de progresso será difícil de replicar na maioria dos campos — e que agentes de IA capazes de raciocinar entre ferramentas podem ser um caminho mais prático para avançar.

O argumento importa porque as condições por trás do AlphaFold são incomuns. O sistema de estrutura de proteínas do Google DeepMind se beneficiou de décadas de coleta internacional de dados e de um método experimental relativamente confiável. Grande parte da biologia, da química e da ciência dos materiais carece de conjuntos de dados comparáveis, medições consistentes ou procedimentos padronizados. Para pesquisadores e desenvolvedores de IA, a implicação é que o progresso pode depender menos de encontrar um conjunto de dados científico universal do que de construir sistemas capazes de combinar evidências imperfeitas e testar ideias iterativamente.

O sucesso do AlphaFold dependeu de condições raras

O AlphaFold tornou-se um marco para a IA na ciência após prever estruturas tridimensionais de proteínas a partir de exemplos medidos experimentalmente. Demis Hassabis e John Jumper, do Google DeepMind, dividiram o Prêmio Nobel de Química de 2024 por trabalhos associados ao sistema.

A análise da MIT Technology Review apresenta o AlphaFold como uma realização profunda, mas não necessariamente como um plano geral para automatizar a descoberta. Sua base de treinamento foi a Protein Data Bank, que contém cerca de 170.000 estruturas de proteínas validadas experimentalmente. Segundo a análise, reunir esse recurso levou 53 anos de cooperação internacional e um investimento estimado de US$ 21 bilhões em trabalho experimental.

Esse investimento foi possível em parte porque a cristalografia de proteínas produz dados de maneira incomumente reproduzível. As mesmas condições não se aplicam em grande parte da ciência experimental. Linhagens celulares podem mudar, produtos químicos podem conter impurezas de traço e as condições de laboratório podem afetar os resultados. Produzir medições suficientemente consistentes, precisas e em escala para as redes neurais modernas pode exigir novos instrumentos, padrões e infraestrutura de pesquisa.

Algumas áreas — incluindo previsão do tempo, grande parte da genômica e partes limitadas da química — ainda podem oferecer as condições de dados necessárias para sistemas semelhantes ao AlphaFold. Mas a análise diz que o apoio governamental para criar e coordenar conjuntos de dados científicos continuará importante, enquanto muitos outros problemas de pesquisa precisarão, no curto prazo, de uma abordagem técnica diferente.

Por que o raciocínio importa quando os dados são bagunçados

Cientistas raramente trabalham com evidências perfeitas. Um pesquisador investigando um alvo de fármaco pode combinar docking molecular, estruturas conhecidas, simulações de dinâmica molecular, um pequeno número de ensaios de ligação e julgamento especializado. O processo depende de comparar ferramentas, entender suas fraquezas e revisar conclusões à medida que novas evidências chegam.

O artigo argumenta que os agentes de IA estão começando a modelar esse fluxo de trabalho. Um agente é descrito como um sistema de raciocínio conectado a ferramentas digitais ou físicas e capaz de decidir como usá-las. Em vez de aplicar um modelo altamente especializado a uma única pergunta, os agentes podem coordenar buscas na literatura, geração de hipóteses, crítica, experimentos e análises de acompanhamento.

O exemplo citado é o Google AI Co-Scientist, anunciado pelo Google em maio. Os pesquisadores forneceram um breve comando e pediram ao sistema que investigasse como a resistência a antibióticos se espalha entre espécies bacterianas. O sistema usou subagentes para geração de hipóteses baseada em literatura, crítica, ranqueamento e refinamento. Segundo relatos, ele propôs que genes de resistência poderiam se mover entre hospedeiros por meio de vírus bacterianos.

A MIT Technology Review diz que a hipótese coincidiu com uma conclusão alcançada ao longo de uma década de trabalho de laboratório úmido por pesquisadores do Imperial College London. O artigo relevante, segundo relatos, não havia sido visto pelo Co-Scientist e ainda estava em revisão por pares. Isso torna o exemplo notável, mas as evidências disponíveis aqui ainda são o relato de uma análise publicada, e não um benchmark documentado de forma independente ou um amplo estudo de validação. Deve ser tratado como um resultado ilustrativo, não como prova de que agentes científicos estão prontos para pesquisa sem supervisão.

Agentes podem mudar o fluxo de trabalho da pesquisa

A oportunidade mais imediata não é substituir cientistas. É reduzir o atrito ao transitar entre evidências, ferramentas e experimentos. Um agente capaz poderia pesquisar grandes corpos de literatura, propor explicações testáveis, preparar experimentos computacionais e registrar o raciocínio e as chamadas de ferramentas por trás de suas recomendações.

Esse registro poderia enfrentar parte da crise de reprodutibilidade. Pesquisadores e financiadores há muito incentivam os cientistas a compartilhar dados brutos, código e detalhes de procedimentos, mas essas tarefas muitas vezes são concluídas após o trabalho principal e podem ser incompletas. Agentes que registram automaticamente suas ações poderiam criar um registro mais preciso de como um resultado foi produzido. Isso ajudaria outro laboratório a reproduzir um fluxo de trabalho computacional, embora por si só não resolva a variação em experimentos físicos nem garanta que o raciocínio de um agente esteja correto.

Os agentes também poderiam preservar o conhecimento institucional. Métodos de laboratório muitas vezes são transmitidos entre pesquisadores de forma informal ou ficam enterrados em cadernos inconsistentes. Um repositório padronizado de trabalho assistido por agentes poderia facilitar a recuperação de decisões anteriores, experimentos fracassados e detalhes de procedimentos. Para equipes de pesquisa corporativas, isso aponta para um caso de uso prático: conectar modelos a documentos internos aprovados, ferramentas de simulação, sistemas de laboratório e processos de revisão, em vez de implantar um chatbot genérico de forma isolada.

A velocidade é outra vantagem potencial. A análise sugere que sistemas capazes de ler grandes coleções de artigos, desenhar muitas moléculas candidatas e aprender com testes fracassados poderiam reduzir o custo de explorar ideias. O benefício não seria apenas respostas mais rápidas. Experimentação mais barata poderia tornar os pesquisadores mais propensos a investigar perguntas incomuns ou de alto risco.

Evidência, limitações e riscos de implantação

O caso para agentes científicos continua voltado para o futuro. A MIT Technology Review observa explicitamente que os sistemas atuais podem alucinar, produzir julgamentos inconsistentes e operar sob limitações de memória e entrada. Essas limitações são sérias em domínios onde uma hipótese atraente ainda pode ser cientificamente errada, insegura ou impossível de reproduzir.

As afirmações mais fortes do artigo sobre melhorias futuras, maior confiabilidade e aceleração da pesquisa são análise e interpretação, não resultados de mercado já estabelecidos. As evidências fornecidas não incluem números de adoção, comparações controladas com equipes humanas ou medidas independentes de produtividade. Tampouco mostram que agentes podem controlar de forma confiável equipamentos de laboratório ou gerenciar programas de pesquisa de longa duração sem supervisão próxima.

Para os desenvolvedores, o desafio de design é, portanto, mais amplo do que a qualidade do modelo. Agentes científicos precisam de procedência, permissões de ferramentas, registro de experimentos, relatórios de incerteza e revisão humana em pontos de decisão relevantes. Eles precisam distinguir um resultado apoiado por medições replicadas de uma hipótese plausível, mas fraca. Em ambientes regulados ou sensíveis à segurança, as equipes também precisarão de registros claros de qual modelo, quais dados, qual versão de software e quais condições experimentais moldaram cada recomendação.

O que observar a seguir

Os próximos sinais significativos serão avaliações que comparem agentes científicos com pesquisadores usando as mesmas perguntas, ferramentas e orçamentos de tempo. A replicação independente de resultados atribuídos ao Google AI Co-Scientist forneceria evidências mais fortes do que um único caso de sucesso.

Pesquisadores e compradores também devem observar se os agentes conseguem manter planos de pesquisa coerentes por períodos mais longos, citar evidências com precisão, se recuperar de experimentos fracassados e transferir trabalho entre laboratórios. Outro teste importante será a integração com infraestrutura científica real: cadernos eletrônicos de laboratório, ambientes de simulação, bancos de dados e sistemas robóticos.

O progresso nos padrões de medição será tão importante quanto o progresso nos modelos. Onde conjuntos de dados científicos confiáveis puderem ser criados, sistemas especializados como o AlphaFold podem continuar altamente eficazes. Em outros lugares, o desempenho dos agentes dependerá de quão bem os sistemas lidam com medições ruidosas, artigos contraditórios e conhecimento institucional incompleto.

Perspectiva da Creati.ai

A lição central não é que os modelos científicos orientados por dados fracassaram. O AlphaFold demonstra o quão poderosos eles podem ser quando um campo tem dados de treinamento abundantes, estruturados e confiáveis. A correção mais importante é que a maioria das pesquisas não oferece essas condições, então produtos de IA para ciência precisam ser projetados em torno da incerteza em vez de simplesmente assumi-la como irrelevante.

Para empresas de IA e organizações de pesquisa, a oportunidade de curto prazo é uma camada auditável que coordena as ferramentas científicas existentes e captura a cadeia completa da pergunta à evidência e ao experimento. Isso é menos espetacular do que prometer descoberta autônoma, mas está mais alinhado com a forma como a ciência realmente é praticada — e é mais fácil para usuários especialistas testarem, questionarem e melhorarem.