Introdução
A conquista do Nobel de Química de 2024 por Demis Hassabis e John Jumper, criadores do AlphaFold no Google DeepMind, marcou um momento histórico para a inteligência artificial aplicada à ciência. O sistema revolucionou a previsão de estruturas proteicas, resolvendo um problema que desafiava cientistas há meio século. No entanto, Eric Schmidt, ex-CEO do Google, e Suhas Mahesh, especialista em IA para descoberta de materiais, argumentam que o modelo AlphaFold pode não ser o melhor template para acelerar todas as áreas da ciência. Em vez disso, eles apontam para uma nova direção: agentes de IA capazes de raciocinar e sintetizar informações de múltiplas fontes, simulando o processo iterativo da pesquisa científica real.
O sucesso excepcional do AlphaFold e suas limitações
O AlphaFold representa uma conquista monumental na intersecção entre IA e biologia. O sistema aprendeu a prever estruturas tridimensionais de proteínas treinando em milhares de formas experimentalmente validadas, transformando um desafio que resistiu a ataques sistemáticos por décadas em um problema computacionalmente solucionável. Hassabis e sua equipe proclamaram o AlphaFold como ‘o template de como a IA pode acelerar toda a ciência para velocidade digital’, inspirando uma onda de startups que levantaram bilhões de dólares para construir modelos fundamentais em biologia, química e descoberta de materiais.
Contudo, o sucesso do AlphaFold dependeu de condições muito específicas e raras. A existência do Protein Data Bank, um conjunto de dados com aproximadamente 170.000 estruturas proteicas validadas experimentalmente, foi fundamental. Este repositório não surgiu do nada: levou 53 anos de cooperação científica internacional e um investimento estimado em 21 bilhões de dólares em trabalho experimental para ser construído. Esforços dessa magnitude são notoriamente difíceis de financiar, quase impossíveis de coordenar e extremamente demorados para executar.
Mesmo em campos com recursos e coesão suficientes, onde dados relevantes não são bloqueados por propriedade comercial, existe outra barreira pouco discutida: a impossibilidade científica de gerar dados comparáveis em muitas áreas. A cristalografia de proteínas, técnica experimental chave para o AlphaFold, é excepcionalmente replicável e confiável – tanto que mais de 25 Prêmios Nobel dependeram dela. Mas na maior parte da ciência experimental, os resultados variam constantemente. Linhagens celulares se modificam. Produtos químicos têm contaminantes traço. A umidade do laboratório muda. Criar conjuntos de dados medidos que sejam consistentes, precisos e escaláveis o suficiente para treinar uma rede neural moderna em biologia ou química exigiria novos tipos de medição e abordagens padronizadas que não estarão prontas tão cedo.
A emergência dos agentes de IA como alternativa
Enquanto apenas algumas áreas como previsão do tempo, genômica e segmentos limitados da química atendem aos requisitos para avanços no estilo AlphaFold, uma abordagem diferente começou a mostrar promessa: os agentes de IA. Cientistas sempre raciocinaram sob incerteza. Biologistas trabalhando para identificar novos alvos de drogas nunca tiveram conjuntos de dados perfeitos. Em vez disso, eles combinam cálculos de acoplamento molecular e estruturas conhecidas, consideram dinâmica molecular, executam ensaios de ligação e usam seu julgamento para ponderar cada método de acordo com suas forças e pontos de falha específicos.
A habilidade da ciência não está em uma única ferramenta, mas em sintetizar o que muitas ferramentas produzem e revisar os resultados conforme as evidências surgem. Este é o processo real da pesquisa científica, mas até recentemente, nenhum software conseguia replicá-lo. Agora, os agentes podem. Um agente é essencialmente um motor de raciocínio de IA que recebeu acesso a ferramentas – digitais ou físicas – e as capacidades para usá-las. Nos últimos anos, uma mudança arquitetural fundamental na IA, impulsionada por grandes modelos de linguagem, permitiu a proliferação rápida desses programas, reduzindo drasticamente a necessidade de conjuntos de dados cientificamente especializados.
Para a ciência, esse avanço tecnológico representa uma mudança fundamental: permitiu criar ferramentas digitais que podem imitar o processo iterativo e altamente contingente da pesquisa real. Enquanto ferramentas como o AlphaFold aplicam uma abordagem poderosa a uma questão limitada, os agentes são inerentemente generalistas. Eles não representam uma nova maneira de fazer ciência – em vez disso, modelam digitalmente o processo humano de descoberta.
O AI Co-Scientist do Google: um exemplo prático
Um exemplo concreto dessa nova abordagem é o AI Co-Scientist do Google, anunciado em maio de 2024. Pesquisadores forneceram ao sistema um briefing de uma página e um objetivo: descobrir como a resistência a antibióticos se espalha entre espécies bacterianas, um fator chave nas infecções resistentes a medicamentos. O sistema criou sub-agentes especializados. Um redigiu hipóteses a partir da literatura. Outro as criticou como um revisor de pares. Um terceiro executou torneios para classificar os candidatos mais fortes. Um quarto refinou a hipótese vencedora.
O agente concluiu que genes de resistência estavam pegando carona em vírus bacterianos, usando qualquer vírus que pudesse transportá-los para um novo hospedeiro. A hipótese estava correta. Pesquisadores do Imperial College London haviam passado uma década chegando à mesma conclusão através de trabalho laboratorial meticuloso; seu artigo, não visto anteriormente pelo Co-Scientist, ainda estava em revisão por pares. Este exemplo demonstra o potencial dos agentes de IA para acelerar dramaticamente o processo de descoberta científica.
Implicações transformadoras para a prática científica
Os agentes de IA ainda são ferramentas novas e enfrentam desafios reais antes de se tornarem parte ubíqua do processo científico. Eles ainda são propensos a alucinações, seu julgamento não é consistente e têm limitações de memória e entrada que restringem o tempo que podem funcionar autonomamente. Mas essas barreiras técnicas cairão, e quando isso acontecer, começaremos a notar os efeitos compostos dos agentes científicos na confiabilidade, consistência e velocidade com que a ciência é feita.
Talvez o mais notável seja que os agentes oferecem uma correção estrutural para a ‘crise de reprodutibilidade’ da ciência – o problema generalizado de pesquisadores não conseguirem replicar os resultados uns dos outros. Por décadas, a comunidade científica implorou aos pesquisadores que compartilhassem seus dados brutos e código exato para padronizar processos experimentais. Mas pesquisadores resistiram a esse trabalho administrativo tedioso, que acontece depois que a ciência interessante já foi feita. Os agentes, em contraste, registram automaticamente cada movimento que fazem, criando um registro exato do método que levou aos seus resultados e permitindo replicação precisa.
Uma segunda consequência será a amplificação da memória científica. A transferência de conhecimento entre pesquisadores é um processo notoriamente obscuro. Se não for feita ao longo de anos de treinamento e observação, estudantes de pós-graduação são deixados para vasculhar os cadernos de laboratório bagunçados mantidos por décadas de predecessores, procurando os detalhes que farão ou quebrarão seu protocolo. À medida que os agentes se tornam uma parte cada vez maior do processo científico, toda a história científica de um laboratório será registrada em um repositório central e padronizado de conhecimento institucional.
O que isso significa para o futuro da ciência
O impacto mais importante dos agentes será a velocidade. Em qualquer campo, quando testar uma ideia leva menos tempo do que discuti-la em uma reunião, as pessoas param de debater e simplesmente executam o teste. Um agente que pode ler mil artigos em uma hora, projetar 500 moléculas e aprender com seus testes fracassados até a manhã seguinte reduzirá o custo da experimentação e mudará fundamentalmente o ritmo em que a ciência é feita. Também dará aos pesquisadores a liberdade de perseguir questões ousadas e estranhas que nunca teriam arriscado seu tempo antes, abrindo portas científicas que ainda não imaginamos.
Enquanto o template do AlphaFold certamente será fundamental para descobertas incríveis em áreas específicas com dados abundantes e padronizados, ele sozinho não nos levará ao fim da ciência. Em vez disso, a mudança para IA agêntica representa um nível muito mais raro de avanço: uma ferramenta que envolve todos os campos da ciência de uma só vez. Historicamente, ferramentas de tal escopo chegaram apenas algumas vezes: cálculo, inferência estatística, espectroscopia, o computador. Cada uma revelou um mundo de problemas que ninguém havia pensado em formular, e esses problemas, por sua vez, redefiniram seus campos.
Conclusão
A visão apresentada por Schmidt e Mahesh oferece uma perspectiva mais realista e potencialmente mais transformadora sobre o futuro da IA na ciência. Enquanto modelos especializados como o AlphaFold continuarão importantes em domínios com dados abundantes e padronizados, os agentes de IA representam uma mudança mais fundamental na forma como a pesquisa científica é conduzida. Eles não substituem o processo humano de descoberta, mas o amplificam e aceleram de maneiras sem precedentes. Para empresas brasileiras de tecnologia, laboratórios de pesquisa e universidades, isso significa que o foco não deve estar apenas em acumular grandes conjuntos de dados, mas em desenvolver sistemas capazes de raciocinar, sintetizar informações de múltiplas fontes e conduzir experimentos de forma autônoma. A revolução da IA na ciência está apenas começando, e ela será mais sobre raciocínio do que sobre dados.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria “AI for science needs reasoning, not just data” publicada em MIT Technology Review, disponível em https://www.technologyreview.com/2026/08/10/1141384/ai-agents-for-science/.
