A ciência tem o hábito recorrente de se declarar quase concluída. Em 1903, o físico Albert Michelson sugeriu que os fatos fundamentais da ciência física já haviam sido descobertos. Décadas mais tarde, Stephen Hawking especulou que a física teórica poderia ser concluída até o final do século XX. Nenhuma das previsões envelheceu bem. Hoje, com a inteligência artificial remodelando os laboratórios de pesquisa, uma sensação semelhante de conclusão iminente está circulando novamente. Desta vez, ela vem acompanhada de um Prêmio Nobel. A pergunta que vale a pena fazer não é se a IA vai transformar a ciência, mas se o exemplo mais celebrado dessa transformação é realmente o modelo certo a seguir.
Por Que AlphaFold Não Pode Ser Copiado em Todo Lugar
Em 2024, Demis Hassabis e John Jumper, do Google DeepMind, receberam parte do Prêmio Nobel de química pelo AlphaFold, uma rede neural que prevê as estruturas tridimensionais de proteínas. O problema resistia a soluções sistemáticas por cerca de meio século. O sucesso do AlphaFold levou Hassabis e sua equipe a descrevê-lo como “o modelo para como a IA pode acelerar toda a ciência à velocidade digital”. Uma onda de startups criando foundation models para biologia, química e ciência dos materiais arrecadou bilhões de dólares com base nessa premissa.
A premissa, no entanto, repousa sobre uma condição que é muito mais difícil de replicar do que parece. O AlphaFold foi treinado no Protein Data Bank, um repositório de aproximadamente 170.000 estruturas de proteínas validadas experimentalmente, montado ao longo de 53 anos de cooperação científica internacional. Segundo uma estimativa recente, esse esforço exigiu cerca de US$ 21 bilhões em trabalho experimental. Coordenar algo nessa escala é notoriamente difícil de financiar e executar, e tais esforços falharam frequentemente.
Mesmo onde há financiamento e coordenação, um problema mais profundo permanece. A técnica experimental por trás do Protein Data Bank, a cristalografia de proteínas, é incomumente confiável. Mais de 25 Prêmios Nobel dependeram dela. A maior parte da ciência experimental não desfruta desse tipo de consistência. Linhagens celulares se alteram. Produtos químicos carregam contaminantes residuais. A umidade do laboratório flutua. Gerar conjuntos de dados limpos o suficiente, precisos o suficiente e grandes o suficiente para treinar uma rede neural moderna em quase toda a biologia ou química exigiria padrões de medição inteiramente novos. Nenhum desses padrões está perto de estar pronto.
Um pequeno número de campos atende aos requisitos: previsão do tempo, boa parte da genômica, áreas limitadas da química. Estes podem ver avanços ao estilo do AlphaFold no curto prazo. Para a esmagadora maioria das perguntas científicas em aberto, uma abordagem diferente é necessária.
A Revolução Mais Silenciosa: AI Agents como Parceiros de Pesquisa
O que os cientistas reais fazem não é aplicar uma única ferramenta poderosa a um problema bem definido. Eles raciocinam sob incerteza. Um biólogo em busca de novos alvos de medicamentos combina cálculos de docking com estruturas moleculares conhecidas, pondera a dinâmica molecular, executa ensaios de ligação e exerce julgamento sobre qual método confiar e quando. A habilidade está em sintetizar o que muitas ferramentas produzem e revisar conclusões à medida que novas evidências chegam. Até recentemente, nenhum software conseguia replicar esse processo.
AI agents podem. Um agente é um motor de raciocínio de IA com acesso a ferramentas, digitais ou físicas, e a capacidade de usá-las. Impulsionados por LLMs, os agentes não exigem o tipo de conjunto de dados especializado e massivo que o AlphaFold exigia. Eles são generalistas por design. Eles não representam uma nova maneira de fazer ciência, mas sim um modelo digital de como a ciência sempre foi feita pelos humanos.
O AI Co-Scientist do Google, anunciado em maio, oferece uma ilustração concreta. Os pesquisadores deram a ele um resumo de uma página e um único objetivo: determinar como a resistência a antibióticos se espalha entre as espécies bacterianas. O sistema implantou subagentes com papéis distintos. Um redigiu hipóteses a partir da literatura científica. Outro as criticou como faria um revisor por pares. Um terceiro realizou torneios para classificar os candidatos mais fortes. Um quarto refinou o vencedor. O agente concluiu que os genes de resistência estavam viajando dentro de vírus bacterianos, usando qualquer vírus que pudesse carregá-los para um novo hospedeiro. A hipótese estava correta. Pesquisadores do Imperial College London haviam passado uma década chegando à mesma conclusão por meio de trabalho de laboratório. O artigo deles, que o Co-Scientist nunca tinha visto, ainda estava em revisão por pares quando o agente produziu seu resultado.
O Que Isso Significa Além do Laboratório
As implicações vão muito além de qualquer descoberta isolada. Os agentes abordam dois problemas estruturais que têm atormentado a ciência por décadas.
O primeiro é a reprodutibilidade. A ciência há muito luta com a incapacidade dos pesquisadores de replicar os resultados uns dos outros. Os esforços para consertar isso têm confiado amplamente em pedir aos pesquisadores que compartilhem dados brutos e código exato, um trabalho tedioso que tende a acontecer depois que a ciência interessante termina. Os agentes registram automaticamente cada etapa que realizam, criando um registro preciso que torna a replicação direta em vez de aspiracional.
O segundo é a memória institucional. A transferência de conhecimento entre pesquisadores é um processo notoriamente frágil. Os estudantes de pós-graduação frequentemente herdam décadas de cadernos de laboratório desorganizados e devem reconstruir o conhecimento tácito embutido neles. À medida que os agentes se tornam uma parte maior do trabalho de laboratório, toda a história científica de um laboratório pode se acumular em um repositório padronizado e pesquisável, em vez de espalhada por páginas manuscritas.
A velocidade, no entanto, pode ser o efeito mais consequente de todos. O ciclo iterativo de hipótese, experimento e revisão que define a pesquisa leva meses ou anos quando feito por equipes humanas trabalhando sequencialmente. Os agentes podem comprimir esse ciclo significativamente, executando várias linhas de investigação em paralelo e revisando em tempo real.
Em Resumo
O AlphaFold é uma conquista científica genuína, mas as condições que o produziram são raras e caras de recriar. A aceleração mais ampla da ciência tem mais probabilidade de vir de AI agents: sistemas que raciocinam em meio à incerteza, usam múltiplas ferramentas e modelam o processo iterativo de descoberta, em vez de resolver um problema estritamente definido com um conjunto de dados massivo e curado. A mudança da correspondência de padrões em dados limpos para o raciocínio através de evidências confusas e incompletas não é uma atualização técnica menor. É uma relação fundamentalmente diferente entre a IA e o processo científico.
Com base em reportagem de MIT Technology Review.