A cada poucas décadas, alguém anuncia que a ciência chegou ao fim. Em 1903, o reverenciado físico Albert Michelson escreveu que os “fatos da ciência física já foram todos descobertos”. Na década de 1980, Stephen Hawking previu que a física teórica poderia estar concluída até o fim do século. Com a chegada explosiva da Inteligência Artificial, essa sensação está novamente no ar, desta vez acompanhada de um Prêmio Nobel.
Em 2024, Demis Hassabis e John Jumper, do Google DeepMind, receberam parte do Prêmio Nobel de Química por causa da rede neural AlphaFold, que prevê as estruturas tridimensionais de proteínas aprendendo a partir de milhares de formas medidas experimentalmente. Esse problema diabólico havia resistido a tentativas sistemáticas de solução durante meio século. O AlphaFold parecia tê-lo resolvido de uma vez por todas e o mundo ficou obcecado com a promessa de sua abordagem. Hassabis e sua equipe chamaram o AlphaFold de “modelo de como a IA pode acelerar toda a ciência à velocidade da era digital”.
Uma onda de startups que desenvolvem modelos fundacionais (no contexto de IA, um termo técnico para modelos de base) para biologia, química e descoberta de materiais levantou bilhões de dólares, impulsionada pelo sucesso da DeepMind. O AlphaFold havia mostrado que a combinação de IA com dados suficientes poderia produzir descobertas revolucionárias, mesmo que não compreendêssemos os mecanismos de base envolvidos, e parecia, mais uma vez, que um caminho para o restante da ciência estava traçado diante de nós.
Sem dúvida, a IA trará mudanças extraordinárias para a ciência, mas está cada vez mais claro que o AlphaFold, e sistemas semelhantes, talvez não sejam o melhor modelo para essa metamorfose. Embora seja uma conquista profunda, as condições que produziram algo como o AlphaFold são raras e o tempo necessário para reunir essas condições em outros campos será medido em décadas, não em anos. Em vez disso, a aceleração da ciência ocorrerá graças a outra abordagem: agentes de IA.
A principal condição para o sucesso do AlphaFold foi a existência do Protein Data Bank, um conjunto de dados com aproximadamente 170 mil estruturas de proteínas validadas experimentalmente, no qual a equipe da DeepMind pôde treinar seu modelo. A criação do Protein Data Bank não foi simples. Foram necessários 53 anos de cooperação científica internacional e, segundo uma estimativa recente, cerca de US$ 21 bilhões em trabalho experimental para montá-lo. Esforços dessa escala são notoriamente difíceis de financiar, quase impossíveis de coordenar e extremamente demorados de executar. Como consequência, muitas vezes eles fracassam.
Mas, mesmo em campos que dispõem da coesão e dos recursos necessários, e nos quais os dados relevantes não se tornam inacessíveis por estarem sob propriedade comercial, há outra barreira pouco discutida: a impossibilidade científica de gerar dados comparáveis. No caso das estruturas de proteínas, a principal técnica experimental, a cristalografia de proteínas, é uma ferramenta excepcionalmente replicável e confiável, a tal ponto que mais de 25 Prêmios Nobel dependeram dela. Mas, na maior parte da ciência experimental, os resultados variam com mais frequência do que permanecem constantes. Linhagens celulares se alteram. Substâncias químicas contêm contaminantes em quantidades residuais. A umidade do laboratório muda. A criação de conjuntos de dados medidos que sejam consistentes, exatos, precisos e escaláveis o bastante para treinar uma rede neural moderna em biologia, ou na maior parte da química, exigiria novos tipos de medição, além de novas abordagens padronizadas, e nada disso estará pronto tão cedo.
É claro que há alguns poucos campos nos quais esses requisitos são atendidos: previsão do tempo, grande parte da genômica e áreas muito limitadas da química. Esses campos podem em breve registrar avanços ao estilo do AlphaFold, caso isso já não tenha acontecido. O apoio governamental à produção e à coordenação desses conjuntos de dados será essencial, como argumentou a Comissão de Segurança Nacional dos Estados Unidos sobre Biotecnologia Emergente. Mas, para a maioria das questões em aberto na ciência, precisaremos de um plano diferente, pelo menos no curto prazo. Felizmente, algo mais discreto e modesto começou a mostrar potencial.
Os cientistas sempre raciocinaram em condições de incerteza. Biólogos que trabalham para identificar novos alvos de medicamentos nunca dispuseram de conjuntos de dados perfeitos. Em vez disso, eles combinam cálculos de acoplamento molecular e estruturas conhecidas, levam em conta a dinâmica molecular, realizam alguns ensaios de ligação e usam seu julgamento para ponderar cada método de acordo com seus pontos fortes e suas falhas particulares. A habilidade da ciência não está em uma única ferramenta, mas em sintetizar aquilo que muitas ferramentas produzem e revisar os resultados à medida que novas evidências surgem. É assim que a maior parte da pesquisa científica de fato avança. Mas, até muito recentemente, nenhum software era capaz de fazer isso.
Agora os agentes conseguem. Em termos simples, um agente é um mecanismo de raciocínio de IA que recebeu acesso a ferramentas, digitais ou físicas, e a capacidade de utilizá-las. Nos últimos anos, uma mudança arquitetônica fundamental na IA possibilitou a rápida proliferação desses programas, alimentados por grandes modelos de linguagem (large language models, os LLMs), reduzindo drasticamente a necessidade de conjuntos de dados cientificamente especializados. Para a ciência, esse avanço tecnológico representa uma mudança fundamental: ele nos permitiu criar ferramentas digitais capazes de imitar o processo iterativo e altamente dependente da pesquisa real. Enquanto ferramentas como o AlphaFold aplicam uma abordagem poderosa a uma questão limitada, os agentes são generalistas por natureza. Eles não representam uma nova maneira de fazer ciência. Em vez disso, modelam digitalmente o processo humano de descoberta.
Considere o AI Co-Scientist, do Google, anunciado em maio. Os pesquisadores lhe deram um documento de uma página e um objetivo: descobrir como a resistência a antibióticos se espalha entre espécies bacterianas, um dos principais fatores por trás das infecções resistentes a medicamentos. O sistema colocou subagentes em funcionamento. Um deles elaborou hipóteses a partir da literatura. Outro as desmontou como faria um avaliador acadêmico. Um terceiro realizou torneios para classificar as candidatas mais fortes. Um quarto refinou a hipótese vencedora. O agente concluiu que os genes de resistência estavam pegando carona em vírus bacterianos, aproveitando 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 por meio de um trabalho meticuloso em laboratório. O artigo deles, que o Co-Scientist ainda não havia visto, continuava em processo de revisão por pares.
Agentes como o Co-Scientist ainda são ferramentas novas, e há desafios reais a superar antes que se tornem uma parte onipresente do processo científico. Eles ainda estão sujeitos a alucinações, seu julgamento não é consistente e apresentam limitações de memória e de entrada de dados que restringem por quanto tempo podem operar de forma autônoma. Mas essas barreiras técnicas desaparecerão e, à medida que isso acontecer, começaremos a perceber os efeitos cumulativos dos agentes científicos sobre a confiabilidade, a consistência e a velocidade com que a ciência é realizada.
Talvez o aspecto mais notável seja que os agentes oferecem uma solução estrutural para a “crise de reprodutibilidade” da ciência, o problema generalizado da incapacidade dos pesquisadores de reproduzir os resultados uns dos outros. Há décadas, a comunidade científica pede insistentemente aos pesquisadores que compartilhem seus dados brutos e o código exato utilizado, em um esforço para padronizar os processos experimentais. Mas, há muito tempo, os pesquisadores resistem a esse tedioso trabalho administrativo, que acontece depois que a parte interessante da ciência já foi feita. Os agentes, em contraste, registram automaticamente cada movimento que realizam, criando um registro exato do método que levou aos resultados e possibilitando uma reprodução precisa.
Uma segunda consequência será a ampliação da memória científica. A transferência de conhecimento entre pesquisadores é um processo notoriamente nebuloso. Quando ela não ocorre ao longo de anos de treinamento e observação, estudantes de pós-graduação acabam tendo de examinar os confusos cadernos de laboratório de antecessores, mantidos por décadas, em busca dos detalhes que determinarão o sucesso ou o fracasso de seus protocolos. À medida que os agentes se tornarem uma parte cada vez maior do processo científico, porém, todo o histórico científico de um laboratório será registrado em um repositório central e padronizado de conhecimento institucional.
Mas o impacto mais importante dos agentes será a velocidade. Em qualquer área, quando testar uma ideia leva menos tempo do que discuti-la em uma reunião, as pessoas deixam de debater e simplesmente fazem o teste. Um agente capaz de ler mil artigos em uma hora, projetar 500 moléculas e aprender com seus testes malsucedidos até a manhã seguinte reduzirá o custo da experimentação e mudará fundamentalmente o ritmo em que a ciência é realizada. Também dará aos pesquisadores liberdade para perseguir questões ousadas e estranhas nas quais antes nunca teriam arriscado seu tempo, abrindo portas científicas que ainda nem somos capazes de imaginar.
Embora o modelo do AlphaFold certamente seja fundamental para descobertas extraordinárias, ele sozinho não nos levará ao fim da ciência. Em vez disso, a transição para a IA agêntica representa uma categoria muito mais rara de avanço: uma ferramenta que abrange simultaneamente todos os campos da ciência. Historicamente, ferramentas com um alcance dessa magnitude surgiram apenas algumas vezes: o cálculo, a inferência estatística, a espectroscopia, o computador. Cada uma revelou um universo de problemas que ninguém havia pensado em formular e esses problemas, por sua vez, redefiniram seus respectivos campos. Com os agentes, outra transformação desse tipo está diante de nós.
Eric Schmidt foi CEO do Google de 2001 a 2011. Em 2024, ao lado da esposa, Wendy, ele cofundou a Schmidt Sciences, uma iniciativa filantrópica destinada a financiar áreas não convencionais de exploração em ciência e tecnologia.
Suhas Mahesh lidera o trabalho de IA para ciência no AI Center da Schmidt Sciences. Ele é especialista em IA para descoberta de materiais.
Pesquisa adicional de Maya Levin, associada e líder de ciências no Office of Eric Schmidt.
Eric Schmidt e Suhas Mahesh
