Durante o Google I/O, conferência de programadores que aconteceu na semana passada, Demis Hassabis, CEO do Google DeepMind, declarou que, no momento, estamos “na base da singularidade”. Foi uma afirmação marcante, pois a singularidade é o momento teórico futuro em que a Inteligência Artificial ultrapassa rapidamente a inteligência humana e transforma o mundo de maneira dramática. Mas o que me chamou a atenção enquanto eu ouvia na plateia foi o contexto em que ele disse essas palavras.
Hassabis estava no palco para encerrar a sessão com um segmento sobre IA científica. O ponto central da apresentação foi um vídeo detalhando como o software de previsão do tempo da empresa forneceu um alerta antecipado sobre o catastrófico impacto do furacão Melissa, na Jamaica, no ano passado e, possivelmente, salvou vidas. Se esse software, chamado WeatherNext, ajudou alguém a escapar da tempestade ou a reforçar melhor a própria casa, isso é uma conquista enorme e significativa. Mas dificilmente é evidência de uma singularidade iminente.
A justaposição entre a retórica grandiosa e os resultados concretos do WeatherNext no mundo real destacou a tensão entre duas abordagens muito diferentes de IA para a ciência. A primeira se concentra em ferramentas, que são projetadas e treinadas para resolver problemas científicos específicos. A segunda envolve sistemas agentes, baseados em grandes modelos de linguagem (Large Language Models, ou LLMs), que um dia poderiam executar projetos de pesquisa de ponta sem envolvimento humano.
Essa segunda visão alimenta grande parte do entusiasmo no momento, incluindo a empolgação recente com o autoaperfeiçoamento recursivo, ou a ideia de que sistemas de IA poderiam, eventualmente, tornar-se os principais motores do avanço dela própria, um processo que ficaria cada vez mais rápido à medida que os sistemas se tornassem mais inteligentes. E eles agora estão fazendo contribuições reais para a pesquisa, às vezes com orientação humana limitada.
Pushmeet Kohli, cientista-chefe do Google Cloud, publicou um texto em uma edição especial da revista Daedalus dizendo: “Estamos caminhando em direção a uma IA que não apenas facilita a ciência, mas começa a fazer ciência.” Com cientistas de IA autônomos no horizonte, fica mais difícil justificar esforços massivos para desenvolver ferramentas superespecializadas, até mesmo uma como o AlphaFold, pela qual cientistas do DeepMind ganharam um Prêmio Nobel, ou um sistema potencialmente salvador de vidas como o WeatherNext. Isso também prenuncia um futuro muito mais estranho para a ciência, no qual humanos e sistemas de IA colaboram como pares, ou a IA até faz progresso científico por conta própria.
Para deixar claro, o Google não parece estar abandonando seu trabalho em ferramentas especializadas de IA para a ciência. O AlphaGenome e o AlphaEarth Foundations, treinados para aplicações de genética e de ciências da Terra, respectivamente, foram lançados no verão passado, e a versão mais nova do WeatherNext saiu em novembro.
Além disso, ferramentas desse tipo continuam extremamente populares entre cientistas. No ano passado, por exemplo, o Google relatou que as previsões de estrutura de proteínas do AlphaFold foram usadas por mais de três milhões de pesquisadores no mundo todo. E a Isomorphic Labs, uma subsidiária do Google que pretende usar o AlphaFold e tecnologias relacionadas para desenvolver novos medicamentos, acaba de levantar uma rodada de financiamento de 2 bilhões de dólares.
Mas há sinais concretos de realinhamento, tanto no entusiasmo quanto nos recursos. No mês passado, o Los Angeles Times informou que o fellow do Google John Jumper, que ganhou o Nobel pelo AlphaFold, agora está trabalhando com IA para codificação, não com ferramentas específicas para a ciência. Não é surpreendente que a empresa esteja direcionando suas melhores mentes para o problema da codificação, já que sofreu recentemente um golpe reputacional porque suas ferramentas de codificação, no momento, não se comparam às oferecidas pela Anthropic e pela OpenAI. Mas isso também pode sinalizar uma priorização da ciência com sistemas agentes, já que habilidades de codificação são essenciais para o sucesso de alguns desses sistemas.
Em toda a indústria, sistemas agentes de pesquisadores estão mostrando potencial real. A OpenAI anunciou que um de seus modelos havia refutado uma importante conjectura matemática, talvez a contribuição mais significativa que a IA generativa já fez, até agora, segundo alguns matemáticos.
É importante notar que o modelo usado pela OpenAI não é especializado em resolver problemas matemáticos, nem mesmo em pesquisa. Segundo a empresa, trata-se de um modelo de raciocínio de uso geral, na linha do GPT-5.5. Se agentes gerais conseguem fazer contribuições independentes para a pesquisa matemática, em breve podem ser capazes de fazer o mesmo na ciência, embora o fato de que ideias na ciência precisam ser verificadas experimentalmente torne esse um domínio mais difícil para a IA.
O Google certamente está dedicando muita atenção a um futuro científico orientado por agentes. O grande anúncio científico no I/O foi o novo pacote Gemini for Science, que reúne vários dos sistemas científicos baseados em LLMs da empresa sob uma única marca.
Isso inclui a IA geradora de hipóteses Co-Scientist e o AlphaEvolve, voltado à otimização de algoritmos, que ainda não estão disponíveis ao público. Como o Google agora permite que qualquer pesquisador solicite acesso ao Gemini for Science, eles podem, em breve, ter uma adoção mais ampla na comunidade científica. Cientistas que participaram dos testes iniciais estão entusiasmados com seu potencial, Gary Peltz, geneticista da Universidade de Stanford, nos Estados Unidos, comparou o uso da IA Co-Scientist a “consultar o oráculo de Delfos”, em um artigo da Nature Medicine.
O Gemini for Science não é incompatível com ferramentas especializadas. Ao contrário, sistemas agentes podem ser projetados para recorrer a elas quando forem úteis. E nenhum deles pode prever a estrutura na qual uma proteína se dobrará sem a ajuda do AlphaFold, pelo menos por enquanto. Mas a empresa parece estar mudando sua imagem pública, e ao menos parte de seus recursos e de seu pessoal, como Jumper, afastando-se do desenvolvimento específico desse tipo de ferramenta. Embora tenham se passado apenas cinco anos desde que o AlphaFold resolveu o problema do dobramento de proteínas, tanto a tecnologia quanto o discurso já avançaram rapidamente além dessa conquista, que um dia foi revolucionária.
O Google tem sido cuidadoso ao posicionar esse novo conjunto de agentes científicos como um acelerador para cientistas humanos, e não como um substituto deles. A escolha do nome IA Co-Scientist, em vez de IA Scientist, por exemplo, parece bastante deliberada. Hassabis usa esse mesmo recorte centrado no humano quando fala sobre as mudanças no cenário da IA científica. “Na próxima década ou algo assim, devemos pensar na IA como essa ferramenta incrível para ajudar os cientistas”, disse em uma entrevista publicada na edição da Daedalus. “Além desse horizonte temporal, é difícil dizer com qualquer grau de certeza, mas talvez esses sistemas se tornem mais parecidos com colaboradores.”
Mas ninguém pode ser um colaborador científico eficaz sem também ser um cientista habilidoso por mérito próprio. E, se Hassabis estiver minimamente correto ao falar “da base da singularidade”, então cientistas de IA poderão eventualmente superar as capacidades de seus equivalentes humanos.
Em uma conversa com o jornalista Mike Allen, no I/O, ele contou que inicialmente se sentiu inspirado a seguir na área de IA ao observar como o progresso na física havia estagnado desde a década de 1970. Perguntou a si mesmo se a mente humana havia atingido seus limites nesse domínio e se a IA poderia ajudar a superar essa barreira. Cientistas agentes super-humanos certamente se enquadrariam nessa descrição. Talvez nunca cheguemos perto disso, mas o Google parece estar mirando esse topo.
Grace Huckins
