Várias startups e equipes universitárias que estão construindo “cientistas de Inteligência Artificial” para projetar e conduzir experimentos no laboratório, incluindo robôs biólogos e químicos, acabam de ganhar financiamento extra de uma agência do governo do Reino Unido que apoia Pesquisa & Desenvolvimento de alto risco e impacto.
A competição, organizada pela Agência de Pesquisa e Invenção Avançada (Advanced Research and Invention Agency, ou ARIA), dá uma noção clara de quão rapidamente essa tecnologia está avançando: a instituição recebeu 245 propostas de pesquisadores que já estão desenvolvendo ferramentas capazes de automatizar trechos significativos do trabalho de laboratório.
A ARIA define um cientista de IA como um sistema que consegue executar um fluxo de trabalho científico inteiro, formulando hipóteses, projetando e conduzindo experimentos para testá-las e, em seguida, analisando os resultados.
Em muitos casos, o sistema pode então alimentar esses resultados em si mesmo e executar o ciclo repetidas vezes. Cientistas humanos se tornam supervisores, formulando as perguntas iniciais de pesquisa e então deixando o cientista de IA cuidar do trabalho braçal.
“Há usos melhores para um estudante de doutorado do que ficar esperando em um laboratório até as 3h da manhã para garantir que um experimento seja conduzido até o fim”, diz Ant Rowstron, diretor de tecnologia da agência.
A ARIA selecionou 12 projetos, dobrando o montante de financiamento que pretendia alocar por causa do grande número e da alta qualidade das submissões. Metade das equipes é do Reino Unido, o restante é dos Estados Unidos e da Europa. Algumas equipes são de universidades, outras da indústria. Cada uma receberá cerca de 50 mil libras (em torno de 360 mil reais) para cobrir nove meses de trabalho. Ao final desse período, elas deverão ser capazes de demonstrar que seu modelo foi capaz de chegar a descobertas inéditas.
As equipes vencedoras incluem a Lila Sciences, uma empresa estadunidense que está construindo o que chama de um nanocientista de IA, um sistema que projetará e conduzirá experimentos para descobrir as melhores maneiras de compor e processar pontos quânticos, que são partículas semicondutoras em escala nanométrica usadas em imagem médica, painéis solares e TVs QLED.
“Estamos usando os recursos e o tempo para provar um ponto”, diz Rafa Gómez-Bombarelli, diretor científico para ciências físicas na Lila: “O financiamento nos permite projetar um ciclo real de robótica de IA em torno de um problema científico focado, gerar evidências de que funciona e documentar o manual para que outros possam reproduzi-lo e ampliá-lo.”
Outra equipe, da Universidade de Liverpool, no Reino Unido, está construindo um químico que conduz vários experimentos ao mesmo tempo e usa um modelo de linguagem e visão para ajudar a solucionar problemas quando o robô comete um erro.
Uma startup sediada em Londres, ainda às escondidas, está desenvolvendo o ThetaWorld, que está usando grandes modelos de linguagem (Large Language Models, ou LLMs) para projetar experimentos sobre as interações físicas e químicas que são importantes para o desempenho de baterias. Eles então serão conduzidos em um laboratório automatizado.
Medindo a temperatura
Em comparação com os projetos de 5 milhões de libras (cerca de 36 milhões de reais), que duram dois ou três anos, e que a ARIA geralmente financia, 500 mil libras (3,6 milhões de reais) é troco. Mas essa era a ideia, diz Rowstron: também é um experimento por parte da agência. Ao financiar uma variedade de projetos por um curto período, ela está medindo a temperatura na vanguarda para determinar como a maneira de fazer ciência está mudando, e quão rápido. O que aprender servirá como linha de base para financiar futuros projetos de grande escala.
Rowstron reconhece que há muito exagero, especialmente agora que a maioria das principais empresas de IA tem equipes focadas em ciência. Quando os resultados são divulgados por comunicado à imprensa, e não por revisão por pares, pode ser difícil saber o que a tecnologia pode e o que não pode fazer. “Esse é sempre um desafio para uma agência de pesquisa que tenta financiar a fronteira”, ele diz. “Para fazer coisas na fronteira, precisamos saber o que é a fronteira.”
Por enquanto, a vanguarda envolve sistemas agênticos acionando outras ferramentas existentes, conforme necessário. “Eles estão executando coisas como grandes modelos de linguagem para fazer a ideação e então usam outros modelos para fazer otimização e conduzir experimentos”, diz Rowstron. “Depois, eles alimentam os resultados de volta.”
Rowstron vê a tecnologia empilhada em camadas. Na base estão ferramentas de IA projetadas por humanos para humanos, como o AlphaFold.
Essas ferramentas permitem que cientistas saltem partes lentas e meticulosas do processo científico, mas ainda podem exigir muitos meses de trabalho de laboratório para verificar resultados. A ideia de um cientista de IA é automatizar esse trabalho também.
Ele fica em uma camada acima dessas ferramentas feitas por humanos e as aciona conforme necessário, diz Rowstron. “Há um momento no tempo, e eu não acho que esteja a uma década de distância, em que essa camada diz: ‘Eu preciso de uma ferramenta que não existe’, e ela de fato vai criar um tipo de ferramenta, como o AlphaFold, no meio do caminho para descobrir como resolver outro problema. Toda essa zona de baixo simplesmente vai ser automatizada.”
Saindo dos trilhos
Mas ainda não chegamos lá, diz Rowstron. Todos os projetos que a ARIA está financiando agora envolvem sistemas que recorrem a ferramentas existentes, em vez de criar novas.
Também há problemas ainda não resolvidos com sistemas agênticos em geral, o que limita por quanto tempo eles conseguem funcionar sozinhos sem sair dos trilhos e cometer erros. Por exemplo, um estudo, intitulado “Por que os LLMs ainda não são cientistas”, publicado online por pesquisadores da Lossfunk, um laboratório de IA sediado na Índia, relata que, em um experimento para fazer agentes de grandes modelos de linguagem conduzirem um fluxo de trabalho científico até a conclusão, o sistema falhou em três de quatro vezes.
Segundo os pesquisadores, os motivos pelos quais os LLMs falharam incluíram “desvio das especificações originais da pesquisa em direção a soluções mais simples e familiares” e “empolgação excessiva que declara sucesso apesar de falhas óbvias”.
“Obviamente, no momento, essas ferramentas ainda estão bem no início do seu ciclo e essas coisas podem estagnar”, diz Rowstron. “Não estou esperando que elas ganhem um Prêmio Nobel.”
“Mas existe um mundo em que algumas dessas ferramentas vão nos obrigar a operar muito mais rápido”, ele continua. “E, se acabarmos nesse mundo, é super importante estarmos prontos.”
Will Douglas Heaven
