De tempos em tempos alguém decreta o fim da ciência. Michelson fez isso em 1903, Hawking repetiu a dose nos anos 1980, e agora o clima voltou com força total — só que dessa vez com um Nobel embaixo do braço. Em 2024, Demis Hassabis e John Jumper levaram parte do Nobel de Química pelo AlphaFold, a rede neural que decifrou como proteínas se enrolam em estruturas 3D. Um problema que resistiu a cinco décadas de tentativas caiu diante de um modelo treinado em dados suficientes. A pergunta natural foi: isso escala para o resto da ciência?
Schmidt e Mahesh, em artigo de opinião na MIT Technology Review, dizem que não tão rápido. O ingrediente secreto do AlphaFold não foi só a arquitetura, foi o Protein Data Bank: um acervo de cerca de 170 mil estruturas de proteínas, construído ao longo de 53 anos de cooperação científica internacional, a um custo estimado em 21 bilhões de dólares. Reproduzir esse tipo de esforço coletivo em outras áreas da ciência é, na prática, quase inviável.
O problema não é só falta de dinheiro
Existe uma barreira ainda mais teimosa: gerar dados comparáveis em primeiro lugar. A cristalografia de proteínas é um método raro em sua precisão e replicabilidade, sustentando mais de 25 Nobéis. Já a maior parte da ciência experimental lida com ruído constante:
- Linhagens celulares que mudam de comportamento
- Contaminantes residuais em compostos químicos
- Variações de umidade que afetam experimentos de laboratório
Com esse nível de variação, treinar um modelo do porte do AlphaFold em biologia geral ou química ampla exigiria padrões de medição que simplesmente não existem ainda. Os autores apontam algumas exceções — previsão do tempo, genômica, nichos específicos de química — onde as condições já se aproximam do cenário ideal e resultados no estilo AlphaFold podem aparecer em breve.
A saída mais realista: agentes que raciocinam
Para o restante da ciência, a proposta dos autores é outra: agentes de IA capazes de imitar como cientistas de verdade trabalham. Um biólogo buscando um novo alvo terapêutico nunca teve dados perfeitos. Ele combina simulações de encaixe molecular, estruturas conhecidas, dinâmica molecular e alguns testes de ligação, pesando cada método pelas suas limitações. É síntese de evidências incompletas, não força bruta de dataset gigante.
É exatamente esse tipo de raciocínio que os agentes de IA — modelos de linguagem com acesso a ferramentas digitais e físicas — começaram a reproduzir nos últimos anos. Em vez de esperar décadas por um novo Protein Data Bank em cada área, a aposta é equipar a IA com o mesmo bom senso investigativo que já move laboratórios pelo mundo. Não é tão espetacular quanto um Nobel, mas pode ser o caminho que realmente escala.
Fonte: https://www.technologyreview.com/2026/08/10/1141384/ai-agents-for-science/