Por que o template AlphaFold não vai acelerar toda a ciência
Em 2024, Demis Hassabis e John Jumper, do Google DeepMind, receberam parte do Nobel de Química pelo AlphaFold, a rede neural que prevê estruturas tridimensionais de proteínas. O modelo parecia ter resolvido de uma vez um problema que resistiu a ataques sistemáticos por meio século. Hassabis chegou a chamá-lo de “o template de como a IA pode acelerar toda a ciência à velocidade digital”.
Mas, segundo Eric Schmidt (ex-CEO do Google) e Suhas Mahesh (que lidera o trabalho de IA para Ciência na Schmidt Sciences), essa visão é incompleta. Em artigo publicado no MIT Technology Review, eles argumentam que as condições que produziram o AlphaFold são raras — e que o verdadeiro acelerador da ciência será outra abordagem: agentes de IA.
O problema do “template AlphaFold”
O sucesso do AlphaFold dependeu de uma condição muito específica: o Protein Data Bank, um conjunto de aproximadamente 170.000 estruturas de proteínas validadas experimentalmente. A criação desse banco levou 53 anos de cooperação científica internacional e, segundo estimativas recentes, cerca de US$ 21 bilhões em trabalho experimental.
Esforços dessa escala são notoriamente difíceis de financiar, quase impossíveis de coordenar e extremamente demorados. E mesmo em campos com a coesão e os recursos necessários, há outra barreira pouco discutida: a impossibilidade científica de gerar dados comparáveis. Na maioria das ciências experimentais, os resultados variam mais do que se gostaria — linhagens celulares mudam, reagentes têm contaminantes, a umidade do laboratório flutua.
Criar conjuntos de dados medidos que sejam consistentes, precisos e escaláveis o suficiente para treinar uma rede neural moderna exigiria novos tipos de medição e abordagens padronizadas — nenhuma das quais estará pronta tão cedo.
Agentes de IA: modelando o processo humano de descoberta
A alternativa, argumentam Schmidt e Mahesh, são os agentes de IA — motores de raciocínio com acesso a ferramentas digitais ou físicas. Diferentemente do AlphaFold, que aplica uma abordagem poderosa a uma pergunta limitada, os agentes são inerentemente generalistas. Eles não representam uma nova forma de fazer ciência — em vez disso, modelam digitalmente o processo humano de descoberta.
O exemplo mais emblemático é o AI Co-Scientist do Google, anunciado em maio de 2026. Pesquisadores deram a ele um briefing de uma página e um objetivo: descobrir como a resistência a antibióticos se espalha entre espécies bacterianas. O sistema criou subagentes: um gerava hipóteses a partir da literatura, outro as criticava como um revisor, um terceiro organizava torneios para classificar os melhores candidatos, e um quarto refinava a hipótese vencedora.
O agente concluiu que genes de resistência pegavam carona em vírus bacterianos. A hipótese estava correta — pesquisadores do Imperial College London haviam passado uma década de trabalho em laboratório para chegar à mesma conclusão, e o artigo deles ainda estava em revisão por pares.
Três impactos transformadores
Schmidt e Mahesh destacam três consequências da adoção de agentes na ciência:
1. Solução estrutural para a crise de reprodutibilidade. Por décadas, a comunidade científica pediu que pesquisadores compartilhassem dados brutos e código exato. Mas pesquisadores resistem a esse trabalho administrativo tedioso. Agentes, por outro lado, registram automaticamente cada movimento que fazem, criando um registro exato do método que levou aos resultados.
2. Amplificação da memória científica. A transferência de conhecimento entre pesquisadores é um processo notoriamente obscuro. Com agentes registrando tudo, a história científica completa de um laboratório fica armazenada em um repositório centralizado e padronizado de conhecimento institucional.
3. Velocidade. Quando testar uma ideia leva menos tempo do que discuti-la em uma reunião, as pessoas param de debater e simplesmente rodam o teste. Um agente que lê mil artigos em uma hora, projeta 500 moléculas e aprende com seus testes fracassados até de manhã reduz o custo da experimentação e muda fundamentalmente o ritmo da ciência.
Uma ferramenta que envolve todos os campos de uma vez
Historicamente, ferramentas desse escopo chegaram apenas um punhado de vezes: o cálculo, a inferência estatística, a espectroscopia, o computador. Cada uma revelou um mundo de problemas que ninguém havia pensado em formular, e esses problemas, por sua vez, redefiniram seus campos. Com agentes, argumentam os autores, outra transformação desse porte está sobre nós.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
