Cientista de IA: Automatizando o Futuro da Descoberta Científica

Os cientistas que utilizam IA representam um grande avanço rumo à descoberta científica totalmente automatizada, com o objetivo de realizar todo o processo de pesquisa de forma independente. Ao contrário das ferramentas tradicionais, esses laboratórios automatizados podem acelerar os processos de pesquisa, gerando hipóteses, projetando e executando experimentos, interpretando resultados e comunicando as descobertas.

Ao combinar grandes modelos de linguagem, aprendizado de máquina e robótica, um cientista de IA pode refinar iterativamente sua compreensão por meio de experimentação.

Descubra as 6 principais ferramentas e estruturas para cientistas de IA, e os processos científicos que lhes permitiriam fazer a ponte entre a ciência da computação e as ciências naturais.

As 6 principais empresas/estruturas de cientistas de IA

Laboratórios periódicos

A Periodic Labs tem como objetivo desenvolver sistemas capazes de conduzir pesquisas independentes, refinar ideias de forma iterativa e contribuir para a comunidade científica humana, gerando novos conhecimentos. Sua meta a longo prazo é viabilizar a descoberta científica totalmente automatizada, na qual agentes de IA possam propor hipóteses, projetar e executar experimentos, interpretar resultados e redigir artigos científicos com supervisão manual mínima.

O conceito central é fundir inteligência artificial com experimentação no mundo real. Em vez de depender exclusivamente de dados textuais em escala de internet, que são finitos e já amplamente utilizados por modelos de ponta, o Periodic Labs concentra-se na criação de laboratórios autônomos que geram dados experimentais originais e de alta qualidade. Esses laboratórios servem como ambientes onde um cientista de IA trabalha, testando suas ideias e aprendendo diretamente com a natureza.

Áreas de pesquisa dos Laboratórios de Periódicos

O Periodic Labs concentra-se principalmente nas ciências físicas como ponto de partida. Essa área foi escolhida porque os experimentos físicos oferecem sinais de alta qualidade, capacidades de modelagem confiáveis e critérios de verificação claros. Suas principais áreas de pesquisa incluem:

• Ciência dos materiais: Desenvolvimento e descoberta de supercondutores que operam em temperaturas mais elevadas, o que poderia aprimorar os sistemas de transporte e reduzir a perda de energia nas redes elétricas.
• Pesquisa em semicondutores: Colaboração com parceiros da indústria para enfrentar desafios como a dissipação de calor em chips, treinando agentes de IA para interpretar e otimizar dados experimentais.
• Física e química: Utilizando ferramentas de pesquisa de IA para projetar e sintetizar novos materiais, automatizar a geração de hipóteses e aprimorar a exploração baseada em simulação.

Esses esforços visam acelerar a ciência integrando cientistas de IA em domínios onde o progresso tradicionalmente exigia extensa experimentação manual. Ao fazer isso, a Periodic Labs busca reduzir o tempo entre a geração de ideias e a publicação de artigos de pesquisa aceitos para apresentação em uma conferência de aprendizado de máquina ou publicação em um periódico científico.

Visão mais ampla e considerações éticas

A ambição mais ampla da Periodic Labs é expandir a descoberta científica automatizada em diversas disciplinas, como ciência da computação, ciências naturais e engenharia. Sua visão inclui:

• Construir sistemas que desenvolvam algoritmos para raciocínio autônomo e projeto de experimentos.
• Apoiar cientistas pesquisadores no desenvolvimento de agentes capazes de enfrentar os grandes desafios da ciência.
• Criar sistemas abrangentes que integrem a coleta de dados, o raciocínio e a publicação sob uma estrutura científica unificada.

Eles também enfatizam a importância das considerações éticas na implementação de sistemas autônomos de IA, garantindo transparência, responsabilidade e colaboração com cientistas humanos.

Claude para Ciências da Vida

Claude para Ciências da Vida é uma iniciativa desenvolvida por Anthropic para acelerar a pesquisa e a inovação nos setores biomédico e de ciências da vida.

A plataforma integra inteligência artificial avançada ao processo científico, dando suporte a atividades que vão desde a geração de hipóteses e o planejamento de experimentos até a análise de dados, a conformidade com as normas regulatórias e a preparação de publicações.

A missão mais ampla da Anthropic é acelerar o progresso científico global através do desenvolvimento de sistemas de IA que colaborem com pesquisadores humanos e, com o tempo, alcancem um grau de autonomia na condução de descobertas científicas.

Visão e objetivos científicos

Embora as versões anteriores do Claude fossem usadas principalmente para tarefas específicas, como escrever código analítico, resumir literatura acadêmica ou preparar relatórios, a estrutura atual permite a participação abrangente em todo o ciclo de vida da pesquisa. Isso inclui a descoberta em estágio inicial, a translação clínica e a eventual comercialização dos resultados científicos.

O sistema Anthropic posiciona Claude como um colaborador de pesquisa inteligente, capaz de interpretar dados científicos, integrar informações de múltiplas fontes e gerar insights que contribuem diretamente para o progresso experimental. O sistema foi projetado para auxiliar laboratórios, organizações farmacêuticas e instituições acadêmicas, melhorando a eficiência, a reprodutibilidade e a qualidade dos resultados da pesquisa.

Principais funcionalidades e desempenho do modelo

Os modelos Anthropic demonstram ganhos substanciais no raciocínio científico, na compreensão e na interpretação de protocolos, conforme evidenciado por diversos resultados de referência .

Integração com ferramentas científicas e empresariais

Claude for Life Sciences inclui um conjunto expandido de conectores de software que permitem a interação direta com bancos de dados científicos, sistemas de gerenciamento de dados e plataformas de pesquisa colaborativa.

Essas integrações permitem que os pesquisadores consultem dados, visualizem resultados e conectem informações a fontes experimentais verificadas.

As principais integrações incluem o seguinte:

• Bancada: Permite o acesso a cadernos de laboratório, dados experimentais e sistemas de documentação.
• BioRender: Permite a criação de figuras, diagramas e resumos gráficos cientificamente precisos.
• PubMed e Wiley Scholar Gateway: oferecem acesso a milhões de publicações biomédicas revisadas por pares para citação, resumo e síntese de evidências.
• Synapse.org: Facilita o compartilhamento de dados, o controle de versões e a colaboração entre equipes de pesquisa distribuídas.
• 10x Genomics: Permite a análise de dados de transcriptômica espacial e de célula única por meio da interação em linguagem natural.

Habilidades do agente e automação de pesquisa

Anthropic introduziu as Habilidades do Agente , uma estrutura que permite a Claude realizar tarefas científicas de forma autônoma. Cada habilidade é um pacote estruturado contendo instruções, scripts e recursos que guiam o modelo por processos de pesquisa específicos.

Um exemplo notável é a habilidade single-cell-rna-qc , que realiza o controle de qualidade e a filtragem de dados de sequenciamento de RNA de célula única, seguindo as melhores práticas do SCverse. Os pesquisadores também podem criar habilidades personalizadas que definem os procedimentos de seus laboratórios, permitindo que o Claude automatize o processamento de dados, a análise estatística e as etapas de validação experimental.

Aplicações em todas as Ciências da Vida

Claude para Ciências da Vida oferece suporte a um amplo espectro de casos de uso em áreas de pesquisa, clínica e regulamentação.

• Pesquisa científica e geração de hipóteses: Claude pode realizar revisões bibliográficas abrangentes, identificar estudos relevantes, sintetizar resultados e gerar hipóteses testáveis a partir de dados existentes.
• Criação e documentação de protocolos: Através da integração com o Benchling, Claude auxilia na elaboração de protocolos de estudo, procedimentos operacionais padrão e formulários de consentimento livre e esclarecido que atendam aos padrões regulatórios e éticos.
• Bioinformática e análise computacional: Claude processa e interpreta grandes conjuntos de dados, incluindo dados genômicos e proteômicos, e produz resultados em formatos adequados para relatórios técnicos, apresentações de slides ou cadernos de código.
• Conformidade regulatória e clínica: O modelo auxilia na elaboração de submissões regulatórias, no resumo dos requisitos de conformidade e na compilação da documentação de suporte para auditorias ou revisões.
• O pacote Anthropic também fornece uma biblioteca de comandos otimizada para pesquisa científica, permitindo que os usuários obtenham resultados consistentes e otimizados em uma variedade de aplicações de pesquisa.

Assista ao vídeo abaixo para ver como Claude realiza análises de dados e revisões bibliográficas, extrai insights e os sintetiza em uma apresentação com uma ilustração do BioRender.

Batata

O Potato funciona como um sistema abrangente que dá suporte a todo o processo de pesquisa, desde a geração de hipóteses até a execução de experimentos e a interpretação de dados. Ao integrar inteligência artificial, automação e biologia computacional, o Potato possibilita a descoberta científica totalmente automatizada em áreas como ciências da vida, ciência da computação e bioinformática.

A plataforma permite que agentes de IA realizem pesquisas de forma independente ou em colaboração com pesquisadores. Esses agentes podem pesquisar a literatura, gerar ideias, projetar fluxos de trabalho, analisar resultados e preparar artigos para revisão.

Ao minimizar a necessidade de supervisão manual extensiva, o Potato acelera o desenvolvimento e o teste de novas ideias de pesquisa pela comunidade científica humana, apoiando o progresso no desenvolvimento de agentes capazes de realizar descobertas científicas significativas de forma autônoma.

A tecnologia por trás da batata

Potato funciona como um Sistema Operacional (SO) científico para as ciências da vida. Ele se conecta a centenas de ferramentas que tornam a pesquisa científica mais eficiente e reproduzível. Sua infraestrutura foi projetada para permitir que agentes de IA desenvolvam ideias de forma iterativa, planejem experimentos e interpretem resultados de maneira aberta.

Os principais componentes tecnológicos incluem:

• Ambiente especializado para agentes: O Potato oferece um ambiente de pesquisa dedicado que fornece aos agentes de IA os dados, as ferramentas e a memória necessários para realizar tarefas de pesquisa, como busca bibliográfica, geração de hipóteses e execução de experimentos.
• Ambiente de execução paralelo: O sistema baseado em nuvem dimensiona automaticamente os recursos de computação e GPU, permitindo que a IA execute milhares de experimentos simultaneamente. Essa paralelização suporta tarefas complexas de modelagem em aprendizado de máquina e processamento de linguagem natural .
• Linhas do tempo de pesquisa ramificadas: os pesquisadores podem explorar múltiplas variações experimentais com um único clique. Esse recurso de ramificação incentiva a descoberta científica automática, permitindo a exploração de hipóteses e métodos alternativos.
• Comunicação entre ferramentas: As ferramentas dentro do Potato comunicam-se diretamente entre si, aumentando a eficiência e permitindo fluxos de trabalho mais longos e ininterruptos.

No núcleo do sistema está o TATER (IA Técnica para Pesquisa Teórica e Experimental) , um co-cientista de IA multiagente. O TATER pode planejar e executar experimentos, analisar dados e traduzir a intenção da pesquisa em scripts robóticos. Ele representa uma estrutura abrangente para a descoberta científica automática, combinando modelos fundamentais, modelagem de difusão e redes neurais para impulsionar o estado da arte da pesquisa em IA.

Caso de uso 1: Previsão de resistência na protease principal do SARS-CoV-2

Em uma das aplicações, pesquisadores usaram a batata para realizar análises de sequências com foco na previsão de mutações de resistência viral.

• Desafio: Compreender quais variantes de nucleotídeo único da protease principal do SARS-CoV-2 podem causar resistência a medicamentos é um processo lento e dispendioso que normalmente requer semanas de trabalho computacional e laboratorial.
• Abordagem: Usando uma instrução simples, os pesquisadores pediram ao TATER para calcular as pontuações evolutivas de todas as possíveis variantes de sentido trocado e identificar aquelas próximas aos locais de ligação do inibidor.
• Resultado:
  • Foram geradas mais de 2.000 variantes possíveis e classificadas usando modelos de pontuação evolutiva.
  • Mapeamos cada variante em múltiplas estruturas cristalinas para determinar sua proximidade com os sítios de ligação do fármaco.
  • Foi fornecida uma lista priorizada de mutações que provavelmente alteram a sensibilidade ao inibidor.

Impacto:

O TATER condensou o que normalmente levaria uma semana de codificação e análise em uma única sessão interativa. Ao combinar dados estruturais com modelagem evolutiva, orientou os desenvolvedores de medicamentos em direção a mutações de alta prioridade para testes adicionais, acelerando assim a descoberta científica de antivirais por meio da pesquisa em IA na área da saúde .

Caso de uso 2: Engenharia de uma GFP mais brilhante

Um segundo exemplo destaca como a batata auxilia na engenharia de proteínas.

• Desafio: Projetar variantes mais brilhantes da GFP (Proteína Fluorescente Verde) normalmente requer revisão manual da literatura, planejamento de mutações e configuração experimental, tudo isso consumindo muito tempo.
• Abordagem: Os pesquisadores fizeram um único pedido ao TATER: "Quero criar uma GFP mais brilhante".
  • A IA realizou uma pesquisa bibliográfica para identificar mutações que aumentam o brilho.
  • Geramos um arcabouço de GFP otimizado e projetamos uma biblioteca de variantes funcionais.
  • Desenvolvemos um fluxo de trabalho experimental completo para clonagem, expressão e triagem por fluorescência.

Figura 1: Tater, o cientista de IA da Potato, gera planos de pesquisa e revisões bibliográficas. ¹

• Resultado:
  • Compilou-se uma biblioteca de variantes incluindo substituições conhecidas e novas.
  • Definição de protocolos detalhados de normalização e análise de dados.
  • Fornecimento de protocolos de laboratório prontos para uso, com modelos de documentação.

Impacto:

O TATER transformou um processo que normalmente leva dias ou semanas em minutos. Ele forneceu um fluxo de trabalho completo e reproduzível, da ideia à execução experimental, ilustrando como cientistas de IA podem viabilizar descobertas científicas automatizadas e criatividade acessível.

Ao integrar o raciocínio entre literatura e dados, o Potato impulsiona a pesquisa científica, permitindo que agentes de IA e cientistas pesquisadores colaborem e gerem novos conhecimentos com o mínimo de atrito.

Lila Ciências

A Lila Sciences é uma empresa de pesquisa sediada em Cambridge, Massachusetts, que está desenvolvendo um sistema de superinteligência científica. A missão da empresa é criar uma plataforma unificada onde cientistas de IA e cientistas humanos colaborem em laboratórios autônomos para acelerar a descoberta científica nas áreas de ciências da vida, química e ciência dos materiais.

O objetivo deles é desenvolver uma infraestrutura completa capaz de gerenciar todo o processo de pesquisa: da geração de hipóteses e planejamento de experimentos à análise de dados e redação de artigos. Lila se refere a esses ambientes como Fábricas de Ciência de IA (FCIA) : laboratórios físicos automatizados onde agentes de IA executam milhares de experimentos em paralelo, analisam resultados e desenvolvem ideias de forma iterativa com supervisão manual mínima.

A tecnologia da Lila Sciences

A Lila Sciences combina grandes modelos de linguagem , redes neurais e experimentação robótica no que chama de sistema abrangente para descoberta científica automática. A arquitetura de suas Fábricas de Ciência com IA integra raciocínio, simulação e experimentação em um ciclo de feedback unificado.

As principais características tecnológicas incluem:

• Ciclos de experimentação orientados por IA: os modelos fundamentais da Lila utilizam aprendizado por reforço e modelagem de difusão para propor, executar e avaliar experimentos milhares de vezes mais rápido do que as abordagens tradicionais.
• Integração de raciocínio e verificação: O sistema combina previsões computacionais com validação no mundo real, permitindo que procedimentos de IA com agentes aprimorem sua compreensão de sistemas físicos e biológicos por meio de experimentação direta.
• Capacidade interdisciplinar: Ao conectar ciências da vida, ciência dos materiais e química, os modelos de vanguarda da Lila eliminam as barreiras que normalmente separam as disciplinas, permitindo que a IA gere ideias e descubra correlações entre os campos científicos.
• Aprendizado baseado em dados: Cada experimento gera registros digitais que são inseridos novamente no sistema para aprimorar previsões futuras. Esse ciclo reduz a necessidade de supervisão manual extensiva, permitindo que a IA melhore continuamente ao longo do tempo.

Isso representa uma primeira estrutura abrangente para o desenvolvimento de algoritmos que não apenas preveem resultados, mas também os validam experimentalmente. A Lila imagina seu cientista de IA trabalhando como um parceiro capaz de escrever código , controlar o hardware do laboratório e interpretar resultados, transformando essencialmente o método científico em um processo computacional escalável.

Áreas de pesquisa científica de Lila

Lila concentra-se em vários domínios importantes de pesquisa científica onde a pesquisa em IA e a automação podem acelerar as descobertas:

• Ciências da vida: Os agentes da Lila projetam e validam novas terapias proteicas, editores de genes e ferramentas de diagnóstico. Em projetos de demonstração, a IA já produziu anticorpos para o tratamento de doenças e identificou novos medicamentos em potencial em prazos significativamente menores do que os métodos tradicionais.
• Química e materiais: A empresa aplica a geração de hipóteses orientada por IA para criar novos catalisadores para a produção de hidrogênio verde, bem como materiais avançados para captura de carbono, armazenamento de energia e fabricação .
• Computação e energia: os modelos de Lila exploram novos materiais para hardware computacional e sistemas de energia sustentável, combinando raciocínio baseado em simulação com experimentação física.

Em um exemplo, um agente de IA desenvolveu um novo catalisador para a produção de hidrogênio em quatro meses, um processo que normalmente leva anos para cientistas pesquisadores. Essa eficiência ilustra como os cientistas de IA podem lidar com problemas desafiadores e estender o processo científico a campos que exigem a resolução de problemas complexos.

Figura 2: Imagem mostrando bandejas cheias de soluções proteicas sendo transportadas pelo laboratório em uma plataforma magnética. ²

O conceito de superinteligência científica

O princípio fundamental da empresa é que a própria ciência pode ser ampliada da mesma forma que o aprendizado de máquina ampliou a inteligência. Assim como modelos de IA maiores desbloquearam habilidades emergentes, ampliar a experimentação e o raciocínio científico pode desbloquear descobertas.

Lila descreve sua missão como possibilitar uma revolução da inteligência para a ciência:

• Os agentes de IA atuam como agentes em desenvolvimento capazes de conduzir pesquisas científicas de forma autônoma.
• Cada Fábrica de Ciência com IA funciona como um "corpo" para uma mente científica superinteligente, onde a IA testa e aprende continuamente com o mundo natural.
• A combinação de automação, modelos fundamentais e raciocínio computacional permite a descoberta científica totalmente automática em múltiplos domínios.

Considerações éticas e implicações científicas

À medida que Lila avança rumo à superinteligência científica, a empresa reconhece a necessidade de considerações éticas em torno da autonomia, da integridade dos dados e do papel da supervisão humana. A capacidade do sistema de gerar ideias, projetar experimentos e produzir artigos científicos levanta questões sobre autoria, responsabilidade e a integração de pesquisadores de IA na comunidade científica humana em geral.

A Lila enfatiza que a pesquisa em IA deve aprimorar, e não substituir, os cientistas humanos. Sua visão é criar uma parceria onde os cientistas de IA ampliem a criatividade humana e ajudem a enfrentar os grandes desafios nas áreas de saúde , energia e sustentabilidade .

AstroAgentes

AstroAgents é um sistema de IA multiagente projetado para auxiliar cientistas na geração de hipóteses a partir de dados de espectrometria de massa, particularmente na área de astrobiologia. Desenvolvido por pesquisadores do Instituto de Tecnologia da Geórgia e do Centro de Voos Espaciais Goddard da NASA, o projeto introduz uma estrutura abrangente para a descoberta científica automatizada.

Ao integrar inteligência artificial com química analítica e astrobiologia, o AstroAgents reduz a dependência de supervisão manual extensiva, auxiliando cientistas humanos na condução de pesquisas científicas e na produção de artigos que contribuem para o avanço do conhecimento em ciência da computação e astrobiologia.

Figura 3: Um exemplo de solicitação de revisão bibliográfica e a saída do AstroAgents. ³

O sistema consiste em oito componentes especializados que trabalham em conjunto:

1. Analista de dados: Interpreta dados de espectrometria de massa, identifica padrões, destaca anomalias e detecta contaminação.
2. Planejador: Divide os dados em tarefas específicas para que vários agentes cientistas as analisem.
3. Agentes cientistas: Geram hipóteses relacionadas a padrões moleculares atribuídos, apoiadas por pontos de dados específicos.
4. Acumulador: Consolida hipóteses, elimina redundâncias e prepara uma lista unificada de hipóteses.
5. Agente de revisão de literatura: pesquisa no Semantic Scholar por estudos relacionados e resume as principais conclusões.
6. Crítico: Avalia hipóteses quanto à novidade, plausibilidade e rigor científico, oferecendo feedback para a próxima versão.

Figura 4: A figura mostra o AstroAgents como um sistema multiagente que analisa colaborativamente dados de espectrometria de massa, gera e refina hipóteses de distribuição molecular, integra revisões de literatura e melhora iterativamente os resultados por meio de feedback e críticas baseadas em agentes.

Configuração experimental e avaliação do AstroAgents

O estudo utilizou dados de espectrometria de massa de oito meteoritos e dez amostras de solo terrestre, que foram analisadas por GC×GC-HRTOF-MS. O objetivo era descobrir padrões moleculares que pudessem indicar origens bióticas ou abióticas de compostos orgânicos.

Duas versões do AstroAgents foram testadas:

• O Soneto 3.5 de Claude , que enfatizava a colaboração entre agentes.
• Gemini 2.0 Flash , que utilizou uma grande janela de contexto (até 1 milhão de tokens) para integrar mais literatura de fundo.

Um especialista em astrobiologia avaliou mais de 100 hipóteses produzidas por esses modelos usando seis critérios: novidade, consistência com a literatura, clareza, suporte empírico, generalização e poder preditivo.

Os resultados mostraram que o Soneto Claude 3.5 alcançou maior consistência e precisão geral (média de 6,58/10), enquanto o Gemini 2.0 Flash gerou mais ideias de pesquisa inovadoras (pontuação média de inovação de 4,26).

Principais conclusões

O projeto AstroAgents demonstrou que a colaboração multiagente aprimora a descoberta científica em comparação com o raciocínio baseado em um único modelo. A capacidade do sistema de analisar dados experimentais e integrá-los à literatura científica possibilita a descoberta científica automatizada, que pode ser estendida a outras áreas, como química, biologia e ciência dos materiais.

O Cientista da IA

O Cientista de IA é um sistema abrangente projetado para automatizar todo o processo de pesquisa. Seu principal objetivo é possibilitar a descoberta científica totalmente automática, apoiando a visão de um cientista de IA capaz de realizar pesquisas de forma independente e contribuir com novos conhecimentos para a comunidade científica humana.

O Cientista de IA-v1

A versão 1 (v1) é o protótipo inicial que demonstra que um modelo de linguagem de grande porte pode lidar autonomamente com cada etapa do processo científico. Inclui módulos para:

• Geração de ideias e pesquisa bibliográfica utilizando bases de dados científicas.
• Concepção e execução de experimentos por meio de programação e simulação.
• Análise de resultados e redação automática de artigos em formato LaTeX.

No entanto, a versão 1 tinha um escopo bastante limitado . Ela se concentrava em experimentos de prova de conceito, frequentemente em domínios simplificados da ciência da computação ou aprendizado de máquina. O sistema exigia supervisão manual para garantir consistência lógica, correção do código e validade dos dados.

O Cientista de IA-v2

A versão 2 (v2) é uma atualização significativa que expande a estrutura para um sistema abrangente inédito de descoberta científica automática, possibilitando modelos fundamentais. Ela aprimora todas as etapas do processo de pesquisa:

• Integração bibliográfica aprimorada por meio de fontes como o Semantic Scholar.
• Geração de hipóteses aprimorada por meio de raciocínio iterativo e refinamento de ideias.
• Automação avançada de experimentos com intervenção humana mínima.
• Geração de versões completas de artigos , prontas para submissão a uma importante conferência de aprendizado de máquina .

A versão 2 reduz a necessidade de supervisão manual extensiva, integra ciclos de feedback semelhantes aos utilizados por cientistas humanos no desenvolvimento iterativo de ideias e introduz um revisor automatizado que avalia os artigos gerados quanto à originalidade e validade científica.

Figura 5: Fluxo de trabalho do AI Scientist-v2, que automatiza a geração de ideias, experimentação, visualização, redação e revisão por meio de uma busca em árvore gerenciada por um Gerenciador de Progresso de Experimentos. Essa abordagem elimina modelos codificados por humanos e refina iterativamente o código e as hipóteses usando os pontos de verificação de melhor desempenho. ⁴

Avaliação humana de manuscritos gerados pela v2

Configuração de avaliação

• Um grupo de cientistas pesquisadores experientes e editores seniores analisou um conjunto de artigos gerados.
• Cada artigo foi avaliado com base em critérios como clareza, originalidade, rigor científico e potencial de contribuição.
• Os revisores não tinham certeza se os manuscritos foram gerados por IA ou por humanos.

Resultados

• Aproximadamente 30 a 40% dos artigos gerados por IA atingiram ou se aproximaram do limiar de aceitação normalmente observado em uma grande conferência de aprendizado de máquina.
• Os revisores frequentemente consideraram a escrita coerente e bem estruturada, comparável a artigos escritos por cientistas da área de ciências humanas.
• No entanto, alguns manuscritos careciam de uma análise profunda ou de uma validação experimental rigorosa, indicando que, embora a IA possa gerar artigos de pesquisa plausíveis, ela ainda enfrenta dificuldades com a profundidade conceitual e a interpretação crítica.

Conclusões da avaliação

• O AI Scientist-v2 demonstra que modelos fundamentais podem dar contribuições significativas para a pesquisa científica, gerando ideias e manuscritos completos.
• Isso representa um avanço rumo à descoberta científica automatizada, mas a supervisão humana continua sendo essencial para verificar os resultados e garantir as considerações éticas.

Principais características dos sistemas de IA para cientistas

Os sistemas de IA para cientistas integram múltiplos componentes para emular o ciclo de raciocínio e experimentação seguido por cientistas humanos. Esses sistemas combinam modelos fundamentais, controle autônomo de laboratório e raciocínio científico para possibilitar mecanismos automáticos de descoberta científica.

1. Hipóteses e ideação orientadas por IA

Cientistas de IA utilizam grandes modelos de linguagem e raciocínio multiagente para gerar hipóteses testáveis. Por meio de técnicas como debate, agentes de planejamento e busca bibliográfica em bases de dados como o Semantic Scholar, esses sistemas identificam potenciais direções de pesquisa que poderiam passar despercebidas pelos humanos.

2. Desenho e planejamento experimental

Uma vez proposta uma hipótese, a IA concebe experimentos ou simulações adequados para testá-la. Isso inclui a seleção de variáveis, controles e critérios de avaliação, equilibrando custo, tempo e ganho de informação. Alguns sistemas integram módulos especializados para a execução de experimentos e a otimização de processos científicos.

3. Laboratórios autônomos ou robóticos

Um cientista de IA trabalha em ambientes de laboratório automatizados ou semiautomatizados, equipados com sistemas robóticos. Isso permite que os experimentos sejam realizados com supervisão manual mínima, garantindo operação contínua e coleta de dados de alta qualidade. Mesmo resultados negativos, muitas vezes negligenciados na comunidade científica humana, são armazenados e utilizados para aprimoramento contínuo.

4. Integração de IA e ciclos de feedback

Uma característica fundamental desses sistemas é a integração da IA com ciclos de feedback de laboratório. Os resultados dos experimentos refinam os modelos internos da IA, permitindo que ela gere hipóteses mais precisas no próximo ciclo. Esse processo de autocorreção espelha a forma como os pesquisadores científicos aprimoram suas abordagens com base em resultados anteriores.

5. Análise e interpretação de dados

Os sistemas de IA limpam, estruturam e interpretam dados brutos para detectar correlações, anomalias e padrões causais. Ao integrar redes neurais, modelagem de difusão e análise estatística, esses sistemas podem avaliar hipóteses de forma eficiente e atualizar seus modelos de raciocínio em tempo real.

6. Comunicação e divulgação

Algumas estruturas avançadas incluem módulos que geram artigos, redações de artigos ou sumários técnicos. Esses resultados podem assemelhar-se a submissões para conferências científicas, com raciocínio estruturado, resultados e referências.

7. Adaptabilidade entre domínios

Uma aspiração central da pesquisa em IA nesta área é a generalização das descobertas para diversos domínios científicos. Um cientista de IA ideal deve ser capaz de transferir conhecimento de um campo, como a descoberta de materiais, para outros, como biologia ou sistemas de energia, sem a necessidade de treinamento adicional. Essa adaptabilidade distingue os cientistas de IA dos modelos de aprendizado de máquina específicos para cada tarefa.

Limitações e desafios atuais

Embora a visão de um cientista autônomo com inteligência artificial seja atraente, os sistemas atuais enfrentam diversos desafios práticos e conceituais que impedem a plena concretização da descoberta científica automática.

Escopo de domínio limitado

A maioria das implementações opera em áreas científicas específicas e bem definidas, como o enovelamento de proteínas ou a síntese de materiais. A capacidade de generalização para domínios científicos mais amplos permanece limitada.

Complexidade da execução física

A transição do projeto computacional para a experimentação no mundo real introduz dificuldades relacionadas à robótica, segurança química e instrumentação. Muitos sistemas podem simular ou planejar experimentos, mas ainda dependem de cientistas humanos para a execução física.

Confiança e interpretabilidade

Para que um cientista de IA contribua de forma significativa para a pesquisa científica, o raciocínio por trás de seu trabalho deve ser transparente e interpretável. Os modelos atuais muitas vezes se comportam como caixas-pretas, dificultando aos pesquisadores a avaliação da solidez das conclusões ou das premissas subjacentes.

Restrições de recursos

A realização de experimentos consome tempo, materiais e energia. Os sistemas de IA devem otimizar a relação custo-benefício e o ganho de informações, gerenciando a capacidade limitada de produção do laboratório.

Risco de otimização degenerada

Sem estratégias de exploração bem definidas, os agentes de IA podem repetir hipóteses triviais ou convergir para ótimos locais.

Validação científica e publicação

Mesmo que um sistema de IA gere resultados plausíveis ou artigos gerados por processos automatizados, eles devem passar por revisão por pares e replicação independente antes de serem aceitos pela comunidade científica humana. Garantir a reprodutibilidade continua sendo essencial.

Adaptabilidade e generalização

Os sistemas atuais frequentemente exigem retreinamento para cada novo domínio. Desenvolver estruturas abrangentes que generalizem o raciocínio científico entre diferentes tópicos continua sendo um grande desafio para os pesquisadores de IA.

Links de referência

1.

Protein Engineering | Potato

Potato

2.

New York Times Opinion | This Is Who Loses in a Trade War - The New York Times

3.

https://arxiv.org/pdf/2503.23170

4.

https://arxiv.org/pdf/2504.08066

Sıla Ermut

Analista do setor

Siga-nos

Sıla Ermut é analista de mercado na AIMultiple, com foco em marketing por e-mail e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.

Nome

Endereço de email

Comentário

0/450

Postar comentário