E quando a IA começa a fazer ciência? O futuro chegou!

Você já imaginava que, em algum momento, a gente aqui da Wylinka falaria sobre esse tema, não é mesmo? Afinal, são mais de dez anos refletindo sobre o impacto da ciência no país e acompanhando de perto a forma como ela se transforma a cada nova tecnologia. Nos últimos anos, esse movimento ganhou um novo contorno: a inteligência artificial está transformando o próprio processo científico. O que antes era restrito à computação começa agora a tocar o coração da pesquisa. Era natural que esse assunto acabasse vindo parar aqui na Deep.

A fagulha veio de uma notícia recente que chamou nossa atenção: a Lila Sciences. A empresa, que há anos trabalhava em silêncio, saiu do modo “stealth” em março (diretamente do Church Lab — a casa de muitas deep techs!), após receber um aporte inicial de +200 milhões de dólares.  Seu objetivo é instigante: desenvolver modelos de IA treinados sobre literatura científica em áreas como química, materiais e ciências da vida. Mais do que uma startup promissora, a Lila simboliza uma virada de chave, é a hora da interface IA + ciência ganhar corpo na corrida das grandes rodadas de investimento.

Imagem: A-Lab e seu processo científico sendo alavancado por robôs e IA em Berkeley!

Como a IA está revolucionando o processo científico

A ideia de que a ciência está ficando mais cara não é nova. Diversos estudos mostram que o custo de gerar conhecimento aumentou de forma constante nas últimas décadas. Descobertas que antes dependiam de pequenas equipes e recursos modestos hoje exigem grandes laboratórios e investimentos significativos. Parte disso é natural: conforme avançamos nas fronteiras do conhecimento, cada passo exige mais sofisticação técnica e tempo de análise.

Além disso, há o efeito de saturação, pesquisadores precisam lidar com volumes massivos de publicações e conjuntos de dados cada vez maiores. Nesse contexto, a inteligência artificial surge como aliada: reduz custos, acelera o ritmo das descobertas e alivia a sobrecarga de análise.

As grandes aplicações da inteligência artificial na ciência

Uma das frentes mais imediatas é a automação de tarefas laboratoriais. A própria Lila Sciences planeja expandir suas “fábricas científicas”: ambientes em que pesquisadores e softwares interagem para testar hipóteses geradas por modelos de IA. Esses sistemas funcionam em ciclos contínuos, a IA propõe hipóteses, robôs as testam, e os resultados alimentam novos aprendizados. O ganho é enorme: produtividade constante, experimentos em série e menor tempo entre ideia e validação.

Casos como o da FutureHouse, ligada ao MIT, ilustram bem essa transição. Em maio deste ano, a empresa demonstrou um fluxo de descoberta científica baseado em múltiplos agentes de IA, capazes de automatizar etapas essenciais do processo, da formulação da hipótese à análise dos resultados. O sistema identificou um novo candidato terapêutico para uma das principais causas de cegueira no mundo, por exemplo. Em Berkeley, o A-Lab (da foto acima) segue lógica semelhante: algoritmos propõem novos compostos, e robôs realizam a síntese e os testes. Essa integração entre inteligência artificial e automação criou um ciclo de feedback contínuo que encurta o tempo de descoberta de novos materiais aplicáveis a baterias e eletrônicos. Para quem já passou horas pipetando coisas em um laboratório sabe que esse é um sonho virando realidade! Para ter um gostinho desse futuro, deixamos esse excelente vídeo de Berkeley: youtube.com/watch?si=XzqP_fUyVrQXVqRC&v=Sp2r2ankib0&feature=youtu.be

A automação não para por aí e avança também para a frente de calibração de equipamentos. No Berkeley Lab Laser Accelerator (BELLA), por exemplo, modelos de aprendizagem de máquina são usados para calibrar equipamentos e estabilizar feixes de laser e elétrons, reduzindo a necessidade de ajustes manuais e melhorando o desempenho. O mesmo acontece na Advanced Light Source, onde algoritmos baseados em deep learning já ajudam a otimizar o controle de feixes e aumentar a precisão das medições. Até mesmo as redes de comunicação científica, como a ESnet, estão adotando IA para prever tráfego e detectar falhas em tempo real, garantindo que colaborações entre centros de pesquisa ocorram de forma mais fluida. Em todos esses casos, a IA atua como infraestrutura invisível, ampliando a eficiência e a continuidade da produção científica.

Pesquisadores de IA: será que a máquina pode pensar cientificamente?

(sim, sabemos que esse é o sonho secreto de alguns – inclusive alguns dos nossos, rs.)

Alguns grupos começam a testar agentes de IA como verdadeiros pesquisadores principais (PIs – Principal Investigators). Na Escola de Medicina de Stanford, por exemplo, um time de pesquisadores tem treinado sistemas capazes de pensar de forma crítica, propor hipóteses, dividir tarefas entre diferentes agentes e até conduzir reuniões para debater resultados.

Em um dos experimentos, o “laboratório virtual” de IA desenvolveu, em poucos dias, uma nova abordagem para criação de vacinas contra o SARS-CoV-2. Havia até um agente de IA responsável por atuar como o “chato do grupo”  testando hipóteses e buscando falhas lógicas.

Esse modelo mostra que a IA pode não apenas executar tarefas, mas raciocinar cientificamente.

E há algo ainda mais transformador: a possibilidade de reduzir vieses humanos na formulação de hipóteses. Como aponta Michael Spranger, da Sony AI, muitos caminhos científicos deixam de ser explorados por limitações cognitivas e culturais. Já a IA, por simular vastos espaços de informação, pode propor ideias que humanos talvez jamais imaginassem.

Alex Zhavoronkov, da Insilico Medicine, reforça: modelos generativos já criam moléculas inexistentes na natureza, mas com propriedades químicas desejadas para tratar doenças específicas. É a ciência expandindo não só sua velocidade, mas o próprio escopo do possível.

Desafios éticos e riscos da automação científica

Todo avanço tecnológico vem acompanhado de riscos. Um caso emblemático ocorreu no A-Lab, em Berkeley ao revisarem os resultados, pesquisadores externos concluíram que muitos desses materiais já existiam, ou só seriam estáveis em condições irreais. Esse episódio serviu de alerta: a inteligência artificial na ciência pode amplificar erros se não houver validação humana criteriosa.
Há também riscos de alucinação de modelos, dependência de dados históricos e concentração de poder nas mãos de poucas organizações. Por isso, transparência, reprodutibilidade e ética continuam sendo princípios inegociáveis da ciência, mesmo quando automatizada.

O papel da IA no futuro da pesquisa científica

Apesar dos desafios, o horizonte é promissor. A IA pode reduzir custos, democratizar o acesso à ciência e aumentar a eficiência das deep techs. Ferramentas que antes estavam restritas a grandes centros agora se tornam acessíveis a pesquisadores em todo o mundo. No limite, trata-se de tornar a ciência mais inclusiva e sustentável, sem abrir mão do rigor que a caracteriza.

Na Wylinka, acreditamos profundamente no poder transformador da ciência e da inovação. A inteligência artificial, se usada com ética e propósito, é uma aliada poderosa, não para substituir pesquisadores, mas para libertá-los das tarefas mecânicas e abrir espaço para o que só o pensamento humano pode oferecer: curiosidade, criatividade e propósito.

E se essa nova fase da ciência nos entusiasma tanto é porque ela aproxima o ideal que sempre nos moveu: uma ciência que gera impacto, compartilha conhecimento e se torna cada vez mais acessível a todos.

Quer acompanhar mais discussões sobre IA aplicada à ciência e deep techs? Siga a Wylinka no Linkedin e Instagram!