Principais destaques
- O Google DeepMind afirma que agentes de inteligência artificial já conseguem criar hipóteses e planejar experimentos em um ritmo superior ao da validação em laboratório.
- A empresa alerta que a confirmação experimental se tornou o maior obstáculo para transformar descobertas geradas por IA em aplicações reais.
- O novo ensaio defende investimentos em laboratórios automatizados, infraestrutura científica e políticas públicas para evitar que esse gargalo limite o avanço da ciência.
A inteligência artificial está mudando a forma como a ciência é produzida, mas um novo desafio começa a surgir justamente por causa da velocidade dessa transformação.
Em um ensaio divulgado pelo Google DeepMind, a empresa afirma que os sistemas de IA já são capazes de gerar hipóteses científicas, analisar grandes quantidades de dados e propor experimentos em um ritmo muito superior ao que laboratórios físicos conseguem acompanhar.
Segundo a companhia, essa diferença está criando um problema cada vez mais evidente: milhares de ideias promissoras podem ficar paradas simplesmente porque não existe capacidade experimental suficiente para testá-las. Em vez de faltar criatividade ou poder computacional, passa a faltar infraestrutura para comprovar quais descobertas realmente funcionam no mundo real.
O documento foi publicado em 15 de julho por meio dos canais oficiais do DeepMind e representa mais um passo da empresa na discussão sobre o futuro da ciência impulsionada por inteligência artificial.
Além de apresentar o problema, o ensaio também propõe medidas para governos, universidades e agências de financiamento reduzirem essa lacuna antes que ela se torne um obstáculo ainda maior para a inovação.
A inteligência artificial está acelerando a produção de conhecimento científico
Nos últimos anos, modelos de inteligência artificial deixaram de ser ferramentas voltadas apenas para automatizar tarefas e passaram a atuar diretamente no processo científico.
Hoje, esses sistemas conseguem analisar milhões de artigos publicados, cruzar informações de diferentes áreas do conhecimento e identificar relações que seriam extremamente difíceis para pesquisadores encontrarem manualmente.
O DeepMind afirma que agentes de IA já conseguem participar de praticamente todas as etapas iniciais de uma pesquisa. Eles são capazes de sugerir perguntas inéditas, formular hipóteses, comparar resultados anteriores, identificar lacunas na literatura científica e até desenvolver planos completos de experimentação.
Um dos exemplos mais conhecidos dessa nova geração de ferramentas é o Co-Scientist, sistema multiagente desenvolvido pelo próprio DeepMind. Publicado na revista Nature no início deste ano, o projeto reúne diversos agentes especializados que trabalham de forma colaborativa.
Enquanto alguns agentes analisam artigos científicos, outros avaliam evidências existentes, levantam possíveis objeções e simulam discussões semelhantes às que acontecem entre pesquisadores humanos. Ao final desse processo, o sistema organiza as hipóteses de acordo com seu potencial científico e sugere quais experimentos deveriam ser priorizados.
Na prática, trata-se de uma aceleração significativa da etapa intelectual da pesquisa, permitindo que cientistas recebam sugestões muito mais rapidamente do que seria possível utilizando apenas métodos tradicionais.
O verdadeiro gargalo agora está dentro dos laboratórios
Embora a capacidade de gerar novas ideias esteja crescendo rapidamente, o DeepMind afirma que existe um limite impossível de ser superado apenas com mais poder computacional: a necessidade de validar cada hipótese por meio de experimentos reais.
Na ciência, nenhuma descoberta é considerada confiável apenas porque foi prevista por um modelo de inteligência artificial. Cada hipótese precisa ser reproduzida, testada, medida e confirmada em condições experimentais controladas.
É justamente nesse ponto que surge o chamado “gargalo de validação”. Enquanto uma IA consegue produzir milhares de hipóteses em poucos dias ou até em poucas horas, laboratórios convencionais levam semanas, meses ou até anos para realizar todos os testes necessários.
Esse descompasso se torna ainda mais evidente em áreas como descoberta de novos materiais, desenvolvimento de medicamentos, biotecnologia, química e ciência dos materiais. Nessas disciplinas, cada experimento exige equipamentos sofisticados, reagentes específicos, profissionais especializados e tempo para análise dos resultados.
O DeepMind lembra que sistemas modernos de IA já conseguem sugerir milhares de novos compostos químicos ou materiais promissores em um único ano. No entanto, apenas uma pequena parcela dessas propostas consegue ser avaliada experimentalmente.
Isso significa que inúmeras descobertas potencialmente revolucionárias podem permanecer apenas como previsões computacionais durante muito tempo.
Laboratórios automatizados podem reduzir essa diferença
Para enfrentar esse problema, o DeepMind defende uma expansão da infraestrutura científica baseada em automação.
Em dezembro de 2025, a empresa anunciou um laboratório automatizado no Reino Unido em parceria com o governo britânico. O objetivo é utilizar robôs, sistemas automatizados e inteligência artificial para acelerar a realização de experimentos físicos.
Nesse modelo, parte das etapas que normalmente exigiriam intervenção humana pode ser executada automaticamente, reduzindo o tempo entre a geração de uma hipótese e sua validação.
O foco inicial desse laboratório inclui pesquisas voltadas para novos materiais destinados à fabricação de baterias mais eficientes, semicondutores de próxima geração e tecnologias relacionadas à produção de energia solar.
Segundo o DeepMind, esse tipo de estrutura poderá se tornar cada vez mais importante à medida que agentes de IA produzirem um número crescente de descobertas científicas.
A expectativa é que laboratórios automatizados funcionem quase como uma extensão física da inteligência artificial, permitindo que hipóteses sejam testadas continuamente, sem depender exclusivamente da capacidade operacional dos pesquisadores.
Quatro prioridades para governos e instituições de pesquisa
Além de chamar atenção para o problema, o novo ensaio apresenta recomendações voltadas a formuladores de políticas públicas e financiadores da ciência.
Embora o documento completo ainda não tenha sido disponibilizado, a empresa afirma que existem quatro prioridades principais para evitar que o gargalo de validação desacelere o progresso científico.
Entre elas estão o aumento dos investimentos em infraestrutura laboratorial automatizada, a criação de plataformas compartilhadas para validação de experimentos, o fortalecimento da colaboração entre instituições de pesquisa e o desenvolvimento de mecanismos capazes de ampliar significativamente a capacidade experimental disponível.
Na visão do DeepMind, não basta tornar os modelos de IA mais inteligentes. Será igualmente necessário modernizar a infraestrutura científica para acompanhar essa evolução.
Caso contrário, o número de descobertas produzidas por inteligência artificial continuará crescendo enquanto a validação permanecerá limitada pelos recursos físicos disponíveis.
A discussão já envolve políticas públicas e governança da IA
O novo ensaio também mostra que o DeepMind vem ampliando sua atuação para além da pesquisa tecnológica.
Nos últimos meses, a empresa tem participado de debates sobre regulamentação, governança e organização da pesquisa científica em um cenário cada vez mais influenciado pela inteligência artificial.
Recentemente, o CEO Demis Hassabis defendeu a criação de um órgão internacional responsável por estabelecer padrões para modelos de IA de fronteira, reforçando que o avanço tecnológico precisa ser acompanhado por estruturas capazes de garantir segurança, transparência e colaboração internacional.
Essa posição demonstra que o DeepMind não enxerga a inteligência artificial apenas como uma ferramenta de pesquisa, mas como uma tecnologia capaz de transformar profundamente a forma como a ciência é produzida.
Um desafio que toda a comunidade científica começa a reconhecer
O alerta do DeepMind não é um caso isolado. Diversas empresas, universidades e especialistas vêm apontando a mesma dificuldade nos últimos meses.
Em junho, a empresa de biotecnologia Nuclera chamou atenção para aquilo que classificou como um “gargalo de validação” na descoberta de anticorpos com IA. Outros pesquisadores argumentam que o maior obstáculo da biologia computacional nunca foi gerar modelos sofisticados, mas conseguir observar e testar experimentalmente aquilo que esses modelos preveem.
Análises publicadas recentemente também defendem que a próxima grande revolução científica dependerá menos da capacidade de criar novas inteligências artificiais e mais da construção de laboratórios capazes de acompanhar esse ritmo.
Se essa previsão se confirmar, o futuro da ciência poderá depender tanto da evolução dos algoritmos quanto da modernização da infraestrutura experimental.
A inteligência artificial continuará sugerindo caminhos inéditos para a pesquisa, mas transformar essas ideias em medicamentos, novos materiais, fontes de energia ou tecnologias revolucionárias exigirá investimentos cada vez maiores na etapa de validação, considerada agora o principal desafio da ciência impulsionada por IA.
