DeepMind leva o Co-Scientist além da ideação
O Google DeepMind afirma que seu sistema de pesquisa com IA, o Co-Scientist, deixou de apenas gerar hipóteses e passou a participar de uma faixa maior do fluxo de trabalho científico, incluindo planejamento de experimentos, escrita de código, operação de alguns equipamentos de laboratório, análise de resultados e elaboração de manuscritos científicos. A atualização, descrita pelo Google como um processo de pesquisa em circuito fechado, marca uma expansão notável em relação à versão do Co-Scientist apresentada pela empresa em fevereiro de 2025.
Segundo o relatório fornecido, o novo sistema é construído sobre os modelos Gemini atuais e foi projetado para receber uma pergunta de pesquisa, derivar hipóteses, transformá-las em planos experimentais ou protocolos legíveis por máquina, analisar os dados resultantes e então gerar uma saída com tamanho de artigo. O Google também diz que o sistema inclui módulos de verificação que comparam afirmações numéricas no texto gerado com registros de execução do código que ele produziu, numa tentativa de reduzir resultados fabricados ou inconsistentes.
Isso importa porque uma das principais fraquezas dos sistemas de IA na ciência tem sido a lacuna entre linguagem plausível e evidência confiável. Um sistema que consegue conectar o que escreve ao que realmente executou, mesmo dentro de um fluxo de trabalho limitado, enfrenta um dos modos de falha mais evidentes na produção científica gerada por máquina. Isso não resolve o problema de confiança de forma definitiva, mas mostra onde os desenvolvedores acreditam que a autonomia científica prática precisa melhorar primeiro.
Três áreas, três níveis de autonomia
O relatório descreve esforços de validação em ciência dos materiais, biologia e ciência da computação, com cada domínio exibindo um nível diferente de independência da máquina. Em materiais, o Co-Scientist propôs receitas de síntese para os humanos executarem. Em biologia, ele construiu um pipeline de previsão com feedback de especialistas. Em ciência da computação, o Google diz que o sistema operou totalmente por conta própria.
Essa estrutura em estágios é significativa. Em vez de afirmar a existência de um cientista autônomo universal, o Google parece apresentar um espectro: uso guiado por humanos em contextos em que experimentos físicos são caros e sensíveis, uso colaborativo em que a supervisão especializada continua central, e maior autonomia em que o ambiente experimental já é nativo de software. Essa divisão reflete a realidade de que os sistemas de IA geralmente avançam mais rápido em domínios digitais do que em laboratórios úmidos ou instalações avançadas de materiais, onde tempo, contaminação, variabilidade de hardware e restrições de segurança limitam a automação.
O exemplo de materiais ilustra tanto a promessa quanto os limites. Segundo o relatório, o Co-Scientist foi combinado com um forno de alta temperatura semiautomatizado e identificou uma rota mais segura para um material bidimensional muito desejado, antes produzido principalmente por meio de corrosão perigosa. Após 25 rodadas de refinamento humano, a equipe produziu estruturas em camadas com propriedades semelhantes às do material-alvo. Mas o relatório também observa que a confirmação definitiva da estrutura atômica ainda está pendente.
Essa ressalva é importante. O sistema pode ter acelerado a geração de receitas e reduzido o espaço de busca, mas a versão mais forte da दावा científica ainda não foi estabelecida. Em outras palavras, o resultado é promissor como demonstração de processo, não como prova final de que o material-alvo foi totalmente realizado como pretendido.
Os ganhos de velocidade vêm com trade-offs práticos
Em um segundo experimento de materiais, o relatório diz que três filmes finos semicondutores foram sintetizados na primeira tentativa. O Co-Scientist usou o Gemini 3 Deep Think para controle direto do equipamento, e o Google diz que isso reduziu o desenvolvimento de receitas de dias para minutos. Se essa comparação de tempo se mantiver em uso mais amplo, ela aponta para um dos argumentos comerciais mais claros para IA em P&D: comprimir ciclos caros de iteração em ambientes de laboratório em que pesquisadores muitas vezes gastam muito tempo ajustando procedimentos.
Ao mesmo tempo, o relatório identifica várias restrições que impedem ler o anúncio como um avanço simples em automação de laboratório. Os humanos ainda precisaram carregar manualmente as amostras e os materiais precursores. O modo de operação mais rápido produziu cristais menores e menos uniformes do que receitas mais cuidadosamente otimizadas. E a transferibilidade das receitas para outros laboratórios continua em aberto.
Esses detalhes importam porque reprodutibilidade é um padrão definidor em pesquisa. Um sistema que funciona bem em uma pilha de instrumentos, com uma configuração de laboratório e uma equipe de supervisão específicas, ainda não demonstrou que consegue generalizar. A automação científica se torna mais valiosa quando os procedimentos resistem a mudanças de equipamentos, operadores e condições ambientais. Ao sinalizar a transferência de receitas como uma questão em aberto, o relatório destaca indiretamente o quanto de engenharia ainda existe entre uma demonstração convincente e uma plataforma amplamente implantável.
Por que esse passo importa para a infraestrutura de pesquisa em IA
A parte mais consequente da atualização talvez não seja um experimento isolado. É a ideia de unir geração de hipóteses, planejamento de execução, controle de instrumentos, análise e redação de manuscritos em um único sistema conectado. Essa arquitetura sugere onde os desenvolvedores de IA de fronteira veem a próxima fase das ferramentas científicas: não como um chatbot que auxilia um pesquisador em etapas isoladas, mas como um orquestrador capaz de mover o trabalho por várias fases enquanto mantém um registro interno do que foi proposto, executado e observado.
Se esses sistemas amadurecerem, poderão alterar a economia da pesquisa em áreas onde os espaços de busca são grandes e a iteração é cara. Descoberta de materiais, predição biológica e design de modelos são domínios em que os pesquisadores enfrentam combinações demais para testar manualmente. Uma ferramenta que restrinja opções rapidamente, escreva procedimentos executáveis e mantenha um rastro estruturado da afirmação ao resultado pode se tornar valiosa mesmo que nunca alcance autonomia total.
Mas o anúncio também se insere em um padrão mais amplo na cobertura de ciência de IA: a expansão de capacidades frequentemente avança mais rápido do que a validação independente. O relatório fornecido atribui os resultados ao Google e descreve experimentos em três disciplinas, mas não apresenta aqui evidência de replicação externa. Isso não invalida o trabalho, mas deve moldar a forma como as alegações são interpretadas. A leitura mais forte é que o Google está mostrando um agente de pesquisa mais integrado, com alguns sucessos empiricamente fundamentados e limitações visíveis, e não que um cientista autônomo de propósito geral já tenha chegado.
- O Google diz que o Co-Scientist agora cobre mais do ciclo de pesquisa, da hipótese ao rascunho do artigo.
- O sistema foi testado, segundo o relatório, em ciência dos materiais, biologia e ciência da computação com diferentes níveis de autonomia.
- Os módulos de verificação foram feitos para cruzar as afirmações numéricas do texto com registros de execução.
- Persistem dúvidas sobre reprodutibilidade, transferência para outros laboratórios e as concessões de qualidade de uma operação mais rápida.
Para o setor de IA, isso ainda representa uma mudança significativa. A competição já não é apenas sobre qual modelo consegue resumir artigos ou propor ideias. Cada vez mais, trata-se de quais sistemas conseguem conectar raciocínio a instrumentos, pipelines de dados e saídas auditáveis. O Co-Scientist, como descrito aqui, é um passo nessa direção.
Este artigo é baseado em reportagem da The Decoder. Leia o artigo original.
Originally published on the-decoder.com
