Máquinas de descobrir

A inteligência artificial (IA) está revolucionando a pesquisa científica em laboratórios globais, assumindo funções como vasculhar literatura, propor hipóteses, analisar dados e sugerir experimentos. Essa transformação levou os “cientistas artificiais” a serem incluídos na lista “10 Things That Matter in AI Right Now” da MIT Technology Review. Contudo, essa denominação não implica em máquinas agindo como pesquisadores autônomos, mas sim em ferramentas poderosas que aceleram o processo científico, especialmente a fase que o historiador Thomas Kuhn descreveu como “ciência normal”, na qual a IA pode rapidamente testar hipóteses e eliminar caminhos improdutivos.

Acelerador ou Inovador?

Embora a IA acelere a “ciência normal”, a questão é se ela também fomenta grandes avanços que dependem da criação de novas ferramentas e da exploração de territórios desconhecidos, como aponta James Evans, da Universidade de Chicago, ao analisar a obra de Alexander Krauss. Em vez de substituir a criatividade humana, a IA pode atuar como um instrumento capaz de identificar relações inesperadas entre variáveis, sugerir moléculas complexas ou interpretar dados de maneiras inovadoras, ampliando o campo para a descoberta científica. O risco de substituição de pesquisadores é presente, mas o potencial de construir novos instrumentos científicos com a IA é ainda mais intrigante.

Concentração de Poder e o Paradoxo da Descoberta

Um estudo de Evans e pesquisadores da Universidade Tsinghua, publicado na Nature, revelou um paradoxo: enquanto pesquisadores que utilizam IA publicam três vezes mais e recebem quase cinco vezes mais citações individualmente, a ciência como um todo vê uma diminuição na diversidade de temas e na interação entre pesquisas. As áreas impulsionadas por IA tendem a se concentrar onde já existem muitos dados, negligenciando novos campos, o que o estudo compara a procurar uma chave onde há mais luz, em vez de onde ela foi perdida. Além disso, a pesquisa de ponta em IA exige chips, data centers, vastas bases de dados e financiamento significativo, recursos que estão cada vez mais concentrados na indústria privada. O AI Index 2026 de Stanford mostra que mais de 90% dos modelos de IA de fronteira em 2025 foram desenvolvidos pelo setor privado, com uma crescente falta de transparência sobre seus dados de treinamento e impactos.

Essa concentração de recursos levanta preocupações sobre quem controla as direções da pesquisa. A dependência de chips e modelos fechados pode limitar não apenas os meios de pesquisa, mas também a capacidade de formular e testar certas perguntas. Curiosamente, a própria IA pode oferecer soluções parciais para essa questão, como o Translation Readiness Index. Este sistema de machine learning, ainda sem revisão por pares, é capaz de identificar artigos científicos com potencial de patente, atuando como um radar para pesquisas promissoras em instituições menos visíveis. No entanto, testes preliminares mostraram que, em sua maioria, o sistema destacou artigos de coautores já ligados à indústria ou com patentes anteriores, sugerindo que, por enquanto, a ferramenta reforça o que já está no mapa, sem necessariamente diversificar a descoberta. O desafio reside em garantir que a IA não apenas potencialize a pesquisa, mas também democratize o acesso e amplie o escopo das descobertas em benefício de toda a sociedade.

Com informações de MIT Tech.