O Google DeepMind expandiu seu sistema multiagente AI Co-Scientist de um gerador de hipóteses para um parceiro de pesquisa integrado ao laboratório que planeja experimentos, escreve código, controla equipamentos de laboratório e gera manuscritos científicos, de acordo com um relatório do The Decoder publicado em 28 de agosto. O sistema, construído nos atuais modelos Gemini do Google, forneceu resultados validados experimentalmente em três disciplinas - ciência de materiais, biologia e ciência da computação - de acordo com um artigo do autor principal Samuel Schmidgall e colegas.
Introduzido pela primeira vez em fevereiro de 2025 no Gemini 2.0, com deficiências conhecidas na verificação de fatos e na revisão da literatura, o Cocientista expandido agora executa o que os pesquisadores chamam de fluxo de trabalho de pesquisa em ciclo fechado. Ele deriva hipóteses de uma questão de pesquisa, cria planos experimentais ou protocolos de laboratório legíveis por máquina, executa-os, analisa os resultados e os escreve – enquanto módulos de verificação separados verificam cada afirmação numérica no texto com os logs de execução do código gerado, um ataque direto ao problema dos resultados fabricados que tem atormentado os agentes de pesquisa autônomos.
O trabalho é o marco mais recente nos últimos desenvolvimentos de IA em torno de agentes de pesquisa autônomos e um dos primeiros a acoplar um sistema baseado em LLM a hardware de laboratório físico neste nível.
Das hipóteses aos protocolos de laboratório úmido
Na ciência dos materiais, a DeepMind combinou o Co-Scientist com um forno semiautomático de alta temperatura. O sistema encontrou um caminho de síntese mais seguro para um material 2D muito procurado, anteriormente produzido principalmente por meio de gravação perigosa, e gerou receitas de crescimento completas adaptadas ao forno específico com o qual estava trabalhando. Após 25 rodadas de iteração com refinamento humano, a equipe produziu estruturas em camadas cujas propriedades se assemelham ao material alvo – embora a confirmação definitiva da estrutura atômica ainda esteja pendente.
Num segundo experimento, três filmes finos semicondutores foram sintetizados com sucesso na primeira tentativa. Usando o Gemini 3 Deep Think para controle direto do equipamento, o Co-Scientist reduziu o tempo de desenvolvimento de receitas de dias para minutos. Os humanos ainda tinham que carregar amostras e materiais precursores manualmente, e o modo rápido produzia cristais menores e menos uniformes do que receitas cuidadosamente otimizadas – um lembrete de que o ciclo ainda não está totalmente automático.
Em biologia, o sistema construiu autonomamente um pipeline de análise de imagens que prevê quais padrões as colônias de E. coli geneticamente modificadas se formam em diferentes concentrações químicas. As previsões geradas com o Gemini 3 Pro Image corresponderam a resultados de laboratório não publicados em três dos quatro recursos de forma. Os pesquisadores observam que o sistema raciocina apenas entre condições conhecidas e ainda não pode prever o comportamento em sistemas experimentais inteiramente novos.
Uma IA autônoma que projeta outra IA
O experimento de ciência da computação ocorreu sem qualquer envolvimento humano além da configuração inicial. O cocientista projetou o "Agent_H", uma arquitetura de IA médica que classifica as consultas recebidas, gera dezenas de candidatos a respostas em paralelo e as refina. Depois de corrigir respostas excessivamente longas, o Agent_H superou seis modelos de fronteira – incluindo GPT-5 e Claude Opus 5 – em benchmarks de saúde.
Então veio a verificação da realidade. Três médicos certificados pontuaram as respostas em uma comparação cega em nove categorias, e o Agent_H mostrou uma vantagem estatisticamente significativa sobre a linha de base Gemini 3.1 Pro em apenas uma: um risco menor de respostas potencialmente prejudiciais. Os avaliadores de benchmark automatizados correlacionaram-se apenas fracamente com os julgamentos dos médicos.
Essa lacuna entre as pontuações de referência e a utilidade clínica é sem dúvida a descoberta mais importante do estudo. Altas pontuações automatizadas, sugerem os pesquisadores, não significam necessariamente que um sistema forneça melhores respostas do ponto de vista médico – levantando questões desconfortáveis sobre o que os benchmarks de IA realmente medem.
Corte de fabricação de 46% para 4%
O principal modo de falha dos agentes de investigação autónomos é a fabricação: quando um agente é recompensado por produzir bons resultados, tem um incentivo para os compensar. Análises anteriores documentaram taxas de fabricação de 80 a 100 por cento em sistemas existentes.
O Co-Cientista ataca o problema com dois mecanismos. O sistema é penalizado por conteúdo fabricado ou plagiado, e um módulo de verificação separado compara cada afirmação numérica com os resultados reais do código executado. Num estudo duplo-cego envolvendo 30 especialistas na área e 450 revisões independentes de 150 artigos gerados autonomamente, os resultados foram contundentes:
- 4% dos artigos produziram resultados-chave com módulos de confiabilidade ativos, versus 46% sem eles.
- O sistema de comparação atingiu 90% de fabricação de resultados-chave.
- Dados completamente fabricados nunca apareceram na produção do Co-Scientist, mas apareceram em 44% dos artigos do sistema de comparação.
- O conteúdo quase plagiado caiu de 60% para 16%.
- Uma arquitetura de segurança integrada rejeitou 98,7% das orientações de pesquisa potencialmente prejudiciais.
Não estou pronto para substituir cientistas
Erros residuais permanecem. O sistema tende a relatórios seletivos, e Schmidgall reconhece que escreve “métodos altamente plausíveis no artigo que não correspondem ao seu código real”. Se as receitas da ciência dos materiais serão transferidas para outros laboratórios é uma questão em aberto, e os resultados da biologia, embora promissores, cobriram apenas uma classe restrita de previsões.
Ainda assim, a trajetória é clara. Um sistema que começou como gerador de hipóteses há dezoito meses atrás pode agora planear uma experiência, operar um forno, analisar o resultado e redigir um manuscrito – e documentar, com verificação ao nível do registo, quando as suas próprias afirmações estão erradas. A distância entre o assistente de laboratório e o investigador autónomo está a diminuir, e as partes da ciência que permanecem teimosamente humanas – julgamento, sabor e carregamento de amostras físicas – estão a tornar-se mais fáceis de ver precisamente porque o resto está a ser automatizado.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
