Desde que o Google DeepMind resolveu, em 2021, o antigo problema do dobramento de proteínas com o AlphaFold, o papel da IA na ciência tem sido geralmente associado à busca de grandes descobertas semelhantes — uma prova de que as máquinas podem resolver problemas que humanos não conseguem. No entanto, a Anthropic está promovendo uma ideia diferente: que os agentes de IA podem ser mais relevantes no trabalho menos glamouroso entre as descobertas.
Em entrevistas exclusivas que anunciam novas parcerias com o Allen Institute e o Howard Hughes Medical Institute, Jonah Cool, chefe de parcerias em ciências da vida da Anthropic, e Grace Huynh, diretora executiva de aplicações de IA no Allen Institute, afirmaram que os laboratórios científicos de elite estão utilizando agentes de IA baseados em Claude para enfrentar os gargalos de análise, anotação e coordenação que podem prolongar os prazos de pesquisa por anos.
Uma ‘nova era científica comprimida’
Cool, que possui formação em biologia celular e genética e é um líder tecnológico, contou à Fortune que foi inspirado por um ensaio de 2024 do CEO da Anthropic, Dario Amodei, intitulado “Máquinas de Graça Amorosa”, que argumentava que “a biologia e a medicina habilitadas por IA nos permitirão comprimir o progresso que os biólogos humanos teriam alcançado nos próximos 50 a 100 anos em cinco a 10 anos.”
Essa é uma ideia que Amodei descreveu como uma “nova era científica comprimida”, que pode possibilitar tudo, desde a prevenção quase universal de doenças infecciosas e grandes reduções na mortalidade por câncer até tratamentos eficazes para distúrbios genéticos, Alzheimer e outras doenças crônicas. Amodei também sugeriu que a IA poderia permitir terapias altamente personalizadas, expandir o controle humano sobre a biologia e até mesmo aumentar significativamente a longevidade saudável.
Para Cool, essa visão se alinha diretamente ao uso de agentes de IA na ciência — não como ferramentas que proporcionam descobertas, mas como sistemas que podem assumir tarefas demoradas de análise, coordenação e experimentação que atrasam as descobertas em diversos laboratórios, permitindo que os humanos façam aquelas descobertas novas e críticas.
“O que o AlphaFold alcançou é incrível,” disse Cool, referindo-se à solução do sistema para o antigo problema do dobramento de proteínas. “Mas o que estamos discutindo aqui é diferente. Trata-se de trabalhar com equipes ao longo do processo científico e incorporar a IA em seu trabalho diário.”
Huynh afirmou que o movimento em direção a agentes de IA no Allen Institute, uma organização de pesquisa em biosciência sem fins lucrativos fundada em 2003 pelo cofundador da Microsoft, Paul Allen, baseia-se em ferramentas que muitos pesquisadores já estão utilizando, particularmente o Claude Code da Anthropic, que se tornou popular entre biólogos computacionais. Além disso, o objetivo, segundo ela, não é aplicar IA em todo lugar, mas focar em partes específicas do processo de pesquisa — como tarefas de análise de dados que podem levar meses — onde os agentes podem ter o maior impacto prático e acelerar significativamente o trabalho científico.
A interconexão no ‘grande ciência’
“Estamos começando a chegar a um ponto em que ‘grande ciência’ é a norma,” disse ela. Os cientistas geram tantos dados hoje — desde genômica de células únicas e enormes conjuntos de dados de imagem até conectômica, o estudo de como os neurônios no cérebro e no sistema nervoso estão conectados — que nenhum pesquisador único pode mais manter tudo isso em sua mente ou perceber todas as interconexões.
Cool apontou o Allen Institute e o Howard Hughes Medical Institute como parceiros ideais precisamente por causa do papel que já desempenham na modelagem da ciência moderna. O Allen Institute produziu alguns dos conjuntos de dados biológicos mais amplamente utilizados no mundo, incluindo mapas detalhados do cérebro de camundongos que mostram onde os genes estão ativos em tecidos reais — recursos que se tornaram ferramentas padrão para pesquisadores em diferentes áreas, não apenas em neurociência. Mais recentemente, esses mapas foram aprimorados para uma resolução de célula única, aumentando dramaticamente seu valor científico e ao mesmo tempo tornando sua análise muito mais complexa.
No campus de pesquisa Janelia da HHMI, os pesquisadores desenvolveram ferramentas fundamentais, como indicadores de cálcio como o GCaMP, que permitem aos cientistas observar neurônios disparando em tempo real, e avanços na microscopia de super-resolução que ajudaram a superar os limites físicos da imagem por luz. A ênfase nas ferramentas e conjuntos de dados, segundo Cool, é exatamente o que torna essas instituições um terreno fértil para agentes de IA: acelerar a análise, anotação e coordenação lá não ajuda apenas um laboratório — isso reverbera em toda a ciência.
“A ciência é uma prática fascinante, mas altamente repetitiva e muitas vezes muito tediosa,” ele explicou. “Cada vez mais na ciência, isso significa muito trabalho relacionado à análise e transformações de conjuntos de dados,” disse ele. “Acredito que estamos nos aproximando de um mundo onde isso ainda exigirá muito trabalho, mas … você chega aos próximos passos e aos experimentos muito, muito mais rápido.”
Um futuro onde a IA pode ajudar a gerar hipóteses
Cool também descreveu um futuro em que os agentes de IA não apenas analisam resultados, mas ajudam os cientistas a decidir quais hipóteses perseguir — reduzindo centenas de experimentos possíveis para alguns poucos que valem a pena realizar, e até mesmo propondo novos designs de DNA com base em padrões que os humanos não conseguem facilmente discernir.
“Estamos avançando na direção em que os modelos podem ajudar a formular hipóteses,” construindo a partir do conhecimento que os humanos já têm, ele disse. “Estamos começando com, ‘Ajude-me a priorizar as hipóteses que tenho, porque tenho um recurso limitado e quero realizar todos os 100 experimentos, mas só tenho dinheiro para 10.’”
