Cientistas de IA revelam limites da linguagem na pesquisa científica

Dois novos sistemas de inteligência artificial projetados para acelerar descobertas científicas estão mostrando resultados promissores, mas ao mesmo tempo escancaram uma limitação profunda: palavras e grandes modelos de linguagem, por si sós, não conseguem fazer ciência de verdade.

Os sistemas Robin e Co-Scientist, recém-apresentados em artigos publicados na revista Nature, foram desenvolvidos para colaborar com pesquisadores humanos na geração de hipóteses, análise de literatura e identificação de novos medicamentos.

O Co-Scientist, criado pelo Google DeepMind, é um sistema multiagente que simula tarefas cognitivas abstratas, como um ‘agente de reflexão’ que atua como revisor crítico de hipóteses e ‘agentes de ranqueamento’ que debatem ideias em torneios internos simulados. Já o Robin, construído pela organização sem fins lucrativos Future House, é mais voltado a tarefas específicas de reposicionamento de fármacos, com agentes dedicados a selecionar testes experimentais e analisar dados biomédicos complexos.

Em um experimento com leucemia mieloide aguda, o Co-Scientist selecionou 30 candidatos a fármacos e, após refinamento feito por oncologistas, cinco drogas foram testadas em laboratório, com três mostrando resultados positivos e uma delas exibindo potencial particularmente animador. O Robin, por sua vez, foi empregado na busca de tratamentos para a degeneração macular seca relacionada à idade, propondo 30 candidatos e identificando dois medicamentos promissores após várias rodadas de análise e debate com cientistas humanos.

Ambos os sistemas pararam antes da validação experimental direta e dependeram intensamente da intervenção humana para definir as perguntas científicas centrais, filtrar previsões e priorizar quais hipóteses mereciam investigação aprofundada. Os próprios pesquisadores envolvidos reconheceram que a comunicação baseada apenas em linguagem, por mais natural que pareça, carrega imprecisões e ambiguidades incompatíveis com o rigor que a ciência exige.

O coração do problema está no fato de que a ciência real opera sobre dados estruturados, medições quantitativas e relações causais que vão muito além da mera conexão estatística entre palavras. Os grandes modelos de linguagem conseguem navegar com destreza pelo vasto corpo de artigos e textos científicos acumulados ao longo de décadas, mas tropeçam quando precisam modelar a complexidade dos sistemas naturais que esses mesmos textos apenas descrevem.

Modelos que integram o melhor dos dois mundos já estão no horizonte, combinando dados quantitativos estruturados com os conceitos e relações que sustentam os fatos científicos centrais. Essa nova geração promete ancorar o raciocínio científico em sequências genômicas, estruturas proteicas e imagens celulares, superando a barreira da linguagem para capturar a complexidade real dos fenômenos naturais. Até lá, os ‘cientistas de IA’ seguirão como assistentes valiosos, mas não como substitutos do julgamento humano.

Leia mais sobre o assunto na phys.org.