Co-Scientist: a IA que quer transformar a ciência em um debate entre agentes
E se a próxima grande ideia da biologia não nascer de uma pessoa sozinha diante de uma pilha de papers, mas de uma espécie de reunião invisível entre agentes de IA, cada um encarregado de propor, criticar, comparar e reconstruir hipóteses? Essa pergunta deixou de ser ficção especulativa. Em 19 de maio de 2026, o Google DeepMind apresentou o Co-Scientist, um sistema multiagente construído com Gemini para ajudar pesquisadores a gerar hipóteses científicas testáveis.
A promessa é ousada, mas o detalhe mais importante é outro: o trabalho também foi publicado em Nature. Isso não transforma o sistema em uma máquina autônoma de descobertas, nem substitui laboratório, revisão humana ou método científico. Mas coloca o tema em um patamar diferente daquele de demos de IA que apenas resumem artigos. O Co-Scientist foi desenhado para operar em uma das etapas mais delicadas da ciência: formular boas perguntas antes que os experimentos comecem.
O que aconteceu
O Google DeepMind descreve o Co-Scientist como um parceiro de pesquisa para desenvolver novas hipóteses em ciências da vida e outras áreas. A empresa também anunciou que o sistema será disponibilizado a pesquisadores individuais por meio da ferramenta experimental Hypothesis Generation, dentro da iniciativa Gemini for Science.
O artigo publicado em Nature apresenta o Co-Scientist como um sistema de pensamento científico estruturado. Em vez de gerar uma resposta única, ele trabalha com vários agentes especializados. Alguns criam ideias iniciais; outros refletem, criticam, ranqueiam, combinam e melhoram as propostas. No centro, há um agente supervisor que decompõe objetivos amplos em etapas menores e coordena a exploração em paralelo.
Esse desenho importa porque ciência raramente avança em linha reta. Pesquisadores normalmente alternam entre leitura, intuição, confronto de evidências, desenho experimental e revisão de hipóteses. O Co-Scientist tenta simular parte desse ciclo, não como autoridade final, mas como uma máquina de exploração: levantar possibilidades, reduzir caminhos fracos e destacar hipóteses que merecem teste.
Segundo o DeepMind, a avaliação envolveu colaborações com pesquisadores de mais de 100 instituições. A validação citada se concentrou principalmente em aplicações biomédicas, incluindo reposicionamento de fármacos, descoberta de alvos e mecanismos de resistência antimicrobiana. No resumo do artigo em Nature, os autores afirmam que o sistema ajudou a identificar candidatos e combinações terapêuticas para leucemia mieloide aguda que foram validados em experimentos in vitro.
A ciência por trás
A parte mais interessante do Co-Scientist não é ele "ter ideias". Modelos de linguagem já conseguem gerar muitas ideias. O problema é que a maioria das ideias científicas geradas sem filtro pode ser redundante, vaga, impossível de testar ou simplesmente errada. O desafio real é criar um processo que aumente a chance de uma hipótese ser nova, coerente com a literatura e experimentalmente verificável.
Para isso, o sistema usa uma arquitetura de agentes. O agente de geração propõe áreas e hipóteses com base em literatura e dados. O agente de proximidade organiza e agrupa hipóteses para evitar que o sistema explore apenas variações da mesma ideia. O agente de reflexão funciona como uma espécie de revisor crítico, avaliando qualidade, novidade e consistência. O agente de ranking coordena um "torneio de ideias", com comparações par a par e debates simulados. O agente de evolução combina e refina as melhores propostas. Por fim, o meta-review sintetiza o que o debate produziu.
Há uma inspiração clara em sistemas que melhoram por competição interna. O DeepMind compara o processo a princípios usados em AlphaGo e AlphaStar, com uma diferença crucial: aqui o jogo não tem tabuleiro, pontuação simples ou vencedor objetivo. Uma hipótese científica boa precisa ser plausível, original, ancorada em evidência, útil para guiar experimentos e suficientemente clara para ser testada.
Por isso o Co-Scientist dedica grande parte da computação à verificação. O sistema cruza afirmações contra literatura científica, busca na web e bases especializadas como ChEMBL e UniProt. Em algumas colaborações, também pode usar modelos especializados como AlphaFold. O objetivo não é apenas parecer inteligente, mas reduzir o risco de construir hipóteses sobre conexões falsas.
Mesmo assim, é importante manter a proporção certa. A ciência não acontece quando uma IA escreve uma frase elegante. Ela acontece quando uma hipótese entra em contato com o mundo: células, reagentes, pacientes, sensores, telescópios, instrumentos de medição, erro experimental e replicação. O Co-Scientist acelera a parte cognitiva da exploração. A validação continua sendo material.
Por que isso importa
O gargalo da ciência moderna não é falta de informação. Em muitas áreas, o problema é o excesso. Um pesquisador de biologia molecular, medicina ou materiais pode estar cercado por milhares de artigos, bases de dados, resultados negativos pouco publicados e conexões que atravessam disciplinas. Encontrar uma hipótese promissora nesse oceano exige memória, intuição e tempo.
Sistemas como o Co-Scientist prometem mudar a economia desse trabalho. Se um laboratório consegue transformar semanas de triagem de literatura em dias de debates assistidos por IA, a equipe humana pode concentrar mais energia em desenhar experimentos, interpretar resultados e decidir quais riscos valem ser assumidos.
Isso não significa que a IA "descobriu" sozinha. A melhor leitura é outra: a IA pode ampliar o campo de busca. Em vez de depender apenas do que um grupo pequeno consegue ler e conectar, o pesquisador passa a conversar com uma estrutura que percorre combinações de conhecimento em escala. O valor está menos na resposta final e mais na provocação qualificada.
No caso da biomedicina, essa diferença pode ser profunda. Um novo alvo terapêutico ou uma combinação de fármacos não nasce apenas de criatividade. Precisa respeitar mecanismos celulares, toxicidade, disponibilidade de dados, histórico de ensaios e viabilidade experimental. Um sistema que ajuda a priorizar hipóteses testáveis pode reduzir desperdício, especialmente em áreas onde cada rodada de laboratório custa tempo e dinheiro.
O futuro que isso antecipa
O Co-Scientist aponta para uma mudança maior: a ciência como trabalho em equipe humano-máquina. Hoje, muitos pesquisadores já usam IA para resumir papers, escrever código, revisar texto e organizar referências. O próximo passo é mais ambicioso: sistemas que participam do próprio ciclo de raciocínio científico.
Se essa abordagem amadurecer, um laboratório do futuro pode funcionar com três camadas. A primeira é humana: pesquisadores definindo perguntas, limites éticos, desenho experimental e interpretação. A segunda é agêntica: sistemas propondo hipóteses, criticando ideias, simulando rotas e priorizando experimentos. A terceira é automatizada: robôs de laboratório, plataformas de dados e modelos especializados executando partes do ciclo com rastreabilidade.
Essa arquitetura pode acelerar áreas como descoberta de fármacos, ciência de materiais, clima, agricultura, energia e biologia sintética. Também cria riscos novos. Quem responde por uma hipótese perigosa sugerida por um sistema? Como auditar um debate entre agentes? Como evitar que a IA priorize ideias que parecem fortes na literatura, mas reproduzem vieses históricos do próprio campo? Como impedir que ferramentas de descoberta sejam usadas para fins biológicos inseguros?
O próprio DeepMind reconhece limites importantes. A empresa afirma que o Co-Scientist passou por avaliações de segurança, incluindo riscos químicos, biológicos, radiológicos e nucleares, e que desenvolveu classificadores para bloquear objetivos antiéticos ou inseguros. Também ressalta que o sistema é parceiro de pesquisa, não substituto de conhecimento científico ou clínico.
Essa distinção será decisiva. Quanto mais capaz a IA parecer, mais fácil será confundir velocidade com verdade. A ciência precisa de atrito: dúvida, replicação, revisão, instrumentos e responsabilidade. O futuro mais interessante não é o de uma IA que substitui cientistas, mas o de cientistas que ganham uma nova forma de imaginar possibilidades sem abandonar o rigor.
O que observar
O primeiro ponto a acompanhar é o acesso real. O DeepMind diz que o Hypothesis Generation será liberado gradualmente para pesquisadores. Quando mais grupos externos usarem a ferramenta, surgirão dados melhores sobre utilidade, limites, vieses e custo operacional.
O segundo ponto é a transparência. Um sistema multiagente pode produzir resultados convincentes, mas pesquisadores precisam entender por que uma hipótese foi ranqueada acima de outra. Sem trilha de raciocínio, fontes, conflitos e descartes, a ferramenta vira uma caixa-preta sofisticada demais para áreas sensíveis.
O terceiro ponto é a validação independente. O artigo em Nature é um marco, mas a pergunta que realmente importa virá depois: quantas hipóteses sugeridas por sistemas desse tipo resistem a experimentos independentes, replicação e uso em campos diferentes daqueles testados inicialmente?
No fundo, o Co-Scientist torna visível uma pergunta que vai acompanhar toda a década: quando a IA entra no laboratório, ela amplia a imaginação humana ou muda o próprio método científico? Talvez as duas coisas aconteçam ao mesmo tempo. E talvez a próxima fronteira da inteligência artificial não seja responder melhor, mas ajudar a humanidade a perguntar melhor.
Fontes
- https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/
- https://www.nature.com/articles/s41586-026-10644-y