Em outubro de 2024, a Academia Real das Ciências da Suécia anunciou, com um dia de diferença, dois prêmios Nobel ligados à inteligência artificial. O de Física foi para John Hopfield e Geoffrey Hinton, por descobertas que tornaram possível o aprendizado de máquina com redes neurais artificiais. O de Química foi dividido entre David Baker, pelo desenho computacional de proteínas, e Demis Hassabis e John Jumper, pela previsão da estrutura de proteínas com o modelo AlphaFold2. A combinação deixou claro que a inteligência artificial na ciência já não é promessa: tornou-se ferramenta de trabalho em laboratórios do mundo inteiro. O tema ganha espaço na semana de 10 de novembro, quando se celebra o Dia Mundial da Ciência pela Paz e pelo Desenvolvimento.
O Dia Mundial da Ciência pela Paz e pelo Desenvolvimento foi proclamado pela UNESCO em 2001 e celebrado pela primeira vez em 10 de novembro de 2002. A iniciativa surgiu como desdobramento da Conferência Mundial sobre Ciência, realizada em Budapeste em 1999, e tem como objetivo aproximar a pesquisa do público, estimular a cooperação entre cientistas de diferentes países e lembrar o papel da ciência na construção de sociedades pacíficas e sustentáveis. Para 2026, a UNESCO escolheu como tema a diplomacia científica, apresentada como caminho para construir terreno comum entre países.
A inteligência artificial se encaixa bem nesse debate. Ela acelera descobertas, mas depende de dados, capacidade de computação e conhecimento que estão distribuídos de forma desigual entre países e instituições. Discutir o uso da IA na pesquisa é também discutir quem tem acesso a ela e como seus resultados são verificados.
O exemplo mais citado é o da previsão de estruturas de proteínas. Desde os anos 1970, pesquisadores tentavam prever como uma sequência de aminoácidos se dobra no espaço, uma informação decisiva para entender a função de cada proteína. Segundo a Academia Sueca, o AlphaFold2, apresentado em 2020, permitiu prever a estrutura de praticamente todas as cerca de 200 milhões de proteínas conhecidas e, até o anúncio do prêmio, já havia sido usado por mais de 2 milhões de pessoas em 190 países. Entre as aplicações mencionadas estão o estudo da resistência a antibióticos e de enzimas capazes de decompor plástico.
O trabalho de David Baker vai no sentido inverso: em vez de prever a forma de proteínas existentes, desenhar proteínas novas, com funções definidas. A combinação das duas frentes muda o ritmo de áreas como o desenvolvimento de vacinas, medicamentos e materiais biológicos.
Boa parte da ciência contemporânea produz mais dados do que qualquer equipe consegue examinar manualmente. Telescópios, sequenciadores genéticos, sensores climáticos e aceleradores de partículas geram volumes que exigem métodos automáticos de triagem. Modelos de aprendizado de máquina ajudam a classificar imagens, detectar padrões raros, filtrar ruído e apontar quais sinais merecem atenção humana. O ganho está menos em substituir o pesquisador e mais em permitir que ele olhe primeiro para o que importa.
A base dessas ferramentas é justamente o que o Nobel de Física reconheceu. Segundo a Academia Sueca, Hopfield criou uma memória associativa capaz de armazenar e reconstruir padrões em dados, e Hinton desenvolveu um método capaz de encontrar propriedades nos dados de forma autônoma. Os dois usaram conceitos da física para chegar a técnicas que sustentam boa parte do aprendizado de máquina atual.
Na química e na ciência de materiais, modelos treinados com bases de estruturas conhecidas passaram a propor candidatos a novos compostos e a estimar suas propriedades antes de qualquer experimento. A triagem computacional reduz o número de testes em bancada, mas não os elimina: um material só existe de fato depois de sintetizado e caracterizado. Parte dos anúncios de descobertas em grande escala feitos nos últimos anos foi questionada por químicos justamente por causa dessa distância entre a previsão e a comprovação.
Há ainda o uso mais cotidiano. Assistentes baseados em modelos de linguagem ajudam a revisar literatura, resumir artigos, escrever e depurar código de análise e traduzir textos. São ganhos de produtividade relevantes, sobretudo para grupos pequenos, mas que trazem riscos próprios, como referências bibliográficas inventadas e resumos que distorcem o que o artigo original diz.
A ciência depende de que outros pesquisadores consigam repetir um resultado. Com IA, isso fica mais difícil. Modelos comerciais mudam de versão sem aviso, conjuntos de dados nem sempre são publicados e pequenos erros de método, como usar dados de teste durante o treinamento, podem inflar resultados de forma invisível. Levantamentos de pesquisadores sobre esse tipo de vazamento de dados encontraram problemas em estudos de várias áreas que usam aprendizado de máquina.
Um modelo aprende com o que recebe. Se os dados de treinamento representam mal certas populações, regiões ou condições, os resultados herdam essa distorção. Na pesquisa em saúde, por exemplo, isso pode significar ferramentas que funcionam bem para um grupo e mal para outro.
Modelos de IA são muito bons em encontrar correlações, mas nem sempre explicam o mecanismo por trás delas. Para a ciência, que busca entender por que algo acontece, uma previsão correta sem explicação é um ponto de partida, e não uma conclusão.
Editoras científicas e universidades vêm publicando regras sobre o uso de IA na escrita e na revisão de artigos. Uma posição recorrente é a de que ferramentas de IA não podem assinar como autoras, porque não assumem responsabilidade pelo conteúdo, e de que o uso deve ser declarado. Também há preocupação com o uso de IA para fabricar imagens e dados.
As diretrizes internacionais convergem em um ponto: a decisão final precisa continuar sob responsabilidade de pessoas. A Recomendação sobre a Ética da Inteligência Artificial, adotada pelos 193 Estados-membros da UNESCO em novembro de 2021, inclui entre seus princípios a supervisão e a determinação humanas, além de transparência e explicabilidade. No mesmo ano, 194 países adotaram a Recomendação da UNESCO sobre Ciência Aberta, que defende acesso a publicações, dados e códigos, justamente o que permite a outros grupos checar resultados obtidos com IA.
Na prática, a revisão humana aparece em várias camadas:
As questões que a ciência enfrenta com a IA aparecem, em escala menor, em qualquer empresa que usa modelos para analisar dados ou apoiar decisões. Algumas práticas de laboratório se traduzem bem para o ambiente de negócios:
A semana de 10 de novembro é um bom momento para lembrar que o valor da ciência não está só nas descobertas, mas no método que permite confiar nelas. A inteligência artificial amplia o alcance desse método, desde que não o substitua.
A data é celebrada em 10 de novembro. Foi proclamada pela UNESCO em 2001, e a primeira celebração ocorreu em 10 de novembro de 2002.
Em 2024, o Nobel de Química premiou Demis Hassabis e John Jumper pela previsão de estruturas de proteínas com o AlphaFold2, dividindo o prêmio com David Baker, pelo desenho computacional de proteínas. No mesmo ano, o Nobel de Física foi para John Hopfield e Geoffrey Hinton, por trabalhos que fundamentaram o aprendizado de máquina com redes neurais.
As aplicações atuais funcionam como ferramentas que aceleram etapas da pesquisa, como triagem de dados e geração de hipóteses. A formulação das perguntas, a validação experimental e a interpretação dos resultados continuam dependendo de pesquisadores.
Porque modelos mudam de versão, dados nem sempre são publicados e erros de método podem inflar resultados sem que ninguém perceba. A publicação de dados e código e a documentação detalhada ajudam outros grupos a verificar as conclusões.
Publicado em 1966, o programa ELIZA simulava uma conversa com um terapeuta. Veja como funcionava e o que ele antecipou sobre os chatbots.
Entenda a diferença entre chatbot, automação por regras e agente de IA, o que cada um resolve e que riscos de governança trazem.
Em 1936, Alan Turing descreveu uma máquina teórica capaz de executar qualquer cálculo. Entenda a ideia e por que ela ainda sustenta a IA.