noticias

IA encontrou algo novo na biologia mas chamar isso de “descoberta científica” virou a parte mais difícil

**Categoria editorial:** Tecnologia no Cotidiano / Inteligência Artificial e Ciência

**Linha fina:** Experimento da Anthropic mostra agentes de IA vasculhando milhões de sequências genéticas e encontrando um padrão incomum; a controvérsia começa quando eficiência computacional passa a disputar autoria, novidade e o próprio significado de descobrir.

**Meta description:** Agentes Claude encontraram um padrão biológico incomum, mas o caso reacende a disputa sobre quando uma IA realmente pode reivindicar uma descoberta científica.

**Slug:** `ia-descoberta-cientifica-claude-anthropic`

Matéria completa

IA encontrou algo novo na biologia — mas chamar isso de “descoberta científica” virou a parte mais difícil

A inteligência artificial já deixou de ser apenas uma ferramenta para escrever relatórios, resumir artigos ou gerar códigos dentro dos laboratórios. Sistemas baseados em grandes modelos de linguagem começam a participar diretamente da busca por hipóteses científicas, selecionando dados, comparando literatura e propondo caminhos experimentais. Um dos exemplos mais recentes veio da Anthropic, que colocou centenas de agentes Claude para vasculhar sequências genéticas em busca de sistemas biológicos ainda pouco compreendidos.

O resultado foi a identificação de um conjunto de elementos genéticos que a empresa passou a chamar de **array-associated reverse transcriptases**, ou ARTs. O sistema reúne uma enzima conhecida como transcriptase reversa, um gene associado e uma longa sequência de repetições de DNA. A disposição chamou atenção por apresentar características que lembram, em alguns aspectos, os arranjos encontrados em sistemas CRISPR.

A palavra importante aqui é “lembram”. A Anthropic não demonstrou que o sistema ART seja uma nova ferramenta de edição genética nem que tenha funções equivalentes às do CRISPR. A própria empresa afirma que ainda investiga o que o sistema realmente faz. O episódio é relevante justamente porque expõe uma mudança importante na pesquisa científica: a IA já consegue participar de etapas antes reservadas à investigação humana, mas encontrar algo incomum continua sendo diferente de compreender seu significado.

Quase mil agentes procurando uma agulha em um banco de DNA

Segundo a Anthropic, aproximadamente 950 agentes Claude trabalharam durante cerca de 21 horas analisando uma enorme base de sequências genéticas. O sistema reuniu mais de 200 mil transcriptases reversas, identificou aproximadamente 3.500 candidatos potencialmente interessantes e reduziu esse universo a cerca de 20 sistemas considerados mais promissores para investigação.

Esse tipo de processo é conhecido como mineração genômica. Pesquisadores procuram genes, proteínas e padrões que ainda não foram suficientemente caracterizados, comparando estruturas, vizinhanças genéticas e relações evolutivas. A diferença é que, em vez de uma equipe humana conduzir manualmente cada etapa, centenas de instâncias do modelo puderam trabalhar paralelamente.

Um dos agentes identificou uma sequência repetitiva de DNA próxima a uma transcriptase reversa já conhecida. A partir daí, o sistema contou as repetições, analisou seu espaçamento, comparou a estrutura com sistemas descritos na literatura e preparou um relatório para avaliação humana.

O ganho de escala é evidente. Um trabalho desse tipo pode exigir semanas ou meses de análise especializada quando realizado manualmente. A IA consegue examinar uma quantidade muito maior de candidatos em menos tempo e eliminar rapidamente caminhos aparentemente pouco promissores.

Isso, por si só, já pode alterar a rotina de laboratórios de biologia computacional.

O computador encontra padrões; o laboratório precisa provar o que eles significam

Existe, porém, uma diferença fundamental entre detectar uma anomalia e realizar uma descoberta científica completa.

A identificação de um padrão interessante pode ser apenas o início de uma investigação. Depois dela surgem perguntas mais difíceis: aquela estrutura realmente executa alguma função? Qual molécula produz? Em quais organismos aparece? Que mecanismo biológico explica sua existência? É possível reproduzir o fenômeno? Outros pesquisadores conseguem verificar o resultado?

No projeto da Anthropic, a parte experimental continua sendo realizada por cientistas humanos. Proteínas são expressas, amostras são analisadas e hipóteses produzidas pelos agentes são submetidas a testes laboratoriais. Os primeiros experimentos indicaram que os arranjos ART geram pequenos RNAs distintos, mas a função biológica do sistema ainda permanece em investigação.

É justamente aí que começa a controvérsia.

Uma inteligência artificial pode encontrar um padrão que ninguém havia descrito formalmente e ainda assim não ter feito aquilo que muitos cientistas considerariam uma descoberta completa. Na ciência experimental, importância e novidade não dependem apenas de localizar algo diferente, mas de demonstrar seu funcionamento e explicar por que aquilo acrescenta conhecimento relevante.

A disputa ficou ainda mais complicada

Depois do anúncio, surgiu outro problema: a própria novidade do achado passou a ser questionada.

O pesquisador Mario Rodríguez Mestre, da Universidade de Copenhague, afirmou que sua equipe já vinha estudando o mesmo sistema microbiano havia anos. A existência dessa pesquisa não significa automaticamente que o trabalho da Anthropic seja inválido, mas torna mais delicada a afirmação de que Claude teria realizado uma descoberta inteiramente nova.

O caso evidencia uma dificuldade que tende a crescer conforme modelos de IA passam a trabalhar com literatura científica, bancos de dados públicos e informações fornecidas por pesquisadores.

Quando um sistema encontra uma relação já percebida por outro grupo, estamos diante de uma redescoberta independente, de uma coincidência analítica ou de conhecimento incorporado direta ou indiretamente ao modelo?

Responder a essa pergunta exige algo que o setor de inteligência artificial ainda está aprendendo a oferecer: rastreabilidade.

Para que uma descoberta científica possa ser atribuída a uma IA com segurança, será necessário registrar quais bases foram consultadas, quais informações estavam disponíveis ao modelo, quais hipóteses foram produzidas, quais decisões foram tomadas autonomamente e em que momentos pesquisadores humanos interferiram.

Sem essa trilha, o resultado pode ser interessante, mas sua origem intelectual continua difícil de reconstruir.

A ciência automatizada não começou agora

A participação de inteligência artificial na ciência já ultrapassou modelos de linguagem generalistas.

Sistemas especializados conseguem prever estruturas de proteínas, propor moléculas, otimizar reações químicas e analisar grandes conjuntos de dados experimentais. Em 2026, trabalhos publicados na revista *Nature* apresentaram arquiteturas multiagentes capazes de gerar hipóteses, propor experimentos e interpretar resultados em ciclos parcialmente automatizados.

A diferença atual está na amplitude das ferramentas.

Modelos modernos conseguem ler artigos científicos, escrever código, acessar bancos de dados, executar análises estatísticas e coordenar outros agentes. Em vez de automatizar apenas uma tarefa, começam a operar como uma espécie de camada intermediária entre literatura, dados e laboratório.

Isso pode reduzir drasticamente o custo da exploração científica inicial.

O recurso mais escasso de muitos laboratórios não é necessariamente informação, mas tempo de pesquisadores capazes de decidir quais perguntas merecem ser investigadas. Uma IA capaz de examinar milhares de possibilidades pode transformar esse gargalo.

Mas ela também pode criar outro.

O problema pode deixar de ser gerar hipóteses e passar a ser testá-las

Modelos de IA conseguem produzir hipóteses muito mais rapidamente do que laboratórios conseguem verificá-las.

Essa assimetria pode mudar a economia da pesquisa.

Se um sistema gerar milhares de candidatos plausíveis, alguém ainda precisará escolher quais merecem reagentes, equipamentos, animais experimentais, culturas celulares, horas de laboratório e trabalho especializado. O custo computacional de formular uma hipótese pode cair enquanto o custo físico de comprová-la permanece praticamente igual.

Nesse cenário, selecionar boas perguntas se torna ainda mais importante.

A própria Anthropic reconhece esse problema ao estudar quais características fazem determinadas sugestões de Claude parecerem mais interessantes para seus cientistas. Em outras palavras, a IA não está apenas aprendendo biologia. Ela começa a tentar reproduzir aquilo que pesquisadores costumam chamar informalmente de “intuição científica”: a capacidade de perceber quais anomalias merecem atenção.

Esse talvez seja um avanço mais importante do que simplesmente gerar milhares de possibilidades.

Quem recebe o crédito quando humanos e máquinas descobrem juntos?

A ciência possui mecanismos históricos para distribuir reconhecimento: autoria de artigos, citações, patentes, prêmios e reputação acadêmica.

Agentes de IA complicam esse sistema.

Uma descoberta pode envolver um modelo treinado por uma empresa, pesquisadores que escreveram as instruções, cientistas que produziram os bancos de dados utilizados, engenheiros que criaram as ferramentas de busca e pesquisadores responsáveis pelos experimentos finais.

Transformar todo esse processo em uma frase como “a IA descobriu” pode ser conveniente para comunicação empresarial, mas simplifica demais a cadeia real de contribuição.

Esse debate não é apenas filosófico.

Autoria científica influencia carreiras, financiamento, propriedade intelectual e patentes. Se sistemas de IA começarem a participar de descobertas economicamente relevantes, será necessário definir com mais precisão onde termina a ferramenta e onde começa a contribuição intelectual reconhecível.

Análise da equipe

O experimento da Anthropic é relevante mesmo sem assumir que Claude tenha feito uma descoberta científica completa.

Colocar centenas de agentes para explorar dados biológicos em paralelo demonstra como a inteligência artificial pode ampliar drasticamente a capacidade de triagem de pesquisadores. Encontrar rapidamente um padrão incomum entre centenas de milhares de sequências possui valor científico real.

O risco está em confundir velocidade de análise com compreensão.

Uma IA pode indicar onde olhar. Pode comparar milhares de candidatos. Pode gerar hipóteses e escrever código para testá-las. Mas a ciência não termina quando aparece uma correlação interessante na tela. Ela precisa sobreviver ao experimento, à reprodução independente e à crítica de outros pesquisadores.

Há ainda uma questão estratégica maior.

Empresas responsáveis pelos modelos começam a construir seus próprios laboratórios, contratar cientistas e controlar simultaneamente a infraestrutura computacional usada para produzir hipóteses e parte da infraestrutura física responsável por verificá-las.

Essa integração pode acelerar descobertas, mas também concentra poder científico.

Se algumas empresas controlarem modelos, capacidade de computação, dados e laboratórios experimentais, parte da pesquisa poderá migrar de universidades e instituições públicas para plataformas privadas com pouca transparência externa.

Talvez a pergunta mais importante, portanto, não seja simplesmente quando poderemos afirmar que uma inteligência artificial fez uma descoberta.

A questão é como provar quem descobriu o quê quando cientistas, modelos, bancos de dados e empresas passam a trabalhar dentro do mesmo processo.

O episódio envolvendo Claude mostra que essa discussão não pertence mais a um futuro distante. A infraestrutura técnica já existe. O que ainda precisa ser construído são os critérios científicos, jurídicos e institucionais capazes de acompanhar essa mudança.

👉 Dúvida? Então veja mais em: https://pixbugtech.com/linksuteis