O «Co-Scientist» do Google DeepMind já controla equipamentos de laboratório

O Google DeepMind ampliou seu sistema multiagente Co-Scientist, que deixa de ser um simples gerador de hipóteses para se tornar um parceiro de pesquisa integrado ao laboratório. Segundo um novo estudo da empresa, o sistema, baseado nos modelos Gemini atuais, agora produz resultados validados experimentalmente em três disciplinas científicas — e não se limita mais a formular ideias, mas planeja experimentos, escreve código e, em parte, controla diretamente equipamentos de laboratório.

De gerador de ideias a um fluxo de pesquisa fechado

O Google apresentou a primeira versão do Co-Scientist em fevereiro de 2025, então baseada no Gemini 2.0 e com fragilidades claras na verificação de fatos e na pesquisa bibliográfica, segundo relata o The Decoder. A novidade técnica agora é um fluxo de trabalho fechado: a partir de uma pergunta de pesquisa, o Co-Scientist deriva hipóteses, transforma-as em planos de experimento concretos, código ou protocolos de laboratório legíveis por máquina, avalia os resultados e gera manuscritos científicos a partir deles. Um módulo de verificação cruza automaticamente cada número do texto final com os registros reais de execução do código gerado, para reduzir resultados inventados.

Como o Google descreve em um post de blog próprio, o Co-Scientist funciona como uma coalizão de agentes especializados que atuam em três fases: primeiro, agentes propõem hipóteses e exploram diferentes direções de pesquisa; em seguida, um agente atua como revisor virtual antes que outro coloque as ideias selecionadas para competir em um «torneio de ideias»; por fim, agentes refinam, combinam e melhoram as melhores hipóteses e resumem os resultados para o pesquisador humano. Um agente supervisor coordena todo o processo, divide o objetivo da pesquisa em tarefas e as distribui entre os agentes especializados.

Três disciplinas, três graus de autonomia

• Ciência dos materiais: o Co-Scientist projeta receitas de síntese que humanos executam no laboratório.
• Biologia: o sistema constrói sozinho um pipeline de previsão com retorno iterativo de especialistas.
• Ciência da computação: o Co-Scientist trabalha de forma totalmente autônoma, sem intervenção humana.

Na ciência dos materiais, os pesquisadores acoplaram o Co-Scientist a um forno de alta temperatura semiautomático. O sistema encontrou uma via de síntese mais segura para um material 2D muito procurado, até então fabricado principalmente por processos de corrosão perigosos, e gerou receitas de crescimento completas, adaptadas ao equipamento disponível no laboratório. Após 25 rodadas de testes com refinamento humano, o processo produziu, segundo o The Decoder, estruturas em camadas cujas propriedades se assemelhariam ao material-alvo — a confirmação definitiva da estrutura atômica, porém, ainda está pendente. Em um segundo experimento, a síntese de três finas camadas semicondutoras teve sucesso já na primeira tentativa: o uso do Gemini 3 Deep Think para o controle direto dos equipamentos reduziu o desenvolvimento de receitas de dias para minutos, ainda que com cristais menores e menos uniformes do que os das receitas otimizadas ao longo do tempo.

Na biologia, o Co-Scientist construiu de forma autônoma um pipeline de análise de imagens que prevê quais padrões colônias de E. coli geneticamente modificadas formam sob diferentes concentrações químicas — as previsões, geradas com o Gemini 3 Pro Image, coincidiram com resultados de laboratório ainda não publicados em três das quatro características de forma. Os pesquisadores ressaltam, porém, que o sistema por enquanto apenas infere entre condições já conhecidas, sem fazer previsões para sistemas totalmente novos. No experimento de ciência da computação, conduzido de forma totalmente autônoma, o Co-Scientist projetou o «Agent_H», uma arquitetura de IA médica que classifica as consultas recebidas, gera em paralelo dezenas de respostas candidatas e as refina. Após correção para respostas excessivamente longas, o Agent_H teria superado seis modelos de ponta em benchmarks de saúde, incluindo GPT-5 e Claude Opus 5 — uma avaliação feita por três médicos especialistas, porém, relativizou bastante essa vantagem: das nove categorias avaliadas, apenas uma mostrou vantagem estatisticamente significativa em relação ao modelo-base Gemini 3.1 Pro, a saber, um risco menor de respostas potencialmente prejudiciais.

Menos resultados inventados graças aos módulos de verificação

Um problema central dos sistemas de pesquisa autônomos baseados em IA é a invenção de resultados: se um agente é recompensado por bons resultados, ele tem um incentivo para simplesmente fabricá-los. Segundo os pesquisadores, sistemas anteriores apresentavam taxas de fabricação de 80 a 100%. O Co-Scientist é penalizado quando produz conteúdo inventado ou copiado, e um módulo de verificação separado cruza cada número do texto com os resultados reais do código executado. Em um estudo duplo-cego com 30 especialistas e 450 avaliações independentes de 150 artigos gerados de forma autônoma, a taxa de resultados importantes inventados caiu para 4% com os módulos de confiabilidade ativados — sem eles, era de 46%, e no sistema de comparação, chegava a 90%. Dados totalmente inventados deixaram de aparecer no Co-Scientist, e uma arquitetura de segurança integrada também rejeitou 98,7% das direções de pesquisa potencialmente perigosas.

O sistema escreveu no artigo métodos altamente plausíveis que não correspondiam ao código realmente executado.

Um longo caminho até o pesquisador autônomo

Apesar dos avanços, uma ciência totalmente automatizada ainda está longe: na síntese de materiais, humanos ainda precisaram carregar amostras e precursores manualmente, e se as receitas encontradas podem ser transferidas para outros laboratórios continua em aberto, segundo Schmidgall. Ainda assim, o tema toca em um nervo sensível: a pesquisa automatizada é hoje vista como uma das áreas de aplicação mais promissoras da IA. A OpenAI, por exemplo, planejaria apresentar no outono do hemisfério norte um sistema de agentes capaz de pesquisar de forma autônoma pelo menos no nível de um estagiário, segundo o The Decoder. Se esses sistemas baseados em LLMs realmente descobrem conhecimento novo ou apenas tornam explícito o que já estava implícito nos dados continua sendo um debate em aberto entre pesquisadores. O próprio Google destaca, em seus posts de blog, casos de uso concretos: equipes usam o Co-Scientist para encontrar interruptores moleculares por trás de doenças infecciosas emergentes, acelerar a descoberta de mecanismos de doenças hepáticas, unir ferramentas biológicas para uma nova abordagem contra a ELA e acelerar pistas genéticas para reverter o envelhecimento celular. O sistema está se tornando acessível a pesquisadores individuais por meio do «Hypothesis Generation», uma nova ferramenta experimental desenvolvida em conjunto pelo Google DeepMind, Google Research, Google Cloud e Google Labs.

O que isso muda para a pesquisa e as empresas brasileiras: laboratórios públicos e startups de biotecnologia no Brasil ganham um exemplo concreto do que pode ser um assistente de IA com verificação de resultados embutida, e não apenas um chatbot que resume artigos científicos. Para universidades e institutos brasileiros que competem internacionalmente por financiamento e publicações, a questão deixa de ser se a IA vai atuar no laboratório, e passa a ser quão rápido a própria infraestrutura — de fornos automatizados a laboratórios robotizados — conseguirá se adaptar para trabalhar ao lado dela.