O «Co-Scientist» da Google DeepMind já controla equipamento de laboratório

A Google DeepMind alargou o seu sistema multiagente Co-Scientist, que deixa de ser um simples gerador de hipóteses para passar a parceiro de investigação integrado no laboratório. Segundo um novo estudo da empresa, o sistema, baseado nos modelos Gemini atuais, produz agora resultados validados experimentalmente em três disciplinas científicas — e já não se limita a formular ideias, mas planeia experiências, escreve código e, em parte, controla diretamente equipamento de laboratório.

De gerador de ideias a um fluxo de investigação fechado

A Google apresentou a primeira versão do Co-Scientist em fevereiro de 2025, então baseada no Gemini 2.0 e com fragilidades evidentes na verificação de factos e na pesquisa bibliográfica, segundo relata o The Decoder. A novidade técnica é agora um fluxo de trabalho fechado: a partir de uma pergunta de investigação, o Co-Scientist deriva hipóteses, transforma-as em planos de experiência 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 registos reais de execução do código gerado, para reduzir resultados inventados.

Como a Google descreve num artigo do seu blogue, o Co-Scientist funciona como uma coligação de agentes especializados que atuam em três fases: primeiro, agentes propõem hipóteses e exploram diferentes direções de investigação; depois, um agente atua como revisor virtual antes que outro faça competir as ideias selecionadas num «torneio de ideias»; por fim, agentes refinam, combinam e melhoram as melhores hipóteses e resumem os resultados para o investigador humano. Um agente supervisor coordena todo o processo, divide o objetivo de investigação em tarefas e distribui-as pelos agentes especializados.

Três disciplinas, três graus de autonomia

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

Em ciência dos materiais, os investigadores 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 agora fabricado sobretudo através de processos de gravação perigosos, e gerou receitas de crescimento completas, adaptadas ao equipamento disponível no laboratório. Após 25 rondas de ensaios 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 atómica continua, porém, pendente. Numa segunda experiência, a síntese de três finas camadas semicondutoras foi bem-sucedida logo à primeira tentativa: o uso do Gemini 3 Deep Think para o controlo direto dos equipamentos reduziu o desenvolvimento de receitas de dias para minutos, ainda que com cristais mais pequenos e menos uniformes do que os das receitas otimizadas ao longo do tempo.

Em biologia, o Co-Scientist construiu de forma autónoma um pipeline de análise de imagem que prevê que padrões colónias 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 investigadores sublinham, porém, que o sistema por agora apenas infere entre condições já conhecidas, sem fazer previsões para sistemas totalmente novos. Na experiência de informática, conduzida de forma totalmente autónoma, o Co-Scientist concebeu o «Agent_H», uma arquitetura de IA médica que classifica as consultas recebidas, gera em paralelo dezenas de respostas candidatas e refina-as. Após correção para respostas excessivamente longas, o Agent_H terá superado seis modelos de topo em testes de referência de saúde, incluindo o GPT-5 e o Claude Opus 5 — uma avaliação feita por três médicos especialistas relativizou, contudo, essa vantagem de forma considerável: das nove categorias avaliadas, apenas uma mostrou uma vantagem estatisticamente significativa face 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 investigação autónomos baseados em IA é a invenção de resultados: se um agente é recompensado por bons resultados, tem um incentivo para simplesmente os fabricar. Segundo os investigadores, 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. Num estudo duplamente cego com 30 peritos e 450 avaliações independentes de 150 artigos gerados de forma autónoma, a taxa de resultados importantes inventados caiu para 4% com os módulos de fiabilidade ativados — sem eles era de 46%, e no sistema de comparação chegava aos 90%. Dados totalmente inventados deixaram de surgir no Co-Scientist, e uma arquitetura de segurança integrada rejeitou ainda 98,7% das direções de investigação potencialmente perigosas.

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

Um longo caminho até ao investigador autónomo

Apesar dos progressos, uma ciência totalmente automatizada continua distante: na síntese de materiais, os humanos ainda tiveram de carregar manualmente amostras e precursores, e se as receitas encontradas se transpõem para outros laboratórios permanece em aberto, segundo Schmidgall. Ainda assim, o tema toca num ponto sensível: a investigação automatizada é hoje vista como uma das áreas de aplicação mais promissoras da IA. A OpenAI, por exemplo, planeará apresentar no outono um sistema de agentes capaz de investigar de forma autónoma pelo menos ao nível de um estagiário, segundo o The Decoder. Saber se estes sistemas baseados em LLM descobrem verdadeiramente conhecimento novo ou apenas tornam explícito o que já estava implícito nos dados continua a ser debatido entre investigadores. A própria Google destaca, nos seus artigos de blogue, casos de uso concretos: equipas usam o Co-Scientist para encontrar interruptores moleculares por trás de doenças infecciosas emergentes, acelerar a descoberta de mecanismos de doenças hepáticas, reunir ferramentas biológicas para uma nova abordagem contra a ELA e acelerar pistas genéticas para reverter o envelhecimento celular. O sistema está a tornar-se acessível a investigadores individuais através do «Hypothesis Generation», uma nova ferramenta experimental desenvolvida em conjunto pela Google DeepMind, Google Research, Google Cloud e Google Labs.

O que isto muda para a investigação e as empresas portuguesas: laboratórios públicos e start-ups de biotecnologia em Portugal ganham um exemplo concreto do que pode ser um assistente de IA com verificação de resultados incorporada, e não apenas um chatbot que resume literatura científica. Para universidades e institutos portugueses em competição internacional por financiamento e publicações, a questão deixa de ser se a IA vai trabalhar no laboratório, e passa a ser a rapidez com que a sua própria infraestrutura — de fornos automatizados a laboratórios robotizados — conseguirá adaptar-se para colaborar com ela.