Para ouvir o Vale do Silício dizer, o fim da doença está a caminho. Não por causa da pesquisa oncológica ou alguma solução para a América em andamento Escassez de Doutor, mas por causa de (o que mais?) Avanços na IA generativa.
Demis Hassabis, um ganhador do Nobel por sua pesquisa de IA e CEO do Google Deepmind, disse No domingo, ele espera que a IA seja capaz de resolver problemas científicos importantes e ajudar a “curar todas as doenças” dentro de cinco a 10 anos. No início deste mês, Openai lançado Novos modelos e elogiou sua capacidade de “gerar e avaliar criticamente novas hipóteses” na biologia, entre outras disciplinas. (Anteriormente, o CEO da Openai, Sam Altman contado Presidente Donald Trump, “veremos doenças serem curadas a uma taxa sem precedentes”, graças a Ai.) Dario Amodei, co-fundador da Antrópica, escreveu No outono passado, ele espera que a IA traga a “eliminação da maioria dos câncer”.
Todos esses são executivos comercializando seus produtos, obviamente, mas existe até um núcleo de possibilidade nessas previsões? Se a IA generativa pudesse contribuir um pouco para essas descobertas – como foi prometido desde o início do boom da IA - onde a tecnologia e os cientistas que o usam começariam?
Passei semanas conversando com cientistas e executivos de universidades, grandes empresas e instituições de pesquisa – incluindo Pfizer, Moderna e o Memorial Sloan Kettering Cancer Center – em uma tentativa de entender o que a tecnologia pode (e não pode) fazer para avançar em seu trabalho. Certamente, há muita hipérbole proveniente das empresas de IA: mesmo que amanhã, um modelo OpenAI ou Google propusesse um medicamento que parecia credivelmente capaz de curar um único tipo de câncer, o medicamento exigiria anos de laboratório e ensaios humanos para provar sua segurança e eficácia em um ambiente do mundo real, que os programas de IA são em nenhum lugar perto capaz de simular. “Existem sinais de trânsito” para o desenvolvimento de medicamentos, “e eles estão lá por uma boa razão”, disse-me Alex Zhavoronkov, CEO da Insilico Medicine, uma empresa de biotecnologia, que foi a empresa de medicamentos pioneira na IA.
No entanto, o Insilico também usou a IA para ajudar a projetar vários medicamentos que tiveram com sucesso limpo Primeiros testes. Os modelos de IA que fizeram de Hassabis um prêmio Nobel, conhecido como Alphafold, são amplamente utilizados por pesquisadores farmacêuticos e biomédicos. A IA generativa, aprendi, tem muito a contribuir para a ciência, mas é improvável que suas aplicações sejam tão amplas quanto seus criadores gostam de sugerir-mais parecidos com um motor mais rápido do que um carro autônomo.
Existem amplamente dois tipos de IA generativa que atualmente contribuem para a descoberta científica e matemática. Os primeiros são essencialmente chatbots: ferramentas que pesquisam, analisam e sintetizam a literatura científica para produzir relatórios úteis. O sonho é eventualmente poder perguntar a esse programa, em linguagem simples, sobre uma doença rara ou teorema não comprovado e receber insights transformadores. Não estamos lá, e podemos nunca estar. Mas mesmo os bots que existem hoje, como os produtos separados de “pesquisa profunda” do Openai e Google, têm seus usos. “Os cientistas usam as ferramentas que estão disponíveis para processamento e resumo de informações”, disse-me Rafael Gómez-Bombarelli, químico do MIT que aplica a IA ao design de materiais. Em vez de pesquisar no Google e ler 10 artigos, você pode pedir pesquisas profundas. “Todo mundo faz isso; isso é uma vitória estabelecida”, disse ele.
Bons cientistas sabem verificar o trabalho da IA. Andrea Califano, bióloga computacional da Columbia que estuda câncer, me disse que procurou assistência do ChatGPT e Deepseek enquanto trabalhava em um manuscrito recente, que agora é uma prática normal para ele. Mas desta vez, “eles criaram uma lista incrível com referências, pessoas, autores no jornal, publicações, etc. – e nenhum deles existia”, disse Califano. Openai tem encontrado que seus modelos mais avançados, O3 e O4-Mini, são na verdade duas a três vezes mais provável que afirme com confiança falsidades, ou “alucinato”, do que seu antecessor, O1. (Isso era esperado para o O4-mini, porque foi treinado em menos dados, mas o OpenAI escreveu em um relatório técnico que “é necessária mais pesquisa para entender” por que o 3 alucina a uma taxa tão alta.) Mesmo quando os agentes de pesquisa da IA funcionam perfeitamente, sua força é um resumo, não a novidade. “O que eu não acho que tenha funcionado” para esses bots, disse Gómez-Bombarelli, “é verdade, novo raciocínio para idéias”. Esses programas, em certo sentido, podem falhar duplamente: treinados para sintetizar dados e idéias existentes, inventam; pedidos para inventar, eles lutam. (O Atlântico tem uma parceria corporativa com o OpenAI.)
Para ajudar a temperamento – e o arreios – a tendência de alucinar, os sistemas de IA mais novos estão sendo posicionados como ferramentas colaborativas que podem ajudar a julgar idéias. Um desses sistemas, anunciado Por pesquisadores do Google em fevereiro, é chamado de “co-cientista da IA”: uma série de modelos de idiomas de IA, ajustada para pesquisar um problema, oferecer hipóteses e avaliá-los de uma maneira um tanto análoga à maneira como uma equipe de cientistas humanos seria disse que o pesquisador da ME. Semelhante à maneira como os programas de IA que tocam xadrez melhoraram jogando contra si mesmos, disse Natarajan, o co-cientista apresenta hipóteses e depois usa um “torneio de idéias” para classificar que são da mais alta qualidade. Sua esperança é dar aos cientistas humanos “superpotências”, ou pelo menos uma ferramenta para identificar e experimentar mais rapidamente.
A utilidade desses rankings pode exigir meses ou anos para verificar, e o co-cientista da IA, que ainda está sendo avaliado por cientistas humanos, está por enquanto limitado à pesquisa biomédica. Mas algumas de suas saídas já mostraram promessas. Tiago Costa, pesquisador de doenças infecciosas do Imperial College London, me contou sobre um teste recente que ele concorreu com o co-cientista da IA. Costa e sua equipe fizeram um avanço em uma pergunta não resolvida sobre a evolução bacteriana e ainda não haviam publicado as descobertas-para que não pudesse estar nos dados de treinamento do co-cientista da IA. Ele se perguntou se o sistema do Google poderia chegar ao próprio avanço. Costa e seus colaboradores forneceram ao co-cientista da IA um breve resumo da questão, algumas citações relevantes e a pergunta central que eles procuraram responder. Depois de correr por dois dias, o sistema retornou cinco hipóteses relevantes e testáveis-e a mais bem classificada correspondeu aos principais resultados experimentais da equipe humana. A IA parecia ter proposto a mesma descoberta genuína que eles haviam feito.
O sistema desenvolveu sua principal hipótese com uma justificativa simples, atraindo um link para outra área de pesquisa e chegando a uma conclusão que a equipe humana levou anos para chegar. Os humanos haviam sido “tendenciosos” por suposições de longa data sobre esse fenômeno em particular, José Penadés, microbiologista da ICL que co-liderou a pesquisa com Costa, me disse. Mas o co-cientista da IA, sem essa visão de túnel, encontrou a idéia desenhando conexões diretas de pesquisa. Se eles tivessem essa ferramenta e hipótese há cinco anos, ele disse, a pesquisa teria prosseguido significativamente mais rápido. “É bastante frustrante para mim perceber que foi uma resposta muito simples”, disse Penadés. O sistema não inventou um novo paradigma ou noção inédita-apenas considerado com eficiência uma grande quantidade de informações, que acabou sendo boa o suficiente. Com cientistas humanos já tendo produzido e produzindo continuamente quantidades tremendas de conhecimento, talvez a IA mais útil não automatize essa habilidade, mas a complementam.
O segundo tipo de IA científica visa, em certo sentido, falar a linguagem da biologia. Os programas alfafold e similares são treinados não no texto da Internet, mas em dados experimentais, como a estrutura tridimensional das proteínas e da expressão gênica. Esses tipos de modelos aplicam rapidamente padrões extraídos de mais dados do que uma grande equipe de pesquisadores humanos poderia analisar durante a vida. Os algoritmos mais tradicionais de aprendizado de máquina têm sido, obviamente, usados dessa maneira há muito tempo, mas a IA generativa pode sobrecarregar essas ferramentas, permitindo que os cientistas encontrem maneiras de reaproveitar um medicamento mais antigo para uma doença diferente ou identificar novos receptores promissores no corpo para atingir uma terapia, para citar dois exemplos. Essas ferramentas podem aumentar substancialmente “a eficiência do tempo e a probabilidade de sucesso”, disse -me Sriram Krishnaswami, chefe de assuntos científicos da Pfizer Oncology. Por exemplo, a Pfizer usou uma ferramenta interna de IA para identificar dois desses alvos que podem ajudar a tratar o câncer de mama e próstata, que estão sendo testados atualmente.
Da mesma forma, as ferramentas generativas-AI podem contribuir para o design de medicamentos, ajudando os cientistas a equilibrar com mais eficiência várias características moleculares, efeitos colaterais ou outros fatores antes de ir a um laboratório ou estudo. O número de configurações e interações para qualquer medicamento possível é profundamente grande: existem 10632 sequências de mRNA que poderia Produza a proteína Spike usada em vacinas com Covid, Wade Davis, disse-me o chefe de negócios da Moderna, incluindo a equipe de produto da AI-ME. São dezenas de ordens de magnitude além do número de átomos no universo. A IA generativa pode ajudar a reduzir substancialmente o número de sequências que vale a pena explorar.
“Possivelmente nunca haverá uma droga que seja ‘descoberta’ através da IA”, disse -me Pratyush Tiwary, físico químico da Universidade de Maryland, que usa métodos de IA. “Existem boas empresas que estão trabalhando nisso, mas o que a IA fará é ajudar a reduzir o espaço de pesquisa” – para reduzir o número de possibilidades que os cientistas precisam para investigar por conta própria. Esses modelos de IA são para biólogos, como uma calculadora gráfica e o software de redação, são para um engenheiro: você pode identificar mais rapidamente, mas ainda precisa construir uma ponte e confirmar que ela não desmoronará antes de dirigir.
A conquista final da IA, então, pode ser apenas para melhorar drasticamente a eficiência científica – não muito diferente dos chatbots já usados em qualquer número de trabalhos normais do escritório. Ao considerar “todo o ciclo de vida do desenvolvimento de drogas, como comprimimos o tempo?” Anaeze Offodile II, o diretor de estratégia da MSK, me disse. A IA Technologies pode raspar anos fora desse ciclo de vida, embora ainda mais anos permanecessem. Offodile imaginou uma redução “de 20 anos para talvez 15 anos”, e Zhavoronkov, de Insilico, disse que a IA poderia “ajudá -lo a cortar talvez três anos” do processo total e aumentar a probabilidade de sucesso.
Obviamente, existem limitações substanciais nas capacidades desses modelos biológicos. Por exemplo, embora a IA generativa tenha sido muito bem-sucedida na determinação da estrutura proteica, programas semelhantes frequentemente sugerem estruturas de pequenas moléculas que não podem realmente ser sintetizadas, disse Gómez-Bombarelli. Talvez o maior gargalo para o uso da IA generativa para revolucionar as ciências da vida-tornando previsões úteis sobre não apenas o domínio relativamente restrito de como uma proteína se dobrará ou se ligará a um receptor específico, mas também a complexa cascata de sinais dentro e entre as células do corpo-é uma escassez de dados de alta qualidade reunidos de dados biológicos relevantes. “O mais importante é não projetar o melhor algoritmo”, disse Califano. “O mais importante é fazer a pergunta certa.” As máquinas precisam de conhecimento para começar, que não podem, pelo menos no futuro próximo, gerar por si mesmas.
Mas talvez eles possam com colaboradores humanos. Gómez-Bombarelli é o diretor de ciências dos materiais da Lila Sciences, uma start-up que construiu um laboratório Com equipamentos que podem ser direcionados por uma combinação de cientistas humanos e IA generativa, permitindo que os modelos testem e refinem hipóteses em um loop. Insilico tem um laboratório robótico semelhante na China, e Califano faz parte de um esforço global liderado pela iniciativa Chan Zuckerberg para construir uma “célula virtual” da IA que pode simular qualquer número de processos biológicos humanos. Gerar idéias “novas” não é realmente a questão principal. “As hipóteses são baratas”, disse Gómez-Bombarelli. Mas “avaliar hipóteses custa milhões de dólares”.
Jogar dados em uma caixa e agitar isso produziu resultados incríveis no processamento da linguagem humana, mas isso não será suficiente para tratar doenças. Os seres humanos projetando os modelos de IA que aumentam a ciência precisam entender o problema, fazer perguntas apropriadas e selecionar dados relevantes e verificar experimentalmente ou refutar qualquer resultado de qualquer sistema de IA resultante. A maneira de construir a IA para a ciência, em outras palavras, é fazer alguma ciência.