A inteligência artificial já participa de pesquisas que tentam responder perguntas bastante diferentes: como uma proteína interage com outra molécula, onde pode existir um planeta distante e como a atmosfera vai se comportar nos próximos dias. O ponto em comum não é uma máquina que “faz ciência sozinha”, mas a capacidade de encontrar relações em conjuntos de dados grandes demais para uma análise manual rápida.
O avanço é real, mas tem limites. Uma previsão calculada por IA não equivale a uma descoberta confirmada, e uma estrutura molecular prevista não substitui todos os testes de laboratório. Para entender o que mudou, vale olhar para projetos que publicaram métodos e resultados verificáveis — e para o trabalho humano necessário depois que o algoritmo entrega uma resposta.
O que a inteligência artificial faz em uma pesquisa científica?
Em vez de receber apenas uma lista fixa de regras, muitos sistemas de aprendizado de máquina identificam padrões em exemplos anteriores. Um modelo pode aprender a reconhecer sinais em imagens de telescópios, estimar propriedades de materiais ou relacionar sequências de aminoácidos com formas tridimensionais prováveis.
Isso não significa que o sistema compreenda a natureza como um pesquisador. Ele produz estimativas com base nos dados, no objetivo de treinamento e nas limitações do método. Os cientistas ainda precisam perguntar se os dados representam o fenômeno estudado, comparar o modelo com alternativas e testar os resultados em condições independentes.
1. Proteínas: do AlphaFold às interações moleculares
Proteínas são moléculas que desempenham inúmeras funções nas células. Sua forma tridimensional ajuda a explicar como funcionam e com quais outras moléculas podem interagir. Determinar essa estrutura experimentalmente pode exigir técnicas especializadas e muito tempo de pesquisa.
O AlphaFold tornou possível prever estruturas de proteínas em escala. Em outubro de 2025, o EMBL-EBI informou que a versão 6 de sua base reunia mais de 241 milhões de estruturas previstas. São modelos computacionais, não 241 milhões de estruturas confirmadas em laboratório. A distinção importa porque a confiança das previsões varia conforme a região da molécula e o tipo de problema.
Em maio de 2024, um artigo na revista Nature descreveu o AlphaFold 3, projetado para estimar também estruturas conjuntas envolvendo proteínas, DNA, RNA, pequenas moléculas e íons. O trabalho apresentou avanços em vários testes de comparação, mas seus próprios autores apontaram limitações — inclusive em certas configurações moleculares.
Na prática, o pesquisador pode usar uma previsão para decidir quais hipóteses vale testar primeiro. Ela ajuda a direcionar experimentos; não prova, por si só, que um medicamento será seguro ou eficaz. Leia o estudo original do AlphaFold 3 e as notas oficiais da base de estruturas.
2. Astronomia: encontrar sinais de planetas em dados antigos
Um planeta que passa diante de sua estrela pode provocar uma pequena queda no brilho observado. Telescópios como o Kepler registraram enormes séries de medições; nelas, os sinais de possíveis planetas se misturam a ruído e a outros fenômenos astronômicos.
Em 2021, a NASA relatou que o sistema ExoMiner, baseado em redes neurais, contribuiu para validar 301 exoplanetas nos dados da missão Kepler. O algoritmo foi treinado para distinguir sinais plausíveis de falsos positivos usando exemplos já classificados. Isso não significa que ele tenha apontado o telescópio para 301 mundos inéditos: o trabalho reavaliou dados coletados anteriormente.
O exemplo mostra uma vantagem pouco óbvia da IA na ciência: descobertas podem surgir de arquivos que os pesquisadores já possuíam. O ganho depende tanto da qualidade dos registros quanto dos procedimentos independentes de validação. Veja a explicação da NASA sobre o ExoMiner.
3. Previsão do tempo: IA trabalhando ao lado da física
Prever o tempo exige combinar observações de satélites, estações meteorológicas, aeronaves e outras fontes. Tradicionalmente, centros de meteorologia usam modelos numéricos que representam processos físicos da atmosfera. Sistemas de aprendizado de máquina oferecem outra maneira de calcular como padrões meteorológicos podem evoluir.
Em 25 de fevereiro de 2025, o Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) colocou em operação o AIFS, seu sistema de previsão baseado em IA, ao lado do modelo físico tradicional IFS. A instituição informou vantagens em determinadas métricas de previsão e uma execução computacional mais eficiente. Não é correto traduzir isso como “a IA acertará todas as previsões” ou “a meteorologia abandonou a física”.
O ECMWF mantém produtos de previsão determinística e por conjuntos, e documenta as versões em operação. Os meteorologistas continuam comparando resultados, avaliando incertezas e interpretando riscos locais. Consulte o anúncio de 2025 e a documentação operacional do AIFS.
4. Novos materiais: candidatos não são produtos prontos
Baterias, painéis solares e componentes eletrônicos dependem das propriedades dos materiais. Encontrar um cristal promissor envolve explorar muitas combinações de elementos e estruturas possíveis — um espaço de busca grande demais para testar cada hipótese individualmente.
Em novembro de 2023, pesquisadores apresentaram o GNoME, sistema de redes neurais voltado a prever estruturas cristalinas e sua estabilidade. A equipe divulgou milhões de candidatos calculados e destacou um conjunto menor de materiais com potencial para estudos experimentais. O fato de um modelo prever estabilidade, porém, não demonstra que o material possa ser fabricado facilmente, tenha custo viável ou funcione melhor que as alternativas existentes.
O trabalho ganha força quando a etapa computacional encontra a bancada: pesquisadores podem sintetizar candidatos, medir propriedades e devolver esses resultados ao processo de seleção. Conheça os resultados e as ressalvas apresentados pela equipe do GNoME.
5. Medicina: por que um bom resultado de laboratório não basta?
Na pesquisa biomédica, modelos de IA podem auxiliar a identificar padrões em imagens, organizar literatura científica e sugerir moléculas para investigação. Isso é diferente de autorizar o uso clínico de um sistema. Entre um resultado promissor em um conjunto de dados e uma ferramenta segura para pacientes existem etapas de validação, avaliação de riscos, comparação com práticas existentes e, quando aplicável, supervisão regulatória.
Um estudo publicado em 2022, com um conjunto diversificado de imagens dermatológicas, encontrou diferenças de desempenho de sistemas de IA entre tons de pele e condições menos comuns. O resultado ilustra como um modelo pode parecer convincente em testes restritos e ainda falhar quando encontra populações diferentes das usadas no desenvolvimento.
Por isso, a pergunta correta não é apenas “a IA acertou?”, mas também “em quais pacientes, com que margem de erro e comparada a qual método?”. Para aplicações concretas, veja também nosso artigo sobre avanços tecnológicos na medicina. A pesquisa sobre diversidade em imagens dermatológicas detalha esse desafio.
Como aprendizado de máquina, redes neurais e IA generativa se diferenciam?
Aprendizado de máquina é uma família de métodos que aprende relações estatísticas a partir de dados. Redes neurais são uma das técnicas usadas nesse campo; arquiteturas profundas permitem analisar imagens, sequências e outros sinais complexos. IA generativa é uma categoria de sistemas capaz de produzir textos, imagens, códigos ou outras saídas com base em padrões aprendidos.
Na ciência, esses recursos não têm o mesmo papel. Uma rede pode classificar sinais astronômicos; outra pode prever a geometria de moléculas. Um modelo de linguagem pode auxiliar a explorar textos e criar código de análise, mas também pode inventar referências ou produzir respostas plausíveis e incorretas. Para citar um estudo, é necessário abrir o trabalho original e conferir autores, método e resultados.
O que ainda impede a IA de fazer descobertas confiáveis?
Dados incompletos e vieses
Se os exemplos de treinamento não representam o fenômeno ou a população de interesse, o sistema pode aprender relações enganosas. Mais dados nem sempre resolvem o problema: a qualidade da coleta, as condições de medição e a documentação importam tanto quanto o volume.
Correlação não é explicação causal
Um algoritmo pode perceber que dois eventos aparecem juntos sem identificar por que isso acontece. Para distinguir coincidência, causa e consequência, pesquisadores precisam de desenhos de estudo adequados, controles e, quando possível, experimentos.
Reprodutibilidade e revisão independente
Resultados científicos ganham credibilidade quando outras equipes conseguem avaliá-los. Isso exige descrever dados, critérios de comparação, incertezas e limites. Modelos proprietários ou conjuntos de dados inacessíveis podem dificultar a reprodução, mesmo quando o desempenho anunciado parece alto.
Custos, energia e responsabilidade
Treinar e executar modelos também consome recursos computacionais. A eficiência varia muito conforme o sistema e a tarefa: não faz sentido afirmar que toda IA economiza energia. Além disso, decisões que envolvem pacientes, segurança ou políticas públicas exigem responsabilidade institucional e possibilidade de contestação.
O que muda para quem acompanha ciência?
Uma forma simples de avaliar notícias sobre “descobertas feitas por IA” é procurar três informações: o que o sistema realmente produziu, como os cientistas verificaram o resultado e qual etapa ainda falta para uma aplicação prática. Uma previsão de proteína, um planeta validado em dados históricos e uma previsão operacional do tempo são conquistas diferentes — e merecem descrições diferentes.
Para quem se interessa pelo funcionamento do cérebro e por novas ferramentas de pesquisa, há uma discussão relacionada em nosso artigo sobre descobertas da neurociência.
Conclusão: a revolução é também uma mudança no método científico
A inteligência artificial amplia a capacidade de formular e filtrar hipóteses, mas não elimina a necessidade de observar, experimentar e corrigir erros. Os casos de proteínas, exoplanetas, meteorologia e materiais mostram seu valor quando os resultados são acompanhados de métodos públicos e verificações independentes.
O futuro mais interessante talvez não seja o de uma máquina que substitui pesquisadores, e sim o de equipes que conseguem fazer perguntas melhores, testar possibilidades com mais critério e explicar ao público o que já foi demonstrado — e o que continua sendo hipótese.