O plano de S$ 120 milhões de Singapura para transformar ciência em tecnologia com IA

O laboratório deverá combinar IA, robótica e medições feitas durante os próprios experimentos em uma estrutura autônoma e aberta. Em vez de depender apenas de dados publicados sobre materiais, a instalação vai gerar dados experimentais que relacionem as condições de síntese ao desempenho real do material. Essas medições poderão aperfeiçoar os modelos e orientar os experimentos seguintes, criando um ciclo contínuo entre previsão e teste físico.

As metas anunciadas incluem um grande volume de experimentos e receitas práticas e reproduzíveis de síntese para áreas como materiais quânticos ou pós-silício, eletrocatalisadores relevantes para a produção de hidrogênio limpo e revestimentos resistentes à corrosão. O objetivo, portanto, não é apenas produzir uma lista de candidatos sugeridos pela IA, mas reunir evidências sobre como esses materiais podem ser fabricados e avaliados na prática.

A IA deve filtrar catalisadores antes dos testes em laboratório

Outro programa, de S$ 10 milhões e liderado pela A*STAR e pelo Imperial College London, desenvolverá um Surface Science Foundation Model e uma plataforma em nuvem para prever propriedades de catalisadores e condições de síntese. A pesquisa mira aplicações como combustíveis mais limpos, matérias-primas derivadas de dióxido de carbono e produtos químicos de origem biológica.

A descrição do programa estabelece como meta uma aceleração de 500 vezes na triagem computacional. Isso se refere ao processo de selecionar candidatos por computador — não significa que um combustível ou processo químico pronto surgirá 500 vezes mais rápido. Afirmações de que a descoberta será “quase cinco vezes mais rápida e barata” devem ser interpretadas com cautela, a menos que estejam relacionadas a uma métrica posterior e separada do desenvolvimento. O teste decisivo será verificar se os catalisadores escolhidos computacionalmente funcionam bem nos experimentos e podem dar origem a processos viáveis.

Projetos aplicam verificação científica a códigos gerados por IA

O AI4S também trata a confiabilidade de software como um problema de pesquisa científica e engenharia. NUS e Imperial estão desenvolvendo ferramentas de raciocínio sobre programas capazes de analisar e testar códigos, verificar formalmente determinadas propriedades e, quando possível, provar sua correção. As aplicações previstas incluem softwares de maior complexidade ou impacto, como protocolos de rede e componentes do kernel do Linux.

Uma possibilidade é permitir que sistemas de IA auditem códigos produzidos por outros sistemas de IA. Isso pode tornar a programação assistida por inteligência artificial mais confiável, mas análise automatizada não equivale a uma garantia universal de segurança. Métodos formais conseguem demonstrar propriedades específicas sob determinadas premissas; a confiabilidade mais ampla ainda depende da qualidade das especificações, dos testes e dos sistemas em que o código será executado.

Na saúde, a proposta é combinar camadas diferentes de dados

Na biomedicina, o programa inclui projetos que usam IA para integrar informações que muitas vezes são analisadas separadamente.

O MultiOmicsFM, desenvolvido por NUS e A*STAR, deverá ser um modelo de base que combine dados de DNA, RNA e atividade genética de conjuntos de dados multiétnicos de Singapura. Entre os objetivos estão estudar riscos de doenças e melhorar o desenvolvimento e a entrega de terapias de mRNA.

Já o projeto BloodCounts! seguirá outro caminho. Ele desenvolverá o modelo DeepCBC usando todos os parâmetros brutos de exames de hemograma completo, junto com imagens de esfregaços sanguíneos. A intenção é extrair mais informações diagnósticas de um exame amplamente utilizado e investigar se a combinação desses dados pode ajudar a prever riscos associados a condições como acidente vascular cerebral e câncer.

Essas são aplicações de pesquisa em perspectiva, e não uma afirmação de que um hemograma de rotina já consiga diagnosticar essas doenças. Qualquer uso clínico exigiria validação, análise regulatória e evidências de desempenho consistente em diferentes populações e ambientes de atendimento.

Gêmeos digitais levam a IA para a agricultura e a resiliência climática

Outro projeto criará gêmeos digitais agrícolas orientados por conhecimento para áreas de cultivo do Sudeste Asiático. Essas representações virtuais deverão combinar dados observados com princípios da ciência agronômica, gerando previsões e ferramentas de decisão para plantio, uso de recursos e cadeias de abastecimento.

A ênfase no conhecimento científico é importante. Um gêmeo digital que respeita as restrições agronômicas pode ser mais interpretável e mais fácil de questionar do que uma previsão opaca. Ainda assim, sua utilidade dependerá da qualidade, da abrangência e da atualização dos dados utilizados.

O portfólio de oito projetos também inclui interfaces projetadas por IA para melhorar o transporte de energia. Em conjunto, as iniciativas abrangem materiais, computação, genômica, saúde, energia, agricultura e resiliência climática, em vez de se concentrarem em um único setor comercial.

O modelo do programa: um ciclo fechado entre IA e experimentos

O funcionamento comum dos projetos pode ser resumido em um ciclo:

1. A IA pesquisa ou propõe hipóteses, materiais, catalisadores, desenhos moleculares, códigos ou intervenções agrícolas.
2. Experimentos físicos ou digitais testam essas propostas em laboratórios automatizados, medições, análises de software ou modelos aplicáveis ao campo.
3. Novas evidências aprimoram o sistema, tornando as previsões seguintes mais baseadas em resultados observados.
4. Especialistas da área decidem o que é relevante, avaliando se o resultado pode ser fabricado, é confiável, tem utilidade clínica ou faz sentido do ponto de vista ambiental.

O Materials Data Foundry é o exemplo mais concreto desse ciclo porque foi projetado explicitamente para conectar previsões de IA à síntese e à medição automatizadas. O mesmo princípio aparece na triagem de catalisadores, na verificação de software e nos modelos biomédicos: previsões mais rápidas só têm valor quando produzem evidências confiáveis.

Por que Singapura está investindo em AI4S

A iniciativa também funciona como estratégia de talentos e infraestrutura. A NRF estruturou o AI4S em torno da colaboração entre pesquisadores de IA e cientistas de áreas como ciência dos materiais, ciências da vida e ciência quântica. A ambição declarada é formar pesquisadores “bilíngues”, capazes de compreender tanto os métodos computacionais quanto os problemas científicos aos quais eles serão aplicados.

Os projetos reúnem instituições de Singapura — incluindo NUS, Nanyang Technological University (NTU) e A*STAR — e parceiros internacionais como University of Toronto, Imperial College London, University of Cambridge e Kyoto University. Os dois programas do Imperial são sediados no Imperial Global Singapore, no campus CREATE, uma estrutura voltada à colaboração internacional em pesquisa.

Esse formato oferece a Singapura uma maneira de competir na pesquisa impulsionada por IA: financiar projetos ambiciosos, construir infraestrutura experimental e digital compartilhada, atrair colaboradores de várias partes do mundo e formar pesquisadores capazes de traduzir resultados entre modelos computacionais e laboratórios.

Como o sucesso será medido

O AI4S será avaliado menos pelo número de previsões produzidas pelos modelos e mais pelo que resistir ao contato com a realidade. Entre os resultados mais fortes estariam:

• receitas reproduzíveis para fabricar materiais avançados;
• catalisadores que funcionem em condições operacionais realistas;
• ferramentas de software capazes de demonstrar garantias relevantes de correção ou confiabilidade;
• modelos biomédicos validados em conjuntos de dados e ambientes clínicos adequados; e
• ferramentas agrícolas que melhorem, na prática, previsões ou planejamento de recursos.

O programa de Singapura está, portanto, fazendo uma aposta em IA conectada a experimentos, verificação e conhecimento especializado. A iniciativa de S$ 120 milhões pode tornar a descoberta científica mais sistemática e acelerar o caminho entre uma ideia e um protótipo. Mas a questão principal continua em aberto: os oito projetos conseguirão transformar previsões promissoras assistidas por IA em tecnologias escaláveis, seguras e úteis?