O novo gargalo da ciência não são mais as ideias — é a validação

O ensaio, assinado por Don Wallace, Conor Griffin, Sean O'Neill, Thang Luong e Owen Larter, argumenta que a parte mais difícil do processo científico hoje já não é ter ideias — é executar os experimentos necessários para confirmá-las ou descartá-las . Enquanto ferramentas de IA como o sistema Co-Scientist do DeepMind demonstram que hipóteses geradas por máquina nas áreas de tratamento de câncer e fibrose hepática podem ser criadas em minutos, cada uma delas ainda exige semanas ou meses de testes biológicos em linhagens celulares ou organoides .

Por que isso importa agora?

Esse gargalo tem consequências concretas. No desenvolvimento de medicamentos, por exemplo, a IA consegue propor rapidamente milhares de novos candidatos moleculares, mas a validação clínica continua lenta, cara e com capacidade limitada. Pushmeet Kohli, um dos líderes do DeepMind, já havia observado que, embora o AlphaFold tenha reduzido a previsão de estrutura de proteínas de anos para segundos, a validação clínica de medicamentos continua sendo o gargalo não resolvido . Da mesma forma, a distância entre as ideias geradas por IA em ciência de materiais e soluções climáticas e a infraestrutura de testes físicos disponível para validá-las está aumentando .

As quatro prioridades que o DeepMind recomenda a governos e financiadores

O ensaio do DeepMind delineia quatro prioridades concretas para fechar essa lacuna :

1. Garantir acesso amplo a agentes de IA para cientistas.
Tratar o acesso a agentes de IA como uma prioridade estratégica, análoga ao esforço histórico de fornecer acesso a supercomputadores para pesquisadores. Cientistas de todas as instituições — não só dos laboratórios mais bem financiados — precisam das ferramentas para gerar e testar hipóteses .

2. Disponibilizar infraestrutura laboratorial nacional para a ciência orientada por IA.
Expandir e abrir instalações laboratoriais físicas, como laboratórios nacionais e centros compartilhados de testes de alto rendimento, para que a onda de hipóteses geradas por IA possa ser validada sistematicamente no mundo real .

3. Desenvolver novos modelos de financiamento que suportem a validação de alto rendimento.
As estruturas tradicionais de concessão de verbas são muito lentas e muito enxutas para a escala de testes que a IA pode demandar. Financiadores devem criar mecanismos que apoiem explicitamente pipelines de validação experimental rápidos e em larga escala .

4. Reformar os processos de revisão por pares e avaliação para a era dos agentes.
Os próprios revisores devem ser capacitados a usar agentes de IA, e novas estruturas, como os "Cartões de Interação Humano-IA", são necessárias para garantir transparência, reprodutibilidade e confiança na ciência assistida por agentes .

Contexto mais amplo: um desafio conhecido

Este não é o primeiro aviso do DeepMind sobre validação. Um artigo de política pública da empresa de novembro de 2024 já havia identificado a lacuna entre o digital e o mundo real como um desafio central, e o pesquisador Pushmeet Kohli havia sinalizado publicamente a infraestrutura de validação como um dos dois principais gargalos remanescentes para a ciência acelerada por IA, junto com a acessibilidade . O ensaio de julho de 2026 representa a declaração de política mais focada sobre o assunto até o momento.

Observação importante sobre as datas

A fonte principal dessas descobertas é o ensaio do próprio DeepMind em sua página de políticas públicas, publicado em julho de 2026 . Alguns relatos iniciais mencionaram erroneamente um ensaio de julho de 2025; nenhum ensaio sobre este tópico exato de julho de 2025 foi encontrado nos resultados de busca. O conteúdo do alerta e as quatro prioridades são consistentes em todas as fontes de notícias .