A Inteligência Artificial aplicada à ciência nos coloca diante de novos tempos, estando cada vez mais presente na nossa realidade, para descobrir novos medicamentos, ajudar o meio ambiente, desvendar o espaço, revolucinar nossa alimentação e até contribuindo para nossa visão de mundo!
A IA está redefinindo a ciência como conhecemos. Se aplicadas regulamentações sensatas e apoio adequado para o uso inovador dessa tecnologia, podemos construir um futuro onde ferramentas alimentadas por inteligência artificial pouparão pesquisadores de tarefas enfadonhas e serão capazes de colaborar com descobertas e invenções criativas.
Se fôssemos definir o processo científico de uma forma bem simplificada, seria mais ou menos assim: conduzir pesquisas de fundo, identificar uma hipótese, testá-la por meio de experimentação, analisar os dados coletados e chegar a uma conclusão. Essa conclusão então fica disponível para novos testes e refutações de outros cientistas. É assim que a ciência evolui. E agora, a inteligência artificial chega para revolucionar cada um desses passos.
Você já ouviu falar de modelos de LLMs (Large Language Models)? Eles são uma forma de IA que está sendo usada na ciência para fazer coisas incríveis, podendo ajudar a fazer revisões de literatura, formular hipóteses, conduzir experimentos e analisar dados. De uma forma bem básica, podemos dizer que os LLMs trabalham prevendo a próxima palavra em uma frase, construindo assim frases e parágrafos inteiros, ajudando áreas da ciência como a física e a biologia, oferecendo previsões para uma próxima descoberta.
A aplicação da inteligência artificial no processo científico
Ferramentas como PaperQA e Elicit utilizam o LLMs para digitalizar bancos de dados de artigos e produzir resumos sucintos e precisos da literatura existente, e com citações! A partir disso, os cientistas podem formular as hipóteses a serem testadas.
Além disso, a inteligência artificial generativa pode, inclusive, fornecer opções de hipóteses a serem testadas. Isso pode gerar rapidez nos testes e economizar tempo e recursos com simulações que permitem aos pesquisadores projetar a solução ideal antes dos testes no mundo real.
Na fase de experimentação, a possibilidade de tornar experimentos mais baratos e em maior escala muda o jogo! Uma aplicação possível é a construção de máquinas movidas a inteligência artificial com muito mais condições de criar amostras que não poderiam ser geradas por um humano na mesma velocidade e quantidade.
Outra questão, é que a IA não tem os vieses e restrições que os pesquisadores podem ter, por exemplo, ao analisar novas moléculas, quando tendem a se ater a candidatas semelhantes para suas propostas.
Existe uma vasta gama de possibilidades de exploração possível por muitas áreas da ciência nos chamados “laboratórios autônomos”, ou seja, plataformas robóticas automatizadas combinadas com inteligência artificial, o que, aliás, já está surgindo em empresas como como Emerald Cloud Lab, Artificial e até mesmo no Argonne National Laboratory.
Já no estágio de análise e conclusão, além do uso de LLMs pelos pesquisadores, esses laboratórios autônomos irão além da automação e, com os resultados experimentais que produziram, usarão o mesmo modelo LLMs para interpretar resultados e recomendar o próximo experimento a ser executado, podendo inclusive solicitar suprimentos para substituir os já usados em experimentos anteriores, configurar e executar os próximos experimentos recomendados. E isso tudo pode ser feito enquanto o pesquisador está em casa dormindo!
Precisamos ser realistas: não é uma bala de prata. Existe uma série de conhecimentos além dos objetivos que os cientistas aprendem nos laboratórios que são difíceis de transmitir para robôs alimentados por IA. Por este e por outros motivos é preciso estar ciente das limitações dos LLMs atuais antes de delegar a eles grande parte das tarefas de pesquisa e análise. Mas que existem grandes contribuições… Ah, isso existem!
Algumas possibilidades e limitações da inteligência artificial
Novos empregos decorrentes dessa revolução tendem a demandar mais criatividade do que o que é demandado nos laboratórios atuais.
As ferramentas de IA podem diminuir a barreira de entrada para novos cientistas e abrir oportunidades para aqueles tradicionalmente excluídos de um determinado campo de pesquisa, à medida que eles podem usar LLM para construção de códigos, sem a necessidade de dominar linguagens computacionais muito complexas. Essa tecnologia tende a evoluir e as possibilidades se ampliarem rapidamente, principalmente se pensado na união com o suporte e revisão do humano, abrindo espaço para novos talentos e a possibilidade de cientistas transitarem mais facilmente em diferente áreas do conhecimento.
O potencial da IA é gigantesco, e a ação humana não é dispensável, o conhecimento subjacente aos conhecimentos técnicos dos pesquisadores são fundamentais para muitas coisas, como, por exemplo, aliar o sucesso da utilização da inteligência artificial à robótica nos laboratórios autônomos. Além do mais, é preciso se atentar para as limitações dos LLMs, incluindo as chamadas “alucinações”, para que se possa transferir qualquer responsabilidade de pesquisa, análise ou decisão para a IA.
Outro ponto bastante importante é que a IA pode ajudar a superar a marca desanimadora apontada em um artigo divulgado pela Nature, de que 70% dos cientistas relatam ter sido incapazes de reproduzir o experimento de outro cientista. Com a redução do custo e do esforço para realizar experimentos, será mais fácil superar as barreiras para replicabilidade, o que contribui para uma maior confiança na ciência.
Os desafios a serem superados
Claro que os riscos também estão na mesa, já que a IA permite que os humanos realizem mais com menos: menos tempo, menos educação, menos equipamento. É por isso que essa tecnologia pode se tornar um grande perigo em mãos erradas.
Mesmo boas intenções podem levam IAs a produzirem resultados ruins. Não temos nenhum mecanismo para garantir a execução que esperamos, garantir exatamente o “como”, a inteligência artificial vai fazer o que ela foi solicitada a fazer. E ela pode reagir a uma solicitação de uma forma imprevisível, como a frequentemente mencionada hipótese formulada por Nick Brostom em seu livro, Superintelligence: Paths, Dangers, Strategies, de 2014, que descreve um cenário hipotético em que uma superinteligência é programada para maximizar a produção de clipes de papel, mas acaba transformando todo o universo em fábricas de clipes de papel para atingir seu objetivo, ignorando completamente os interesses humanos.
Para abordar os maus usos intencionais e não intencionais da inteligência artificial, é importante que haja uma regulamentação inteligente e bem informada para que a aplicação dessa tecnologia na ciência seja adequada, com participação ativa de órgãos públicos, privados e sociedade civil para levantar e solucionar os problemas.
Várias questões demandam da ciência velocidade e escala, como mudança climática, biossegurança e preparação para pandemias. Nesses pontos, com regulamentação e investimentos adequados, as IAs e os laboratórios autônomos podem oferecer grandes vantagens.
A implementação da IA nas ciências tem muitos desafios pela frente, desde a construção dos bancos de dados consistentes até regulamentações, com especial atenção para os vieses dos algoritmos, o acesso igualitário aos recursos de computação, entre outras questões.
Apesar das possíveis barreiras é um momento de otimismo, com possibilidades de colaborar para que a ciência seja mais precisa, exata, metódica e até mais veloz, permitindo combinar informações de novas maneiras e levar a criatividade e o progresso nas ciências a novos patamares.
Fonte: MIT
