Por que esta página se lê de forma diferente
A maior parte deste manual é construída em torno da incerteza, do perigo, e de lacunas honestas naquilo que pode ser verificado. Esta página é diferente: ela reúne resultados científicos impulsionados por IA que têm data, são verificáveis, e em um caso já carregam um Prêmio Nobel — ainda que o mesmo programa de pesquisa que produziu esse método premiado com o Nobel também tenha produzido um artigo da Nature formalmente corrigido e uma ferramenta diagnóstica que funcionou no laboratório e tropeçou numa clínica real. Sustentar os dois fatos ao mesmo tempo — conquista genuína e exagero genuíno, vindos do mesmo laboratório, às vezes no mesmo ano — é o ponto desta página, não uma contradição a ser resolvida.
Tudo abaixo diz respeito a aprendizado de máquina restrito e específico para uma tarefa, aplicado a um problema científico ou médico, não à AGI. Que algum futuro sistema geral acelerará toda a ciência de uma só vez é um cenário, tratado em benefícios da IA e os custos de oportunidade do atraso; esta página permanece no que já foi lançado, publicado, ou revisado por pares.
Estruturas de proteínas, resolvidas: AlphaFold e o Nobel de 2024
O caso mais claro é a previsão de estrutura de proteínas. Em outubro de 2024, a Real Academia Sueca de Ciências concedeu o Prêmio Nobel de Química conjuntamente a Demis Hassabis e John Jumper, do Google DeepMind, “pela previsão da estrutura de proteínas”, e a David Baker, da Universidade de Washington, pelo design computacional de proteínas (NobelPrize.org, 9 de outubro de 2024) — a maior honraria do campo, quatro anos depois dos resultados originais do AlphaFold2 em 2020, e confirmada por uma disciplina que passou esses anos de fato usando a ferramenta: mais de dois milhões de pesquisadores em 190 países, segundo relatos, prevendo estruturas para virtualmente todas as 200 milhões de proteínas conhecidas, com precisão que se aproxima dos métodos experimentais em alvos difíceis (Nature News, 9 de outubro de 2024).
Da estrutura ao medicamento: Isomorphic Labs, ainda no pipeline
O trabalho de dobramento de proteínas da DeepMind deu origem à Isomorphic Labs, criada para levar a previsão de estrutura à descoberta de medicamentos. Em janeiro de 2024, ela assinou acordos com a Eli Lilly e a Novartis no valor combinado de aproximadamente US$ 3 bilhões em marcos potenciais, voltados a alvos de pequenas moléculas “não drogáveis” (TechCrunch, 7 de janeiro de 2024). No início de 2026, reportagens secundárias descreveram a colaboração como tendo produzido múltiplos candidatos pré-clínicos — ainda a anos de um ensaio clínico, quanto mais de um medicamento aprovado. Nenhum medicamento dessa parceria entrou em ensaios em humanos até o momento desta redação.
O AlphaFold acelerou uma etapa em um longo pipeline; não foi demonstrado que ele acelere o resultado do pipeline, medido em terapias aprovadas, e não em pagamentos de marcos. Benefícios da IA e os custos de oportunidade do atraso traça a linha entre um benefício medido e um projetado — este é claramente um benefício projetado.
Descoberta de materiais — e uma correção que prova que o sistema funciona
O caso mais instrutivo aqui é a ciência de materiais, precisamente porque ele não permaneceu uma história de sucesso impecável. Em novembro de 2023, a DeepMind publicou o GNoME na Nature: um sistema que previu 2,2 milhões de estruturas cristalinas candidatas, das quais cerca de 381 mil foram previstas como estáveis — aproximadamente 45 vezes mais compostos estáveis-mas-não-realizados do que todo o registro histórico anterior combinado (Merchant et al., Nature, 29 de novembro de 2023). Um artigo complementar descreveu um laboratório robótico autônomo, o “A-Lab”, que usou essas previsões para sintetizar dezenas de novos materiais sem intervenção humana, em dezessete dias.
Em 2024, três químicos externos — Robert Palgrave (UCL), Leslie Schoop (Princeton), e Susan Latturner (Florida State) — descobriram que aproximadamente dois terços dos compostos “novos” do A-Lab eram, na verdade, estruturas já conhecidas, mal identificadas porque sua análise de difração de raios X usava correspondência de padrões em nível iniciante em vez do refinamento de Rietveld cuidadoso que um cristalógrafo treinado aplicaria; muitos já estavam no Banco de Dados de Estruturas Cristalinas Inorgânicas. Em 19 de janeiro de 2026, a Nature publicou uma correção formal de autoria reconhecendo que as alegações de novidade haviam sido “sujeitas a interpretação equivocada” — novas para o próprio catálogo da plataforma, não necessariamente novas para a ciência.
Isto não é uma história sobre a IA falhando. As previsões de estrutura do GNoME não foram a parte que se revelou errada; o exagero estava em como “novo” foi definido a jusante — e isso foi captado e formalmente corrigido por meio da revisão por pares comum, dois anos depois. É o sistema funcionando como pretendido: uma publicação na Nature é forte evidência, mas não é imune a correção, e o real status de uma alegação é o que sobrevive ao escrutínio, não o que dizia o comunicado de imprensa na semana do lançamento.
Matemática: o AlphaProof na Olimpíada, fora do relógio
Em julho de 2024, a DeepMind anunciou que o AlphaProof e o AlphaGeometry 2 haviam resolvido quatro dos seis problemas da Olimpíada Internacional de Matemática daquele ano, com uma pontuação de 28 de 42 — nível de medalha de prata, a primeira vez que um sistema de IA o alcançou (DeepMind, 25 de julho de 2024). A própria DeepMind revelou que um problema foi resolvido em minutos, mas outros levaram até três dias de computação, algo digno de nota já que os competidores humanos resolvem os mesmos seis problemas ao longo de duas sessões de 4,5 horas. Isso não foi inscrito nem julgado como uma submissão real da Olimpíada, e não foi revisado por pares de forma independente como resultado de competição; é um parâmetro de referência conduzido pela própria empresa, honestamente identificado como tal, não uma alegação de que a IA compete com matemáticos olímpicos sob as restrições que eles de fato enfrentam.
Previsão do tempo: um caso que a revisão por pares já resolveu
A previsão do tempo é um contraste útil porque a verdade objetiva chega diariamente e não pode ser manipulada retroativamente. O GraphCast, da DeepMind, publicado na Science em novembro de 2023, superou o modelo operacional HRES da agência meteorológica europeia na grande maioria de milhares de combinações avaliadas de variável e prazo de antecedência, e produz uma previsão global de dez dias em menos de um minuto em uma única TPU (DeepMind, 14 de novembro de 2023). As previsões são pontuadas contra o tempo real todos os dias, então este é um dos domínios mais difíceis de exagerar — e, anos depois, o resultado se sustentou.
Medicina, em escala regulatória: autorizações da FDA se multiplicam
A IA clínica passou de novidade a rotina regulatória. Em abril de 2018, o IDx-DR (agora LumineticsCore) tornou-se o primeiro sistema diagnóstico de IA totalmente autônomo autorizado pela FDA na medicina, aprovado para detectar retinopatia diabética sem interpretação médica, em um ensaio com 900 participantes que mostrou 87,2% de sensibilidade e 90,7% de especificidade contra a avaliação de especialistas (npj Digital Medicine, 2018). Autorizações assim já são rotina: as autorizações da FDA para dispositivos habilitados por IA subiram de aproximadamente 758 até o fim de 2024 para 1.039 até dezembro de 2025, com o ritmo passando de cerca de 21 para cerca de 30 por mês, liderado pela GE HealthCare, Siemens Healthineers, Philips, e Canon (The Imaging Wire, 11 de março de 2026). Uma autorização é um fato real, verificável — não a mesma alegação que “esta ferramenta funciona bem no seu hospital”, que é onde a próxima seção começa.
A lacuna entre laboratório e clínica: o que acontece quando o modelo encontra um paciente real
O caso mais claramente documentado da lacuna entre a precisão validada e a realidade implantada é o sistema de retinopatia diabética do Google Health, que superou 90% de sensibilidade e especificidade em ensaios. Implantado em 11 clínicas na Tailândia entre novembro de 2018 e agosto de 2019, ele rejeitou aproximadamente 21% das cerca de 1.940 imagens que as enfermeiras submeteram como “não classificáveis” — principalmente por condições de iluminação que um leitor humano teria aceitado sem pestanejar —, interrompendo o fluxo de trabalho e alongando as consultas para pacientes que muitas vezes haviam viajado horas para serem examinados. A constatação foi revisada por pares na CHI 2020, um importante evento de interação humano-computador, e reportada na época pela MIT Technology Review (MIT Technology Review, 27 de abril de 2020). Revisões posteriores sobre IA em radiologia descrevem isso como um padrão recorrente: o desempenho no mundo real depende do equipamento e do fluxo de trabalho locais, não apenas do número de precisão de um modelo.
Uma ferramenta separada para AVC autorizada pela FDA, a Viz.ai, mostra a divisão de outra forma: uma revisão sistemática e meta-análise agrupando aproximadamente uma dúzia de estudos e mais de 15 mil pacientes acelerou o fluxo de trabalho hospitalar sem uma melhora estatisticamente significativa nos resultados clínicos que esses fluxos de trabalho existem para melhorar. Mais rápido não é automaticamente melhor.
O que esse padrão diz sobre o resto do site
Cada caso acima foi produzido pelo mesmo pequeno grupo de laboratórios de fronteira que este manual discute em outros lugares — principalmente o Google DeepMind —, cuja cultura de pesquisa é abordada em como os laboratórios de IA de fronteira diferem, e cuja concentração de capacidade científica em um punhado de organizações é assunto próprio em concentração de poder: por que poucos laboratórios importam. Essa concentração corta dos dois lados: é por isso que um único programa consegue acumular um Prêmio Nobel, uma medalha de prata olímpica, e um artigo corrigido na Nature em dois anos, e é por isso que o enquadramento dessas alegações passa primeiro pela própria divulgação do laboratório, e só depois por uma revisão por pares que não presta contas a ele.
Nada disso argumenta a favor de descartar os resultados. Um Prêmio Nobel não é exagero; uma previsão de dez dias produzida em menos de um minuto não é exagero. Mas “a IA está acelerando a ciência” é verdade da mesma forma que a maioria das afirmações duradouras sobre essa tecnologia é verdade: de forma desigual, com os sucessos mais claros em problemas que têm uma verdade objetiva limpa e verificável — uma proteína dobrada, o tempo de amanhã, a estabilidade medida de um cristal — e uma lacuna persistente sempre que a última milha passa por uma clínica confusa ou um comunicado de imprensa não verificado. A disciplina que captou o erro do GNoME, dois anos depois, é a disciplina que esta página pede aos leitores que apliquem em todo o resto deste site.