O salto de Einstein
Com a IA dando acesso a ferramentas e dados semelhantes, estratégias diferenciadas vão depender cada vez mais de insights difíceis de articular
Em 1952, Albert Einstein escreve ao matemático Maurice Solovine e, de passagem, confidencia na carta um aspecto que lhe parece essencial à descoberta científica: o salto intuitivo, que acelera a solução de um problema sem passar pelo longo caminho das deduções lógicas.
Esse “salto de Einstein” é comum a muitos profissionais do conhecimento e é um território eminentemente humano. Bem, era.
Essa invasão começa lenta, mas acelerada. Recentemente, a revista "Nature" publicou os resultados de um experimento feito com um modelo de IA chamado Co-Scientist, desenvolvido pelo Google DeepMind.
Nesse experimento, um enxame de agentes de IA, que operam de forma coordenada, foi instruído a lidar com um problema complexo: propor uma droga para enfrentar a leucemia mieloide aguda, um tipo de câncer agressivo que afeta as células do sangue e da medula óssea.
O primeiro grupo de agentes foi incumbido de gerar hipóteses a partir da leitura crítica e do cruzamento de milhares de trabalhos científicos da área. Cada hipótese gerada foi criticada por outro grupo, cujo único objetivo era procurar falhas e contestar cada uma com veemência e rigor científico.
As hipóteses que passaram pelo crivo desse segundo grupo foram desenvolvidas por um terceiro, que para cada ideia elaborava dezenas de possibilidades em direções divergentes, mas minimamente promissoras. A lógica dessa divergência era encontrar possibilidades não triviais, nem sequer imaginadas, por pesquisadores humanos.
O resultado foi a proposta de um composto químico que já estava sendo estudado para outras finalidades biológicas, mas que nunca havia sido cogitado para tratar esse tipo de leucemia. A IA conseguiu ligar de forma inédita e, digamos, criativa, os pontos entre os caminhos moleculares da doença e o mecanismo de ação da substância.
Os cientistas humanos testaram então a recomendação da IA em laboratório e os resultados foram animadores.
O novo composto atacou e destruiu a linhagem de células tumorais da leucemia com potência 18 vezes maior contra o câncer do que contra as células saudáveis. Isso significa maior eficácia no combate à doença e redução drástica nos efeitos colaterais severos. U-ha!
Em outro caso, o Co-Scientist chegou em dois dias à mesma hipótese sobre transferência de genes de resistência bacteriana que um grupo de pesquisadores havia acabado de confirmar em laboratório, depois de dois anos de pesquisa.
Esses exemplos demonstram que os modelos de IA de fronteira já dominam a indução (partindo de uma premissa, chegam a uma conclusão lógica, ainda que não trivial, de modo cada vez mais criativo). Estamos hoje avançando rapidamente para o campo da dedução, onde se sintetiza a observação de vários casos similares em escopo para estabelecer uma regra geral.
o gargalo do processo criativo está migrando da geração de hipóteses para o teste rápido e aprendizado consistente.
Foi assim que uma startup de Tóquio, com o curioso nome de Sakana, desenvol- veu um sistema de descoberta científica de código aberto que, em parceria com acadêmicos, concebeu e executou uma pesquisa inteira no campo teórico do aprendizado de máquina, produzindo três manuscritos inéditos.
Os pesquisadores submeteram o material a uma das mais importantes conferências da área e dois dos três artigos foram aprovados, com notas acima da média de aceitação.
O ciclo todo (concepção da ideia original, execução dos experimentos, análise dos resultados e escrita do paper) levou cerca de oito horas. Um professor e pesquisador humano faria o mesmo trajeto tipicamente em três meses, se usasse as férias no meio do caminho.
O passo seguinte da abstração à serviço da ciência é na direção do santo graal da pesquisa, a abdução – o tal salto ao qual Einstein se referiu. Essa não linearidade é que preenche com hipóteses, no tempo de um relâmpago, o espaço de explicação de um fenômeno do qual se conhece somente os efeitos, mas não as causas e como se relacionam.
Leia mais: IA consegue prever como novas drogas vão interagir com o corpo humano
Encaixe aí mudanças climáticas, mutações genéticas, fusão nuclear e quem sabe até coração de ex. A partir de montanhas de dados e hipóteses que vão sendo empilhadas pela IA, começamos a pensar em caminhos para entender o que hoje nos escapa. O valor disso é imensurável.
A tecnologia que estamos desenvolvendo permite que o salto abdutivo seja distribuído e não mais dependa de uma mente brilhante.
Um sistema formado por agentes coordenados, humanos e de IA, que ataca um problema específico, pode gerar milhares de hipóteses em pouco tempo e refiná-las para centenas de caminhos possíveis, que culminam em algumas dezenas de testes.
Emerge daí uma competência fundamental para grandes organizações e governos: a mobilização de tecnologias e processos para confirmar ou derrubar hipóteses em escala industrial.
Como em outras áreas do conhecimento nas quais a IA já aterrissou, o gargalo do processo criativo está migrando da geração de hipóteses para o teste rápido e aprendizado consistente.
A liderança tem papel muito relevante nesse novo cenário. À medida que a IA proporciona aos concorrentes acesso a ferramentas analíticas e dados semelhantes, estratégias diferenciadas vão depender cada vez mais de insights difíceis de articular, transferir ou separar de seu contexto.
O exercício da intuição, amparada por anos de prática e estudo, pode ser um caminho para selecionar os problemas que realmente valem a pena serem tratados, eventualmente seguindo por uma trilha para a qual a IA não saltaria.
