# A hipótese ficou barata; o laboratório continua escasso > O Co-Scientist da DeepMind desenha experimentos e humanos executam no laboratório. O avanço real não é autonomia total: é o gargalo migrar da geração de hipóteses para a capacidade experimental e a verificação. - Author: Elzo Brito - Language: pt-BR - Published: 2026-09-04 - Canonical URL: https://elzobrito.com/blog/a-hipotese-ficou-barata-o-laboratorio-continua-escasso/ - Translation: https://elzobrito.com/en/blog/hypotheses-got-cheap-the-lab-is-still-scarce/ --- Em julho, documentei uma distância clara: [o agente fez o experimento, mas não fez a pesquisa](/blog/o-agente-fez-o-experimento-mas-nao-fez-a-pesquisa/). Em avaliação aberta com orçamento e infraestrutura, sistemas de fronteira automatizaram engenharia e falharam no julgamento—desenho fraco, literatura rasa, resposta cosmética a crítica. O artigo de agora não cancela esse diagnóstico. Acrescenta outro eixo, a partir de um paper diferente. O trabalho [Accelerating Scientific Research with Gemini in the Real-World](https://arxiv.org/abs/2608.26701) (arXiv:2608.26701, submetido em 27 de agosto de 2026) descreve uma extensão do **Co-Scientist**, sistema multiagente baseado em Gemini, com afiliações que incluem Google DeepMind. A tese do paper não é “a IA tomou o laboratório”. É validação em laço fechado, com autonomia **graduada**, em ciência de materiais, biologia e ciência da computação. ## O que o paper de fato mostra Em materiais, o Co-Scientist se acopla a um reator de deposição química a vapor (CVD) semi-automatizado e propõe rotas e receitas. A execução física—carregar e descarregar amostras, operar o crescimento, caracterizar—fica com humanos. Uma rota de precursor não perigosa (C₂Cl₆) visa crescimento *bottom-up* de MXene Ti₃C₂Tₓ sem a rota clássica de ataque com ácido fluorídrico; o material laminar obtido compartilha semelhanças estruturais-chave com a rede do MXene, **mas o paper afirma que experimentos adicionais ainda são necessários para confirmar a estrutura atômica**. Em TMDs, o sistema adapta receitas a restrições do laboratório em minutos e reporta crescimento de monocamadas de MoS₂, MoSe₂ e WS₂ em tentativa única, com integração lab-in-the-loop. Em biologia, especialistas refinam o enquadramento da tarefa e executam o trabalho úmido; o Co-Scientist constrói um sistema para prever fenótipos de enxameamento de *E. coli* engenheirada ao longo de gradientes de indutor (IPTG) a partir de imagens esparsas, com correspondência quantitativa a medições morfológicas ainda não publicadas. A própria discussão do paper limita o alcance: interpolação ao longo de um gradiente conhecido, não extrapolação para regimes biológicos genuinamente novos. Em computação, após a diretiva de pesquisa, o sistema opera de forma autônoma e descobre uma arquitetura de *scaling* em tempo de inferência (Agent_H no texto) que supera seis modelos de fronteira em HealthBench Hard e Professional (com ajuste por comprimento), com redução—significativa, embora modesta—de dano clínico potencial sob avaliação cega de médicos. Um estudo de papers gerados de ponta a ponta, com 30 especialistas e 450 revisões, reporta módulos de confiabilidade que reduzem alucinação e plágio e melhoram segurança de pesquisa. A Tabela 1 do paper deixa o espectro explícito: receitas desenhadas por IA e executadas/adaptadas por operadores humanos em materiais; *pipelines* computacionais com *feedback* iterativo de especialistas em biologia; síntese de programas autônoma em CS. Não é um único modo “cientista automático”. ## O que é novo em relação a julho O post de julho tratava de agentes em pesquisa aberta que **executavam** sem **julgar**. O Co-Scientist, neste paper, muda a divisão de trabalho em domínio físico: a IA **desenha** experimentos e protocolos; o laboratório humano **executa** e verifica. Em CS, a autonomia sobe porque o “laboratório” é código e *benchmark*. O avanço que importa para o argumento editorial não é autonomia total. É o deslocamento do gargalo. Quando a geração e o ranqueamento de hipóteses ficam baratos e o desenho de receita cabe em minutos, o recurso escasso passa a ser capacidade experimental real—forno, placa, imagem, repetição—e confirmação estrutural. O paper ainda admite incerteza no MXene e interpolação na biologia. Hipótese barata não é descoberta fechada. Isso não prova que o problema de julgamento do estudo de julho sumiu. Prova outra coisa: mesmo quando o laço fecha com humanos no laboratório, a ciência física continua limitada pelo que se consegue medir e confirmar, não só pelo que se consegue propor. ## Limites que o próprio texto marca É arXiv v1; *peer review* não está estabelecido aqui. “Semelhanças estruturais” ≠ fase Ti₃C₂Tₓ confirmada. Medições biológicas não publicadas restringem reprodução externa. Resultados de HealthBench e dano clínico são computacionais mais avaliação médica cega, não implantação clínica. O intro do paper já registra o ponto: sistemas que produzem descobertas validadas tipicamente ainda precisam de humanos para decompor, verificar e **executar experimentos físicos**. ## Consequência prática Para quem usa agentes em ciência ou P&D, duas perguntas precisam coexistir. A de julho: o sistema escolheu o experimento certo e calibrou o que a evidência permite concluir? A deste paper: quando o desenho vem do agente, a fila do laboratório, a caracterização e a confirmação estrutural estão dimensionadas—ou a organização só acelerou o lado barato do ciclo? [Provar prontidão antes de agir](/blog/antes-de-agir-o-agente-precisa-provar-que-esta-pronto/) e [o harness como exame](/blog/o-harness-complexo-e-o-exame-que-o-ranking-nao-faz/) continuam válidos: o laço precisa expor evidência do que foi proposto, do que foi executado e do que ainda não está confirmado. A hipótese ficou barata. O laboratório—e a verificação—continuam escassos. Quem confundir as duas coisas vai celebrar manuscritos e receitas enquanto a descoberta ainda espera a próxima corrida no forno.