O uso da inteligência artificial (IA) na ciência está gerando um dilema: pesquisadores individuais estão se tornando mais produtivos, enquanto o empreendimento científico como um todo explora uma gama mais restrita de ideias.
A IA irá desencadear um renascimento científico ou, ao contrário, uma monocultura difusa?
Por exemplo, acadêmicos que adotam ferramentas de IA publicam cerca de três vezes mais artigos e recebem quase cinco vezes mais citações do que seus pares. No entanto, análises da literatura científica mostram que a pesquisa assistida por IA abrange 4,6% menos terreno temático do que o trabalho não assistido por IA, com esse padrão presente em mais de 70% das subáreas estudadas.
O problema não é tecnológico, mas institucional. As ferramentas de IA expandem a capacidade de exploração dos cientistas, mas os incentivos sistêmicos fazem com que os pesquisadores usem essa capacidade para focar mais intensamente em problemas que as instituições podem facilmente reconhecer, avaliar e recompensar, em vez de abrir novos caminhos.
Essa dinâmica não surgiu com a IA: pesquisas mostram que artigos e patentes se tornaram menos disruptivos nas últimas seis décadas. Mas a IA está acelerando essas mudanças, porque a velocidade e o reconhecimento de padrões em grandes volumes de trabalho são precisamente o que um sistema de estreitamento focará mais intensamente. A estrutura da carreira acadêmica reforça esse efeito. A IA torna a extensão de uma linha de pesquisa familiar mais rápida e barata do que a entrada em um terreno desconhecido, e os sistemas de incentivo existentes recompensam essa velocidade.
Para abordar essas preocupações, apresentamos três recomendações.
Os sistemas de financiamento atuais recompensam predominantemente a exploração de dados existentes (downstream) em vez da criação de novos conjuntos de dados e capacidades de medição (upstream). Ao aplicar modelos de IA cada vez mais poderosos a conjuntos de dados públicos, os pesquisadores podem frequentemente gerar resultados publicáveis a um custo relativamente baixo.
Por exemplo, o Graph Networks for Materials Exploration (GNoME) do Google é uma ferramenta de aprendizado profundo que identificou 381.000 cristais inorgânicos estáveis candidatos, expandindo o cenário de materiais conhecidos em uma ordem de magnitude. Enquanto isso, o AlphaFold, um sistema de previsão de estrutura de proteínas criado pela DeepMind em Londres, gerou mais de 214 milhões de estruturas de proteínas potenciais, tornando as interações biológicas inspecionáveis em uma escala sem precedentes.
Em contraste, a construção de um estudo de coorte longitudinal ou o lançamento de um programa de monitoramento de biodiversidade pode levar anos de investimento sustentado antes que quaisquer descobertas publicáveis sejam produzidas.
Essa assimetria está aumentando: os custos de fazer previsões com modelos de IA caíram aproximadamente 100 vezes nos últimos dois anos, enquanto a construção de novas infraestruturas de observação ainda acarreta altos custos operacionais de longo prazo. Isso significa que a lacuna entre o que é barato de explorar e o que é caro de explorar se amplia a cada poucos meses.
Pedimos aos financiadores que subsidiem deliberadamente a infraestrutura de dados, especialmente em domínios negligenciados, como doenças que foram excluídas de grandes estudos de coorte. Esses investimentos são lentos e pouco glamorosos, mas são essenciais para que a IA possa trabalhar com observações de áreas anteriormente negligenciadas.
Universidades e agências de fomento devem parar de penalizar pesquisadores que usam IA para entrar em novos campos. As ferramentas de IA reduzem o custo informacional de mudar de área — um ecologista que entra na genômica, por exemplo, pode agora percorrer a literatura desconhecida mais rapidamente. Mas os sistemas de avaliação ainda penalizam as mudanças para outras subáreas. Comitês de contratação avaliam candidatos com base em um histórico contínuo de publicações em um único domínio, e agências de fomento frequentemente tratam dados preliminares do trabalho anterior do candidato como um pré-requisito para apoio.
Fonte: nature.com
