Google Co-Scientist: como agentes de IA geram e testam hipóteses científicas

A inteligência artificial já consegue resumir artigos, escrever código, analisar dados e ajudar pesquisadores a encontrar informações. O Google Co-Scientist tenta avançar para uma etapa mais ambiciosa: participar da própria geração de hipóteses científicas.

O sistema, desenvolvido por equipes do Google DeepMind, Google Research e Google Cloud, funciona como uma coalizão de agentes de IA especializados. Em vez de entregar apenas uma resposta, diferentes agentes propõem ideias, criticam hipóteses, comparam alternativas e refinam os caminhos mais promissores antes de apresentar uma proposta ao pesquisador.

Em maio de 2026, o trabalho ganhou uma publicação revisada por pares na Nature. Os pesquisadores apresentaram resultados experimentais em biomedicina nos quais hipóteses produzidas pelo sistema foram posteriormente testadas em laboratório.

Mas há uma distinção fundamental:

Co-Scientist não é um “cientista artificial” que trabalha sozinho.

O próprio Google o descreve como um parceiro para pesquisadores, dentro de um modelo de scientist-in-the-loop, no qual humanos definem objetivos, impõem restrições, avaliam resultados e continuam responsáveis pelas decisões científicas.

Resposta rápida: o que é o Google Co-Scientist?

Google Co-Scientist é um sistema multiagente de inteligência artificial construído sobre modelos Gemini para ajudar pesquisadores a gerar, criticar, comparar e refinar hipóteses científicas.

O pesquisador fornece um objetivo em linguagem natural.

A partir daí, uma equipe de agentes especializados começa a trabalhar.

Eles podem:

• explorar literatura científica;
• produzir hipóteses;
• procurar falhas;
• comparar diferentes ideias;
• combinar propostas;
• sugerir formas de testá-las;
• gerar uma proposta de pesquisa para análise humana.

O sistema atual também pode consultar ferramentas externas, como busca na web e bases especializadas, e em determinadas colaborações utilizar outros modelos científicos, como AlphaFold.

Isso torna o Co-Scientist diferente de um chatbot que simplesmente responde:

“Aqui está uma ideia para sua pesquisa.”

O objetivo é criar um processo iterativo de investigação.

Por que o Google criou uma IA para gerar hipóteses?

Um dos maiores desafios da ciência moderna não é simplesmente produzir mais dados.

É conseguir acompanhar tudo o que já foi produzido.

Um pesquisador pode trabalhar durante anos em uma área e ainda assim não conseguir ler toda a literatura relevante, especialmente quando uma descoberta depende de conexões entre disciplinas diferentes.

O Google parte da ideia de que sistemas de IA podem ajudar a explorar esse volume de conhecimento e encontrar relações que uma única equipe talvez não percebesse.

Na publicação da Nature, o Co-Scientist é descrito como um sistema criado para ir além da simples síntese de literatura. Seu objetivo inclui gerar hipóteses novas, identificar conexões inesperadas e ajudar no planejamento experimental.

Essa mudança conversa diretamente com uma tendência que já acompanhamos no TecMaker.

Primeiro vieram chatbots.

Depois, sistemas capazes de executar tarefas mais longas.

No guia sobre agentes de IA e autonomia digital, explicamos justamente essa passagem de modelos que apenas respondem para sistemas capazes de planejar e executar sequências de ações.

O Co-Scientist aplica essa lógica especificamente à pesquisa científica.

Como funciona o Co-Scientist?

O sistema pode ser entendido em três grandes etapas:

gerar → debater → evoluir

Em vez de pedir a um único modelo que produza uma resposta definitiva, o Co-Scientist distribui o trabalho entre diferentes agentes.

No centro existe um Supervisor, responsável por transformar o objetivo fornecido pelo pesquisador em tarefas e coordenar os demais agentes.

Ao redor dele trabalham agentes especializados.

Generation Agent: produz as primeiras hipóteses

O agente de geração começa explorando o problema.

Ele utiliza literatura e dados disponíveis para propor possíveis caminhos de investigação.

A ideia não é produzir apenas uma hipótese.

O sistema tenta criar diversidade de alternativas para que diferentes caminhos possam competir posteriormente.

Proximity Agent: verifica se as ideias são realmente diferentes

Imagine que uma IA gere cem hipóteses.

Talvez 80 delas sejam apenas variações da mesma ideia.

O Proximity Agent agrupa propostas semelhantes e ajuda o sistema a entender a proximidade entre elas.

Isso estimula uma exploração mais ampla do espaço de possibilidades.

Reflection Agent: funciona como um revisor crítico

Aqui aparece uma das partes mais interessantes.

O Reflection Agent atua como uma espécie de revisor científico virtual.

Sua função é procurar:

• inconsistências;
• problemas de lógica;
• falta de novidade;
• conflitos com evidências anteriores;
• dificuldades experimentais.

Na avaliação publicada na Nature, dar ao agente de reflexão acesso a ferramentas de busca externa ajudou a reduzir hipóteses aparentemente inovadoras, mas biologicamente implausíveis.

Ou seja:

o sistema não foi projetado apenas para gerar ideias.

Também foi projetado para atacá-las.

Ranking Agent: as hipóteses entram em um “torneio”

Depois vem um mecanismo que lembra competições entre ideias.

O Ranking Agent compara hipóteses duas a duas e coordena debates simulados.

O Google chama esse processo de tournament of ideas, ou torneio de ideias.

As propostas recebem avaliações relativas e são classificadas.

O sistema utiliza um mecanismo inspirado em rankings Elo — conhecidos por aplicações em jogos e competições — para ajudar a determinar quais hipóteses estão sobrevivendo melhor ao processo de crítica e comparação.

Aqui existe uma conexão interessante com sistemas anteriores do DeepMind.

Em AlphaGo, estratégias competiam e eram avaliadas em partidas.

No Co-Scientist, quem compete são hipóteses científicas.

Evolution Agent: boas ideias geram novas ideias

As hipóteses mais bem avaliadas não encerram o processo.

O Evolution Agent pode:

• refiná-las;
• combiná-las;
• modificar partes;
• incorporar críticas;
• produzir novas versões.

O sistema entra, então, em um ciclo:

gera → critica → compara → melhora → compara novamente

Quanto mais computação é empregada, mais ciclos podem ser executados.

No trabalho publicado, os pesquisadores observaram melhora progressiva na qualidade das hipóteses à medida que aumentava o processamento realizado durante essa etapa de raciocínio.

Meta-review Agent: alguém precisa observar a discussão inteira

Depois de tantos agentes discutindo, é necessário organizar o resultado.

O Meta-review Agent analisa o histórico dos debates e extrai os principais aprendizados.

Ele ajuda a consolidar os caminhos considerados mais promissores e participa da geração da proposta que será apresentada ao pesquisador.

Assim, o fluxo completo se parece com isto:

Pesquisador define o problema
↓
Supervisor organiza o trabalho
↓
agentes geram hipóteses
↓
hipóteses são agrupadas
↓
outros agentes procuram falhas
↓
as ideias competem em um torneio
↓
as melhores são modificadas e combinadas
↓
o sistema consolida uma proposta
↓
pesquisador avalia o resultado

É uma arquitetura muito diferente de simplesmente fazer uma pergunta ao Gemini.

O Co-Scientist procura informações na internet?

Sim, mas não apenas isso.

O sistema pode utilizar busca na web e bases científicas especializadas para fundamentar suas hipóteses.

O Google cita atualmente integração com recursos como:

• ChEMBL;
• UniProt;
• busca na web;
• modelos científicos especializados.

Em algumas colaborações, AlphaFold também está sendo testado como ferramenta complementar.

Isso é importante porque um dos maiores riscos da geração de hipóteses por modelos de linguagem é confundir:

algo que parece novo

com

algo que já foi demonstrado ou refutado anteriormente.

A conexão com literatura e bases científicas reduz esse risco, embora não o elimine.

O sistema realmente descobriu algo novo?

Essa é a pergunta central.

E a resposta mais correta é:

existem resultados experimentais mostrando que o Co-Scientist já conseguiu produzir hipóteses científicas úteis e, em alguns casos, novas ou ainda não publicadas.

A publicação da Nature apresentou três áreas principais de validação experimental.

Caso 1: reaproveitamento de medicamentos

Em um dos experimentos, o Co-Scientist trabalhou sobre leucemia mieloide aguda, procurando medicamentos existentes que pudessem ser candidatos a novas aplicações.

O sistema gerou sugestões que depois foram avaliadas experimentalmente.

Segundo o artigo da Nature, candidatos propostos apresentaram atividade in vitro em concentrações clinicamente relevantes.

Isso não significa que a IA “descobriu uma cura”.

A validação foi laboratorial.

Entre encontrar atividade em células e chegar a um tratamento aprovado existe um longo caminho de pesquisa pré-clínica e clínica.

O resultado relevante é outro:

uma IA conseguiu produzir candidatos suficientemente plausíveis para justificar experimentação real.

Caso 2: novos alvos para fibrose hepática

Outro teste investigou fibrose do fígado.

O sistema propôs alvos epigenéticos e possíveis compostos antifibróticos.

Na pesquisa publicada, alguns desses candidatos foram posteriormente testados em laboratório, incluindo um medicamento já aprovado para outra finalidade.

Em trabalhos posteriores divulgados pelo Google, pesquisadores também relataram uso do Co-Scientist para localizar candidatos de reposicionamento de medicamentos ligados a fibrose, incluindo um que reduziu em 91% uma resposta celular associada à formação de cicatrizes em um teste de laboratório.

Mais uma vez, isso é resultado pré-clínico, não recomendação de tratamento.

Caso 3: uma hipótese que pesquisadores levaram anos para descobrir

Talvez o exemplo mais impressionante envolva resistência antimicrobiana.

Um grupo de pesquisadores investigava havia anos como determinados elementos genéticos conseguiam atravessar diferentes espécies bacterianas.

O problema ainda não tinha sua solução publicada.

Quando o Co-Scientist recebeu a questão, produziu e classificou hipóteses.

A hipótese mais bem colocada correspondia ao mecanismo que a própria equipe havia descoberto experimentalmente, mas ainda não divulgado publicamente.

Esse caso é particularmente interessante porque reduz uma explicação alternativa simples:

a IA não poderia simplesmente ter recuperado a resposta de um artigo já publicado.

Ela chegou independentemente a uma hipótese que combinava com uma descoberta mantida dentro do laboratório.

Então a IA fez em dias algo que humanos levaram anos para perceber?

Em um sentido muito específico, sim.

Mas essa frase precisa de contexto.

A IA recebeu uma pergunta já formulada por especialistas e teve acesso a uma grande quantidade de conhecimento científico.

Também não realizou os experimentos físicos que estabeleceram o mecanismo.

O que ela fez foi reconstruir rapidamente uma hipótese plausível que levou pesquisadores humanos anos de investigação para identificar e testar.

Esse é justamente o tipo de aceleração que torna sistemas como Co-Scientist importantes.

Eles podem comprimir a etapa de exploração intelectual.

O Google já está testando o sistema em pesquisas reais

O trabalho não ficou restrito aos três experimentos iniciais.

Em 2026, o Google divulgou colaborações envolvendo diferentes áreas.

Pesquisadores estão usando Co-Scientist para trabalhar em temas como:

• resistência antimicrobiana;
• fibrose hepática;
• ALS;
• envelhecimento celular;
• doenças metabólicas do fígado;
• doenças infecciosas;
• imunidade vegetal.

Em pesquisa sobre ALS, por exemplo, o sistema ajudou a sintetizar literatura de diferentes áreas e a encontrar possíveis conexões entre abordagens complementares de laboratórios distintos.

Em trabalhos sobre envelhecimento, pesquisadores da Calico relataram uma hipótese relacionada à resposta integrada ao estresse que posteriormente recebeu suporte experimental.

Isso não significa que todas as hipóteses produzidas pela IA serão corretas.

Significa que algumas estão chegando a um estágio em que cientistas consideram justificável gastar tempo e recursos para testá-las.

Qual é a diferença entre Co-Scientist e um chatbot?

Ela é grande.

O Co-Scientist também não deve ser confundido com uma ferramenta de Deep Research.

Deep Research busca, organiza e sintetiza conhecimento existente.

O Co-Scientist tenta dar um passo adicional:

usar conhecimento existente para formular aquilo que ainda poderia ser descoberto.

Isso é o mesmo que o Genesis Mission?

Não.

E essa distinção é importante para evitar sobreposição editorial.

A Genesis Mission, que já explicamos no TecMaker, é uma iniciativa muito mais ampla dos Estados Unidos para conectar inteligência artificial, supercomputação, dados, laboratórios nacionais, simulações e infraestrutura científica.

O Co-Scientist é uma ferramenta específica dentro desse novo ecossistema de IA para ciência.

O Google DeepMind já informou que uma versão empresarial do sistema está sendo testada com organizações e que os laboratórios nacionais norte-americanos têm acesso ao Co-Scientist pelo Google Cloud dentro da Genesis Mission.

Portanto:

Genesis Mission = infraestrutura e estratégia científica ampla.

Co-Scientist = sistema multiagente especializado em geração e refinamento de hipóteses.

E o caso da OpenAI com Navier-Stokes?

Também são situações diferentes.

No caso que analisamos recentemente sobre OpenAI, agentes de IA e Navier-Stokes, milhares de agentes foram organizados para explorar caminhos matemáticos em um problema específico.

No Co-Scientist, existe uma arquitetura permanente e especializada para reproduzir partes do ciclo de raciocínio científico:

gerar → criticar → comparar → evoluir

Os dois casos apontam, porém, para a mesma tendência.

O avanço da IA científica pode vir menos de um único modelo genial e mais de grupos de agentes com papéis diferentes trabalhando de maneira coordenada.

Essa ideia também apareceu em nosso artigo sobre se a inteligência artificial pode descobrir novos teoremas matemáticos.

O Co-Scientist consegue fazer experimentos sozinho?

Não, pelo menos não no sentido de operar de forma geral um laboratório físico independente.

O sistema pode sugerir protocolos e experimentos.

Mas nos resultados publicados na Nature, as hipóteses foram avaliadas por pesquisadores e testadas experimentalmente em laboratórios humanos.

Essa distinção é essencial.

Co-Scientist atua principalmente sobre a parte intelectual:

“Que hipótese deveríamos testar?”

A execução experimental ainda depende de infraestrutura científica e especialistas.

Existem outros sistemas tentando automatizar partes mais amplas desse ciclo. A própria edição da Nature que publicou Co-Scientist também apresentou Robin, outro sistema multiagente que integra geração de hipóteses e análise de resultados experimentais.

Isso mostra que a fronteira seguinte provavelmente será a conexão entre:

agentes de IA + laboratórios automatizados + robótica + instrumentos científicos.

Qual é o maior problema desse tipo de IA?

Talvez não seja gerar ideias.

Pode ser validá-las.

Se um sistema consegue produzir milhares de hipóteses rapidamente, pesquisadores enfrentam uma nova dificuldade:

como descobrir quais delas merecem um experimento real?

O próprio Google DeepMind passou a discutir esse fenômeno como um novo gargalo de validação na ciência.

Agentes podem acelerar drasticamente a produção de conjecturas e hipóteses, mas experimentos físicos continuam custando tempo, dinheiro, materiais e capacidade de laboratório.

Podemos acabar em um cenário curioso:

antes faltavam hipóteses boas.

amanhã talvez sobrem hipóteses e falte capacidade para testá-las.

E se a IA gerar uma hipótese completamente errada?

Esse risco existe.

Modelos de linguagem podem:

• alucinar;
• interpretar estudos incorretamente;
• confundir correlação com causalidade;
• superestimar evidências;
• sugerir hipóteses aparentemente novas que já foram descartadas.

Por isso o Co-Scientist dedica grande parte de seu processamento à crítica e verificação interna.

O Reflection Agent procura falhas.

O Ranking Agent compara propostas.

A literatura é consultada.

Outras ferramentas podem ser acionadas.

E, no final, existe o pesquisador.

A publicação da Nature também enfatiza critérios como:

• plausibilidade;
• novidade;
• testabilidade;
• segurança.

Mas nenhum desses mecanismos transforma a IA em fonte infalível.

Existe risco em usar uma IA para fazer ciência?

Sim.

Especialmente quando a pesquisa envolve áreas sensíveis.

Sistemas capazes de gerar hipóteses científicas avançadas podem ser úteis em:

• biologia;
• química;
• engenharia;
• medicina.

As mesmas capacidades podem, em determinadas circunstâncias, produzir informações de uso perigoso.

O Google afirma ter submetido Co-Scientist a avaliações internas e externas de segurança, incluindo testes relacionados a riscos químicos, biológicos, radiológicos e nucleares, além de utilizar classificadores específicos para bloquear objetivos considerados inseguros.

Esse será um dos grandes desafios da IA científica:

acelerar descobertas úteis sem acelerar da mesma maneira descobertas perigosas.

O pesquisador ainda controla o processo?

Sim.

Esse é um dos princípios centrais do sistema atual.

O cientista pode:

• especificar o objetivo;
• fornecer documentos;
• definir restrições;
• sugerir ideias iniciais;
• modificar direções;
• dar feedback;
• avaliar as propostas.

A Nature descreve o Co-Scientist explicitamente como uma arquitetura de expert-in-the-loop.

Portanto, a pergunta correta hoje não é:

“A IA substituiu o cientista?”

É:

“Quanto mais um cientista consegue explorar quando passa a trabalhar com uma equipe de agentes de IA?”

É possível usar o Google Co-Scientist hoje?

O acesso ainda é experimental.

O Google disponibiliza no Google Labs Science uma ferramenta chamada Hypothesis Generation, construída com Co-Scientist.

Ela é descrita como um sistema multiagente capaz de ajudar pesquisadores a identificar lacunas de conhecimento e criar planos de pesquisa testáveis. Atualmente, o site permite que interessados manifestem interesse em utilizar as ferramentas científicas experimentais.

Não é, portanto, simplesmente uma função aberta para qualquer pessoa dentro do Gemini convencional.

O foco continua sendo uso científico especializado.

Como funciona o Hypothesis Generation?

Na interface experimental, o pesquisador pode trabalhar com o sistema para definir:

• problema de pesquisa;
• preferências;
• foco;
• requisitos de avaliação.

Depois, o Co-Scientist executa seu processo de exploração.

O Google destaca quatro características da ferramenta:

parceiro colaborativo — ajuda a refinar o desafio;

avaliação em torneio — compara diferentes caminhos;

base de conhecimento fundamentada — relaciona ideias às referências utilizadas;

detecção de falhas críticas — tenta separar caminhos promissores daqueles que possuem problemas fundamentais.

É uma forma bastante diferente de usar IA em ciência.

O pesquisador não pede:

“Qual é a resposta?”

Ele pergunta:

“Quais hipóteses deveríamos investigar?”

Isso pode mudar o método científico?

O método científico não desaparece.

Mas partes dele podem ser aceleradas.

Tradicionalmente, um fluxo simplificado seria:

observar
↓
formular hipótese
↓
planejar experimento
↓
testar
↓
analisar resultado
↓
reformular hipótese

Com sistemas multiagente, a etapa de formulação pode se expandir enormemente.

Em vez de uma equipe humana discutir algumas dezenas de ideias, agentes podem explorar milhares.

E cada ideia pode receber crítica automática antes mesmo de chegar ao pesquisador.

O efeito potencial não está em substituir o método científico.

Está em aumentar sua velocidade de iteração.

A IA pode se tornar uma verdadeira colega de laboratório?

Talvez.

Mas ainda há uma distância importante.

Hoje, Co-Scientist é muito forte em tarefas relacionadas a:

• literatura;
• raciocínio;
• geração de hipóteses;
• comparação de ideias;
• planejamento.

Ciência também depende de:

• intuição experimental;
• equipamentos;
• amostras;
• observação;
• conhecimento tácito;
• escolhas metodológicas;
• interpretação de resultados inesperados.

Grande parte desse conhecimento é difícil de representar em texto.

O próprio Google afirma que Co-Scientist deve atuar como parceiro, e não substituto da expertise científica ou clínica.

O que isso muda na prática?

A melhor maneira de entender a mudança talvez seja imaginar um pesquisador com uma equipe virtual disponível permanentemente.

Um agente procura literatura.

Outro gera hipóteses.

Outro tenta destruí-las.

Outro compara as sobreviventes.

Outro procura conexões entre campos.

Outro sintetiza tudo.

O pesquisador continua decidindo:

qual problema importa, quais ideias fazem sentido e quais experimentos merecem ser realizados.

Mas passa a trabalhar com uma capacidade de exploração muito maior.

É por isso que o Co-Scientist representa mais do que uma nova interface de IA.

Ele é um exemplo de uma transformação mais profunda:

a inteligência artificial deixando de atuar apenas sobre o conhecimento existente e entrando no processo de criação de conhecimento novo.

Perguntas frequentes sobre Google Co-Scientist

O que é Google Co-Scientist?

É um sistema multiagente desenvolvido por equipes do Google para ajudar cientistas a gerar, criticar, classificar e refinar hipóteses de pesquisa utilizando modelos Gemini e ferramentas científicas.

Co-Scientist é o mesmo que Gemini?

Não. Gemini funciona como modelo-base, mas Co-Scientist acrescenta uma arquitetura de múltiplos agentes, supervisão, memória, debates e torneios de hipóteses.

Co-Scientist faz descobertas científicas?

O sistema já produziu hipóteses posteriormente apoiadas por experimentos de laboratório e conseguiu reconstruir independentemente uma descoberta microbiológica que ainda não havia sido publicada. Isso indica capacidade real de contribuir para descoberta científica, mas sempre dentro de fluxos que continuam envolvendo pesquisadores humanos.

A IA realiza os experimentos?

Não de maneira geral. Co-Scientist pode propor hipóteses e experimentos, enquanto as validações físicas apresentadas nos trabalhos publicados foram realizadas por pesquisadores.

Quantos agentes existem no Co-Scientist?

A arquitetura principal inclui Supervisor e agentes especializados em geração, proximidade, reflexão, ranking, evolução e meta-revisão. Várias instâncias podem operar dentro do sistema durante o processo de exploração.

O que é o “torneio de ideias”?

É um sistema no qual diferentes hipóteses são comparadas, debatidas e classificadas para que as mais promissoras possam avançar para novas rodadas de refinamento.

Posso usar Co-Scientist?

O Google mantém acesso experimental por meio do projeto Hypothesis Generation, no Google Labs Science, com possibilidade de manifestação de interesse por pesquisadores.

Co-Scientist pode substituir cientistas?

O Google afirma explicitamente que não. O sistema foi concebido como parceiro de pesquisadores e não como substituto da expertise científica ou clínica.

Conclusão: o cientista pode ganhar uma equipe de agentes

Durante décadas, computadores ajudaram cientistas principalmente a calcular, simular e analisar.

A inteligência artificial acrescentou leitura, geração de linguagem e reconhecimento de padrões.

O Co-Scientist acrescenta outra função:

participar da criação e seleção das perguntas que serão investigadas.

É uma mudança sutil, mas profunda.

Um agente pode propor uma hipótese.

Outro pode atacá-la.

Pode procurar evidências.

Outro pode comparar alternativas.

E todos podem repetir esse processo muito mais rapidamente do que uma equipe humana conseguiria fazer manualmente.

O pesquisador continua no centro.

É ele quem escolhe o problema, define restrições, interpreta resultados e decide o que merece ser testado.

Mas agora pode ter ao lado uma equipe virtual capaz de explorar uma quantidade de possibilidades antes impraticável.

Esse é também o ponto em que nosso cluster chega à sua conclusão.

Começamos perguntando se uma IA conseguiria avançar em um dos maiores mistérios da matemática. Passamos pela função zeta, pela verificação formal com Lean, pelos Problemas do Milênio e pela possibilidade de máquinas produzirem matemática nova. Depois vimos milhares de agentes atacarem Navier-Stokes.

Agora chegamos ao próximo passo:

não apenas IA resolvendo um problema isolado, mas sistemas projetados para participar continuamente do processo científico.

A grande questão deixou de ser apenas se máquinas conseguem responder perguntas difíceis.

A questão passa a ser:

o que acontece quando elas também começam a ajudar cientistas a descobrir quais perguntas fazer?

Equipe TecMaker

A Equipe TecMaker é o núcleo editorial e de testes do portal, dedicada a trazer análises imparciais, comparativos de produtos e as últimas notícias do universo da tecnologia. Nosso objetivo é decodificar a inovação e ajudar nossos leitores a fazerem as melhores escolhas no mercado digital e de dispositivos emergentes.