Em outubro do ano passado, Demis Hassabis e John Jumper ganharam o Prêmio Nobel de Química pelo AlphaFold 2. Um sistema de IA que resolveu o problema de dobramento de proteínas que atormentava a biologia estrutural há cinquenta anos – com precisão atômica, resultados em horas, enquanto métodos tradicionais levavam meses.
Qual o impacto
O banco de dados de estruturas de proteínas do AlphaFold agora contém mais de 240 milhões de estruturas previstas, cobrindo todas as proteínas produzidas pelo corpo humano. Mais de 3 milhões de pesquisadores em mais de 190 países o utilizam, um terço deles de países de baixa e média renda. Contribuiu para cerca de 200.000 artigos científicos.
Versões posteriores continuam em desenvolvimento:
- AlphaFold Multimer: Previsão de estruturas de complexos multiproteicos
- AlphaFold 3: Expansão para DNA, RNA, ligantes e todas as moléculas da vida
- "AlphaFold 4" (nome não oficial): Desenvolvido pela subsidiária Isomorphic Labs, focado em descoberta de fármacos
O dilema da DeepMind
Um artigo longo na Nature fez uma pergunta incisiva: Após ganhar o Nobel, a DeepMind conseguirá gerar outro avanço da mesma magnitude?
O cerne da questão não é se a DeepMind carece de talento ou tecnologia, mas que o cenário geral mudou. A onda dos LLMs absorveu quase todo o investimento e atenção em IA. A missão original da DeepMind era "usar IA para impulsionar descobertas científicas", mas os recursos e talentos da empresa dificilmente podem ficar completamente imunes ao hype dos LLMs.
Hassabis é otimista: A pesquisa científica impulsionada por IA passará por um período de reestruturação de 10 a 15 anos, seguido por um "Renascimento".
Por que isso vai além da própria indústria de IA
O significado do AlphaFold não é apenas "IA é incrível". Pela primeira vez, ele provou no meio acadêmico mainstream que a IA pode resolver problemas científicos fundamentais que métodos tradicionais não conseguem. O valor desse precedente supera qualquer pontuação de benchmark.
Se a IA conseguiu isso com proteínas, é possível gerar avanços semelhantes na ciência dos materiais, design de fármacos e modelagem climática. A questão é apenas: Quem vai investir nessas direções de difícil monetização?
Fonte de referência: CocoLoop, reportagem da Nature