Investigadores da Google DeepMind alargaram o Co-Scientist de um sistema centrado sobretudo na geração e avaliação de hipóteses para um framework de investigação execution-grounded capaz de planear experiências, escrever e executar código, interagir com algum equipamento de laboratório, analisar resultados e produzir manuscritos. O trabalho abrange ciência de materiais, biologia sintética e informática, com níveis diferentes de intervenção humana em cada domínio.
A mudança mais importante não é a capacidade de uma IA propor outra hipótese científica. É a criação de uma ligação explícita entre as afirmações produzidas e aquilo que foi realmente executado. Isso torna o trabalho relevante para AI for Science, mas também para arquitetura de agentes, provenance e verification.
Da geração de hipóteses à investigação ligada à execução
As versões anteriores do Co-Scientist estavam focadas sobretudo em hypothesis generation e scientific reasoning. Na apresentação do Gemini for Science, a Google descrevia o Co-Scientist como um sistema multiagente que gera, debate e avalia hipóteses.
O novo preprint, submetido ao arXiv em 27 de agosto de 2026, estende esse loop à experimentação. Os autores descrevem um workflow de três fases: ideation, experimentation e paper generation. Dependendo da tarefa, a fase experimental pode produzir código, procedimentos de laboratório machine-readable ou outros artefactos executáveis e usar depois as observações reais como evidência para a análise.
Isto não significa que o Co-Scientist seja um cientista de laboratório totalmente autónomo. O nível de autonomia varia bastante entre experiências. Em ciência de materiais, humanos continuam a carregar amostras e precursores e a realizar a caracterização. Em informática, uma das experiências funciona de forma muito mais autónoma depois de definido o objetivo inicial.
Esta diferença é essencial para interpretar os resultados.
Trabalho de laboratório real, ainda com humanos no circuito
Em ciência de materiais, o sistema foi ligado a um workflow semi-automatizado de chemical vapor deposition. Propôs uma rota de precursor mais segura para síntese bottom-up de MXene e ajudou a orientar o refinamento experimental.
Os investigadores reportam a produção de um material bidimensional lamelar com semelhanças estruturais ao lattice Ti3C2Tx MXene. Contudo, o próprio artigo afirma que são necessárias experiências adicionais para confirmar a estrutura atómica. É portanto um resultado interessante, mas não uma confirmação definitiva do material-alvo.
A equipa usou também Gemini 3 Deep Think para adaptar receitas de crescimento de semicondutores às restrições do laboratório. Segundo o artigo, isso permitiu crescimento em primeira tentativa de monocamadas de MoS2, MoSe2 e WS2. Os humanos continuaram a carregar os precursores, pelo que o workflow combina controlo gerado pela máquina com intervenção física humana.
Em biologia sintética, o Co-Scientist criou um pipeline baseado em imagem para prever a morfologia de colónias de E. coli modificadas em diferentes concentrações de IPTG. As previsões coincidiram com medições wet-lab não publicadas em três das quatro dimensões morfológicas reportadas. Os autores observam também que esta experiência é mais próxima de interpolation dentro de um regime conhecido do que da previsão de um sistema biológico completamente novo.
Agent_H mostra os limites da otimização de benchmarks
A experiência de informática é particularmente útil porque mostra tanto o potencial da pesquisa autónoma como as limitações da avaliação automatizada.
A partir de um objetivo de investigação, o Co-Scientist desenhou uma arquitetura de inference-time chamada Agent_H para responder a perguntas médicas. A arquitetura inclui fases de triage, decomposition, geração paralela de candidatos, seleção, critique, verification e otimização da resposta.
O artigo reporta que Agent_H superou seis modelos frontier no HealthBench Hard e HealthBench Professional depois de os autores corrigirem os efeitos do comprimento das respostas.
Mas a avaliação cega por médicos foi muito mais cautelosa. Três médicos certificados compararam Agent_H com Gemini 3.1 Pro em nove dimensões clínicas. Agent_H apresentou vantagem estatisticamente significativa em apenas uma: menor potencial de dano clínico.
A diferença mostra que um sistema pode otimizar um benchmark automático sem produzir uma melhoria comparável segundo especialistas humanos.
A camada de fiabilidade pode ser a contribuição mais reutilizável
A contribuição arquitetural mais forte é a ligação entre as afirmações do manuscrito e a evidência de execução.
Um research agent autónomo pode produzir afirmações plausíveis sobre experiências que nunca foram realmente executadas. O Co-Scientist adiciona módulos que penalizam fabrication e near-plagiarism, juntamente com um verifier separado que compara afirmações numéricas com execution logs e artefactos experimentais.
Num estudo double-blind, 30 especialistas produziram 450 avaliações de 150 artigos gerados de forma autónoma. Os autores reportam key results fabricados em 4% dos artigos com os reliability modules ativos, contra 46% sem esses módulos e 90% no sistema de comparação. Complete data fabrication foi reportada em 0% na configuração protegida, contra 44% no sistema de comparação. Conteúdo near-plagiarized caiu de 60% para 16%.
São diferenças grandes, mas continuam a ser resultados da avaliação dos próprios autores e ainda não existe reprodução independente desta extensão. O trabalho é também um novo preprint no arXiv.
Os autores identificam falhas residuais, incluindo selective reporting e descrições metodológicas plausíveis que nem sempre correspondem exatamente ao código realmente executado. A verification reduz substancialmente o problema, mas não elimina a necessidade de traceability e revisão humana.
Safety passa a fazer parte do execution loop
O sistema inclui controlos para direções de investigação potencialmente perigosas. Os autores reportam que a arquitetura de segurança rejeitou 98,7% das direções unsafe no seu conjunto de avaliação.
Este número deve ser tratado como um resultado reportado dentro de um test setup específico, não como garantia geral de segurança laboratorial. O sinal arquitetural mais importante é que o safety gating acontece antes da execução e não apenas no texto final.
Para agentes científicos que podem executar código ou controlar equipamento, a fronteira de risco é a própria ação.
Porque isto importa para além de AI for Science
O princípio geral é relevante para agentes de produção noutras áreas.
As afirmações finais não são consideradas fiáveis apenas porque o modelo gera uma explicação convincente. São verificadas contra execution traces, artefactos experimentais e observações reais.
É o mesmo princípio necessário em agentes de software engineering, operações, finanças e workflows regulados: separar geração de evidência, preservar provenance e tornar outputs importantes rastreáveis até às ações que realmente aconteceram.
O artigo não demonstra um cientista totalmente autónomo e vários resultados continuam preliminares ou específicos a cada tarefa. Mas mostra uma arquitetura de agente mais madura, em que reasoning, execution e verification fazem parte do mesmo feedback loop.
Essa mudança poderá ser mais importante do que qualquer experiência isolada descrita no paper.