Descobertas artificiais

Há algum tempo, no projeto The Birth of an Idea, escrevi que as ideias podem nascer de forma natural, assistida ou artificial. O parto natural é doloroso. O parto assistido é ligeiramente menos doloroso. O parto artificial – com a inteligência artificial (IA) generativa a funcionar como incubadora – é suspeitosamente confortável. Usei a palavra ectogénese, que eu próprio desconhecia antes de perguntar a um grande modelo de linguagem. Mas uma ideia continua a ser um bebé relativamente inofensivo. Uma descoberta é um animal diferente: é uma ideia que sobreviveu à realidade. Passou por experiências, erros, instrumentos, ruído e, ocasionalmente, bom senso. A questão em que me quero focar aqui é, portanto, se a IA pode dar origem não apenas a ideias, mas a descobertas. E o que essas descobertas artificiais poderão fazer quando saírem do laboratório e entrarem nos hospitais, nas fábricas e na economia.

À primeira vista, a resposta é: claro que a IA pode descobrir. Ou, mais honestamente: começa a ser difícil explicar porque não poderia fazê-lo. Consideremos os ingredientes. Os métodos de aprendizagem automática conseguem extrair padrões de dados complexos muito melhor do que os nossos olhos. A automação laboratorial consegue alinhar, varrer, estabilizar, repetir e otimizar 24 horas por dia, 7 dias por semana. Os grandes modelos de linguagem conseguem digerir artigos científicos, formular hipóteses, sugerir mecanismos e produzir explicações. Separadamente, cada um destes componentes é útil. Juntos, começam a parecer menos software e mais um investigador experimental incansável.

Isto não importa apenas porque os cientistas poderão publicar artigos mais depressa. A consequência mais profunda é que as sociedades poderão ganhar uma nova forma de procurar possibilidades que são demasiado vastas para a intuição humana sozinha. Uma nova molécula para um medicamento, um melhor material para baterias, um sensor médico mais sensível, uma melhor forma de transmitir dados: cada um destes casos é, a certo nível, um problema de descoberta. Há um espaço imenso de soluções possíveis. Os humanos exploram uma pequena parte dele, guiados pela teoria, pela intuição e pela experiência. A IA pode ajudar a procurar em regiões maiores desse espaço, incluindo alguns cantos onde nenhuma pessoa escolheria olhar primeiro.

Já existem exemplos em ótica e na deteção de ondas gravitacionais em que algoritmos exploram configurações experimentais que nenhum humano desenharia intuitivamente, como foi recentemente descrito pela Quanta Magazine. Algumas destas configurações são feias, e isto é importante: a intuição humana tem frequentemente fortes preferências estéticas baseadas na simetria, na simplicidade e na elegância. Os computadores, por outro lado, não se preocupam necessariamente com isso. Podem propor uma montagem que parece ter sido desenhada por um alienígena, com milhares de elementos organizados ao longo de um percurso intrincado e não intuitivo. Depois, irritantemente, pode funcionar. No caso dos detetores de ondas gravitacionais, isto não é apenas uma curiosidade para físicos. Melhores detetores significam ouvir com mais clareza acontecimentos que ocorreram a distâncias inimagináveis: buracos negros a fundir-se, estrelas de neutrões a colidir, talvez fenómenos que ninguém ainda imaginou.

Devemos ficar preocupados? Sim, naturalmente. Mas a preocupação errada é pensar que a IA vai simplesmente substituir os cientistas. Algumas tarefas serão automatizadas, muito provavelmente. O trabalho repetitivo desaparecerá, e muito dele deve desaparecer. Ninguém deveria construir uma carreira a copiar números de um ficheiro para outro. Mas há um perigo mais subtil: muito do gosto científico forma-se enquanto se fazem tarefas aparentemente estúpidas. Ao remover completamente a parte aborrecida, os cientistas podem também remover a aprendizagem através da qual se descobre o que não é aborrecido.

Ainda assim, não creio que os cientistas humanos sobrevivam como babysitters de máquinas. Continuarão, provavelmente, como selecionadores de significado e de responsabilidade. Uma máquina pode gerar mil hipóteses e testar muitas delas, talvez até encontrando algo verdadeiro. Mas decidir que verdade vale a pena levar a sério não é um detalhe menor. Por exemplo, na saúde, isso significa perguntar se uma descoberta automatizada melhora realmente a vida dos doentes. Na economia, significa perguntar se a inovação acelerada cria valor de forma ampla ou se apenas o concentra.

Há outra razão pela qual os humanos continuam a ser cruciais: os acidentes. Muitas descobertas nascem de experiências desobedientes. Às vezes, um dispositivo falha, mas falha de uma forma interessante. Um espetro mostra uma saliência onde nenhuma saliência era esperada. Um sinal recusa-se a desaparecer. A penicilina de Fleming começou, famosamente, com uma placa contaminada. Uma das minhas próprias descobertas em fotónica nasceu de um dispositivo de controlo que falhou de uma forma estranha. Uma máquina eficiente poderia ter classificado o comportamento como mau funcionamento, corrigido o problema e poupando-nos à inconveniência de descobrir alguma coisa. Este é o lado negro da otimização: se um sistema sabe demasiado bem o que procura, torna-se muito bom a não encontrar mais nada. É por isso que as descobertas artificiais não podem ser apenas uma questão de otimizar objetivos conhecidos. Se a única instrução for “aumenta este número” ou “reduz este custo”, as máquinas não serão transformadoras. A fronteira mais interessante é a descoberta aberta: sistemas capazes de explorar, reconhecer novidade e sugerir direções que não foram especificadas à partida.

No meu laboratório, isto assume uma forma modesta e ligeiramente excêntrica: três pontos de luz. Literalmente, três pontos. O problema é simples de enunciar: tomar dois canais óticos de entrada, dois pequenos feixes de luz, e pedir a uma peça de ótica que distinga três situações — ambos os feixes ligados, apenas o primeiro ligado, apenas o segundo ligado. Luz entra, luz decide, luz sai. Parece fácil, mas não é. Feixes de luz comuns passam maioritariamente uns pelos outros sem interagir. Para fazer com que a luz classifique luz, o sistema tem de ser não linear: a luz não pode apenas transportar informação até um detetor, tem de participar na decisão.

Se os três pontos de luz funcionarem, tornar-se-ão um bloco elementar para algo mais interessante: sistemas óticos reconfiguráveis, com suficiente não linearidade, feedback e complexidade para se transformarem em pequenas plataformas de descobertas óticas artificiais. Esses sistemas poderiam ser chamados não apenas a implementar uma função ótica conhecida, mas a procurar formas de luz que os cientistas não desenharam antecipadamente. Poderiam encontrar melhores padrões de luz para transmitir mais informação em fibras óticas? Poderiam descobrir feixes que sobrevivem à turbulência atmosférica em comunicações em espaço livre?

Esta é a parte da descoberta artificial que deve importar para além da física. As economias modernas assentam em cadeias de descoberta: novos materiais, novos dispositivos, novos diagnósticos, novos processos de fabrico. Os países capazes de descobrir mais depressa, testar mais depressa e traduzir mais depressa essas descobertas em aplicações construirão indústrias diferentes. Os sistemas de saúde poderão ganhar diagnósticos mais precoces e terapias mais personalizadas. As empresas poderão encurtar o caminho entre a ideia e o protótipo. As redes de comunicação poderão transportar mais dados com menos energia. As descobertas artificiais poderão tornar-se um dos motores que aceleram estas transições.

Se as máquinas ajudarem a automatizar descobertas, talvez os humanos tenham finalmente tempo para pensar. Embora, conhecendo a nossa espécie, o tempo poupado no trabalho experimental possa também ser convertido em mais relatórios, mais gestão e mais reuniões sobre planos estratégicos, acabando num mundo em que a máquina descobre e os humanos carregam os entregáveis.

Richard Feynman escreveu sobre The Pleasure of Finding Things Out – o prazer de descobrir coisas. É uma das maiores recompensas dos cientistas. Então, em última análise, queremos descobertas artificiais?

Sim e não. Sim, porque muitos dos problemas que temos pela frente são demasiado complexos, demasiado urgentes e demasiado grandes para dependerem apenas da tentativa e erro humana. Os cientistas devem construir máquinas que descobrem, e as sociedades devem aprender a usá-las bem. A IA deve explorar regiões de possibilidade demasiado vastas, demasiado feias ou demasiado contraintuitivas para nós. Mas, ao mesmo tempo, os humanos não devem externalizar a curiosidade. Devemos proteger a ecologia confusa, lenta e irracional em que muitas descobertas ainda crescem: a montagem improvisada, o estudante teimoso e a falha estranha.