Mihaela van der Schaar apresentou uma visão em que agentes e especialistas humanos exploram, criticam e refinam hipóteses; proposta ainda é agenda de pesquisa, não prova de descoberta autônoma
A pesquisadora Mihaela van der Schaar apresentou em 7 de setembro, na ECML PKDD 2026, uma proposta para ampliar o papel da inteligência artificial na descoberta científica. Em vez de limitar os sistemas a responder perguntas previamente formuladas, a visão coloca redes de agentes de IA e especialistas humanos na exploração, crítica e revisão contínua de hipóteses.
A palestra, intitulada Rethinking the Role of Scientific Discovery in the Era of AI, integra a programação oficial da conferência realizada em Nápoles, na Itália, entre 7 e 11 de setembro. O resumo do evento descreve um cenário em que grandes bases científicas abrem espaços de investigação com muitas explicações e associações possíveis, nem sempre organizadas em torno de uma pergunta estreita desde o início.
Van der Schaar chama esse modo de trabalho de hypothesis hunting, ou caça a hipóteses: uma busca aberta e cumulativa por pistas que mereçam investigação. A proposta é estruturar essa exploração como um processo com múltiplos agentes, no qual sistemas baseados em grandes modelos de linguagem geram, revisam e estendem achados, enquanto especialistas humanos participam da avaliação.
Segundo o resumo oficial, agentes heterogêneos poderiam formar redes que se reorganizam ao longo do trabalho e equilibram novidade, qualidade e diversidade. A pesquisadora afirma que a argumentação se apoia em resultados de descoberta biomédica, incluindo análises de coortes de câncer. A página da conferência, porém, não fornece métodos, bases ou métricas suficientes para avaliar esses resultados de forma independente; por isso, eles devem ser tratados como conteúdo apresentado pela autora, e não como comprovação de descoberta autônoma.
Um texto anterior do laboratório oferece contexto complementar. No white paper From Phenomena to Problems, publicado em 22 de junho, van der Schaar propõe o conceito de open-beginningness: a capacidade de um sistema decidir se um fenômeno inesperado merece ser preservado e investigado antes que sua importância esteja clara. A ideia é diferente de simplesmente detectar anomalias, porque envolve decidir se a observação deve originar uma nova pergunta ou modificar um problema existente.
Essa conexão não significa que máquinas estejam prontas para substituir cientistas. Tanto o resumo da keynote quanto o white paper descrevem uma agenda de pesquisa. A própria proposta inclui especialistas humanos e normas compartilhadas de avaliação. Também permanecem questões centrais sobre rastreabilidade, reprodução dos achados, qualidade dos dados, vieses, falsos positivos e responsabilidade por decisões tomadas a partir das hipóteses geradas.
Para laboratórios e empresas, o ponto prático é que agentes de IA podem ser pensados não apenas como assistentes de resposta, mas como ferramentas de organização da investigação. Isso exige registrar quais fontes cada agente consultou, quais hipóteses foram descartadas, como os critérios mudaram e em que momento uma pessoa validou a conclusão. Sem essa trilha, multiplicar agentes pode apenas multiplicar erros com aparência de consenso.
A keynote torna o tema atual, mas não transforma a visão em tecnologia clinicamente validada ou disponível como produto. O avanço verificável é a apresentação pública de um modelo de colaboração entre agentes e pesquisadores durante uma conferência em andamento; a eficácia dessa abordagem ainda depende de evidências publicadas e replicáveis.
Imagem de destaque: ilustração original gerada por IA para o Puxando Bit.
Fontes
- Programação oficial de keynotes da ECML PKDD 2026 — 07/09/2026
- Site oficial da ECML PKDD 2026 — conferência de 7 a 11/09/2026
- From Phenomena to Problems: Open-Beginningness and the Next Frontier of AI — 22/06/2026
- White paper Open-Beginningness — junho de 2026
