Por que cientistas de IA ficam presos no início
Os modelos de linguagem modernos aprenderam a lidar bem com o trabalho rotineiro da pesquisa científica: eles geram hipóteses, escrevem código para experimentos e até mesmo formatam rascunhos de artigos. No entanto, ao tentar automatizar todo o ciclo de pesquisa, surge um gargalo inesperado — o estágio inicial, no qual é necessário formular o próprio problema de pesquisa.
A maioria dos cientistas de IA existentes, nesta etapa, recorre a APIs comerciais de modelos proprietários. Isso se assemelha a uma caixa-preta: as propostas surgem do conhecimento paramétrico do modelo e de uma busca na literatura que é pré-ajustada para as ideias geradas. É praticamente impossível verificar em quais fatos a conclusão se baseia. Some a isso o risco de alucinações e vieses sistemáticos do modelo específico — e o resultado é que o ponto de partida da pesquisa pode ser não apenas aleatório, mas também infundado.
Uma dor adicional é a privacidade. Os cientistas nem sempre estão dispostos a enviar seus trabalhos para APIs externas, especialmente quando se trata de ideias não patenteadas ou tópicos sensíveis. Portanto, não é surpreendente que cada vez mais atenção esteja sendo dada a abordagens locais, que não saem dos limites da infraestrutura de pesquisa.
É aqui que entra em cena o sistema SGHA, desenvolvido por Sarvesh Gharat e Junpei Komiyama. O preprint deles apareceu no arquivo em 18 de agosto de 2026. Os autores propõem um pipeline totalmente autônomo para descoberta de lacunas científicas, operando em um modelo aberto local, sem uma única chamada a APIs externas. Mas vamos entender como ele funciona.
Como o SGHA funciona: do corpus aos problemas de pesquisa
Diferentemente de agentes típicos que simplesmente "pensam" de forma livre, o SGHA aposta em uma estrutura explícita do corpus científico. O primeiro estágio é transformar o conjunto de artigos em objetos de artigo vinculados a evidências e em um grafo de evidências tipificado. De forma simplificada, cada publicação é decomposta em entidades e relações: quais afirmações ela faz, em quais trabalhos se apoia, quais experimentos confirmam as conclusões.
Em seguida, o sistema busca nesse grafo padrões estruturais não resolvidos — lacunas potenciais. Não são apenas correspondências textuais, mas "buracos" verificáveis no material factual: por exemplo, duas áreas de pesquisa estão claramente relacionadas, mas ninguém tentou combiná-las. É importante que cada lacuna candidata, antes de se tornar uma formulação completa de problema, passe por uma verificação de consistência.
De padrões a famílias de problemas
Na saída, o SGHA cria famílias de problemas de pesquisa, para cada uma das quais são indicados:
- pressupostos;
- objetivos;
- critérios de sucesso;
- ambiguidades remanescentes.
Essa abordagem permite que o pesquisador veja não apenas uma ideia, mas sua justificativa e limites de aplicabilidade. Além disso, todo o raciocínio é limitado às evidências do corpus, o que reduz drasticamente a probabilidade de alucinações.
Totalmente local: apenas um modelo aberto de 9 bilhões de parâmetros
A principal característica do SGHA é a autonomia total. Todos os componentes relacionados ao processamento de linguagem e raciocínio são executados em um modelo aberto implantado localmente, com 9 bilhões de parâmetros. Nada de APIs proprietárias de modelos de ponta, nenhuma transferência de dados para fora. Até mesmo um processo de pesquisa prolongado não exigirá nenhuma solicitação externa.
Isso não é apenas uma questão de conveniência. Para laboratórios que trabalham com encomendas industriais ou dados médicos, essa abordagem elimina toda uma classe de problemas relacionados à gestão de dados e confidencialidade. Além disso, um modelo aberto de 9B é um tamanho bastante modesto para os padrões atuais, o que torna o sistema acessível para execução em uma única estação de trabalho potente.
Avaliação: comparação com o AI Scientist-v2
Os autores testaram o sistema em cinco áreas de aprendizado de máquina, comparando-o com o módulo de formulação de ideias do projeto AI Scientist-v2. Os resultados mostram que a abordagem com estrutura explícita do corpus e verificação de evidências gera formulações de problemas pelo menos tão promissoras e verificáveis quanto aquelas obtidas com modelos de ponta muito mais poderosos. O SGHA não apenas gera nomes de tópicos, mas permite rastrear com base em quais artigos e relações ele chegou a determinada formulação de questão.
Isso resolve o problema da "caixa-preta" e torna o processo auditável. E, considerando a total localidade, esse agente pode ser facilmente integrado aos fluxos de trabalho científicos, sem preocupações com políticas de segurança.
Conclusões e perspectivas
O SGHA é um exemplo convincente de que, para formular problemas científicos, não é necessário recorrer a modelos gigantescos em nuvem. A estruturação do corpus, o grafo de evidências e um modelo local de 9B são capazes de fornecer qualidade suficiente para problemas de pesquisa promissores e verificáveis. É claro que ainda há muito trabalho pela frente: os autores prometem abrir o código e os artefatos, o que permitirá que outros grupos reproduzam os resultados e adaptem o sistema às suas áreas.
Se a tendência se mantiver, nos próximos anos veremos toda uma classe de cientistas de IA que não dependem de APIs externas e são totalmente transparentes para verificação. E isso significa que a automação da ciência se tornará não apenas mais eficiente, mas também mais segura.
