Projetando o experimento
88Decidir qual hipótese vale a pena testar e qual projeto experimental poderia realmente falsificá-la exige julgamento científico que nenhum sistema de IA atual pode originar por si só de forma confiável.
Biólogo · O cientista que estuda a própria vida, desde Linnaeus nomeando espécies manualmente até a edição de genomas com CRISPR, ainda testando todas as ideias contra um organismo vivo.
A biologia parece automatizável vista de fora de uma maneira específica: grande parte do trabalho bruto – pipetagem, sequenciamento, análise de imagens, pesquisa bibliográfica – é repetitivo o suficiente para que o software e os robôs já façam partes dele de forma mais rápida e consistente do que uma pessoa. O que é mais difícil de automatizar é o julgamento que decide qual experimento vale a pena ser executado em primeiro lugar.
Ferramentas de IA, como preditores de estrutura de proteínas e robôs de automação de laboratório, são reais e estão se expandindo rapidamente, mudando a forma como o trabalho rotineiro de bancada e análise é realizado. O que não mudaram é quem decide que pergunta vale a pena fazer, interpreta um resultado ambíguo ou contraditório no contexto e assume a responsabilidade por uma afirmação publicada estar certa.
Uma parte substancial da execução rotineira da biologia – processamento de amostras, sequenciamento, pesquisa bibliográfica, análise básica de imagens e dados – já está parcialmente automatizada ou está caminhando nessa direção. A essência do trabalho que sobrevive é escolher qual pergunta vale a pena ser feita, projetar um experimento que possa realmente respondê-la e interpretar resultados que uma máquina ainda não consegue distinguir com segurança do ruído.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →Decidir qual hipótese vale a pena testar e qual projeto experimental poderia realmente falsificá-la exige julgamento científico que nenhum sistema de IA atual pode originar por si só de forma confiável.
Decidir se um resultado estranho é uma descoberta biológica real, um artefacto técnico ou ruído baseia-se no julgamento científico contextual que a actual correspondência de padrões de IA não reproduz de forma fiável.
Tecidos vivos, culturas celulares e organismos de campo comportam-se de forma imprevisível; os robôs de automação de laboratório atuais executam protocolos predefinidos com precisão, mas ainda não conseguem improvisar quando uma amostra não se comporta conforme o esperado.
Rastrear animais, pesquisar habitats remotos ou coletar amostras sob condições climáticas e terrenos variáveis ainda depende de máquinas de julgamento humano fisicamente presentes e adaptáveis que não estão nem perto de ser compatíveis.
Um pesquisador nomeado garante a precisão de uma afirmação publicada e aposta sua reputação nisso; nenhum periódico ou órgão financiador descobriu como, ou se, deveria colocar o nome de um sistema de IA lá.
Robôs automatizados de manuseio de líquidos e sequenciadores de alto rendimento agora processam milhares de amostras com muito menos tempo humano do que há uma década, especialmente em laboratórios com grande uso de genômica.
Modelos de aprendizagem profunda como o AlphaFold agora podem prever a forma tridimensional de uma proteína a partir de sua sequência em minutos, uma tarefa que costumava levar anos de cristalografia laboratorial por proteína.
O reconhecimento de imagem baseado em IA agora conta células, sinaliza anormalidades e mede estruturas em imagens de microscopia com uma consistência que reduz, embora não elimine, a tediosa pontuação manual.
As ferramentas de IA agora podem digitalizar e resumir milhares de artigos muito mais rápido do que um pesquisador lendo manualmente, embora a verificação dos resumos em relação às descobertas originais ainda caiba a um ser humano.
Após o avanço da AlphaFold em 2020 na previsão da estrutura de proteínas - trabalho que rendeu aos seus criadores uma parte do Prêmio Nobel de Química de 2024 ao lado do pioneiro no design de proteínas David Baker - as ferramentas de IA ajudam cada vez mais a projetar novas proteínas e moléculas, e não apenas a interpretar as existentes.
Laboratórios robóticos operados remotamente agora permitem que os pesquisadores enviem experimentos como código e recebam resultados sem nunca tocarem em uma pipeta, mudando parte do trabalho de bancada para um fluxo de trabalho mais semelhante ao da engenharia de software.
Os projetos de biologia exigem cada vez mais conforto tanto com a técnica experimental prática quanto com a análise de dados computacionais, e os pesquisadores que podem fazer ambas estão se tornando mais valiosos do que especialistas restritos apenas em qualquer uma delas.
Plataformas de compartilhamento rápido como o bioRxiv, lançado em 2013, permitem que os biólogos publiquem descobertas antes da revisão formal por pares, comprimindo em semanas um ciclo de publicação que antes levava um ano ou mais, com algum custo para a verificação pré-publicação.
Analisa computacionalmente grandes conjuntos de dados genômicos, proteômicos ou ecológicos, uma função que mal existia como uma carreira distinta antes da era genômica e agora está no centro da maioria dos grandes projetos de biologia.
Projeta e constrói novos sistemas biológicos – micróbios projetados, circuitos genéticos, tecidos cultivados em laboratório – tratando células vivas como componentes programáveis, em vez de apenas objetos de estudo.
Projeta e gerencia fluxos de trabalho laboratoriais robóticos operados remotamente para laboratórios em nuvem e instalações de alto rendimento, uma função híbrida entre a ciência de bancada tradicional e a engenharia de automação.
Traduz resultados de testes genômicos cada vez mais detalhados em termos que pacientes e familiares podem realmente usar para tomar decisões médicas, um papel de rápido crescimento situado entre a genética clínica e o atendimento direto ao paciente.
As tarefas mais expostas à automação são aquelas que podem ser totalmente especificadas com antecedência: uma execução de sequenciamento de rotina, um pipeline de análise de imagem padrão, uma previsão de estrutura de proteína para a qual um modelo foi treinado em milhares de exemplos semelhantes. As tarefas mais protegidas são aquelas que não podem ser pré-especificadas: que pergunta vale anos de carreira, o que realmente significa um resultado estranho e como interpretar um sistema vivo que continua a recusar-se a comportar-se como o modelo previu.
É improvável que essa divisão diminua tanto o número de pessoas chamadas biólogos, mas mude o que o trabalho realmente envolve no dia a dia – mais tempo gasto no projeto de experimentos e na interpretação de resultados, menos tempo gasto na execução repetitiva agora cada vez mais realizada por robôs e software. Um biólogo que trabalhe em 2040 provavelmente passará menos tempo na pipeta e mais tempo no teclado do que hoje.
Nada disso muda quem é responsável quando uma afirmação biológica publicada se revela errada, ou quem decide qual experiência será financiada e realizada em primeiro lugar. Até que se possa confiar essa responsabilidade a um sistema de IA, e nenhum regulador ou organismo de financiamento pretenda entregá-la, o centro do trabalho permanece humano.
Deriva e testa as leis matemáticas que regem a matéria, a energia, o espaço e o tempo, desde um quadro-negro solitário até um artigo sobre o acelerador de partículas de 3.000 autores.
AI-resistant 65 🏗️Projeta edifícios que devem permanecer de pé, atender ao código, agradar o cliente e custar a quantia certa - e então assume a responsabilidade legal se não o fizerem.
AI-resistant 78 🧪O cientista que fabrica e mede a própria matéria – desde o perfume babilónico de Tapputi até aos laboratórios robóticos de hoje, continua a ser aquele que decide o que significa o espectro.
AI-resistant 70 🎬Transforma um roteiro em um filme finalizado, decidindo cada tomada, performance e corte, e depois convence o produtor, o estúdio e o público de que a visão valeu o orçamento.
AI-resistant 73 🐾Trata pacientes, desde peixes dourados até cavalos, que não conseguem descrever um sintoma, e tem o poder legal de acabar com seu sofrimento por meio da eutanásia.
AI-resistant 78 💱O estudioso da escassez – desde a fábrica de alfinetes de Adam Smith até à sala de decisões do banco central – ainda pediu para prever o que nenhum modelo capta totalmente.
AI-resistant 62Deriva e testa as leis matemáticas que regem a matéria, a energia, o espaço e o tempo, desde um quadro-negro solitário até um artigo sobre o acelerador de partículas de 3.000 autores.
AI-resistant 65 🧪O cientista que fabrica e mede a própria matéria – desde o perfume babilónico de Tapputi até aos laboratórios robóticos de hoje, continua a ser aquele que decide o que significa o espectro.
AI-resistant 70 📊Encontra padrões e constrói modelos preditivos a partir de dados – um cargo de 2008 baseado em três séculos de contagem, teste e visualização de evidências.
AI-resistant 38 🔭O cientista que mede o universo, desde as tabuletas de argila da Babilônia até os telescópios espaciais, ainda decidindo qual oscilação nos dados é uma descoberta.
AI-resistant 70 🧮Dos escribas babilônicos aos medalhistas Fields e às provas assistidas por IA: a profissão que transforma questões difíceis em certezas permanentes, um teorema de cada vez.
AI-resistant 70 🧿Constrói, mede e controla dispositivos que exploram estados quânticos para computação, detecção, comunicação e pesquisa de materiais.
AI-resistant 78 🧫Utiliza dados clínicos, de ensaios e do sistema de saúde para gerar evidências confiáveis para cuidados, pesquisas e decisões operacionais mais seguras.
AI-resistant 68