Máquinas Virtuosas: Rumo à Ciência Geral Artificial
Virtuous Machines: Towards Artificial General Science
August 19, 2025
Autores: Gabrielle Wehr, Reuben Rideaux, Amaya J. Fox, David R. Lightfoot, Jason Tangen, Jason B. Mattingley, Shane E. Ehrhardt
cs.AI
Resumo
Os sistemas de inteligência artificial estão transformando a descoberta científica ao acelerar tarefas específicas de pesquisa, desde a previsão da estrutura de proteínas até o design de materiais, mas ainda permanecem confinados a domínios estreitos que exigem supervisão humana substancial. O crescimento exponencial da literatura científica e a crescente especialização em domínios limitam a capacidade dos pesquisadores de sintetizar conhecimento entre disciplinas e desenvolver teorias unificadoras, motivando a exploração de sistemas de IA mais gerais para a ciência. Aqui, mostramos que um sistema de IA agente e independente de domínio pode navegar de forma autônoma pelo fluxo de trabalho científico — desde a geração de hipóteses, passando pela coleta de dados, até a preparação de manuscritos. O sistema projetou e executou autonomamente três estudos psicológicos sobre memória de trabalho visual, rotação mental e vivacidade de imagens, realizou uma nova coleta de dados online com 288 participantes, desenvolveu pipelines de análise por meio de sessões contínuas de codificação de mais de 8 horas e produziu manuscritos completos. Os resultados demonstram a capacidade dos pipelines de descoberta científica baseados em IA de conduzir pesquisas não triviais com raciocínio teórico e rigor metodológico comparáveis aos de pesquisadores experientes, embora com limitações em nuances conceituais e interpretação teórica. Este é um passo em direção a uma IA incorporada que pode testar hipóteses por meio de experimentos do mundo real, acelerando a descoberta ao explorar autonomamente regiões do espaço científico que as restrições cognitivas e de recursos humanos poderiam deixar inexploradas. Isso levanta questões importantes sobre a natureza do entendimento científico e a atribuição de crédito científico.
English
Artificial intelligence systems are transforming scientific discovery by
accelerating specific research tasks, from protein structure prediction to
materials design, yet remain confined to narrow domains requiring substantial
human oversight. The exponential growth of scientific literature and increasing
domain specialisation constrain researchers' capacity to synthesise knowledge
across disciplines and develop unifying theories, motivating exploration of
more general-purpose AI systems for science. Here we show that a
domain-agnostic, agentic AI system can independently navigate the scientific
workflow - from hypothesis generation through data collection to manuscript
preparation. The system autonomously designed and executed three psychological
studies on visual working memory, mental rotation, and imagery vividness,
executed one new online data collection with 288 participants, developed
analysis pipelines through 8-hour+ continuous coding sessions, and produced
completed manuscripts. The results demonstrate the capability of AI scientific
discovery pipelines to conduct non-trivial research with theoretical reasoning
and methodological rigour comparable to experienced researchers, though with
limitations in conceptual nuance and theoretical interpretation. This is a step
toward embodied AI that can test hypotheses through real-world experiments,
accelerating discovery by autonomously exploring regions of scientific space
that human cognitive and resource constraints might otherwise leave unexplored.
It raises important questions about the nature of scientific understanding and
the attribution of scientific credit.