# Pesquisa em IA: swarms, SynthID Bio para biologia e a economia da ciência automatizada

> A edição 475 do Import AI reúne um estudo sobre quando swarms de agentes compensam, o SynthID Bio do Google DeepMind para marcar proteínas geradas por IA e o benchmark SciUniverse, que mede como modelos operam laboratórios científicos semiautomatizados. A relevância agora é que a capacidade de agentes e de IA científica avança mais rápido do que os mecanismos de verificação, priorização e governança ao redor deles.

Publicado em 2026-10-05 · https://invision.dreamvision.com.br/blog/pesquisa-em-ia-swarms-synthid-bio-para-biologia-e-a-economia-da-ciencia-automati

## Pontos-chave
- Swarms de quatro agentes usaram cerca de duas vezes mais tokens, mas metade dos tokens por agente, podendo concluir a tarefa na metade do tempo.
- O scaling de swarms tem retornos decrescentes: 10 vezes mais agentes rende cerca de 3 a 5 vezes mais desempenho.
- O SynthID Bio marca sequências e estruturas 3D de proteínas sem alterar taxa de acerto, afinidade ou diversidade nos testes de bancada.
- No SciUniverse, Claude Fable 5.1 (xhigh) liderou com 45,3% de aprovação e US$ 40,61 por tarefa.
- O Google DeepMind propõe uma economia científica com prova de ideação, avaliação ex-ante, intermediação e pagamento por validação.

## O que muda quando agentes trabalham em swarm?
Toby Ord analisou o scaling de swarms, isto é, a ideia de colocar vários agentes de IA trabalhando em paralelo na mesma tarefa. Para ele, swarms funcionam como uma nova forma de inference-scaling: em vez de apenas gastar mais tokens em um único agente, você distribui o trabalho entre vários.

O ponto central é a velocidade. Um swarm de quatro agentes precisou de cerca de duas vezes o total de tokens para alcançar o mesmo desempenho, mas cada agente usou metade dos tokens. Como rodam em paralelo, a tarefa pode, em teoria, ser concluída na metade do tempo.

- Swarms custam mais tokens no total, mas reduzem o tempo de parede.
- O ganho aparece quando o prazo é a restrição principal.
- Mais agentes não significam ganho proporcional de desempenho.

## Por que swarms têm retornos decrescentes?
Ord observa que aumentar o número de agentes não escala de forma perfeita. Há uma propriedade de retornos decrescentes que lembra o que economistas descrevem ao coordenar grupos grandes de pessoas, com um custo conhecido como parâmetro de “pisar nos pés”.

Na prática, multiplicar por dez o número de agentes não rende o mesmo que multiplicar por dez os tokens de um único agente. O ganho fica em torno de três a cinco vezes, segundo a análise, e a diferença se acumula em escalas maiores.

- O desempenho cresce menos que o número de agentes.
- A coordenação entre agentes impõe um custo implícito.
- O autor esperava que esse custo fosse menor, o que tornaria uma explosão de inteligência menos provável.

## O que é o SynthID Bio do Google DeepMind?
O Google DeepMind apresentou o SynthID Bio, uma família de métodos de watermarking voltada especificamente para biologia sintética, com o objetivo declarado de reforçar a biossegurança e a integridade científica. A abordagem ajusta o método conforme o tipo de dado, alterando aminoácidos em sequências e coordenadas atômicas em estruturas 3D previstas.

Em testes de bancada com três proteínas-alvo — VEGF-A, a RBD da proteína spike do SARS-CoV-2 e PD-L1 —, os designs marcados tiveram taxa de acerto, afinidade de ligação e diversidade de sequência comparáveis às versões sem marca d'água.

- O watermark é adaptado ao tipo de dado biológico.
- Os testes indicam que a marca não compromete a função da proteína.
- A notícia não informa se a marca resiste a tentativas deliberadas de remoção.

## Watermark de biologia previne ou apenas detecta?
Uma marca d'água é uma tecnologia de proveniência cooperativa: ela sobrevive enquanto quem sintetiza a sequência quiser que sobreviva. Sequências de aminoácidos têm redundância suficiente para, em tese, remover o sinal preservando a função.

Por isso, o SynthID Bio entrega valor claro para integridade científica, permitindo que periódicos e revisores chequem a origem de um design submetido. Mas contar uma ferramenta de detecção como ferramenta de prevenção é um erro clássico, e a questão de quem pode sintetizar fisicamente o quê continua em aberto.

- Detecção não é o mesmo que prevenção.
- A marca depende da cooperação de quem sintetiza.
- A notícia não detalha mecanismos de monitoramento físico de equipamentos.

## Como o SciUniverse mede a IA em laboratórios?
O SciUniverse, da C5R Corp, avalia como sistemas de IA operam um laboratório científico majoritariamente automatizado. O benchmark reúne 92 tarefas em 17 famílias, cobrindo preparação de amostras, controle de instrumentos, adaptação de protocolos, aprendizado entre experimentos, gestão de instalações e interpretação de medições reais.

As tarefas vão de química, como atribuir estruturas a partir de NMR, a biologia, como expressar sfGFP em sistema livre de células, e ciência de materiais, como prensar pastilhas de BaTiO3. Os resultados ainda são baixos: o melhor modelo listado, Claude Fable 5.1 (xhigh), atingiu 45,3% de aprovação, com custo de US$ 40,61 por tarefa.

- Claude Fable 5.1 (xhigh): 45,3% de aprovação e US$ 40,61 por tarefa.
- GPT-5 Astra (xhigh): 32,5% e US$ 52,37 por tarefa.
- Claude Opus 5 (xhigh): 30,5% e US$ 46,31 por tarefa.

## Por que se fala em uma economia científica automatizada?
Pesquisadores do Google DeepMind propõem uma economia científica nativa para lidar com um cenário de muitos cientistas de IA. O argumento é que o gargalo deixará de ser gerar ideias plausíveis e passará a ser validar empiricamente e acessar recursos físicos escassos.

A proposta tem quatro componentes: prova de ideação, com proveniência antes da avaliação pública; avaliação ex-ante, precificando o valor ajustado ao risco com previsões de vários agentes; intermediação e negociação, com licenciamento fracionado de ideias para executores; e pagamento por validação, liberando royalties quando a ideia se confirma no mundo físico.

- O gargalo apontado é físico e de validação, não de ideação.
- A proposta busca tornar explícitos os trade-offs entre pesquisas.
- Mecanismos representariam o interesse público e evitariam temas negligenciados.

## O que isso muda para quem usa IA
Para quem desenvolve com agentes, a análise de swarms sugere tratar paralelismo como decisão de custo: vale quando o tempo de parede importa mais do que o total de tokens consumidos. Já o SciUniverse indica que operar instrumentos científicos reais ainda é uma fronteira com desempenho modesto, o que pede avaliação por tarefa antes de automatizar fluxos de laboratório.

Ferramentas de proveniência como o SynthID Bio também apontam para uma necessidade prática de rastrear a origem de conteúdos gerados em domínios sensíveis. A Invision reúne vários modelos de IA em uma única chave, o que ajuda a comparar abordagens e custos sem trocar de integração a cada teste.

- Meça o custo por tarefa, não só o custo por token.
- Trate detecção de conteúdo sintético como controle de proveniência, não como barreira.
- Teste agentes em ambientes controlados antes de expô-los a equipamentos reais.

## O que a notícia não informa
A fonte não traz a metodologia completa do estudo de swarms, nem detalha como o SynthID Bio se comporta diante de tentativas deliberadas de remoção da marca. Também não há informação sobre disponibilidade pública do SciUniverse ou prazos para implantação da economia científica proposta.


## Perguntas frequentes
### O que é swarm scaling em IA?
É a ideia de dividir uma tarefa entre vários agentes de IA rodando em paralelo. Segundo a análise de Toby Ord, o swarm usa mais tokens no total, mas reduz o tempo necessário para concluir o trabalho.

### Para que serve o SynthID Bio do Google DeepMind?
É uma família de métodos de watermarking para biologia sintética, usada para marcar sequências e estruturas 3D geradas por IA e apoiar a verificação de proveniência e a biossegurança.

### O watermark do SynthID Bio impede o uso malicioso de proteínas geradas por IA?
A notícia não afirma isso. Os testes mostraram que a marca não compromete a função das proteínas, mas não foi informado se ela resiste a tentativas deliberadas de remoção.

### O que é o benchmark SciUniverse?
É um conjunto de 92 tarefas em 17 famílias que avalia como modelos de fronteira operam um laboratório científico semiautomatizado, cobrindo química, biologia e materiais.

### Qual modelo teve melhor desempenho no SciUniverse?
Segundo os dados divulgados, Claude Fable 5.1 (xhigh) liderou com 45,3% de aprovação e custo de US$ 40,61 por tarefa.

Fonte original: [Import AI 475: Swarm scaling; Google DeepMind watermarks biology; and the AI science economy](https://importai.substack.com/p/import-ai-475-swarm-scaling-google) (Import AI).
