GPT-5 Pro e uma experiência com células T posta de lado: a janela de chat como espaço de investigação

Um conjunto de dados com três anos, carregado numa caixa de texto

O mecanismo concreto por trás da história da OpenAI é pouco glamoroso e, ainda assim, revelador: Derya Unutmaz, professor no The Jackson Laboratory e na University of Connecticut, pegou nos resultados de uma experiência que o seu laboratório tinha posto de lado em 2022 e carregou-os no GPT-5 Pro. Pediu ao modelo que analisasse os dados. É este o frontend completo da descoberta — um ficheiro, uma pergunta, uma resposta.

O enigma subjacente era específico. A sua equipa tinha exposto células T em desenvolvimento a um ambiente com baixo teor de glucose ou a desoxiglucose, uma molécula semelhante à glucose que interfere na capacidade da célula de a utilizar. Esperavam resultados semelhantes, já que ambas as condições limitam a energia de que as células T necessitam. Em vez disso, as células expostas à desoxiglucose transformaram-se maioritariamente em células de resposta inflamatória, e o efeito persistiu mesmo depois de a molécula ser removida. O laboratório não conseguiu explicar o fenómeno, pelo que seguiu para outros trabalhos.

O que importa para quem constrói ferramentas assistidas por AI é o quão baixa se tornou a barreira para reabrir este caso. Sem pipeline, sem fine-tuning, sem esquema de dados. O conhecimento ficou adormecido durante três anos porque não havia forma económica de o voltar a interrogar. A interface eliminou esse custo.

A descoberta sobre a IL-2 surgiu de uma única consulta

Segundo a OpenAI, o GPT-5 Pro propôs que a desoxiglucose interferia na produção de uma proteína chamada IL-2, que pode impedir que as células T se tornem num tipo de célula de resposta inflamatória conhecida como Th17. Ao bloquear a IL-2, a desoxiglucose removia, na prática, uma barreira à formação de Th17 — explicando por que motivo as condições de baixo teor de glucose não produziam células Th17 no mesmo número.

O GPT-5 chegou a esta perceção verdadeiramente notável que, em retrospetiva, faz todo o sentido.Montana Labs

Unutmaz nota que a ligação estava ligeiramente fora da sua própria área de especialização, razão pela qual nem ele nem ninguém no seu laboratório a tinha detetado. Esta formulação é precisa e útil: o valor do modelo aqui não esteve num raciocínio sobre-humano, mas na adjacência — trazer um mecanismo de um subcampo vizinho. O resultado ainda teve de ser validado por alguém capaz de o reconhecer como imunologia plausível, e não como disparate dito com confiança.

Simular uma experiência não publicada como teste de validação

O passo mais interessante, do ponto de vista do design de interface, foi a verificação que o próprio Unutmaz fez. Pediu ao GPT-5 Pro que simulasse uma experiência que já tinha realizado mas não tinha publicado — células T CD8+ com capacidade reforçada de eliminar células de linfoma. O modelo previu corretamente o reforço e, como os resultados não estavam disponíveis online, não os podia ter simplesmente recuperado.

Este é o padrão que as equipas aplicadas deveriam replicar: antes de confiar num modelo sobre o desconhecido, alimentá-lo com um caso conhecido mas invisível e verificar se ele reconstrói o resultado. Unutmaz incorporou o seu próprio teste de confiança no fluxo de trabalho, em vez de aceitar de imediato a primeira resposta surpreendente. É esse hábito que distingue um colaborador de um oráculo.

A experiência é a parte da interface que a OpenAI não consegue entregar

A OpenAI admite abertamente que este fluxo de trabalho depende do fator humano. A AI pode gerar uma perceção, mas alguém tem sempre de avaliar a sua relevância e plausibilidade — e o próprio texto afirma claramente que um não especialista não saberia se o mecanismo da IL-2 era ou não importante. O mesmo documento associa esta aceleração ao risco de biossegurança, remetendo para o Preparedness Framework da OpenAI e para a possibilidade de se reduzirem as barreiras a agentes mal-intencionados.

A implicação concreta para quem está a conceber ferramentas de investigação sobre estes modelos: a superfície de chat está a realizar trabalho real, mas só é tão boa quanto o especialista que está do outro lado. A unidade produtiva aqui não é o GPT-5 Pro isolado — é um imunologista capaz de carregar três anos de dados esquecidos, reconhecer um mecanismo plausível quando o modelo o revela e correr uma validação privada antes de apostar uma semana de laboratório na resposta. Construam para essa pessoa, não à sua volta.