A OpenAI e a Ginkgo colocam o GPT-5 num ciclo fechado com um laboratório robótico

O que o ciclo fez, na prática

A OpenAI associou o GPT-5 ao laboratório na cloud da Ginkgo Bioworks — um laboratório automatizado operado remotamente através de software, no qual robôs executam experiências e devolvem dados. O GPT-5 concebeu lotes de reações em formato padrão de placas de 384 poços, o laboratório executou-as, e os resultados fluíram de volta para o modelo, moldando a ronda seguinte.

Repetiram este ciclo seis vezes. Ao longo de toda a execução, o sistema realizou mais de 36 000 composições únicas de reações de síntese de proteínas livre de células (CFPS) em 580 placas automatizadas. Depois de lhe serem dados um computador, um navegador web e acesso a artigos científicos relevantes, o GPT-5 precisou de três rondas e dois meses para estabelecer um novo estado da arte: uma redução de 40% no custo de produção de proteína face à melhor referência anterior, e uma melhoria de 57% no custo de reagentes.

A tarefa em si presta-se bem a este tratamento. A CFPS produz proteínas sem cultivar células vivas, fazendo funcionar a maquinaria de produção proteica numa mistura controlada de molde de DNA, lisado celular e numerosos componentes bioquímicos que interagem entre si. É difícil otimizar por intuição, porque pequenas alterações têm impacto e o sentido desse impacto nem sempre é óbvio.

O passo de validação que mantém o modelo honesto

O detalhe que merece destaque é a salvaguarda. Antes de qualquer experiência ser executada, a OpenAI acrescentou uma validação programática rigorosa que garante que as experiências concebidas pela AI (mantém-se o acrónimo em inglês) são fisicamente executáveis na plataforma de automação.

Isto impediu "experiências de papel" — que parecem plausíveis no texto, mas não podem ser realizadas num fluxo de trabalho robótico.Montana Labs

É esta a parte do sistema que faz o trabalho real. Um modelo de linguagem pode gerar um protocolo com aparência quimicamente razoável que um robô de pipetagem simplesmente não consegue executar. Ao tornar a executabilidade uma condição prévia obrigatória, em vez de algo descoberto depois de uma tentativa falhada, este arranjo liga a fluência do modelo às restrições mecânicas do laboratório que ele efetivamente controla.

Onde o modelo se desviou do hábito humano

As conclusões são mais específicas do que "a AI (mantém-se o acrónimo em inglês) encontrou melhores receitas". O GPT-5 identificou composições de baixo custo que os humanos ainda não tinham testado nesta configuração, e muitas delas mantiveram-se válidas em condições que costumam complicar os cientistas de bancada: reações em placas de alto rendimento, executadas em baixo volume, com menor oxigenação e uma mistura diferente da que ocorre em tubos de ensaio.

A OpenAI relata que pequenas alterações na tamponização, nos componentes de regeneração de energia e nas poliaminas tiveram um impacto desproporcionado em relação ao seu custo — parâmetros aos quais as pessoas normalmente não recorrem primeiro. À escala, estes tornam-se hipóteses testáveis, em vez de pressupostos de segundo plano.

E a estrutura de custos orientou a estratégia. Neste sistema de CFPS, os custos são dominados pelo lisado e pelo DNA, o que torna o rendimento a variável com maior efeito de palanca: aumentar a produção de proteína por unidade de input dispendioso altera mais o custo final do que reduzir reagentes mais baratos. Essa reformulação — otimizar a produção por unidade de input dispendioso, em vez de procurar ingredientes mais baratos — é o tipo de raciocínio que o volume de experiências tornou visível.

A afirmação restrita por detrás da história da automação

A OpenAI é cautelosa quanto ao alcance dos resultados, e as equipas que os aplicam devem sê-lo também. O resultado foi demonstrado numa única proteína, a sfGFP, e num único sistema de CFPS; a generalização a outras proteínas e outros sistemas ainda não está comprovada. Alguns dos ganhos podem ser sensíveis à oxigenação e à geometria da reação, que variam entre escalas. E continuou a ser necessária supervisão humana para melhorias no protocolo e no manuseamento de reagentes.

Assim, a implicação concreta deste anúncio não é que um modelo descobriu, por si só, nova biologia. É que o volume de iteração — 36 000 reações em robôs, condicionadas por verificações de executabilidade — foi o que transformou as propostas de um modelo numa mudança mensurável na fronteira do conhecimento, numa tarefa em que o custo importa precisamente porque laboratórios autónomos conseguem executar milhares de reações onde uma equipa humana executa apenas algumas dezenas. O estrangulamento que isto resolve é a velocidade de iteração, e trata-se de uma afirmação suficientemente restrita para ser útil, e suficientemente honesta para se poder construir sobre ela.