Google lança ERA, ferramenta de IA para ciência publicada na Nature

Sistema usa Gemini para escrever e otimizar código científico; protótipo Computational Discovery chega ao Google Labs

Por Redação Mapa Paper11 ago 2026
Google lança ERA, ferramenta de IA para ciência publicada na Nature

O que aconteceu

O Google anunciou nesta terça-feira, 19 de maio de 2026, o Empirical Research Assistance (ERA), uma ferramenta de IA que usa o Gemini para escrever e otimizar código científico. A descrição do sistema foi publicada na revista Nature no artigo “AI system designed to help scientists write expert-level empirical software”. Paralelamente, o Google colocou o protótipo Computational Discovery em programa de testadores confiáveis no Google Labs (Google Research Blog).

Segundo o Google, o ERA endereça uma das etapas mais demoradas da pesquisa científica: o teste iterativo e o refinamento de experimentos computacionais. Dado um problema e uma métrica de sucesso, o sistema busca literatura científica, escreve código, explora soluções, combina técnicas e avalia resultados, usando uma abordagem de busca em árvore para otimizar o código gerado.

A publicação na Nature descreve testes do ERA em benchmarks de genômica, saúde pública, análise de imagens de satélite, predição em neurociência, previsão de séries temporais e matemática. O Google afirma que o sistema alcançou desempenho de nível especialista em todos os benchmarks avaliados (Google Research Blog).

Contexto

O ERA foi apresentado pela primeira vez no outono de 2025, quando o preprint com o design e o desempenho do sistema foi divulgado. Desde então, pesquisadores do Google e colaboradores usaram a ferramenta em projetos científicos. Em abril de 2026, o Google compartilhou quatro exemplos de uso do ERA em problemas abertos de ciência.

O lançamento público acontece no mesmo dia do Google I/O, evento anual da empresa, e integra um pacote de anúncios voltados à ciência. O Computational Discovery é um dos sistemas construídos com o ERA e começa a ser distribuído por meio do Gemini for Science.

Por que importa

O ERA ataca um gargalo concreto da pesquisa: a programação científica de alto nível, que exige conhecimento técnico especializado e consome tempo significativo dos pesquisadores. Se o desempenho descrito na Nature se confirmar no uso cotidiano, a ferramenta pode reduzir barreiras de entrada para modelagem computacional avançada e acelerar ciclos de experimentação em diversas disciplinas.

O anúncio também sinaliza uma mudança no uso de IA na ciência: em vez de apenas analisar dados ou sugerir hipóteses, o sistema atua diretamente na construção e otimização do código que viabiliza os experimentos. Isso coloca o Google em posição de destaque na corrida por ferramentas de descoberta científica assistida por IA.

Impacto

No curto prazo, o ERA pode aumentar a produtividade de grupos de pesquisa que já trabalham com métodos computacionais, automatizando parte do ciclo de iteração de experimentos. O Google relata oito manuscritos que aplicam o ERA a problemas científicos específicos, incluindo cinco novos papers divulgados agora, o que sugere impacto imediato na produção acadêmica.

No médio prazo, a ampliação de acesso ao Computational Discovery e ao Gemini for Science pode democratizar ferramentas de modelagem avançada para instituições com menos recursos. Há também implicações para a formação científica: se a IA escreve código de nível especialista, a barreira técnica para entrar em áreas como genômica e neurociência computacional tende a cair.

O que muda

Pesquisadores passam a contar com um assistente que não apenas sugere abordagens, mas escreve, testa e otimiza código científico de forma autônoma. Isso muda a natureza do trabalho experimental em ciências computacionais: a iteração manual de código, hoje tarefa central de estudantes de pós-graduação e pesquisadores, pode se tornar cada vez mais delegada a sistemas de IA.

O que vem agora

O Computational Discovery está em programa de testadores confiáveis no Google Labs, e o Google afirma que o acesso será ampliado gradualmente. Os próximos passos incluem observar como a comunidade científica usa a ferramenta fora do ambiente controlado de benchmarks e validar se os ganhos de desempenho observados nos testes se sustentam em projetos de pesquisa reais e diversos.