A inteligência artificial física é a maior área de consenso de investimento em tecnologia neste ano. O capital de investimento continua focado em como exatamente a IA interage com o mundo físico, abrangendo direção autônoma, modelos globais e aplicação de IA na ciência.
Enquanto as áreas de direção autônoma e IA incorporada demonstram rápido progresso, os campos de IA para ciência e descoberta de medicamentos parecem estagnados, apesar das propostas públicas iniciais barulhentas (IPO). Um sinal negativo recente veio da BCG: foram investidos US$ 60 bilhões em farmacêutica baseada em IA globalmente, mas o número de medicamentos aprovados permanece zero.
O pico de otimismo foi atingido no final de 2025 com o IPO da Insilico Medicine em Hong Kong. Quase simultaneamente, a Google DeepMind encerrou a equipe por trás do AlphaFold após oito anos de atividade estável, redirecionando os esforços de IA4S para um sistema de pesquisa geral baseado no Gemini. Muitas empresas de biotecnologia voltaram a operar como organizações de pesquisa por contrato (CRO), fornecendo serviços à indústria farmacêutica existente usando IA, em vez de desenvolver novos medicamentos.
A crescente lacuna entre a geração de hipóteses digitais e a verificação de hipóteses físicas tornou-se evidente. O gargalo não são mais os recursos computacionais ou os algoritmos; o problema reside nos dados. O AlphaFold obteve sucesso porque centenas de milhares de estruturas proteicas de alta qualidade foram obtidas em meio a meio século de experimentos. No entanto, a barreira de dados surge em cada nível subsequente: da estrutura para a eficácia, da eficácia para a toxicidade e da toxicidade para a resposta clínica.
Como observou Ding Sheng, diretor do Centro Global de Descoberta de Medicamentos de Tsinghua, as arquiteturas de modelos e os recursos computacionais atingiram um grau de maturidade suficiente, mas a compreensão dos mecanismos subjacentes à vida permanece incompleta. O problema mais profundo é que tais dados não podem ser coletados por experimentadores humanos. Um pesquisador pode realizar dezenas de experimentos por dia, enquanto a IA exige dezenas de milhões.
O único caminho a seguir é redesenhar o próprio experimento: criar ferramentas capazes de gerar dados, acumulá-los e fechar o ciclo autonomamente. A empresa MegaRobo, fundada em 2016, tem trabalhado nesse conceito específico durante os últimos dez anos.
A MegaRobo começou automatizando fluxos de trabalho em laboratórios de ciências da vida, gradualmente criando uma infraestrutura que conecta experimentos físicos à IA. O fundador e CEO, Huang Yucing, define automação como o processo de «liberar as pessoas do trabalho repetitivo de baixo valor e do trabalho impossível que requer alta precisão», e depois adiciona aprendizado e raciocínio. A arquitetura PCE full stack da empresa conecta Percepção, Conceito e Execução. Um cliente no setor farmacêutico realizou três ciclos completos de projeto-verificação-iteração em seis meses, reduzindo o custo de um ciclo para cerca de um vigésimo ou trigésimo do ciclo tradicional.
A infraestrutura foi construída em três fases. Fase 1.0 automatizou fluxos de trabalho manuais e proporcionou à MegaRobo uma compreensão profunda dos processos nas ciências da vida. A Fase 2.0 submeteu o ciclo a testes de estresse na fabricação de semicondutores, onde os requisitos de precisão e rendimento são extremamente rigorosos. O sistema de inspeção de defeitos de placas Manavis agora opera com taxas de passagem de erros abaixo de 0,05% e de redetecção abaixo de 0,1%, com precisão de classificação superior a 98%. A Fase 3.0 trata da reconstrução completa de cada produto, originalmente projetado para IA, começando pelo silício, desenvolvendo ferramentas para consumo de IA, em vez de uso humano. A empresa que controla o ciclo da percepção à execução no laboratório se tornará o nível ao qual todos os modelos de IA para a ciência recorrerão em última análise.
As maiores corporações de tecnologia sediadas nos Estados Unidos estão alocando bilhões de dólares em inteligência artificial, na expectativa de que essa tecnologia possa revolucionar tanto os negócios quanto a economia. Contudo, a magnitude desses dispêndios tem gerado apreensão entre os investidores, que questionam o momento em que esse capital começará a gerar lucros.
Conforme reportado pelo The Washington Post, gigantes como Google, Microsoft, Meta, Amazon e Oracle intensificaram seus aportes em infraestrutura de IA, enquanto o mercado observa os riscos potenciais de uma bolha especulativa.
Historicamente, companhias como Google e Facebook eram reconhecidas por sua notável capacidade de geração de receita, impulsionadas por produtos digitais que alcançaram milhões de usuários e consolidaram essas empresas como líderes de mercado. Atualmente, uma parcela significativa dessa receita está sendo redirecionada para uma nova etapa tecnológica, focada em grandes centros de dados, processadores avançados e equipamentos necessários para suportar modelos de inteligência artificial.
Enquanto os defensores desta abordagem argumentam que o investimento pode inaugurar uma nova era de produtividade e crescimento, os críticos expressam dúvidas sobre se o retorno será suficiente para justificar os bilhões aplicados. Torsten Slok, economista-chefe da Apollo Global Management, comentou ao The Washington Post que a funcionalidade da IA é crucial, pois sua falha representaria um sério problema.
Os principais vetores dessa disputa incluem a construção de vastos data centers para operar sistemas de IA, a aquisição de chips e equipamentos especializados, a expansão de softwares e serviços baseados em inteligência artificial, o aumento dos custos operacionais dessa infraestrutura e a crescente pressão por resultados financeiros mais ágeis.
As projeções indicam uma alteração no perfil financeiro dessas empresas de tecnologia. Devido aos custos associados à infraestrutura de IA, Google, Amazon, Microsoft, Meta e Oracle podem apresentar fluxo de caixa livre negativo no ano de 2026.
O Google serve como um exemplo proeminente: nos últimos três meses analisados, a companhia despendeu US$ 1,15 para cada dólar obtido em caixa, majoritariamente destinado à compra de chips, equipamentos e áreas reservadas para novos centros de dados. Apesar dessa pressão financeira, as empresas mantêm lucratividade sob os modelos contábeis convencionais, que permitem a distribuição desses custos ao longo de múltiplos anos.
Andy Jassy, CEO da Amazon, defendeu os investimentos, assegurando que a demanda por soluções de IA permanece robusta. Ele declarou aos investidores que a empresa possui uma perspectiva clara de obter fortes retornos financeiros.
A competição por componentes essenciais para a inteligência artificial já está impactando outros segmentos do mercado. O aumento na procura por chips elevou os custos para empresas que dependem desses insumos, pressionando os preços de dispositivos como smartphones, notebooks e consoles.
Adicionalmente, a expansão dos data centers tem intensificado a preocupação com o consumo energético em certas localidades dos Estados Unidos. Outro ponto de atenção reside na distribuição dos benefícios econômicos. De acordo com Barbara Denham, economista-chefe da Oxford Economics, as regiões que já possuem concentração de tecnologia e riqueza, como Vale do Silício, Nova York, Seattle e Washington, tendem a colher os maiores benefícios.
Denham ressaltou que os ganhos econômicos decorrentes do avanço da IA são um ciclo que se retroalimenta. Embora a inteligência artificial continue a atrair investimentos maciços, o mercado agora monitora uma questão fundamental: se as promessas tecnológicas serão capazes de acompanhar a rapidez com que estão sendo realizados os gastos para seu desenvolvimento.
