Moonshot AI muda o foco do Kimi de código para ciência: análise de genes em 90 minutos, e não em 4 horas
A Moonshot AI percebeu que os modelos quase pararam de evoluir rápido em programação e está redirecionando o Kimi para biologia e indústria farmacêutica. O assistente BioMaster, rodando o Kimi K3.1 Pro, analisou em 90 minutos os dados de 3 696 células de camundongo e apontou 100 genes candidatos. Um humano levaria cerca de quatro horas. É como entregar à IA a triagem inicial de logs e deixar as conclusões para o engenheiro. Por enquanto, a IA não faz descobertas sem a participação de um humano.
Processado por IA de The Decoder; editado por Hamidun News
A startup chinesa Moonshot AI, responsável pela família de modelos de linguagem Kimi, decidiu abandonar a corrida pelos melhores resultados em programação: ali, cada nova melhoria custa mais caro, e o ganho nos testes mal aparece. Em vez disso, a empresa está direcionando o Kimi para biologia, química e pesquisa farmacêutica. Já existe um exemplo concreto: o assistente de pesquisa BioMaster, no qual a DP Technology, de Pequim, integrou o modelo Kimi K3.
1 Pro, analisou em 90 minutos dados de genes de 3 696 células do pâncreas de camundongo e apontou 100 genes candidatos. Pela estimativa, um humano levaria cerca de quatro horas para fazer o mesmo trabalho. Pense em um desenvolvedor que, em uma hora e meia em vez de quatro, recebe da IA a triagem de um enorme volume de logs, com cem pontos suspeitos destacados: ainda será preciso que uma pessoa verifique todos eles, mas o ponto de partida chega muito mais rápido.
Para quem constrói produtos com LLMs, é um sinal de para onde pode migrar a próxima onda de demanda.
Por que a Moonshot está se afastando do código
O diretor internacional da Moonshot AI, Giacomo Ficari, afirmou no Web Summit, em Lisboa, que a ciência exige modelos mais inteligentes do que direito, finanças ou programação. A lógica é a seguinte: se um assistente para código ou documentos jurídicos já é bom o bastante para a maioria das tarefas, novas melhorias trazem cada vez menos benefício perceptível. Na pesquisa científica, a régua é mais alta, e por isso ainda há espaço para abrir vantagem sobre os concorrentes.
Não se trata de abandonar o código em si, e sim de mudar a prioridade. A startup aposta que problemas científicos complexos serão o novo campo de provas e o novo mercado do Kimi.
O que o BioMaster realmente mostrou
É importante entender o que de fato ficou mais rápido. O modelo não fez uma descoberta: ele peneirou um conjunto de dados genéticos e propôs uma lista de 100 candidatos, que o biólogo então verifica por conta própria. É o papel clássico de um assistente: assumir o processamento inicial de rotina e encurtar o caminho até uma hipótese relevante. O ganho, de quatro horas para 90 minutos, ou seja, mais que o dobro de velocidade, é bem-vindo, mas vem de um único teste e não prova que um laboratório inteiro funcionaria assim. O tempo do humano é uma estimativa, não uma medição feita em comparação controlada.
Onde está o teto e por que a indústria farmacêutica não tem pressa
Avanços totalmente autônomos da IA ainda estão distantes. No TCSExam, um benchmark de 100 problemas de ciência da computação teórica, os principais modelos produziram provas verificáveis, mas não resolveram sozinhos nenhuma hipótese em aberto. Eles trabalham com segurança onde o caminho é conhecido e, por ora, não ultrapassam a fronteira do que já se sabe.
Os concorrentes americanos enxergam limites parecidos. O Claude, da Anthropic, encontrou um sistema enzimático em setembro, mas as declarações da OpenAI sobre avanços em matemática e física foram criticadas por matemáticos: há resultados individuais impressionantes, mas as afirmações contestadas são pelo menos tão numerosas quanto eles.
A própria indústria farmacêutica também não está convencida. Segundo a pesquisa do Citi de junho com 50 executivos de áreas de pesquisa nos EUA, 72% já usam IA amplamente, mas apenas 24% esperam que ela aumente de forma significativa a taxa de sucesso no desenvolvimento de medicamentos. A IA é aceita como ferramenta de trabalho, mas não como garantia de que novos remédios surgirão com mais frequência.
O que isso significa na prática
Primeiro, não convém contar com a qualidade dos modelos em benchmarks de código continuando a crescer no ritmo anterior: os próprios desenvolvedores falam em desaceleração. Segundo, assistentes científicos especializados, como o BioMaster, parecem um nicho realista: área de domínio bem definida, métrica mensurável (horas de trabalho do especialista) e dados prontos. Terceiro, vale vender esses produtos como aceleradores de tarefas de rotina, e não como "cientistas automáticos": é na aceleração que existe um efeito verificável, e o ceticismo do setor está confirmado pelos números da pesquisa.
Ressalva: a maior parte das informações vem da fala de um representante da empresa e de reportagens que a repercutiram, e o resultado do BioMaster foi descrito em um único teste, sem verificação independente. Ainda assim, a direção é reveladora: a disputa pela liderança em LLMs vai se deslocando aos poucos da pergunta "quem escreve código melhor" para a pergunta "quem é mais útil na ciência real".
- 18 de nov. de 2026Uma vírgula chinesa fez o DeepSeek responder em chinês em 94% dos casos
- 18 de nov. de 2026Hugging Face direciona requisições de LLM pela OpenRouter: erros por falta de capacidade caem 46%
- 18 de nov. de 2026Modelos da OpenAI reduzem em 10–13% a área dos blocos do Jalapeño e melhoram em até 14% a GPU da AMD
- 18 de nov. de 2026Revolut acelera o desenvolvimento de funcionalidades em 30–60% e entrega a verificação de pagamentos a um agente de IA
Perguntas frequentes sobre a notícia
Por que a Moonshot está se afastando do código?
O diretor internacional da Moonshot AI, Giacomo Ficari, afirmou no Web Summit, em Lisboa, que a ciência exige modelos mais inteligentes do que direito, finanças ou programação. A lógica é a seguinte: se um assistente para código ou documentos jurídicos já é bom o bastante para a maioria das tarefas, novas melhorias trazem cada vez menos benefício perceptível. Na pesquisa científica, a régua é mais alta, e por isso ainda há espaço para abrir vantagem sobre os concorrentes.
O que o BioMaster realmente mostrou?
É importante entender o que de fato ficou mais rápido. O modelo não fez uma descoberta: ele peneirou um conjunto de dados genéticos e propôs uma lista de 100 candidatos, que o biólogo então verifica por conta própria. É o papel clássico de um assistente: assumir o processamento inicial de rotina e encurtar o caminho até uma hipótese relevante.
Onde está o teto e por que a indústria farmacêutica não tem pressa?
Avanços totalmente autônomos da IA ainda estão distantes. No TCSExam, um benchmark de 100 problemas de ciência da computação teórica, os principais modelos produziram provas verificáveis, mas não resolveram sozinhos nenhuma hipótese em aberto. Eles trabalham com segurança onde o caminho é conhecido e, por ora, não ultrapassam a fronteira do que já se sabe. Os concorrentes americanos enxergam limites parecidos.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.