Google desmantela equipe do AlphaFold enquanto pesquisadores migram para o Gemini

Segundo uma reportagem da Engadget publicada em 30 de julho, o Google desmantelou a equipe dedicada ao AlphaFold, apesar de seu histórico premiado com o Nobel. Pesquisadores teriam sido transferidos para o Gemini, outros projetos científicos e a Isomorphic Labs, empresa de descoberta de medicamentos da Alphabet. No entanto, as evidências disponíveis não mostram que o Google tenha encerrado o AlphaFold em si.

Essa distinção muda a narrativa. O Google não está simplesmente abandonando um modelo científico bem-sucedido para construir outro chatbot. A empresa aparentemente está substituindo uma equipe de pesquisa especializada por um sistema mais amplo, organizado em torno do Gemini, de modelos fundacionais compartilhados e de programas científicos voltados ao mercado.

A reorganização também ocorre após uma saída significativa. John Jumper, que liderou a equipe do AlphaFold e compartilhou o Prêmio Nobel de Química de 2024, deixou o Google DeepMind para ingressar na Anthropic em junho. Sua mudança torna a reestruturação mais competitiva, pois a Anthropic é uma das rivais mais próximas do Google em modelos fundacionais e agentes de programação.

Portanto, a verdadeira questão não é se o AlphaFold desaparecerá amanhã. É se o Google conseguirá preservar a profundidade científica do AlphaFold após dispersar as pessoas que transformaram um difícil problema de biologia em um dos benefícios públicos mais claros da IA.

O que a reportagem da Engadget sobre Google e AlphaFold realmente diz

O Google encerrou a estrutura de equipe dedicada ao AlphaFold, mas relatos sobre a morte do projeto vão além dos fatos confirmados.

O relato original, atribuído a uma reportagem do Financial Times e posteriormente coberto pela Engadget, afirma que o Google DeepMind desmantelou a equipe por trás do AlphaFold. Alguns pesquisadores foram transferidos para o Gemini, enquanto outros seguiram para programas científicos ou para a Isomorphic Labs.

Uma equipe pode deixar de existir sem que sua tecnologia se torne indisponível. O Google ainda apresentava o AlphaFold 3 como uma ferramenta científica ativa em julho de 2026. Em 22 de julho, a empresa o incluiu em um portfólio oferecido a pesquisadores por meio de um compromisso de apoio à Genesis Mission do governo dos Estados Unidos.

Esse anúncio descreveu o AlphaFold 3 como um sistema para prever as estruturas e interações de proteínas e outras biomoléculas. Ele posicionou o modelo ao lado do AlphaEvolve, um sistema baseado no Gemini para projetar e otimizar algoritmos, dentro do atual portfólio científico do Google.

O momento importa. O Google promoveu o AlphaFold 3 por meio da Genesis Mission apenas uma semana antes de surgirem relatos de que a equipe original havia sido desfeita. Isso é incompatível com a afirmação simples de que o Google encerrou todas as partes do projeto.

Uma interpretação mais precisa é que o AlphaFold foi além de sua estrutura organizacional original. Seu banco de dados, modelos, parcerias e aplicações comerciais podem continuar mesmo que o grupo responsável pela pesquisa inicial já não exista como uma única unidade.

O AlphaFold Protein Structure Database também conta com apoio institucional fora do Google. O Google DeepMind o desenvolveu com o European Bioinformatics Institute da EMBL, que fornece infraestrutura científica e distribuição. O Google afirmou anteriormente que o banco de dados continha mais de 200 milhões de estruturas previstas, cobrindo quase todas as proteínas catalogadas conhecidas pela ciência.

O AlphaFold 3 expandiu o sistema para além das formas individuais das proteínas. Ele foi projetado para prever interações envolvendo proteínas, DNA, RNA, íons e pequenas moléculas. Essas capacidades são especialmente relevantes para a pesquisa de medicamentos, na qual cientistas precisam estimar como uma molécula candidata pode se ligar a um alvo biológico.

O Google e a Isomorphic Labs apresentaram o AlphaFold 3 juntos em 2024. Essa autoria compartilhada tornou menos distinta a fronteira entre pesquisa básica e desenvolvimento comercial de medicamentos. A Isomorphic Labs poderia aplicar métodos relacionados ao trabalho farmacêutico enquanto o Google DeepMind continuava desenvolvendo uma IA científica mais ampla.

Portanto, a realocação relatada parece uma transição organizacional, não uma eliminação dos ativos subjacentes. Ainda assim, ela cria incerteza porque as equipes carregam conhecimentos que modelos, repositórios de código e bancos de dados não conseguem capturar plenamente.

Grande parte desse conhecimento permanece tácita. Pesquisadores se lembram de experimentos malsucedidos, comportamentos inexplicados, limitações de dados e decisões de projeto que nunca chegaram a um artigo. Dispersá-los pode desacelerar trabalhos futuros mesmo quando todos os artefatos formais continuam disponíveis.

Esse risco explica por que a manchete da Engadget sobre Google chamou atenção. A história envolve mais do que uma caixa em um organograma. Ela levanta questões sobre quem manterá o AlphaFold, quem definirá seus próximos objetivos de pesquisa e se esses objetivos agora atenderão primeiro ao Gemini ou à Isomorphic Labs.

Por que o Google está organizando mais pesquisas em torno do Gemini

O Gemini está se tornando uma infraestrutura compartilhada para o trabalho de IA do Google, incluindo a descoberta científica, em vez de permanecer apenas um assistente para consumidores.

O Google DeepMind agora desenvolve os modelos por trás do Gemini, enquanto o Google distribui essas capacidades por Search, Workspace, Cloud, Android e pelo app Gemini. Uma descoberta de pesquisa incorporada ao Gemini pode, portanto, alcançar mais produtos do que um sistema independente com uma única função científica.

Essa distribuição cria um forte incentivo organizacional. Uma equipe especializada pode avançar profundamente em um campo, mas seus métodos podem permanecer isolados. Um grupo de modelos fundacionais pode reutilizar avanços em raciocínio, programação, uso de ferramentas e processamento multimodal em muitos projetos.

Os recentes lançamentos científicos do Google mostram essa estratégia na prática. O AlphaEvolve usa modelos Gemini para propor, avaliar e refinar programas de computador. O sistema é voltado a problemas de otimização em áreas como projeto de chips, infraestrutura de computação e pesquisa matemática.

O Google disponibilizou o AlphaEvolve pelo Google Cloud em julho de 2026. Esse lançamento conecta a pesquisa científica a um canal de produto com usuários externos, demanda mensurável e responsabilidade comercial.

O AI co-scientist do Google segue um padrão semelhante. Ele usa vários agentes baseados no Gemini para gerar, debater e aprimorar hipóteses científicas. Um agente é um sistema orientado por modelos capaz de executar uma sequência de tarefas, consultar ferramentas e revisar seu trabalho em direção a um objetivo definido.

Essa abordagem trata o Gemini como uma camada geral de raciocínio. Sistemas científicos especializados podem então fornecer dados, métodos de avaliação ou ferramentas de domínio em torno dessa camada. A experiência do AlphaFold pode contribuir para essa arquitetura, mesmo que sua equipe original não sobreviva intacta.

A estratégia também reflete a economia da IA de fronteira. Treinar e operar grandes modelos exige uma infraestrutura computacional considerável. As empresas querem que esses modelos sustentem muitos produtos, em vez de financiar pilhas técnicas separadas para cada domínio de pesquisa.

No entanto, uma infraestrutura compartilhada não elimina a necessidade de especialistas. A previsão de estruturas de proteínas depende de dados biológicos, restrições físicas, validação experimental e avaliação específica do domínio. A capacidade geral de raciocínio não pode substituir essas disciplinas.

A versão produtiva da estratégia do Google combinaria as amplas capacidades do Gemini com equipes científicas focadas. Pesquisadores poderiam usar o Gemini para examinar literatura, escrever código de análise, formular hipóteses e coordenar ferramentas. Sistemas semelhantes ao AlphaFold poderiam fornecer previsões estruturadas que esses agentes avaliam.

O Google já descreveu esse tipo de fluxo de trabalho. Em um exemplo, sua equipe de ciência usou o Gemini para identificar e extrair informações de um subconjunto relevante de 200.000 artigos. A tarefa ilustra o valor de um modelo geral para navegar pela literatura científica, mas não substitui evidências de laboratório nem sistemas especializados de previsão.

O perigo organizacional surge quando a integração se transforma em consolidação. Se todo projeto precisar servir ao roteiro imediato do Gemini, questões de pesquisa com valor comercial incerto podem perder profissionais e atenção. O próprio AlphaFold exigiu anos de trabalho concentrado antes que sua importância se tornasse evidente fora da biologia computacional.

Esse também é um problema de gestão do conhecimento. Equipes que tentam preservar decisões, experimentos e contexto técnico após uma reorganização precisam de uma base de conhecimento técnico pesquisável. A documentação ajuda, mas não pode substituir por completo a colaboração contínua entre os pesquisadores originais.

A aposta do Google é que uma estrutura mais integrada disseminará avanços científicos mais rapidamente. O risco oposto é que a integração enfraqueça a concentração de especialização que produziu esses avanços.

O legado do Nobel do AlphaFold torna isso uma verdadeira reviravolta

O Google está dispersando a equipe por trás de sua conquista mais celebrada em IA científica menos de dois anos depois de esse trabalho receber um Prêmio Nobel.

A Academia Real Sueca de Ciências concedeu metade do Prêmio Nobel de Química de 2024 a Demis Hassabis e John Jumper. A premiação reconheceu seu trabalho com inteligência artificial para prever estruturas de proteínas. David Baker recebeu a outra metade pelo design computacional de proteínas.

As proteínas começam como cadeias de aminoácidos, mas suas funções biológicas dependem fortemente de suas formas tridimensionais. Determinar essas formas experimentalmente pode exigir um extenso trabalho com técnicas como cristalografia de raios X, ressonância magnética nuclear ou microscopia crioeletrônica.

O AlphaFold 2 melhorou de forma acentuada as previsões computacionais dessas estruturas. Seu desempenho na Avaliação Crítica de Previsão de Estruturas de 2020, uma avaliação científica recorrente conhecida como CASP, convenceu muitos pesquisadores de que o antigo desafio do enovelamento de proteínas havia mudado fundamentalmente.

A equipe publicou o sistema na Nature em 2021. O Google então trabalhou com a EMBL-EBI para criar um banco de dados que tornou as estruturas previstas amplamente acessíveis. Pesquisadores usaram essas previsões para investigar temas que incluem doenças negligenciadas, alvos de medicamentos, evolução de proteínas e resistência antimicrobiana.

O Google afirma que mais de dois milhões de pesquisadores usaram o AlphaFold 2 em trabalhos envolvendo vacinas, tratamentos contra o câncer e outras questões científicas. Esse número vem da empresa, mas a ampla presença do AlphaFold em pesquisas publicadas demonstra de forma independente uma adoção substancial.

O sistema também criou um raro exemplo positivo durante um debate sobre IA cada vez mais contencioso. O AlphaFold tinha um propósito científico definido, fornecia resultados práticos aos pesquisadores e podia ser avaliado em relação a estruturas experimentais. Era mais fácil de explicar do que um modelo geral cujo valor dependia de conversas inconsistentes ou conteúdo gerado.

Essa reputação deu ao Google DeepMind algo estrategicamente importante. Ela sustentou o argumento do laboratório de que a pesquisa avançada em IA poderia produzir benefícios científicos públicos, em vez de apenas recursos publicitários, chatbots ou automação.

A dissolução relatada inverte a estrutura esperada de recompensa. Uma equipe alcançou um resultado científico marcante, apoiou um recurso global de pesquisa e recebeu o maior reconhecimento de sua área. O Google então encerrou essa equipe como uma unidade distinta.

Isso não prova que o Google perdeu o interesse pela ciência. A empresa continua promovendo AlphaFold 3, AlphaGenome, AI co-scientist, AlphaEvolve, modelos meteorológicos e outros sistemas de pesquisa. A Isomorphic Labs também dá à Alphabet um veículo direto para aplicar IA à descoberta de medicamentos.

Ainda assim, a reorganização muda o que o sucesso parece render dentro da empresa. A excelência científica especializada não garantiu continuidade organizacional. Os pesquisadores podem interpretar esse sinal de forma razoável ao decidir se devem perseguir um problema restrito e de longo prazo ou integrar um programa central de modelos fundacionais.

A saída de John Jumper torna a reviravolta mais consequente. Segundo seus comentários públicos noticiados em junho, Jumper atribuiu a Hassabis o fato de ter permitido que ele liderasse o AlphaFold apenas seis meses após concluir seu doutorado. Esse relato reflete uma cultura de pesquisa disposta a dar responsabilidade incomum a um jovem cientista.

O recrutamento de Jumper pela Anthropic transfere parte dessa experiência para um concorrente direto. Suas futuras responsabilidades ainda não foram detalhadas integralmente em público, portanto seria prematuro supor que ele construirá um rival do AlphaFold. Sua experiência em modelagem científica, liderança em pesquisa e arquiteturas neurais complexas continua estrategicamente valiosa.

O Google agora precisa mostrar que a cultura que possibilitou o AlphaFold pode sobreviver sem sua estrutura original. O Prêmio Nobel registra o que a equipe já realizou. Ele não garante que o próximo projeto de ambição comparável surgirá de uma organização mais centralizada.

A Principal Disputa É Ciência Especializada Versus IA Geral

A tensão central não é AlphaFold versus Gemini como produtos, mas profundidade científica especializada versus um modelo geral que o Google quer aplicar em toda parte.

AlphaFold e Gemini resolvem classes diferentes de problemas. O AlphaFold prevê estruturas e interações biomoleculares. O Gemini processa texto, imagens, áudio, vídeo, código e outras informações em uma gama muito mais ampla de tarefas.

Essa diferença torna sem sentido uma comparação direta de benchmarks. Não se pode declarar o Gemini melhor porque ele lida com mais tarefas. Não se pode declarar o AlphaFold superior porque ele oferece maior valor dentro de um domínio especializado.

A disputa importante diz respeito à organização da pesquisa. O Google deve manter equipes independentes estruturadas em torno de problemas científicos difíceis ou deve centralizar esses esforços em uma plataforma Gemini compartilhada?

Um grupo dedicado desenvolve expertise incomum em torno de um objetivo. Seus pesquisadores podem criar conjuntos de dados, procedimentos de avaliação, práticas de segurança e colaborações específicos do domínio. Eles podem buscar melhorias que importam para cientistas, mesmo quando essas melhorias têm pouca relevância para produtos de consumo.

Uma organização centrada no Gemini oferece vantagens diferentes. Modelos comuns podem compartilhar avanços em raciocínio e uso de ferramentas. Investimentos em infraestrutura podem apoiar muitas equipes. Novas capacidades podem chegar mais rapidamente a produtos de nuvem e serviços para consumidores.

As decisões recentes do Google indicam que o segundo modelo está ganhando influência. O app Gemini foi incorporado ao Google DeepMind em 2024. A empresa também reorganizou equipes de IA voltadas a produtos e conectou projetos experimentais mais estreitamente ao Gemini.

A concorrência gera parte da pressão. OpenAI, Anthropic, Meta e Microsoft disputam avanços em modelos fundacionais, agentes de programação, assistentes de pesquisa e plataformas para desenvolvedores. Cada grande lançamento de modelo pode afetar a adoção empresarial e as percepções de liderança técnica.

A Anthropic exerce pressão particular porque o Claude construiu uma posição forte em programação e trabalho agêntico. A mudança de Jumper acrescenta peso simbólico a essa rivalidade, mesmo que sua pesquisa futura não vise a previsão de proteínas.

Projetos científicos especializados enfrentam um cronograma diferente. Um modelo biológico pode exigir anos de desenvolvimento e validação externa cuidadosa. Seu sucesso pode se manifestar por meio de citações, descobertas experimentais ou pipelines clínicos, em vez de crescimento imediato entre consumidores.

A Isomorphic Labs oferece ao Google uma maneira de resolver parte desse conflito. Ela pode transformar previsões estruturais e métodos de IA relacionados em programas de design de medicamentos com parceiros farmacêuticos. Isso fornece um destino comercial para capacidades científicas que se originaram no DeepMind.

Ainda assim, a comercialização introduz outra tensão. O AlphaFold 2 tornou-se influente em parte porque o Google lançou o código e um vasto banco de dados público. O AlphaFold 3 inicialmente oferecia acesso mais restrito, e seu uso na descoberta comercial de medicamentos cruzou-se com os interesses comerciais da Isomorphic Labs.

Pesquisadores criticaram a ausência inicial de código completo e pesos do modelo AlphaFold 3. O Google posteriormente lançou o código-fonte, mas questões de acesso e reprodução continuaram fazendo parte do debate. O episódio mostrou como um recurso científico pode se tornar mais difícil de separar da estratégia comercial da Alphabet.

Concorrentes e grupos acadêmicos também continuam desenvolvendo alternativas. Sistemas como RoseTTAFold, OpenFold e outros modelos de previsão de estruturas reduzem a dependência de uma única empresa. Sua existência significa que o campo científico pode continuar mesmo que o Google mude de direção.

No entanto, substituir um modelo é diferente de substituir o ambiente que o produziu. O AlphaFold combinou aprendizado de máquina, biologia, engenharia, recursos computacionais e liderança sustentada. Uma implementação aberta pode reproduzir partes de um sistema sem reproduzir essa combinação institucional.

O melhor resultado não exigiria escolher exclusivamente uma rota. O Gemini poderia ajudar cientistas a navegar pela literatura e coordenar pesquisas, enquanto grupos especializados desenvolvem modelos fundamentados em biologia ou física. A Isomorphic Labs poderia buscar medicamentos enquanto instituições públicas mantêm recursos científicos acessíveis.

A reorganização reportada gera dúvidas porque o Google removeu o centro organizacional mais claro para esse equilíbrio. Agora cabe à empresa mostrar que a especialização continua sendo prioridade dentro de sua estratégia de modelos gerais.

O Que a Narrativa de Encerramento Não Prova

A desintegração da equipe é significativa, mas não prova que o AlphaFold deixou de operar ou que o Google abandonou a IA científica.

A alegação confirmada mais forte diz respeito à organização. As reportagens afirmam que a equipe dedicada foi desmantelada e seus membros foram dispersos. As evidências públicas não estabelecem que o Google excluiu o banco de dados AlphaFold, retirou o AlphaFold 3 ou encerrou o trabalho envolvendo seus métodos.

A atividade do Google em julho de 2026 aponta na direção oposta. A empresa continuou citando o AlphaFold entre as ferramentas oferecidas a usuários científicos. Também discutiu o AlphaFold em um marco de biossegurança publicado no mesmo mês.

A abordagem de biorresiliência do Google agrupou o AlphaFold com o AlphaGenome e a tecnologia de design de medicamentos da Isomorphic Labs. O documento descreveu esses sistemas como transformando o que pesquisadores podem compreender e projetar em biologia, ao mesmo tempo em que criam responsabilidades de segurança.

Essas ações não garantem um futuro AlphaFold 4. O Google não se comprometeu publicamente com um cronograma de lançamentos, uma equipe substituta ou uma estrutura específica de manutenção de longo prazo. As referências contínuas ao AlphaFold podem refletir suporte a ativos existentes, e não o desenvolvimento ativo de um sucessor.

A expressão “encerra o AlphaFold”, portanto, comprime várias possibilidades diferentes. O Google pode manter o modelo atual sem uma nova versão importante. Pode integrar os métodos do AlphaFold a agentes científicos mais amplos. Pode transferir mais desenvolvimento para a Isomorphic Labs. Pode designar um novo grupo após a transição.

Cada caminho teria consequências diferentes. A manutenção preservaria o acesso, mas desaceleraria o progresso da pesquisa. A integração poderia ampliar o alcance do AlphaFold, tornando sua contribuição menos visível. Uma transferência para a Isomorphic Labs poderia acelerar aplicações em medicamentos, mas aumentar restrições comerciais.

As evidências sobre pessoal também exigem tratamento cuidadoso. A saída de Jumper é confirmada por reportagens e por sua própria declaração pública, mas a situação de cada colaborador do AlphaFold não está documentada publicamente. Alguns pesquisadores podem permanecer no Google em novas funções, enquanto outros podem ter se transferido para a Isomorphic Labs ou saído.

A dissolução oficial de uma equipe às vezes pode ocorrer após uma transferência bem-sucedida. Quando uma tecnologia se torna infraestrutura, o grupo original do projeto pode deixar de ser necessário. Serviços de nuvem, bancos de dados, equipes de produto e instituições parceiras podem assumir a responsabilidade operacional.

A situação do AlphaFold é diferente porque o desenvolvimento científico continua inacabado. O AlphaFold 3 melhorou previsões envolvendo interações moleculares, mas resultados computacionais ainda exigem validação experimental. A precisão varia conforme o alvo, a qualidade da entrada, a classe molecular e a disponibilidade de dados de treinamento relacionados.

A estrutura prevista também não revela todos os aspectos do comportamento biológico. Proteínas podem mudar de forma, interagir dentro das células, responder a ambientes químicos e participar de processos dinâmicos. Uma previsão estática ou probabilística não consegue capturar o sistema biológico completo.

A descoberta de medicamentos acrescenta mais incerteza. Prever uma interação plausível não estabelece que um composto será seguro, eficaz, fabricável ou bem-sucedido em ensaios clínicos. A Isomorphic Labs e seus parceiros ainda precisam de evidências experimentais e clínicas.

Esses limites reforçam a necessidade de especialistas dedicados ao domínio. Eles também impedem uma conclusão simples de que o Google está descartando um problema concluído. A previsão de estruturas de proteínas avançou dramaticamente, mas a biologia computacional ainda contém muitas questões não resolvidas.

A avaliação cautelosa é que o Google encerrou uma equipe importante e redistribuiu seu talento. A tecnologia AlphaFold continua ativa, mas sua trajetória de pesquisa agora é menos transparente.

Três Sinais Mostrarão Se a Aposta do Google Funciona

As próximas evidências virão do roteiro técnico do AlphaFold, do destino de seus pesquisadores e do desempenho do Gemini em trabalho científico real.

O primeiro sinal é um plano concreto de desenvolvimento do AlphaFold. O Google pode esclarecer quem mantém o AlphaFold 3, se outro grande modelo está planejado e como continuará a parceria de banco de dados com o EMBL-EBI.

Um lançamento substancial enfraqueceria a alegação de que a reorganização representa um recuo. Esse lançamento deveria incluir evidências técnicas, avaliações independentes e termos de acesso que permitam aos cientistas entender o que mudou.

O silêncio teria um significado diferente. Se o Google continuar promovendo conquistas existentes do AlphaFold sem apresentar novas pesquisas, o projeto pode estar entrando em uma fase de manutenção. Isso preservaria seu legado, mas reduziria seu papel na fronteira.

O segundo sinal é para onde vão os pesquisadores originais. A realocação para equipes ativas de ciência do Gemini apoiaria o argumento de integração do Google. A transferência para a Isomorphic Labs sugeriria que o desenvolvimento de medicamentos agora fornece o principal lar institucional para a expertise do AlphaFold.

Mais saídas reforçariam as preocupações sobre a perda de capacidade de pesquisa. A mudança de Jumper para a Anthropic já mostra que concorrentes podem recrutar pessoas que entendem como o Google organizou um de seus projetos mais bem-sucedidos.

O terceiro sinal é a validação independente de sistemas científicos baseados no Gemini. O Google apresentou AI co-scientist e AlphaEvolve como exemplos de uma plataforma de descoberta mais ampla. Esses sistemas precisam de avaliação por meio de resultados reproduzíveis, pesquisadores externos e descobertas úteis além das demonstrações internas do Google.

O sistema co-scientist do Google DeepMind usa agentes Gemini para propor e debater hipóteses. Se laboratórios externos puderem validar essas hipóteses de forma consistente, a estratégia de modelos gerais ganhará credibilidade.

Resultados fracos ou inconsistentes exporiam o custo da consolidação. Um modelo geral pode produzir uma linguagem de pesquisa plausível sem igualar a confiabilidade de um sistema especializado avaliado com base em estruturas físicas. A utilidade científica depende de evidências, não de fluência conversacional.

Os leitores também devem observar como o Google descreve o AlphaFold. Classificar o projeto como ativo enquanto se recusa a identificar as equipes responsáveis deixaria uma lacuna de responsabilização. Uma titularidade clara é importante para a manutenção do banco de dados, o reporte de segurança, as decisões de acesso e futuras parcerias científicas.

Para desenvolvedores, a lição mais ampla diz respeito à dependência de plataformas. Um modelo amplamente utilizado pode continuar existindo enquanto sua equipe interna muda, mas prioridades, interfaces e regras de acesso ainda podem se alterar. Pesquisadores precisam de fluxos de trabalho reproduzíveis e alternativas para trabalhos críticos.

Para compradores corporativos, a reorganização mostra que o Google quer que o Gemini se torne uma camada comum entre produtos e domínios especializados. Isso pode simplificar a integração, mas também pode concentrar riscos em uma única família de modelos e no roteiro de um único fornecedor.

Para cientistas, a tarefa imediata é separar a manchete da realidade operacional. O AlphaFold continua disponível, e o Google ainda o promove. O grupo que o criou aparentemente já não existe em sua forma original.

A reportagem do engadget google retrata uma reversão real, embora “encerramento” seja amplo demais para a tecnologia em si. O Google dispersou uma equipe vencedora do Nobel enquanto estrutura uma parcela maior de sua estratégia de pesquisa em torno do Gemini.

Agora, a empresa precisa provar que isso é uma evolução, e não uma erosão. Observe a indicação de um responsável pelo AlphaFold, um sucessor técnico verificável e resultados científicos que mostrem que o Gemini pode ampliar pesquisas especializadas sem esvaziá-las.