ScientistOne Zero Referências: Análise da Cadeia de Evidências

Citações acadêmicas deveriam ser recibos, não almofadas decorativas. Ainda assim, pesquisas geradas por IA desenvolveram o charmoso hábito de grampear recibos falsos em textos muito confiantes, e é assim que surgem artigos que parecem ter sido revisados por pares por um comitê de fontes tipográficas. É por isso que vale a pena parar para observar o resultado relatado do ScientistOne. A Crypto Briefing diz que o novo framework do Google registrou zero referências alucinadas em 75 artigos avaliados, um número que soa como o equivalente, em citações, a um exame antidoping limpo. O ponto importante não é que as referências foram formatadas bonitinho. O ponto importante é que o sistema foi construído para manter as evidências ligadas às afirmações antes que o manuscrito se tornasse um pequeno mentiroso bem polido.

O número chama atenção, mas o mecanismo é o ponto

O Google Research apresentou o Science One Framework em 30 de julho de 2026, com Rui Meng e Tomas Pfister descrevendo-o como um protótipo experimental de pesquisa projetado para eliminar alucinações ao construir, de forma nativa, cadeias de evidências verificáveis. A mesma publicação do Google Research também apresentou o CoE Audit, um protocolo automatizado para avaliar a integridade de artigos gerados por IA. Em outras palavras, o sistema não está apenas ensinando o modelo a dizer “por favor, consulte o Apêndice A” com um sotaque mais professoral.

A AlphaSignal relata que o framework é construído com base em Chain-of-Evidence, que exige que toda afirmação em um artigo gerado por IA possa ser rastreada até uma fonte de evidência fundamentada no momento em que é produzida. Esse momento importa. Se a proveniência é acrescentada depois da geração, você não está exatamente verificando uma afirmação; está pedindo ao modelo para fazer cosplay de bibliotecário depois que ele já reorganizou as estantes com um soprador de folhas.

O zero relatado de referências alucinadas em 75 artigos avaliados, citado pela Crypto Briefing, portanto, deve ser lido principalmente como um resultado arquitetural. Ele diz menos sobre uma formulação mágica e mais sobre disciplina de fluxo de trabalho. Agentes de pesquisa precisam do equivalente a controle de versão para afirmações, em que cada frase com peso científico tenha um histórico de commits.

O bug das citações falsas nunca foi apenas um bug de bibliografia

O Google Research enquadra o problema em torno de agentes autônomos que conseguem conduzir fluxos de trabalho completos de pesquisa científica de ponta a ponta. A publicação observa que sistemas recentes, incluindo o AI-Scientist da Sakana, AutoResearchClaw, DeepScientist e AI-Researcher, conseguem revisar literatura, formular hipóteses, executar experimentos e escrever manuscritos completos comparáveis a artigos escritos por humanos. Isso é impressionante, e também é exatamente quando as tábuas do assoalho começam a ranger.

Como o Google Research coloca em sua própria análise, a qualidade superficial dos manuscritos melhorou, enquanto a verificabilidade se tornou o problema estrutural. A geração iterativa significa que erros introduzidos em uma etapa podem ser amplificados mais tarde, como um erro de digitação em uma planilha que cresce, consegue estabilidade acadêmica e começa a orientar estudantes de pós-graduação.

Alguns sistemas existentes conseguem gerar citações inexistentes, segundo a publicação do Google Research, o que é a versão acadêmica de nomear seu amigo imaginário como coautor. É por isso que a formatação de citações é a colina errada para defender até o fim. Uma referência bem formatada a um artigo inexistente continua sendo ficção, só que com itálico. O problema de engenharia mais difícil é manter links entre literatura, afirmações, experimentos, resultados e artefatos de código à medida que o agente avança pelo fluxo de trabalho de pesquisa.

Auditorias vencem impressões vagas

O Google Research diz que o CoE Audit é um protocolo automatizado para avaliar a integridade de artigos gerados por IA. Essa é a parte que os construtores deveriam sublinhar duas vezes, de preferência sem deixar o modelo escolher a cor do marca-texto. Uma ferramenta de pesquisa verificável precisa de uma forma de inspecionar se as afirmações do artigo gerado realmente se conectam de volta às evidências, em vez de pedir aos usuários que confiem na máquina de parágrafos fluentes porque ela parece ter um paletó de tweed.

A AlphaSignal descreve o objetivo como tornar a pesquisa gerada por IA reprodutível e verificável por meio de Chain-of-Evidence. A lição útil não é que um framework resolva a verdade científica para sempre, porque, por favor, todos nós sobrevivemos à temporada de benchmarks. A lição útil é que a verificação precisa fazer parte do substrato de geração: registros de recuperação, logs de avaliadores, rastros de implementação e proveniência no nível das afirmações precisam ser objetos de primeira classe, não enfeites de rodapé.

Para equipes de produto que constroem assistentes de pesquisa, isso muda a lista de verificação. Não pergunte apenas se o modelo consegue resumir artigos. Pergunte se cada afirmação do resumo pode ser rastreada até uma fonte no momento da criação, se afirmações numéricas têm respaldo de avaliação e se uma auditoria posterior pode reprovar a saída antes que um humano desperdice uma tarde depurando uma trilha de citações alucinada.

O que os construtores devem observar a seguir

A cobertura da KuCoin enquadra o ScientistOne como uma resposta ao problema de credibilidade na pesquisa gerada por IA, em que sistemas conseguem produzir artigos acadêmicos de forma autônoma, mas ainda têm dificuldades com confiança. Esse enquadramento é útil porque o mercado de ferramentas científicas não será vencido por quem produzir o PDF mais confiante. Ele será vencido por ferramentas que tornam a incerteza inspecionável e a evidência barata de verificar.

A próxima coisa a observar é se outros sistemas autônomos de pesquisa adotarão mecanismos comparáveis de cadeia de evidências e publicarão avaliações que vão além de manuscritos bonitos. Para leitores que constroem escrita com IA, RAG, fluxos de trabalho agênticos ou ferramentas de laboratório, a lição é agradavelmente direta: proveniência é um recurso de produto, não confete de conformidade. A bibliografia nunca foi o recibo. Era o papel de presente.