As plantas, assim como os animais, utilizam sinais elétricos para transportar informações sobre seu estado fisiológico por todo o corpo, desde as raízes até os galhos. Essas sinais são os mesmos que permitiram, nas décadas passadas, a criação de dispositivos capazes de "ouvir" uma planta e usar seus impulsos para mover um vaso em direção à luz ou disparar um alarme quando o solo seca. O que mudou radicalmente em outubro de 2026 foi a capacidade de interpretar esses sinais em escala. A Electric Plant Company, startup de São Francisco que emergiu do stealth nesta semana, apresentou o Bombadil — o primeiro modelo fundamental (foundation model) de aprendizado de máquina dedicado à electrophysiologia vegetal — treinado em mais de 4 milhões de horas de sinais elétricos registrados em 100 espécies diferentes em dez ambientes distintos, incluindo laboratórios, estufas comerciais, pomares e florestas naturais.
O modelo foi desenvolvido por uma equipe liderada pelo CEO Justin Mast, fundador anterior da Bloomscape, uma empresa de venda de plantas online, e pelo cientista-chefe Lee von Kraus, neurocientista que trabalhou com a DARPA e a Agência de Proteção Ambiental dos Estados Unidos. A abordagem que adotaram é análoga à que transformou o processamento de linguagem natural e a visão computacional: em vez de treinar modelos específicos para cada tarefa, como fizeram muitos grupos de pesquisa anteriores — cada um focado em prever apenas seca, ou apenas uma única espécie — eles construíram um backbone generalista que aprende a estrutura fundamental dos sinais elétricos vegetais de forma autossupervisionada, sem necessidade de rótulos.
O hardware da Electric Plant consiste em um sensor chamado "Bud", um dispositivo de baixo custo que se fixa ao caule da planta e registra continuamente sinais elétricos brutos. Os eletrodos são inseridos o suficiente para penetrar nos tecidos de xilema e floema, os canais que conduzem sinais elétricos nas plantas. O tamanho do fio varia conforme a espécie: para plantas de caule carnudo, utilizam-se fios de 28 gauge com cobertura Ag/AgCl ou aço inoxidável; para plantas lenhosas, usam-se parafusos de aço inoxidável. O sensor transmite os dados brutos para a nuvem, onde o Bombadil decodifica os sinais e estima sete marcadores fisiológicos de estresse: eficiência do fotossistema II, temperatura foliar relativa ao ar ambiente, Índice de Estresse Hídrico da Planta (CWSI), entre outros parâmetros estabelecidos pela literatura de fisiologia vegetal.
O que torna o Bombadil verdadeiramente diferente dos modelos anteriores de electrophysiologia vegetal, conforme detalhado no paper técnico publicado no arXiv (arXiv:2610.26597) por James Kirk, Piotr Bednarski, Filip Twardy, Justin Mast e Lee von Kraus, é a sua capacidade de generalização. O modelo foi capaz de estimar indicadores fisiológicos em espécies que nunca viu durante o pré-treinamento — um resultado que, segundo os autores, supera significativamente qualquer modelo ponto-a-ponto treinado exclusivamente para uma única espécie ou tarefa. Isso é particularmente relevante para o cenário agrícola global, onde existem centenas de milhares de espécies cultivadas, cada uma com respostas fisiológicas distintas a diferentes tipos de estresse.
A Electric Plant Company levantou US$ 11,2 milhões em uma rodada seed liderada pela Onto Ventures e Climactic, com participação da Ponderosa Partners, Endeavor Catalyst, e outros investidores anjo. O modelo Bombadil é capaz de interpretar sinais elétricos em aproximadamente 125 espécies diferentes — desde samambaias e sequoias até tomates e dálias — e a empresa planeja expandir continuamente seu conjunto de dados e suas capacidades. O fundador Justin Mast afirmou em entrevista à TechCrunch que "sabemos que o modelo vai superar muito dessa [instrumentação tradicional]".
A ciência por trás do Bombadil não é nova. A electrophysiologia vegetal tem décadas de pesquisa publicada que sustenta a ideia de que plantas produzem sinais elétricos em resposta a estímulos ambientais. O que é novo é a escala e a abordagem de aprendizado profundo aplicada ao problema. Até recentemente, cada modelo de machine learning era treinado para prever um único estado de estresse em uma única espécie, em um único ambiente. O Bombadil muda esse paradigma ao aprender os fundamentos dos sinais elétricos vegetais em massa, de forma generalista, e depois aplicar esse conhecimento a novas espécies e novas tarefas através de "heads" adicionais que se conectam ao backbone pré-treinado.
Os autores também destacam limitações importantes. Nenhum dos registros no dataset dura mais de três meses por planta, o que significa que a variação sazonal e o ciclo completo de vida das plantas não estão totalmente representados. Futuras extensões do modelo incluem a coleta de dados em mais estações do ano, o acréscimo de novos marcadores fisiológicos e a evolução da arquitetura para ler vários sensores simultaneamente em vez de combinar estimativas post hoc. Mas o marco já existe: pela primeira vez, um modelo de aprendizado profundo consegue generalizar através de espécies vegetais radicalmente diferentes para inferir seu estado fisiológico a partir de sinais elétricos puros.
O que a electrophysiologia vegetal com IA revela sobre o futuro da agricultura? Talvez mais importante que a aplicação prática imediata seja a mudança de perspectiva que ela representa: plantas não são máquinas passivas que apenas "absorvem" luz e água — elas são sistemas eletrofisiológicos ativos que comunicam continuamente seu estado ao ambiente, e agora finalmente temos a capacidade técnica de "ouvir" de forma sistemática e escalável. A pergunta que fica é se, assim como os modelos de linguagem aprenderam a produzir texto coerente a partir de sequências de símbolos, os modelos de electrophysiologia vegetal aprenderão a produzir predições precisas sobre o comportamento e as necessidades das plantas — e, em algum ponto do futuro, se será possível, literalmente, conversar com elas.
Fontes: arXiv, TechCrunch, BusinessWire
✓ Fontes independentes cruzadas e verificadas antes da publicação
