Inteligência artificial
Inteligência Artificial na Pesquisa Científica: Ganhos de Produtividade versus Riscos à Qualidade
O Securities.io mantém padrões editoriais rigorosos e pode receber remuneração por links revisados. Não somos um consultor de investimentos registrado e este conteúdo não é um aconselhamento de investimento. Consulte nossa divulgação afiliada.
IA como assistente de pesquisa
A inteligência artificial é uma verdadeira revolução para muitos campos científicos, permitindo o processamento de dados e a modelagem de materiais e situações da vida real de uma forma que nem mesmo os supercomputadores mais poderosos conseguiam há poucos anos.
Exemplos recentes incluem diversas formas de IA sendo utilizadas para:
- Busca por novos materiais para reatores de fusão nuclear.
- Restaurando a nitidez da imagem do telescópio espacial.
- Otimizando os processos de impressão 3D em metal.
- Descobrindo novos materiais para células solares, eletrocatalisadores de hidrogênio, materiais superduros, polímeros e eletrólitos de estado sólido.
Essas aplicações geralmente dependem de modelos de IA altamente especializados, treinados com precisão para examinar uma classe específica de cristal ou processar um conjunto único de imagens.
No entanto, quando falamos de IA, o público em geral costuma pensar em LLMs (Modelos de Linguagem de Grande Porte) generalistas. Atualmente, estes são usados principalmente para escrever e aprimorar textos, bem como para realizar consultas avançadas e legíveis em comparação com os mecanismos de busca tradicionais.
Em teoria, isso deveria se aplicar não apenas a redações de estudantes, poesias ruins e apresentações em PowerPoint, mas também a pesquisas científicas e artigos publicados.
Isso, no entanto, pode ser uma faca de dois gumes, como explica uma análise recente publicada na prestigiada revista científica Science.1, intitulado "Produção científica na era dos grandes modelos de linguagem".
Nesta análise, pesquisadores da Universidade da Califórnia e da Universidade Cornell observaram a produção científica de cientistas que utilizam modelos de aprendizagem baseados em lei (LLMs) em comparação com seus trabalhos anteriores. Eles descobriram que, embora o uso de LLMs possa melhorar a qualidade dos artigos científicos, também gera um volume maior de pesquisas de qualidade inferior, exacerbando problemas já existentes no meio acadêmico.
Resumo
A inteligência artificial está remodelando rapidamente a pesquisa científica, acelerando a escrita, a descoberta e a produtividade. No entanto, essas mesmas ferramentas correm o risco de inundar o meio acadêmico com pesquisas de menor qualidade, desafiando as métricas de avaliação tradicionais e os sistemas de revisão por pares.
Detecção do uso de IA em artigos de pesquisa científica
O primeiro desafio é determinar a prevalência do uso do LLM na escrita científica e quem o está utilizando.
Como era de se esperar, esses não são dados que os pesquisadores admitem espontaneamente, já que as ferramentas ainda são novas e podem ser propensas a erros, especialmente em relação a dados técnicos ou tópicos específicos.
Os pesquisadores compilaram mais de 2 milhões de artigos de grandes bases de dados científicas como arXiv, bioRxiv e Social Science Research Network (SSRN), datados de janeiro de 2018 a junho de 2024.
Em seguida, compararam artigos publicados antes de 2023 — presumivelmente escritos por humanos — com textos gerados por IA.
Utilizando esses dados, eles desenvolveram um modelo para detectar o uso de IA. Com essa ferramenta, determinaram com razoável precisão quais cientistas estão usando LLMs e quando começaram a usá-los. Em seguida, rastrearam o volume de publicações desses cientistas antes e depois da adoção das ferramentas, e se esses artigos foram posteriormente aceitos por periódicos científicos.
Impacto da IA na pesquisa científica
Deslize para rolar →
| Área de Impacto da IA | Efeito positivo | Gestão de |
|---|---|---|
| Escrita de papel | Clareza e velocidade aprimoradas | Maior volume de produção de baixa qualidade. |
| Descoberta de Literatura | Exposição mais ampla e recente à pesquisa | Viés em relação a trabalhos recentes ou não citados |
| Carreiras Acadêmicas | Métricas de produtividade mais elevadas | As métricas se dissociam da habilidade real. |
Maior produtividade
A primeira conclusão é que o uso de LLMs aumenta a produtividade dos cientistas, pelo menos quando medida pelo número de publicações.
No arXiv, os cientistas sinalizados como usuários de modelos de aprendizagem de linguagem (LLMs) publicaram aproximadamente um terço a mais de artigos do que aqueles que aparentemente não utilizavam inteligência artificial. No bioRxiv e no SSRN, o aumento ultrapassou 50%.
Dado que a cultura do "publique ou pereça" dita os rumos profissionais da maioria dos cientistas, esse aumento no volume de publicações tem um impacto significativo nas trajetórias de carreira.
Outra constatação é que o aumento foi mais forte para cientistas que se presume não serem falantes nativos de inglês.
Por exemplo, pesquisadores afiliados a instituições asiáticas publicaram entre 43.0% e 89.3% mais artigos depois que o detector sugeriu que eles começaram a usar LLMs.
Faz sentido; muitos cientistas são tecnicamente brilhantes e capazes de ler inglês (um requisito na academia moderna), mas podem ter dificuldades para construir frases claras e elegantes em um segundo idioma.
O uso generalizado de LLMs poderia nivelar o campo de atuação para falantes não nativos, ajudando pesquisas de alta qualidade a obterem reconhecimento internacional, independentemente da fluência linguística do autor.
Melhor Descoberta do Conhecimento Científico
Os LLMs também podem ser usados para encontrar artigos relevantes para um tópico específico, utilizando IAs especializadas como Elicitar, Pesquisa Coelho, ou Citar.
Uma parte significativa da pesquisa científica consiste em encontrar e ler outros artigos para deduzir informações ou identificar protocolos experimentais que possam ser reutilizados em novos contextos.
Em geral, as IAs priorizam artigos mais recentes e dão menos peso à quantidade de citações em comparação com os mecanismos de busca tradicionais. Dessa forma, elas oferecem uma alternativa para cientistas que buscam novas ideias ou experimentos menos discutidos.
“As pessoas que utilizam o LLM estão se conectando a um conhecimento mais diversificado, o que pode estar impulsionando ideias mais criativas.”
Keigo Kusumegi, estudante de doutorado na Universidade Cornell.
Essa hipótese poderia ser testada no futuro, verificando se os artigos escritos com auxílio de IA possuem bibliografias mais diversificadas ou são mais inovadores e interdisciplinares.
Inteligência Artificial como um Novo Tema na Ciência e na Academia
Nos últimos anos, a pesquisa científica — especialmente nas ciências sociais — tem enfrentado uma crise de replicabilidade.
Como os resultados de muitos artigos não podem ser reproduzidos por outros pesquisadores, estudos que, de outra forma, pareceriam sérios, podem ser falhos ou até mesmo fraudulentos. Isso foi descrito como uma “crise existencial para a ciência”.
Historicamente, a escrita complexa — incluindo frases mais longas e vocabulário sofisticado — tem sido uma heurística para pesquisas de maior qualidade. Embora não seja infalível, ajudou a distinguir pesquisas escritas com maestria de análises de má qualidade.
Em contrapartida, artigos escritos com auxílio de IA têm atualmente menor probabilidade de serem aceitos por periódicos.
Em geral, isso ameaça dissociar ainda mais a métrica de "artigos publicados" do talento real de um pesquisador. Editores e revisores podem ter dificuldades para identificar as submissões mais valiosas, especialmente à medida que a IA se torna cada vez mais eficiente e semelhante à humana.
Por fim, volumes massivos de "lixo" — artigos de pesquisa falsos, mas com aparência plausível — podem ser gerados por meio de IA. Esse risco não se limita às mídias sociais; é um problema significativo para a pesquisa científica, onde o tempo dos revisores já era um recurso escasso antes do surgimento dos LLMs.
O que a IA significa para o futuro da pesquisa científica
Como a IA é uma ferramenta, os pesquisadores precisam aprender a usá-la de forma eficaz. É praticamente impossível banir os LLMs dos laboratórios de pesquisa, e a detecção só tende a se tornar mais difícil.
A adaptação e o uso produtivo da IA na escrita científica serão o tema definidor daqui para frente.
“Agora, a pergunta não é mais 'Você usou IA?', mas sim 'Como exatamente você usou IA e isso foi útil?'”
As práticas de contratação na área científica podem se beneficiar de um retorno a métricas qualitativas, como entrevistas aprofundadas e testes técnicos, em vez de se basearem exclusivamente no volume de publicações.
Da mesma forma, os revisores e as revistas científicas precisam se adaptar. Potencialmente, sistemas que verifiquem se um artigo submetido provém de um laboratório de pesquisa legítimo antes da análise podem ser necessários para impedir a produção em massa de artigos falsos.
Em última análise, uma compreensão profunda dos elementos técnicos de um artigo, em vez da elegância linguística, se tornará o elemento primordial na avaliação da qualidade.
Investindo em Inovação em IA
Investidor para levar
A produtividade da pesquisa impulsionada por IA pode não se traduzir diretamente em resultados de maior qualidade. Os vencedores a longo prazo serão as empresas que viabilizam computação, infraestrutura e validação — e não apenas a geração de conteúdo. A Nvidia continua sendo fundamental para essa tese.
Nvidia
A Nvidia evoluiu de uma empresa de placas gráficas voltada para jogadores para a maior empresa do mundo, graças ao seu papel central no fornecimento de soluções para jogos. Hardware de IA para toda a indústria tecnológica.
Como pioneira em hardware dedicado à IA, a Nvidia foi a primeira a ajudar pesquisadores a aproveitar essas ferramentas. O "CUDA", uma interface de programação de propósito geral para GPUs da Nvidia, abriu as portas para usos além dos jogos, pavimentando o caminho para as aplicações de IA atuais.
“Os pesquisadores perceberam que, ao comprar esta placa de vídeo para jogos chamada GeForce, você a adiciona ao seu computador, você basicamente tem um supercomputador pessoal.
Dinâmica molecular, processamento sísmico, reconstrução por TC, processamento de imagens — um monte de coisas diferentes.”
É provável que o hardware da Nvidia, seja diretamente ou incorporado às nuvens da Microsoft, Google, Meta e OpenAI, continue sendo a opção preferida dos pesquisadores.
O investimento em IA é esperado para atingir até US$ 200 bilhões em 2025Além dos gastos cumulativos cada vez maiores das maiores empresas de tecnologia, outros componentes eletrônicos, como memória RAM de alto desempenho, estão em falta devido ao aumento da produção de chips da Nvidia.
Embora a pesquisa científica possa não representar a maior parte do poder computacional da IA em comparação com os usos para consumidores ou empresas, ela poderá se tornar o fator de maior impacto a longo prazo, prometendo novas ligas metálicas, medicamentos e metodologias científicas.
Estudo Referenciado
1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart e Yian Yin. Produção científica na era dos grandes modelos de linguagem. Ciência. 18 de dezembro de 2025. Vol. 390, Edição 6779, pp. 1240-1243. DOI: 10.1126/science.adw3000
