IA na Pesquisa Científica: Ganhos de Produtividade contra Riscos de Qualidade

IA como Assistente de Pesquisa

AI is a true revolution for many scientific fields, allowing the processing of data and modeling of real-life materials and situations in a way even the most powerful supercomputers could not achieve just a few years ago.

Recent examples include diverse forms of AI being used for:

• Encontrar novos materiais para reatores de fusão nuclear.
• Restaurar a clareza de imagens de telescópios espaciais.
• Otimizar processos de impressão 3D de metal.
• Descobrir novos materiais para células solares, eletrocatálise de hidrogênio, materiais superduros, polímeros e eletrólitos de estado sólido.

Essas aplicações geralmente dependem de modelos de IA altamente especializados, finamente treinados 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 Escala) generalistas. Atualmente, eles são usados principalmente para escrever e melhorar textos, bem como para realizar consultas avançadas e legíveis em comparação com os motores de busca tradicionais.

Em teoria, isso deveria se aplicar não apenas a redações de estudantes, poesias ruins e apresentações em PowerPoint, mas também à pesquisa científica e a artigos publicados.

Isso, porém, pode ser uma faca de dois gumes, como explicado em uma análise recente publicada na prestigiosa revista científica Science¹, intitulada “Produção científica na era dos grandes modelos de linguagem”.

Nessa análise, pesquisadores da Universidade da Califórnia e da Universidade Cornell observaram a produção de cientistas que utilizam LLMs em comparação com seu trabalho anterior. Eles descobriram que, embora o uso de LLMs possa melhorar a qualidade dos artigos científicos, também gera um volume maior de pesquisas de baixa qualidade, agravando os problemas existentes na academia.

Detectando o Uso de IA em Artigos de Pesquisa Científica

O primeiro desafio é determinar quão difundido está o uso de LLMs na escrita científica e quem o está utilizando.

Não surpreendentemente, esses não são dados que os pesquisadores admitem espontaneamente, pois as ferramentas ainda são novas e podem ser propensas a erros, especialmente em relação a dados técnicos ou tópicos de nicho.

Os pesquisadores compilaram mais de 2 milhões de artigos de grandes bases de dados científicas como arXiv, bioRxiv e a Social Science Research Network (SSRN), datados de janeiro de 2018 até junho de 2024.

Em seguida, compararam artigos publicados antes de 2023 — presumidos como escritos por humanos — com texto gerado por IA.

Usando 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. Em seguida, acompanharam o volume de publicações desses cientistas antes e depois de adotarem as ferramentas, e se esses artigos foram posteriormente aceitos por revistas científicas.

Impacto da IA na Pesquisa Científica

Deslize para rolar →

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 identificados como usuários de LLMs publicaram aproximadamente um terço a mais de artigos do que aqueles que não pareciam usar IA. No bioRxiv e SSRN, o aumento ultrapassou 50%.

Considerando que a cultura de “publicar ou perecer” determina as trajetórias de carreira da maioria dos cientistas, esse aumento de volume tem um impacto sério nas trajetórias profissionais.

Outra percepção é que o impulso foi mais forte para cientistas presumidos como falantes não 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 começaram a usar LLMs.

Isso faz sentido; muitos cientistas são tecnicamente brilhantes e capazes de ler inglês (um requisito na academia moderna), mas podem ter dificuldade em construir frases claras e elegantes em um segundo idioma.

O uso generalizado de LLMs poderia nivelar o campo de jogo para falantes não nativos, ajudando pesquisas de alta qualidade a ganhar reconhecimento internacional independentemente da fluência linguística do autor.

Melhor Descoberta do Conhecimento Científico

LLMs também podem ser usados para encontrar artigos relevantes a um tópico específico, utilizando IAs especializadas como Elicit, ResearchRabbit ou Scite.

Uma parte significativa da pesquisa científica consiste em encontrar e ler outros artigos para deduzir informações ou identificar protocolos experimentais que podem ser reutilizados em novos contextos.

As IAs geralmente favorecem artigos mais recentes e dão menos peso ao número de citações em comparação com motores de busca tradicionais. Dessa forma, oferecem uma alternativa para cientistas que buscam novas ideias ou experimentos menos discutidos.

“Pessoas que usam LLMs estão conectando-se a conhecimentos mais diversos, o que pode estar impulsionando ideias mais criativas.”

Keigo Kusumegi, estudante de doutorado na Cornell University

Essa hipótese poderia ser testada no futuro verificando se artigos escritos com assistência de IA possuem bibliografias mais diversas ou são mais inovadores e interdisciplinares.

IA como uma Nova Questão na Ciência & Academia

Nos últimos anos, a pesquisa científica — especialmente nas ciências sociais — tem enfrentado uma crise de replicabilidade.

Porque os resultados de muitos artigos não podem ser reproduzidos por outros pesquisadores, estudos que parecem sérios podem ser falhos ou até fraudulentos. Isso tem sido 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, ajudava a distinguir pesquisas bem escritas de análises de baixa qualidade.

Em contraste, artigos escritos com assistência de IA atualmente têm menor probabilidade de serem aceitos por revistas.

No geral, isso ameaça desvincular ainda mais a métrica de “artigos publicados” do talento real de um pesquisador. Editores e revisores podem ter dificuldade em identificar as submissões mais valiosas, especialmente à medida que a IA se torna cada vez mais eficiente e semelhante a humanos.

Por fim, volumes massivos de “lixo” — artigos de pesquisa falsos, mas com aparência plausível — podem ser gerados por IA. Esse risco não se limita às redes 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 efetivamente. É quase impossível banir LLMs dos laboratórios de pesquisa, e a detecção só se tornará mais difícil.

A adaptação e o uso produtivo da IA na escrita científica serão o tema definidor daqui em diante.

“Já agora, a questão não é ‘Você usou IA?’ A questão é ‘Como exatamente você usou IA, e isso foi útil?'”

As práticas de contratação na ciência podem se beneficiar de um retorno a métricas qualitativas, como entrevistas aprofundadas e testes técnicos, em vez de depender apenas do volume de publicações.

Da mesma forma, revisores e revistas científicas precisam se adaptar. Potencialmente, sistemas que verifiquem se uma submissão provém de um laboratório de pesquisa legítimo antes da análise podem ser necessários para bloquear 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 principal critério para avaliar a qualidade.

Investindo em Inovação de IA

Nvidia

A Nvidia evoluiu de uma empresa de placas gráficas voltada para gamers para a maior empresa do mundo, graças ao seu papel central em fornecer 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. “CUDA”, uma interface de programação de uso geral para as GPUs da Nvidia, abriu a porta para usos além de jogos, pavimentando o caminho para as aplicações de IA atuais.

“Os pesquisadores perceberam que ao comprar esta placa de jogos chamada GeForce, você a adiciona ao seu computador e, essencialmente, tem um supercomputador pessoal.

Dinâmica molecular, processamento sísmico, reconstrução de TC, processamento de imagens — uma série de coisas diferentes.”

Jensen Huang, em entrevista com a Sequoia

É provável que o hardware da Nvidia, seja diretamente ou incorporado nas nuvens da Microsoft (MSFT ), Google, Meta e OpenAI, continue sendo o hardware de escolha para pesquisadores.

Espera‑se que o capex de IA alcance até US$ 200 bilhões em 2025, além dos gastos cumulativos cada vez maiores das maiores empresas de tecnologia. Outros componentes eletrônicos, como RAM de alto desempenho, estão agora em escassez à medida que a produção de chips da Nvidia aumenta.

Embora a pesquisa científica possa não representar a maior parte da computação de IA em comparação com usos consumidores ou B2B, ela pode se tornar o motor de longo prazo mais impactante, prometendo novas ligas, medicamentos e metodologias científicas.

(Você pode ler mais sobre a história da Nvidia, o negócio atual e as perspectivas futuras em nosso relatório de investimento dedicado à empresa.)

Estudo Referenciado

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Produção científica na era dos grandes modelos de linguagem. Science. 18 Dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000}