Pesquisador relata uso de inteligência artificial em experimentos numéricos e redação de artigos científicos
10 de novembro de 2026 · 3 min de leitura
Também publicado em Italiano, Français, Nederlands
Um pesquisador utilizou ferramentas de inteligência artificial para conduzir experimentos numéricos e formatar artigos no âmbito de trabalhos de investigação científica exploratória. O autor identificou vantagens e limitações na colaboração com modelos de linguagem durante o processo de desenvolvimento algorítmico e validação de resultados matemáticos.
O ambiente de trabalho descrito envolveu o emprego do modelo Gemini acessado através do navegador Google Chrome, combinado com a linguagem de programação Python. A interação ocorreu em um contexto definido como trabalho de busca, caracterizado pela ausência de um plano rígido a ser seguido do início ao fim e por prazos de conclusão não estritamente determinados. Devido a essa flexibilidade necessária e à indefinição prévia das áreas de aplicação, a abordagem adotada assemelha-se mais à metodologia ágil do que ao modelo em cascata tradicional.
O objetivo principal dos experimentos numéricos realizados com auxílio da inteligência artificial não foi apenas acumular dados para criar novas hipóteses ou confirmar existentes. O foco central consistiu em determinar o tempo de execução, o consumo de memória operacional e a consideração do ruído ambiental, incluindo a influência do sistema operacional e de processos em segundo plano, durante a execução dos algoritmos desenvolvidos. Dessa forma, buscou-se quantificar os custos de recursos computacionais necessários para os cálculos.
Apesar de declarar não dominar perfeitamente a linguagem Python, o pesquisador atuou como testador utilizando o método de caixa preta. Essa prática envolveu a leitura do código gerado e, predominantemente, a execução repetida desse código com diversos conjuntos de dados de entrada, seguida pela emissão de instruções para correção. Uma técnica específica observada foi a promoção de diálogos entre duas sessões distintas da inteligência artificial, abertas em abas diferentes do navegador. Nesse procedimento, informações de uma sessão eram copiadas e inseridas na outra para fomentar um debate que pudesse revelar inconsistências.
Segundo a experiência relatada, quando diferentes sessões do modelo fornecem respostas divergentes para uma questão com apenas uma solução logicamente correta, conclui-se que todas estão erradas ou apenas uma está certa. Observou-se que, em média, duas sessões de inteligência artificial convergem para uma opinião comum após três a quatro trocas de informações. Mesmo quando esse consenso resulta em um erro, a reprodução constante do mesmo equívoco auxilia na localização da falha e na identificação de suas causas raiz.
Foi notado que, após certo ponto de operação, uma sessão pode começar a apresentar lentidão ou cometer erros acumulativos. Tentativas de corrigir essas falhas mediante instruções do usuário frequentemente resultam no surgimento de novos erros, tornando necessário o reinício da sessão. Além disso, o próprio modelo alertou que não possui uma unidade lógica e aritmética interna para executar operações matemáticas reais. A inteligência artificial apenas recria o rastro textual de como um cálculo geralmente aparece na internet, o que significa que alterações no formato da tarefa ou fórmulas não padronizadas podem levar a confusões e resultados incorretos, especialmente quando se tenta obter cálculos sem a geração explícita de código.