Ontem participei da reunião de pesquisadores do CIDACS/Fiocruz Bahia, que teve como tema:

“Inteligência Artificial e produção científica: dilemas, debates, desafios e potencialidades”.

O encontro foi mediado pelo Prof. Maurício Lima Barreto e reuniu pesquisadores para discutir como a inteligência artificial está transformando os modos de produção, validação e circulação do conhecimento científico.

Participei ao lado do pesquisador Alexandre Chiavengatto em uma conversa sobre IA, pesquisa científica, autoria, contexto, modelos de linguagem e os impactos dessas tecnologias na universidade e na saúde digital.

Foi uma experiência muito rica poder dialogar com pesquisadores do CIDACS sobre os desafios epistemológicos, técnicos e institucionais colocados pela IA no campo científico.

A postagem abaixo foi produzida em coescrita com IA.

Através do uso de transcrições automáticas, revisão textual e construção de contexto, o texto foi elaborado a partir do acúmulo de pesquisas, aulas, anotações e debates anteriores, utilizando modelos de linguagem para organização, revisão e expansão textual.

Esses experimentos fazem parte de investigações sobre processos ampliados de memória, documentação e construção de contexto para sistemas de inteligência artificial.

Resumo detalhado da minha palestra no CIDACS/Fiocruz Bahia

Na minha fala no CIDACS, procurei discutir a inteligência artificial não apenas como uma ferramenta técnica, mas como uma transformação profunda da nossa ecologia cognitiva — ou seja, da forma como organizamos conhecimento, linguagem, memória, pesquisa e produção científica.

Logo no início, destaquei que me aproximei da IA generativa de maneira relativamente recente. Apesar de estudar cultura digital há mais de vinte anos, a IA não estava no centro das minhas pesquisas até o surgimento do ChatGPT no final de 2022. O impacto da IA generativa me surpreendeu profundamente e, desde então, passei a experimentar intensamente essas tecnologias, tanto do ponto de vista conceitual quanto pedagógico.

IA como transformação da ecologia cognitiva

Um dos pontos centrais da palestra foi questionar a ideia simplista da IA como mera ferramenta. Argumentei que a IA deve ser compreendida de forma semelhante à escrita ou à fala: tecnologias que reorganizam a forma como pensamos, comunicamos e produzimos conhecimento. Não costumamos chamar a escrita de “ferramenta”, embora ela seja uma tecnologia. A IA, da mesma forma, não atua apenas como instrumento externo, mas como elemento que transforma profundamente nossos processos cognitivos e científicos.

Para ilustrar isso, utilizei uma sequência de quatro imagens conceituais:

Para ilustrar isso, utilizei uma sequência de quatro imagens conceituais:

1. Uma cientista tentando montar um gigantesco quebra-cabeça do universo, correndo contra o tempo.
2. A mesma cientista agora acompanhada por um ajudante artificial.
3. Um agente de IA trabalhando sozinho.
4. A cientista em casa, cuidando do jardim, da família e da vida cotidiana, enquanto o agente continua trabalhando.

Essas cenas serviam como metáfora para refletir sobre as narrativas contemporâneas da ciência e do trabalho intelectual diante da automação crescente.

Genealogia e tipos de IA

Também procurei mostrar que o debate atual sobre IA não pode ser reduzido apenas à IA generativa. Fiz uma breve genealogia histórica da inteligência artificial, passando pela cibernética, pela IA simbólica dos anos 1950, pelo avanço computacional, pelas redes digitais e pela explosão contemporânea de dados.

Expliquei que hoje convivemos com diferentes tipos de IA:

• IA preditiva;
• IA de recomendação;
• IA de busca;
• IA generativa;
• IA robótica e industrial;
• agentes autônomos.

Também destaquei como essas tecnologias estão se hibridizando. O ChatGPT, por exemplo, inicialmente era predominantemente generativo; depois incorporou mecanismos de busca. Ao mesmo tempo, o próprio Google começou a incorporar modelos generativos em seu buscador.

DeepMind, AlphaGo e a IA científica

Uma parte importante da palestra foi dedicada à família Alpha da DeepMind. Argumentei que essa linhagem de IA talvez seja uma das mais importantes para pensar o impacto da inteligência artificial na ciência contemporânea.

Expliquei a trajetória do AlphaGo e do AlphaZero. Inicialmente, esses sistemas aprendiam observando partidas humanas. Depois, passaram a desenvolver estratégias próprias apenas a partir das regras do jogo, sem depender diretamente de exemplos humanos. Esse movimento é importante porque sugere a possibilidade de exploração autônoma de soluções e hipóteses.

A partir daí, conectei esse processo aos projetos científicos da DeepMind, especialmente os ligados ao estudo de proteínas e DNA, mostrando como essas tecnologias estão sendo direcionadas para problemas científicos complexos.

IA co-cientista e geração de hipóteses

Outro exemplo que apresentei foi o caso do chamado modelo “co-cientista”, associado ao Google, e o experimento envolvendo José Penadés. Relatei que o modelo conseguiu chegar a hipóteses semelhantes às produzidas por pesquisadores humanos, mesmo antes de o artigo correspondente estar disponível publicamente.

Esse caso me parece importante porque questiona uma crítica recorrente à IA: a ideia de que ela apenas reproduz ou recombina conteúdos já existentes. Quando o modelo chega a hipóteses ainda não publicadas, surge uma questão mais complexa sobre criatividade, inferência e descoberta científica mediada por IA.

Também mencionei o caso da startup Lila Sciences, que tenta construir ecossistemas completos de pesquisa mediados por IA, envolvendo geração de hipóteses, experimentação, testes e produção de patentes.

Replicabilidade científica e crise da revisão

Outro eixo forte da palestra foi a discussão sobre replicabilidade na ciência. Comentei estudos que utilizam IA para avaliar a confiabilidade de artigos científicos e identificar padrões de fragilidade metodológica.

O que mais me chamou atenção nesses casos foi o diagnóstico estrutural: produzimos muitos artigos, mas fazemos pouca replicação efetiva dos experimentos e resultados. A ciência valoriza fortemente a novidade, enquanto a reprodução e a verificação acabam sendo negligenciadas. Nesse sentido, a IA acaba revelando problemas internos do próprio ecossistema científico.

IA e matemática avançada

Também trouxe exemplos citados por Marcelo Viana sobre modelos de IA resolvendo problemas avançados de matemática. A matemática sempre foi vista como uma fronteira importante da inteligência humana, justamente por exigir um tipo sofisticado de abstração formal.

O interessante é que alguns matemáticos reagiram de forma muito tranquila, vendo a IA como uma espécie de calculadora extremamente sofisticada capaz de colaborar na resolução de problemas difíceis.

Bruno Latour e os não humanos

Uma parte importante da minha reflexão foi inspirada em Bruno Latour. Argumentei que a ciência costuma ser narrada de forma excessivamente humanocêntrica. Falamos dos cientistas, dos autores e das instituições, mas esquecemos os elementos não humanos envolvidos na produção do conhecimento: laboratórios, equipamentos, bancos de dados, algoritmos, gráficos, sensores e agora também IAs.

Usei a metáfora do futebol: normalmente falamos dos jogadores e técnicos, mas esquecemos da bola, do campo, do vento e das condições materiais do jogo. Sem esses elementos não humanos, não existe partida. Da mesma forma, não existe ciência puramente humana.

Experimento com Codex, Linux e Obsidian

Apresentei também um experimento pessoal envolvendo o Codex, Linux e o Obsidian. Mostrei como utilizei modelos para organizar automaticamente mais de 60 artigos e livros, produzindo resumos, categorias, marcações e clusters conceituais navegáveis.

Expliquei que antes eu fazia esse processo manualmente: lia, marcava, organizava fichamentos e criava conexões conceituais de forma artesanal. Com IA, consegui transformar uma pasta caótica de textos em um sistema navegável de conhecimento interligado.

A ideia não era defender substituição da pesquisa humana, mas mostrar como essas tecnologias podem reorganizar radicalmente nossa relação com arquivos, bibliografias e grandes conjuntos de dados.

Pierre Lévy, contexto e inteligência coletiva

Depois trouxe Pierre Lévy para pensar a relação entre dados, informação, conhecimento e digitalização. A partir de Lévy, destaquei como cada transformação tecnológica reorganiza a forma como o conhecimento é estruturado socialmente.

Argumentei que hoje o elemento central dessa nova etapa é o contexto. O contexto deixou de ser apenas pano de fundo e passou a influenciar diretamente o funcionamento das IAs. Um modelo treinado em determinado ambiente cultural, científico ou linguístico pode produzir respostas muito diferentes em outro contexto.

Contexto, personalização e simbiose com IA

Expliquei também que a experiência de uso da IA muda profundamente conforme o processo de personalização. Uma IA “default” é muito diferente de uma IA construída ao longo do tempo em interação contínua com o usuário.

Na minha experiência, há um processo simbiótico: eu educo o modelo e o modelo também me educa. Com o tempo, ele passa a compreender meus conceitos recorrentes, meus autores, meu estilo de escrita, minhas pesquisas e meus interesses. Isso produz respostas muito diferentes daquelas que outra pessoa obteria usando o mesmo sistema.

Esse aspecto me parece extremamente importante para pensar ciência, metodologia e produção de conhecimento mediada por IA.

Yuk Hui, cosmotécnica e diversidade tecnológica

Também trouxe Yuk Hui para pensar a ideia de cosmotécnica e diversidade tecnológica. Argumentei que frequentemente tratamos a tecnologia como se existisse apenas um único caminho tecnológico universal — geralmente associado às Big Techs norte-americanas.

Ao olhar para a China, por exemplo, percebemos estratégias muito diferentes de incorporação da IA na saúde, educação e vida cotidiana. Isso nos obriga a pensar que talvez existam múltiplas formas de desenvolvimento tecnológico e que precisamos construir caminhos próprios ligados ao nosso contexto social, cultural e político.

Conclusão da palestra

Concluí retomando a metáfora inicial da cientista e da ampulheta. Argumentei que o desafio talvez não seja simplesmente delegar o trabalho intelectual à IA, mas reorganizar coletivamente nosso tempo, nossa produção científica e nossa relação com o conhecimento.

Vivemos hoje uma lógica de hiperprodução acadêmica e burnout constante. Produzimos artigos em excesso, revisamos pouco, replicamos pouco e acumulamos informação de maneira quase insustentável. A IA pode aprofundar esse problema, mas também pode abrir espaço para uma reorganização mais saudável da produção do conhecimento.

Meu argumento final foi que precisamos aprender a coexistir (imagem da capa) criticamente com essa nova ecologia cognitiva, compreendendo seus riscos, limites e potencialidades.

Resumo das minhas respostas no debate

Nas respostas ao debate, procurei ampliar a palestra em uma direção mais política, epistemológica e cultural.

Comecei dizendo que a discussão sobre IA precisa ser ligada à crítica das formas eurocêntricas, masculinas e letradas de organizar o conhecimento. Para mim, uma questão central é a naturalização da escrita como forma superior de pensamento. Perguntei por que o mundo acadêmico costuma excluir povos, experiências e saberes que não se organizam pela escrita, como se pensar corretamente fosse necessariamente escrever de forma linear, documentada e referenciada.

A partir daí, destaquei a importância da oralidade. A IA abre uma possibilidade curiosa: construir conhecimento a partir da fala. Hoje eu posso gravar uma conversa, transcrever e, com ajuda de um modelo, transformar essa fala em texto organizado. Isso pode ser muito importante para pessoas com grande experiência de vida, mas que não dominam a escrita acadêmica ou formal.

Também procurei deslocar o debate sobre “viés”. O viés é importante, mas ainda parte de uma visão muito mecanicista do software. A IA contemporânea é mais recursiva e contextual. Uma IA africana, uma IA cubana, uma IA chinesa ou uma IA personalizada por mim podem se comportar de formas muito diferentes. Por isso, o problema não é apenas corrigir vieses, mas pensar os contextos de produção, treinamento, apropriação e uso dessas tecnologias.

Usei também o exemplo da imprensa. Lembrei que a tecnologia do livro, hoje tão naturalizada, também teve origem em processos privados, comerciais e disputados. Gutenberg não era uma instituição pública universalista; ainda assim, a imprensa abriu possibilidades históricas imensas, inclusive deslocando o controle da Igreja sobre a circulação da verdade. Com isso, quis mostrar que tecnologias novas precisam ser compreendidas, apropriadas e disputadas.

Depois, trouxe novamente Yuk Hui para defender a ideia de que a tecnologia pode ser diversa. Não existe apenas um caminho tecnológico universal. O problema é que estamos alienados dos processos de construção tecnológica. Por isso, defendi a importância de se aproximar dos sistemas, testar, usar Linux, mexer nos modelos, observar onde eles falham e entender o bug como uma entrada possível para reescrever ou hackear o sistema.

Também respondi que essa é uma questão ambiental. O desafio contemporâneo é aprender a coexistir com não humanos: tecnológicos, animais, vegetais, minerais e até espirituais. O problema, para mim, está na centralidade absoluta do sujeito humano como criador original. Precisamos tirar o humano do centro e aprender a conviver com outras formas de agência e inteligência.

Por fim, questionei a ideia moderna de originalidade. A autoria individual é uma construção histórica ligada ao livro, ao nome na capa e à comercialização da obra. Mas muitas criações são coletivas: Homero, o samba de roda, o software livre, a Wikipédia. Nesse sentido, vejo na IA também um potencial de reapropriação tecnológica e de abertura para formas mais coletivas de produção do conhecimento.