Cientistas do LSST discutem o futuro da cosmologia na era da Inteligência Artificial
Novo white paper da colaboração LSST DESC discute como a Inteligência Artificial está transformando a prática da cosmologia na era de dados em larga escala, redefinindo a forma como cientistas analisam, validam e produzem conhecimento científico.
Ver no InstagramWith the arrival of the Vera C. Rubin Observatory and the LSST survey, cosmology enters a phase in which observing the Universe becomes only part of the challenge. The other part involves organizing, interpreting, and validating continuous data streams on an unprecedented scale. In this context, the LSST Dark Energy Science Collaboration (LSST DESC) brought together researchers from different fields to reflect on how Artificial Intelligence should be integrated into the core of scientific practice. The result is a white paper that anticipates what it will be like to do science in an environment dominated by data, complex software, and global collaborations.

Um dos temas centrais do documento é o papel dos grandes modelos de linguagem e dos chamados sistemas baseados em agentes. Esses sistemas combinam a capacidade dos modelos de linguagem de compreender e sintetizar informação com a habilidade de executar ações concretas, como rodar códigos, acessar bases de dados, coordenar pipelines e documentar resultados. No contexto do LSST DESC, eles surgem como uma nova camada de interação entre cientistas e a infraestrutura científica, capaz de tornar workflows complexos mais acessíveis, rastreáveis e escaláveis.
A seção dedicada a grandes modelos de linguagem (Large Language Models) e agentes foi coordenada, escrita e curada pelo pesquisador em tecnologia Clécio De Bom, que também lidera o Laboratório de Inteligência Artificial aplicada à Física do CBPF. Nela, o white paper descreve como esses sistemas já atuam como assistentes de pesquisa em tarefas como busca e síntese de literatura, desenvolvimento de software científico e análise exploratória de dados. Em grandes colaborações, isso significa reduzir drasticamente o tempo necessário para compreender códigos legados, navegar por documentação extensa e reproduzir análises complexas.

O texto também projeta um futuro próximo em que agentes científicos passam a orquestrar partes inteiras do ciclo de pesquisa, desde a seleção de dados até a execução de análises padronizadas e a verificação automática de resultados contra benchmarks definidos pela colaboração. Essa visão aparece de forma concreta em exemplos discutidos no documento, como agentes capazes de rodar inferência cosmológica, monitorar pipelines em tempo real e gerar relatórios técnicos com rastreabilidade completa.
Ao mesmo tempo, o documento enfatiza que a adoção desses sistemas exige novos padrões de governança científica. Avaliação rigorosa, registro de decisões, controle de versões e supervisão humana aparecem como elementos estruturais desse novo ecossistema. A proposta é clara: agentes inteligentes ampliam a escala e a eficiência do trabalho científico quando operam dentro de estruturas que preservam reprodutibilidade, responsabilidade e interpretação física.

More than simply presenting technologies, the white paper reflects a collective effort by scientists who chose to think ahead. Rather than merely reacting to the transformations brought by Artificial Intelligence, the LSST DESC decided to actively shape its use, defining principles, boundaries, and opportunities. In this process, LLMs and agent-based systems move beyond experimental curiosities to become part of the future vision of cosmology—tools that help organize the growing complexity of contemporary science and allow researchers to focus their intellectual energy where it has the greatest impact: understanding the Universe.
Read the white paper to learn more.