Computação científica na era da IA agêntica

A computação científica é um pilar fundamental da investigação moderna no meio académico e na indústria. Contudo, o software necessário para analisar informação científica tem tido dificuldade em acompanhar o ritmo acelerado de produção de dados. Muitas ferramentas de investigação amplamente utilizadas começaram por ser código que acompanhava um artigo científico, criado por pequenas equipas académicas com pouca experiência de engenharia e pouco tempo para empacotamento, testes, otimização ou apoio a longo prazo. O resultado é uma infraestrutura científica que depende frequentemente de fluxos de trabalho lentos e frágeis, que exigem manutenção constante. Estas limitações atrasam o ritmo das descobertas.

Os agentes de IA estão a começar a mudar esta realidade. Ao reduzirem os custos do trabalho de engenharia e assumirem tarefas de implementação morosas, podem ajudar os investigadores a criar protótipos mais rapidamente, concretizar projetos antes impraticáveis e facilitar a manutenção do software a longo prazo. Assim, o software científico torna-se mais eficiente e recebe melhor manutenção, permitindo que os investigadores dediquem mais tempo à descoberta.

Partilhamos um relatório de campo exploratório sobre oito projetos de computação científica assistidos por agentes, sobretudo nas ciências da vida: cinco utilizaram apenas o Codex e três combinaram o Codex com o Claude Code. O relatório reúne estudos de caso escritos pelas equipas responsáveis por cada projeto e identifica temas recorrentes. Os projetos vão da manutenção corrente e otimização específica a migrações de linguagem em grande escala e reformulações nativas para GPU. Segundo os participantes, os agentes aceleraram significativamente o desenvolvimento e a manutenção de software, ajudando, em alguns casos, pequenas equipas a realizar trabalhos que, de outra forma, exigiriam muito mais tempo ou apoio especializado de engenharia. Mas também salientam o desafio persistente de estabelecer uma responsabilidade e gestão claras e duradouras para as ferramentas resultantes.

Os participantes descrevem sistematicamente uma mudança no papel dos investigadores, que passa da implementação para a verificação e orquestração: especificar o que deve ser criado, definir como medir a correção e decidir quando um projeto está pronto para ser lançado. Neste modelo emergente, os investigadores mantêm o controlo da orientação científica e dos padrões de qualidade, beneficiando da maior rapidez proporcionada pela assistência agêntica.

Embora variassem muito em âmbito, os projetos demonstraram que os agentes de programação estão a tornar a mão de obra e os conhecimentos de engenharia menos limitativos na computação científica. Agora, o principal obstáculo é validar os resultados de um agente de IA, algo que continua a depender do juízo humano.

Nos vários estudos de caso, os agentes trataram eficazmente pedidos específicos e bem delimitados, mas não conseguiram avaliar de forma fiável se o trabalho era cientificamente válido ou correspondia às expectativas. Na verdade, os agentes demonstravam muitas vezes confiança, mesmo quando o seu trabalho continha erros evidentes. Por conseguinte, os revisores humanos tiveram de encontrar formas fiáveis de validar os resultados. As abordagens mais sólidas recorreram a uma referência externa ou a um objetivo de aceitação mensurável, como a correspondência exata dos resultados, a paridade com uma ferramenta existente, um comportamento estatístico adequado ou respostas previamente estabelecidas com dados simulados.

Outro tema recorrente foi o desenvolvimento dos projetos por etapas, através de iterações orientadas por feedback, e não de abordagens one-shot. Os participantes dividiram objetivos abrangentes em alterações menores e recorreram depois a avaliações de desempenho intermédias e sistemas de teste para avaliar e aperfeiçoar o trabalho dos agentes. Os agentes produziam frequentemente implementações iniciais com rapidez, mas a resolução de casos extremos e diferenças numéricas subtis demorava muito mais tempo. Concluir a «última etapa» de uma implementação era muitas vezes a parte mais trabalhosa.

No geral, estes estudos de caso sugerem que os agentes permitem aos investigadores dedicar menos tempo à implementação e mais à orientação do trabalho científico. As pessoas definem o objetivo, dividem projetos complexos em partes geríveis e avaliam se os resultados são cientificamente válidos. Ao atenuarem limitações de engenharia antigas, os agentes ampliam o que os investigadores podem criar e permitem-lhes concentrar-se nas questões e decisões científicas mais importantes.

A falta de manutenção do software de investigação há muito que abranda a evolução e limita a reprodutibilidade e a fiabilidade. Estudos publicados sobre «código de investigação⁠(abre numa nova janela)» e ferramentas ómicas⁠(abre numa nova janela) concluíram que o software publicado muitas vezes não é instalado corretamente num novo ambiente informático ou não funciona conforme documentado, obrigando os investigadores a dedicar muito tempo à configuração e depuração. Mesmo as melhorias correntes podem poupar tempo aos investigadores e reduzir as exigências computacionais, enquanto a refatoração e as reescritas orientadas para o desempenho podem proporcionar ganhos maiores.

Contudo, os custos de implementação mais baixos também facilitam a criação de muitas reescritas semelhantes, fragmentando os utilizadores e dispersando a atenção especializada necessária para manter qualquer ferramenta fiável. Por isso, a gestão e a atribuição a longo prazo são essenciais. O software científico consolidado inclui convenções não documentadas, requisitos de compatibilidade e a confiança dos utilizadores, elementos que a mera tradução do código-fonte não consegue reproduzir.

Os estudos de caso ilustram várias vias possíveis para o futuro. As alterações ao MHCflurry e à cyvcf2 foram integradas nos respetivos projetos originais, enquanto o rustar-aligner passou a estar sob nova gestão comunitária porque o projeto original tinha sido abandonado. Quando for possível coordenar com os responsáveis existentes pela manutenção, essa coordenação deve começar tão cedo quanto possível. Quando for necessária uma implementação separada, esta precisa de um responsável claro e de um plano de manutenção credível. Sem isso, a reescrita moderna de hoje pode tornar-se o código abandonado de amanhã, em vez de uma infraestrutura científica fiável.

Este relatório de campo é retrospetivo e exploratório, mas os estudos de caso apontam para uma mudança prática na forma como o software científico é desenvolvido. Os agentes de programação, como o Codex, podem reduzir significativamente o custo da manutenção, migração, otimização e criação de novas implementações. O seu valor científico a longo prazo continua a depender de decisões humanas sobre o que criar, como verificar os resultados e quem assegurará a manutenção. A mudança mais profunda não é apenas a possibilidade de os investigadores produzirem mais software, mas também a de concentrarem mais esforços na definição, validação e gestão das ferramentas.

Estes estudos de caso mostram que os agentes já conseguem acelerar o ritmo de iteração na computação científica. À medida que os agentes de programação melhorarem, os investigadores poderão dedicar menos tempo a manter os processos de análise em funcionamento e mais a fazer avançar as suas áreas.