The Brief
Ciência e descobertas 5 min de leitura

120 000 estrelas, um amador e um caçador de planetas por IA

NAVION

Partilhar

Em setembro, Pavel Rabtsevich pediu a um modelo de IA para descobrir um planeta. Apontou-o a um lote de dados de telescópio, entregou-lhe um plano de alto nível e, cerca de duas semanas mais tarde, este devolveu dois mundos possíveis a orbitar uma estrela a 116 anos-luz da Terra. Astrónomos profissionais estão agora a verificar o resultado. A história é um caso de estudo útil para o que acontece quando a análise de grau especialista se torna algo que um não-especialista pode invocar em linguagem simples.

O que o bot fez realmente

Rabtsevich trabalha em Espanha como especialista em IA e não tem formação formal em astronomia. Para a sua busca, utilizou o Claude Code, uma ferramenta de programação criada pela Anthropic, e pediu-lhe para analisar dados de mais de 120 000 estrelas observadas pelo Transiting Exoplanet Survey Satellite (TESS) da NASA no final de 2025 e início de 2026.

O método em si é clássico. Uma estrela que escurece regularmente, repetidas vezes, poderá ter um planeta a passar à sua frente e a bloquear uma fração de luz em cada passagem. Rabtsevich guiou o Claude para utilizar um algoritmo popular de deteção de planetas com o objetivo de caçar exatamente essas quedas de brilho.

O Claude concentrou-se numa estrela chamada TIC 4206066, que mostrou dois ciclos de escurecimento distintos: um a cada 3 dias aproximadamente e outro a cada 11 dias. Esse padrão sugere dois planetas, com o interior a dar voltas à estrela mais depressa do que o exterior. Rabtsevich pediu então ao Claude para verificar dados de arquivo do TESS, e o mesmo escurecimento apareceu em registos de 2018 e 2020. Para validar os sinais, o Claude encontrou um algoritmo de deteção de planetas escrito e disponibilizado publicamente pela investigadora Michelle Kunimoto, e executou-o.

Repara na divisão de tarefas. O humano forneceu a direção e o critério sobre o que pedir. A IA lidou com o volume: examinar um número enorme de estrelas, localizar ferramentas existentes na internet e encadeá-las.

Porque é que os profissionais estão apreensivos

Os amadores têm utilizado ferramentas públicas da NASA e de outros investigadores para encontrar planetas há décadas. O que mudou é a barreira à entrada. Uma IA capaz de vasculhar a internet em busca dessas ferramentas e executá-las em conjuntos massivos de dados significa que uma pessoa já não precisa de compreender como o software funciona para o operar.

É aí que Kunimoto, investigadora de exoplanetas na Universidade da Colúmbia Britânica em Vancouver, levanta uma preocupação direta. Alguns caçadores de planetas, diz ela, não compreendem totalmente os algoritmos que a IA está a utilizar, o que significa que não conseguem validar o que esta produz. Ela descreve uma vaga enorme e avassaladora de artigos impulsionados por IA, que tendem a conter candidatos a planetas que não são da melhor qualidade. A sua conclusão é direta: os sistemas utilizados para divulgar a ciência estão a ficar sobrecarregados.

Aqui tens a parte que a maioria das notícias ignora. O gargalo na ciência nunca foi apenas encontrar sinais. Foi decidir quais os sinais que merecem ser acreditados. Quando a descoberta se torna barata, a verificação passa a ser o recurso escasso, e recai sobre um pequeno grupo de revisores e editores que enfrentam agora uma enxurrada de submissões.

Um caso que correu bem e o que o fez funcionar

O resultado de Rabtsevich merece ser lido com atenção, porque mostra as salvaguardas que separam uma contribuição útil do ruído. Publicou as suas descobertas na plataforma Zenodo como um pré-publicação a 25 de setembro. Esse trabalho não foi revisto por pares. Mas os astrónomos do TESS concluíram uma análise independente dos sinais e adicionaram-nos à sua lista oficial de candidatos a planetas.

Três coisas sobressaem. A deteção foi cruzada com dados de arquivo mais antigos de 2018 e 2020. A etapa de validação utilizou um algoritmo respeitado e publicamente disponível. E, de forma crucial, os profissionais reanalisaram independentemente os sinais antes de estes entrarem numa lista oficial. A palavra “candidato” também importa aqui: um candidato é uma pista promissora, não um planeta confirmado. A própria formulação de Rabtsevich, dois planetas possíveis, reflete essa contenção.

A lição não é que as descobertas da IA sejam suspeitas. É que uma descoberta da IA ganha confiança através da confirmação independente, da mesma maneira que qualquer outra descoberta.

O que isto significa para além da astronomia

O padrão estende-se muito para além dos exoplanetas. A IA está a transformar muitos fluxos de trabalho especializados em algo que um forasteiro motivado pode tentar, e isso é genuinamente valioso. Pessoas com curiosidade e tempo, mas sem um diploma na área, podem agora contribuir para a investigação real. Os profissionais, por sua vez, ganham um conjunto maior de pistas para examinar.

Mas o benefício depende de uma mudança no que conta como perícia. Operar a ferramenta está a tornar-se fácil. Compreender o que a ferramenta fez, porque razão poderá estar errada e como testá-la é a competência que importa agora. Um amador que consiga explicar o método de escurecimento e verificar um resultado contra dados de arquivo acrescenta algo. Um amador que reencaminha resultados em bruto apenas aumenta a pilha.

Para as instituições, o desafio é a capacidade. As revistas, os servidores de pré-publicações e os processos de revisão foram construídos para um mundo em que produzir uma análise plausível exigia esforço real. À medida que esse esforço diminui, a camada de filtragem precisa de apoio, e as pessoas que fazem essa filtragem tornam-se mais importantes, e não menos. O julgamento humano é a parte do processo que não pode ser ignorada.

Em suma

Um não-especialista utilizou uma ferramenta de programação por IA para analisar mais de 120 000 estrelas e detetou dois candidatos a planetas em torno de TIC 4206066, sinais que os astrónomos do TESS analisaram de forma independente e adicionaram à sua lista oficial de candidatos. As mesmas ferramentas que tornam isto possível também estão a produzir uma vaga de candidatos de menor qualidade, o que Kunimoto avisa estar a sobrecarregar os sistemas que difundem a ciência. A diferença entre os dois resultados é a verificação: cruzar dados com registos de arquivo, usar algoritmos de confiança e fazer com que os profissionais confirmem o resultado. À medida que a IA torna a descoberta de sinais fácil, o verdadeiro valor desloca-se para as pessoas que conseguem julgar quais deles são reais.

Com base em reportagem de Nature.

Escrito por

NAVION