Acelerando a Pesquisa Científica com Gemini: Estudos de Caso e Técnicas Comuns
Accelerating Scientific Research with Gemini: Case Studies and Common Techniques
February 3, 2026
Autores: David P. Woodruff, Vincent Cohen-Addad, Lalit Jain, Jieming Mao, Song Zuo, MohammadHossein Bateni, Simina Branzei, Michael P. Brenner, Lin Chen, Ying Feng, Lance Fortnow, Gang Fu, Ziyi Guan, Zahra Hadizadeh, Mohammad T. Hajiaghayi, Mahdi JafariRaviz, Adel Javanmard, Karthik C. S., Ken-ichi Kawarabayashi, Ravi Kumar, Silvio Lattanzi, Euiwoong Lee, Yi Li, Ioannis Panageas, Dimitris Paparas, Benjamin Przybocki, Bernardo Subercaseaux, Ola Svensson, Shayan Taherijam, Xuan Wu, Eylon Yogev, Morteza Zadimoghaddam, Samson Zhou, Vahab Mirrokni
cs.AI
Resumo
Os recentes avanços nos grandes modelos de linguagem (LLMs) abriram novas vias para acelerar a pesquisa científica. Embora os modelos sejam cada vez mais capazes de auxiliar em tarefas rotineiras, a sua capacidade de contribuir para descobertas matemáticas novas e de nível especializado é menos compreendida. Apresentamos uma coleção de estudos de caso que demonstram como investigadores colaboraram com sucesso com modelos avançados de IA, especificamente os modelos baseados no Google Gemini (em particular o Gemini Deep Think e as suas variantes avançadas), para resolver problemas em aberto, refutar conjecturas e gerar novas provas em diversas áreas da ciência da computação teórica, bem como noutras áreas como economia, otimização e física. Com base nestas experiências, extraímos técnicas comuns para uma colaboração eficaz entre humanos e IA na pesquisa teórica, como o refinamento iterativo, a decomposição de problemas e a transferência de conhecimento interdisciplinar. Embora a maioria dos nossos resultados provenha desta metodologia interativa e conversacional, destacamos também casos específicos que vão além das interfaces padrão de conversação. Estes incluem a utilização do modelo como um revisor adversarial rigoroso para detetar falhas subtis em provas existentes, e a sua integração num ciclo "neuro-simbólico" que escreve e executa código de forma autónoma para verificar derivações complexas. Em conjunto, estes exemplos evidenciam o potencial da IA não apenas como uma ferramenta de automação, mas como um parceiro versátil e genuíno no processo criativo de descoberta científica.
English
Recent advances in large language models (LLMs) have opened new avenues for accelerating scientific research. While models are increasingly capable of assisting with routine tasks, their ability to contribute to novel, expert-level mathematical discovery is less understood. We present a collection of case studies demonstrating how researchers have successfully collaborated with advanced AI models, specifically Google's Gemini-based models (in particular Gemini Deep Think and its advanced variants), to solve open problems, refute conjectures, and generate new proofs across diverse areas in theoretical computer science, as well as other areas such as economics, optimization, and physics. Based on these experiences, we extract common techniques for effective human-AI collaboration in theoretical research, such as iterative refinement, problem decomposition, and cross-disciplinary knowledge transfer. While the majority of our results stem from this interactive, conversational methodology, we also highlight specific instances that push beyond standard chat interfaces. These include deploying the model as a rigorous adversarial reviewer to detect subtle flaws in existing proofs, and embedding it within a "neuro-symbolic" loop that autonomously writes and executes code to verify complex derivations. Together, these examples highlight the potential of AI not just as a tool for automation, but as a versatile, genuine partner in the creative process of scientific discovery.