As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
On a bench at Penn State, Xu Zhou measures how food materials respond to electromagnetic energy. The numbers he needs usually already exist, but they sit in thousands of papers published over decades. A team he leads has now shown that AI agents, guided by human experts, can read those papers and assemble the figures into a searchable database in a fraction of the time it used to take.
Numa bancada da Penn State, Xu Zhou mede a forma como os materiais alimentares reagem à energia eletromagnética. Os números de que precisa costumam já existir, mas estão em milhares de artigos publicados ao longo de décadas. Uma equipa que lidera mostrou agora que agentes de IA, orientados por especialistas humanos, conseguem ler esses artigos e reunir os valores numa base de dados pesquisável, em muito menos tempo do que antes.
Food engineers rely on what are called physical property data, such as the dielectric properties that govern microwave heating, to build mathematical models and computer simulations. Those values are often buried in tables, figures and equations rather than in the running text that conventional data-mining tools read. The system, called AgentXtract, assigns different AI agents to different formats. They extract the numerical data, then validate, standardize and organize it, while food engineers choose the sources and make sure the data can be trusted. To choose the underlying models, the researchers compared 10 large language models from OpenAI, Google and Anthropic on accuracy, speed and cost, using data checked by hand as a reference.
Os engenheiros alimentares recorrem aos chamados dados de propriedades físicas, como as propriedades dielétricas que regem o aquecimento por micro-ondas, para construir modelos matemáticos e simulações computacionais. Esses valores estão muitas vezes escondidos em tabelas, figuras e equações, e não no texto corrido que as ferramentas convencionais de mineração de dados leem. O sistema, chamado AgentXtract, atribui agentes de IA diferentes a formatos diferentes. Extraem os dados numéricos e depois validam, normalizam e organizam-nos, enquanto os engenheiros alimentares escolhem as fontes e garantem que os dados são fiáveis. Para escolher os modelos subjacentes, os investigadores compararam 10 grandes modelos de linguagem da OpenAI, da Google e da Anthropic quanto à precisão, velocidade e custo, usando como referência dados verificados à mão.
The speed gap is the figure the researchers emphasize. Zhou recalls that the same work once required "an experienced graduate student or postdoctoral researcher to spend six months or more". With the agents, the team collected and organized more than 4,000 experimental data records in just 30 minutes. That speed is what made the next discovery possible. Once the data were gathered together, the team found a new and consistent relationship between the dielectric constant and the loss factor for more than 100 different foods. Zhou says it had gone unreported because collecting so much data manually was too hard. The finding comes from the team's own compilation and still needs to be checked by other researchers.
A diferença de velocidade é o número que os investigadores mais destacam. Zhou recorda que o mesmo trabalho exigia outrora «um estudante de pós-graduação ou investigador pós-doutoral experiente durante seis meses ou mais». Com os agentes, a equipa recolheu e organizou mais de 4 000 registos de dados experimentais em apenas 30 minutos. Essa rapidez tornou possível a descoberta seguinte. Depois de reunidos, os dados revelaram à equipa uma relação nova e consistente entre a constante dielétrica e o fator de perda em mais de 100 alimentos diferentes. Zhou afirma que essa relação não tinha sido reportada porque reunir tantos dados manualmente era demasiado difícil. A descoberta resulta da compilação da própria equipa e ainda terá de ser verificada por outros investigadores.
The database also serves as a knowledge base for a general-purpose AI. In a setup known as retrieval-augmented generation, the AI searches the verified entries before answering, so it can give a reference and explain the result. Zhou's example is a question about the dielectric properties of potatoes at a specific frequency, answered with the underlying data and an explanation of how those properties affect microwave heating. For food engineers, the gain is faster access to checked data, which matters for product development and process design. Zhou argues the method is not limited to food science. Its results are due in the March 2027 issue of the Journal of Food Engineering, and the article does not say when the database itself will be open to other users.
A base de dados serve também de repositório de conhecimento para uma IA de uso geral. Numa configuração conhecida como geração aumentada por recuperação (retrieval-augmented generation), a IA pesquisa as entradas verificadas antes de responder, podendo assim indicar uma referência e explicar o resultado. O exemplo de Zhou é uma pergunta sobre as propriedades dielétricas da batata a uma frequência específica, respondida com os dados subjacentes e uma explicação de como essas propriedades afetam o aquecimento por micro-ondas. Para os engenheiros alimentares, o ganho é um acesso mais rápido a dados verificados, o que é importante para o desenvolvimento de produtos e a conceção de processos. Zhou defende que o método não se limita à ciência alimentar. Os resultados serão publicados no número de março de 2027 do Journal of Food Engineering, e o artigo não indica quando a base de dados ficará aberta a outros utilizadores.