Este artigo apresenta uma revisão sistemática sobre como os grandes modelos de linguagem semelhantes ao ChatGPT promovem o teste e a validação de sistemas inteligentes autônomos. Baseando-se nos avanços recentes em raciocínio generativo, este estudo integra evidências de 120 artigos revisados por pares, examinando quatro áreas-chave: geração de cenários de teste, detecção de vulnerabilidades, verificação formal e monitoramento em tempo real. Através de uma análise comparativa de fuzz testing, execução simbólica e aprendizado por reforço, o artigo revela como os grandes modelos de linguagem melhoram a automação, cobertura semântica e adaptabilidade, ao mesmo tempo em que destacam limitações na integridade dos benchmarks, explicabilidade e eficiência de recursos. A revisão introduz tabelas estruturadas resumindo conjuntos de dados representativos, aplicações específicas de domínio, bem como insights comparativos entre métodos tradicionais de teste e métodos baseados em grandes modelos de linguagem. O estudo analisa desafios principais, incluindo ausência de benchmarks, falta de explicabilidade e riscos éticos, e explora direções emergentes de pesquisa, como frameworks de verificação híbridos e aprimoramento da qualidade dos dados. Este trabalho visa preencher a lacuna conceitual e prática entre engenharia de segurança de IA e raciocínio com grandes modelos, fornecendo um roteiro para a integração dos grandes modelos de linguagem nos processos futuros de validação dos sistemas inteligentes autônomos.

ChatGPT;grandes modelos de linguagem;sistemas inteligentes autônomos;teste;validação;segurança de IA