Os resultados sugerem que o aprendizado é moldado não apenas pela estrutura de um sistema de IA, mas também pela forma como ele interage consigo mesmo durante o treinamento. Como explica o autor principal Dr. Jeffrey Queißer, Cientista do OIST na Unidade de Pesquisa de Neurorrobótica Cognitiva, “Este estudo destaca a importância das auto-interações em como aprendemos. Ao estruturar os dados de treinamento de uma forma que ensina nosso sistema a dialogar internamente, mostramos que o aprendizado é moldado não apenas pela arquitetura de nossos sistemas de IA, mas pelas dinâmicas de interação incorporadas em nossos procedimentos de treinamento.”

Como o Auto-Diálogo Melhora o Desempenho da IA

Para testar essa ideia, os pesquisadores combinaram a fala interna autoguiada, descrita como “murmúrio” silencioso, com um sistema de memória de trabalho especializado. Essa abordagem permitiu que seus modelos de IA aprendessem de forma mais eficiente, se ajustassem a situações desconhecidas e lidassem com múltiplas tarefas simultaneamente. Os resultados mostraram melhorias claras em flexibilidade e desempenho geral em comparação com sistemas que dependiam apenas da memória.

Construindo IA que Pode Generalizar

Um dos objetivos centrais do trabalho da equipe é o processamento de informações independente de conteúdo. Isso se refere à capacidade de aplicar habilidades aprendidas além das situações exatas encontradas durante o treinamento, utilizando regras gerais em vez de exemplos memorizados.

“A troca rápida de tarefas e a resolução de problemas desconhecidos é algo que fazemos facilmente todos os dias. Mas para a IA, isso é muito mais desafiador”, diz Dr. Queißer. “É por isso que adotamos uma abordagem interdisciplinar, combinando neurociência do desenvolvimento e psicologia com aprendizado de máquina e robótica, entre outros campos, para encontrar novas maneiras de pensar sobre o aprendizado e informar o futuro da IA.”

Por Que a Memória de Trabalho é Importante

Os pesquisadores começaram examinando o design da memória em modelos de IA, focando na memória de trabalho e seu papel na generalização. A memória de trabalho é a capacidade de curto prazo de manter e usar informações, seja seguindo instruções ou fazendo cálculos mentais rápidos. Ao testar tarefas com diferentes níveis de dificuldade, a equipe comparou várias estruturas de memória.

Eles descobriram que modelos com múltiplos slots de memória de trabalho (recipientes temporários para peças de informação) apresentaram melhor desempenho em problemas desafiadores, como inverter sequências ou recriar padrões. Essas tarefas exigem a retenção de várias peças de informação ao mesmo tempo e sua manipulação na ordem correta.

Quando a equipe adicionou alvos que incentivavam o sistema a falar consigo mesmo um número específico de vezes, o desempenho melhorou ainda mais. Os maiores ganhos apareceram durante a multitarefa e em tarefas que exigiam muitos passos.

“Nosso sistema combinado é particularmente empolgante porque pode trabalhar com dados escassos, em vez dos extensos conjuntos de dados normalmente exigidos para treinar tais modelos para generalização. Ele oferece uma alternativa complementar e leve”, diz Dr. Queißer.

Aprendendo a Aprender no Mundo Real

Os pesquisadores agora planejam ir além de testes limpos e controlados e explorar condições mais realistas. “No mundo real, estamos tomando decisões e resolvendo problemas em ambientes complexos, barulhentos e dinâmicos. Para melhor refletir o aprendizado humano em desenvolvimento, precisamos levar em conta esses fatores externos”, diz Dr. Queißer.

Essa direção apoia o objetivo mais amplo da equipe de entender como o aprendizado humano funciona em um nível neural. “Ao explorar fenômenos como a fala interna e entender os mecanismos de tais processos, ganhamos novos insights fundamentais sobre a biologia e o comportamento humano”, conclui Dr. Queißer. “Também podemos aplicar esse conhecimento, por exemplo, no desenvolvimento de robôs domésticos ou agrícolas que possam funcionar em nossos mundos complexos e dinâmicos.”