Falar consigo mesmo pode parecer um hábito exclusivamente humano, mas descobriu-se que esse comportamento também pode ajudar máquinas a aprender. O diálogo interno ajuda as pessoas a organizar ideias, pesar escolhas e entender emoções. Novas pesquisas mostram que um processo semelhante pode melhorar a forma como a inteligência artificial aprende e se adapta. Em um estudo publicado na Neural Computation, pesquisadores do Instituto de Ciência e Tecnologia de Okinawa (OIST) descobriram que sistemas de IA têm um desempenho melhor em várias tarefas quando são treinados para usar a fala interna juntamente com a memória de curto prazo.
Os resultados sugerem que a aprendizagem é moldada não apenas pela estrutura do sistema de IA, mas também por como ele interage consigo mesmo durante o treinamento. Como explica o primeiro autor, Dr. Jeffrey Queißer, Cientista da Unidade de Pesquisa em Neurorobótica Cognitiva do OIST, “Este estudo destaca a importância da auto-interação em como aprendemos. Ao estruturar os dados de treinamento de uma maneira que ensine nosso sistema a falar consigo mesmo, mostramos que a aprendizagem é moldada não apenas pela arquitetura dos nossos sistemas de IA, mas pelas dinâmicas de interação incorporadas em nossos procedimentos de treinamento.”
Como a Auto-Fala Melhora o Desempenho da IA
Para testar essa ideia, os pesquisadores combinaram a fala interna auto-dirigida, descrita como um “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 ao mesmo tempo. Os resultados mostraram ganhos claros em flexibilidade e desempenho geral em comparação com sistemas que dependiam apenas da memória.
Construindo IA que Pode Generalizar
Um objetivo central 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, usando 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, é muito mais desafiador,” diz o 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 a aprendizagem 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 múltiplas slots de memória de trabalho (recipientes temporários para pedaços de informação) tinham um desempenho melhor em problemas desafiadores, como reverter sequências ou recriar padrões. Essas tarefas exigem a retenção de várias informações 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 multitarefas 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 necessários para treinar tais modelos para generalização. Ele proporciona uma alternativa leve e complementar,” diz o Dr. Queißer.
Aprendendo a Aprender no Mundo Real
Os pesquisadores agora planejam ir além dos testes controlados e explorar condições mais realistas. “No mundo real, estamos tomando decisões e resolvendo problemas em ambientes complexos, barulhentos e dinâmicos. Para espelhar melhor a aprendizagem humana no desenvolvimento, precisamos considerar esses fatores externos,” diz o Dr. Queißer.
Essa direção suporta o objetivo mais amplo da equipe de entender como a aprendizagem humana funciona a nível neural. “Ao explorar fenômenos como a fala interna e entender os mecanismos de tais processos, obtivemos novas e fundamentais percepções sobre a biologia e o comportamento humanos,” conclui o 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.”
