Thinking Machines questiona estratégia de escalonamento da AI

São Paulo — InkDesign News — O campo da inteligência artificial (IA) está testemunhando uma mudança paradigmática conforme pesquisadores questionam a eficácia das abordagens atuais que priorizam o dimensionamento de grandes modelos de machine learning (ML). Rafael Rafailov, pesquisador do Thinking Machines Lab, defende que o foco deve ser na melhoria do aprendizado em vez do aumento do tamanho dos modelos.

Tecnologia e abordagem

Rafailov argumenta que o avanço em direção à superinteligência artificial não reside apenas na criação de modelos maiores, mas na capacidade desses sistemas de aprender a partir de experiências. "Acredito que a primeira superinteligência será um aprendiz super-humano", afirmou, enfatizando que esses sistemas devem ser capazes de formular teorias e realizar experimentos autonomamente. Essa visão contrasta com as estratégias de empresas como OpenAI e Google DeepMind, que investem bilhões no aumento da escala de seus modelos.

Aplicação e desempenho

Atualmente, aos agentes de codificação é pedido que realizem tarefas complexas, mas Rafailov destaca um problema crítico: "Um agente que você pregunta hoje não se lembrará da interação de ontem". Ele observa que esses sistemas não internalizam informações, resultando em um desempenho similar a "um primeiro dia de trabalho" constante. Exemplificando, citou a tendência desses agentes de envolver códigos em blocos de try/except, o que representa uma solução temporária para erros, em vez de uma verdadeira resolução de problemas.

Impacto e mercado

Rafailov alerta que continuar a escalar modelos não produzirá a inteligência geral artificial (AGI) desejada. "Acredito que estamos apenas no começo de um novo paradigma — a escala do aprendizado por reforço". Ele sugere que mudanças na distribuição de dados e na estrutura de recompensas são essenciais para ultrapassar as limitações atuais. Essa abordagem, conhecida como meta-aprendizado, pode, segundo Rafailov, permitir que futuros modelos aprendam como aprender de forma eficiente.

Firmando uma posição distinta no mercado, o Thinking Machines Lab, co-fundado por ex-executivos da OpenAI, já levantou US$ 2 bilhões em financiamento. No entanto, os desafios técnicos e a concorrência acirrada necessitam de soluções inovadoras para que a visão de Rafailov se concretize. “Precisamos dos tipos certos de experiências e das recompensas adequadas para o aprendizado”, concluiu.

Fonte: (VentureBeat – AI)