São Paulo — InkDesign News —
A pesquisa recente em machine learning revela que ferramentas de inteligência artificial (IA), como os modelos de linguagem, ainda lutam para compreender conceitos sensoriais da mesma forma que os humanos. Um estudo conduzido na Ohio State University examina essa limitação e suas implicações.
Contexto da pesquisa
Um estudo publicado no periódico Nature Human Behaviour aponta que os modelos de linguagem de grande escala (LLMs), responsáveis por várias assistências em IA, são limitados por sua dependência de processamento textual. Este trabalho, liderado por Qihui Xu, investiga a diferença essencial entre percepções humanas e a representação de conceitos por máquinas, destacando como a ausência de experiências sensoriais e motoras restringe a compreensão das IA.
Método proposto
A investigação envolveu a comparação do conhecimento representacional de 4.442 palavras entre humanos e dois conjuntos de LLMs avançados: GPT-3.5 e GPT-4 da OpenAI, e PaLM e Gemini da Google. Os pesquisadores aplicaram dois métodos de avaliação: as Glasgow Norms, que medem arousal, concreteness e imageability, e as Lancaster Norms, que examinam como conceitos se relacionam com informações sensoriais e motoras.
Resultados e impacto
“Um modelo de linguagem de grande porte não pode cheirar uma rosa, tocar as pétalas de uma margarida ou caminhar por um campo de flores silvestres.”
(“A large language model can’t smell a rose, touch the petals of a daisy or walk through a field of wildflowers.”)— Qihui Xu, Pesquisadora, Ohio State University
Os resultados indicaram que os LLMs se saíram bem em representar palavras sem conexão sensorial, mas falharam em capturar conceitos relacionados a experiências sensoriais, como o aroma de uma flor ou a sensação ao tocar suas pétalas. A pesquisa demonstra que, apesar de sua vasta quantidade de dados textuais, as IA ainda não conseguem reproduzir a riqueza da experiência humana.
“A experiência humana é muito mais rica do que as palavras podem conter.”
(“The human experience is far richer than words alone can hold.”)— Qihui Xu, Pesquisadora, Ohio State University
Os modelos de LLM que incluem imagens mostraram um desempenho superior em tarefas que envolvem a visão, sugerindo um caminho para futuras melhorias. A pesquisa conclui que a integração de dados sensoriais e robótica pode potencialmente enriquecer a capacidade das máquinas de compreender e interagir com o mundo físico.
As próximas etapas podem incluir aprimoramentos nesses LLMs para promover uma melhor aproximação das experiências humanas, especialmente com o treinamento de modelos que combinam dados sensoriais com inteligência artificial.
Fonte: (TechXplore – Machine Learning & AI)
