Pesquisadores do Japão demonstraram que sistemas de inteligência artificial podem aprender melhor quando treinados para “falar consigo mesmos”, em um processo semelhante ao monólogo interno humano. O estudo foi conduzido por cientistas do Instituto de Ciência e Tecnologia de Okinawa e sugere que a combinação entre fala interna autodirecionada e memória de curto prazo torna os modelos de IA mais eficientes, flexíveis e capazes de lidar com múltiplas tarefas.
As conclusões foram publicadas no dia 28 de janeiro na revista científica Neural Computation. Segundo os autores, os sistemas treinados com esse método conseguiram generalizar melhor entre diferentes tarefas e exigiram uma quantidade significativamente menor de dados de treinamento em comparação com abordagens tradicionais.
Inspirada no funcionamento do cérebro humano, a pesquisa foi liderada por Jeffrey Queißer, da Unidade de Pesquisa em Neurorrobótica Cognitiva do OIST. A equipe desenvolveu um modelo de treinamento no qual a IA aprende a organizar informações por meio de um “murmúrio interno”, reproduzindo a forma como pessoas usam a fala interior para planejar ações e tomar decisões.
Durante os testes, os pesquisadores simularam tarefas de diferentes níveis de dificuldade, utilizando estruturas de memória de trabalho compostas por múltiplos compartimentos temporários. Os sistemas que contavam com mais slots de memória apresentaram melhor desempenho em atividades complexas, como inverter sequências e reconstruir padrões.
O desempenho foi ainda mais aprimorado quando os pesquisadores introduziram instruções específicas para que os modelos “conversassem consigo mesmos” antes de executar determinadas tarefas. Esse recurso mostrou-se especialmente eficaz em cenários que exigiam multitarefa ou execução de etapas sucessivas.
Segundo Queißer, a abordagem ajuda a enfrentar um dos principais desafios da inteligência artificial: a adaptação rápida a novos problemas. Enquanto humanos conseguem mudar de tarefa e lidar com situações inéditas com relativa facilidade, sistemas de IA costumam ter dificuldades nesse tipo de transição.
Os pesquisadores destacam que o método pode funcionar mesmo com conjuntos de dados reduzidos, o que representa uma alternativa mais leve e eficiente para o desenvolvimento de modelos capazes de generalização. O próximo passo da equipe é testar a técnica em ambientes mais próximos do mundo real, fora de condições laboratoriais controladas.
A expectativa é que os avanços contribuam tanto para a compreensão dos mecanismos da aprendizagem humana quanto para aplicações práticas, como o desenvolvimento de robôs domésticos ou agrícolas capazes de operar em ambientes complexos, dinâmicos e imprevisíveis.
*Da Agência Fonte Exclusiva
