A perspectiva de a inteligência artificial melhorar a si mesma e projetar versões posteriores deixou de ser ficção científica e passou a fazer parte da pesquisa acadêmica. Especialistas na China estão examinando as condições necessárias para o aprimoramento recursivo, ou RSI, um processo no qual um sistema de IA poderia avaliar suas próprias limitações, alterar seus métodos de treinamento e usar os resultados para construir modelos cada vez mais capazes.
A proposta também aborda um grande desafio enfrentado pela indústria de tecnologia: os custos financeiros e computacionais crescentes do desenvolvimento de sistemas mais sofisticados. Se a IA pudesse assumir gradualmente algumas tarefas de pesquisa e otimização, o desenvolvimento de novas gerações de modelos poderia se tornar mais rápido e menos dependente de equipes humanas.
O estudo foi publicado como preprint no arXiv em 10 de setembro e ainda não passou por revisão acadêmica por pares. Ele apresenta cinco níveis de autonomia, começando com sistemas cujo desenvolvimento permanece em grande parte orientado por pessoas e avançando em direção a modelos capazes de identificar suas próprias fraquezas, escolher como corrigi-las e alterar os procedimentos usados para seu próprio aprimoramento.
Nos níveis mais altos, uma IA poderia produzir o que os pesquisadores descrevem como “meta-aprimoramentos”. Em vez de ajustar tarefas individuais ou parâmetros internos, o sistema refinaria os mecanismos que utiliza para aprender e se desenvolver.
Os primeiros experimentos mostraram apenas um progresso parcial. Um teste usou um método chamado A-Evolve-Training para otimizar um modelo de linguagem com 30 bilhões de parâmetros. Ao longo de quatro etapas, o sistema aplicou diferentes estratégias de treinamento e usou os dados resultantes para orientar decisões posteriores, produzindo melhorias moderadas nos testes de desempenho.
Esses resultados não demonstram que uma IA possa criar de forma independente uma geração mais inteligente de modelos. Peter Bentley, professor de Biologia Digital na University College London, disse à Live Science que não considera esses experimentos uma rota confiável para o aprimoramento recursivo. Ele observou que softwares projetados para otimizar seu próprio funcionamento existem há décadas, inclusive por meio da computação evolutiva e do aprendizado por reforço, mas argumentou que a dificuldade central é permitir que uma máquina conduza a pesquisa necessária para um progresso genuíno.
Bentley também disse que uma melhoria sustentada exigiria mais do que mudanças no software. Um sistema precisaria aprimorar seu próprio treinamento, ampliar os recursos disponíveis por meio do hardware físico e passar por testes exigentes em condições do mundo real. A necessidade de poder computacional e de infraestrutura técnica, portanto, continua sendo uma limitação decisiva.
Kayla Blomquist, pesquisadora da University of Oxford e cofundadora do Oxford China Policy Lab, disse que o artigo é útil para identificar os desafios técnicos e de controle associados a sistemas mais independentes, mas não oferece uma rota prática imediata para a implementação. Ela também questionou se algum dia haverá um ponto claramente definido em que a IA deixará de depender das pessoas, descrevendo o processo como uma transferência gradual de funções, e não como um único avanço decisivo.
Fontes: elDiario.es.