A era das LLMs na IA tem sido definida pela escala: mais parâmetros, mais tokens e mais poder computacional. Enquanto o GPT-3 tinha 175 bilhões de parâmetros e bilhões de tokens, os modelos de fronteira atuais podem ter centenas de bilhões de parâmetros a mais e trilhões de tokens de dados de treinamento.
O ex-líder de IA da Meta, Yann LeCun, acaba de captar US$ 1 bilhão para testar sua crença de longa data de que “mais tokens” não é a resposta para a IA física, e que os modelos de mundo (world models) são a próxima fronteira do aprendizado, especialmente para robôs. Mas já existe uma metodologia de treinamento no mundo real para IA física que ensina robôs como se fossem humanos, e ela está apresentando resultados incríveis.
Na verdade, pesquisadores do Imperial College London mostraram recentemente que robôs são capazes de aprender 1.000 tarefas diferentes de manipulação no mundo real em menos de um dia, às vezes a partir de apenas uma única demonstração humana. E isso não exigiu um bilhão de dólares em financiamento.
“Se os robôs pretendem se tornar alternativas genuínas aos humanos, eles provavelmente precisam aprender rápido como nós para serem tão úteis quanto nós”, disse recentemente Edward Johns, diretor do laboratório de robótica do Imperial College, no podcast TechFirst. “No momento, temos robôs humanoides que se parecem com pessoas e têm o formato de humanos, mas eles certamente não estão aprendendo como humanos.”
Construir LLMs cada vez maiores é ótimo para prever a próxima palavra em um relatório, mas não é fantástico para treinar robôs. Para ser útil no treinamento robótico, a IA precisa deixar de prever o próximo token em uma frase para realmente entender o mundo.
Essa é a premissa por trás dos “modelos de mundo”, um conceito defendido por Yann LeCun. LeCun argumenta há anos que os grandes modelos de linguagem são poderosos, mas fundamentalmente incompletos, porque carecem de um modelo interno persistente de como o mundo físico funciona.
A abordagem de Edward Johns foca em melhorar drasticamente a eficiência do aprendizado robótico ao mimetizar como os humanos aprendem tarefas físicas. Em vez de coletar conjuntos de dados massivos ou milhares de demonstrações para cada nova tarefa, sua equipe treina robôs para aprender a partir de apenas um único exemplo humano e generalizar esse conhecimento para muitas tarefas relacionadas. Eles ainda usam IA, mas estão construindo um sistema que não exige quantidades cavalares de dados de treinamento.
A ideia central é decompor a manipulação robótica em componentes reutilizáveis, como primeiro alinhar uma mão robótica a um objeto e, depois, executar qualquer ação necessária. Ao separar essas fases e transferir trajetórias entre tarefas, o sistema pode reutilizar experiências anteriores em vez de reaprender movimentos do zero a cada vez, permitindo que um robô aprenda centenas ou até milhares de novos comportamentos de manipulação muito mais rápido do que os métodos tradicionais de treinamento em robótica.
“Existem infinitas tarefas por aí, e não temos tempo infinito para projetar esses controladores”, disse Johns.
Johns chama seu método de treinamento de “transferência de trajetória multitarefa”, e ele está alinhado com outras abordagens de treinamento robótico, incluindo as usadas pela Mind Children, onde o CEO Chris Kudla está ensinando robôs a aprender como crianças.
Em tarefas de teste onde os robôs viram menos de 10 demonstrações de “como fazer” — uma quantidade de dados ridiculamente ínfima para o aprendizado de máquina tradicional — a equipe do Imperial College alcançou uma melhoria de uma ordem de magnitude na eficiência do aprendizado robótico. Essa é a diferença entre executar uma tarefa cinco vezes em vez de 50 vezes.
Pesquisadores referem-se cada vez mais ao tipo de inteligência que os robôs precisam como IA incorporada ou IA física. A IA física é computação, é claro, mas é uma computação ligada à percepção, ao movimento e à interação com um ambiente. Ser capaz de ensinar robôs 10 vezes mais rápido é um divisor de águas, especialmente se combinado com o treinamento em simulação, onde os robôs podem treinar em ambientes virtuais de larga escala antes de transferir essas habilidades para o mundo físico.
Nada disso significa que os modelos de linguagem vão desaparecer, é claro. Eles continuam sendo ferramentas extraordinariamente úteis. Mas muitos pesquisadores os veem cada vez mais como apenas um componente dos futuros sistemas de IA. Uma inteligência mais capaz — especialmente quando toca o mundo físico — pode exigir sistemas que combinem o raciocínio de linguagem com percepção, memória e modelos de mundo fundamentados na experiência.
E se Johns estiver certo, isso pode exigir máquinas que aprendam da mesma forma que os humanos: interagindo com o mundo.
*Reportagem publicada originalmente em Forbes.com
