Pesquisadores Chineses Conquistam Avanço na Criação de ‘Cientistas de IA Reais’

Recentemente, pesquisadores chineses da Universidade de Pequim e do Instituto de Tecnologia Oriental (EIT) revelaram uma estrutura inovadora projetada para treinar modelos de aprendizado de máquina com conhecimento prévio, uma mudança em relação à abordagem convencional baseada apenas em dados. Os pesquisadores destacam o impacto transformador dos modelos de aprendizado profundo na pesquisa científica, enfatizando sua capacidade de extrair relações significativas de vastos conjuntos de dados. A estrutura aborda as limitações dos modelos existentes, como o Sora da OpenAI, que luta para simular certas interações do mundo real com precisão devido à falta de compreensão de leis físicas como a gravidade.

Os modelos de aprendizado profundo, renomados por revolucionar a pesquisa científica, dependem principalmente de dados extensos para treinamento, em vez de incorporar conhecimento prévio, como leis físicas ou lógica matemática. No entanto, pesquisadores da Universidade de Pequim e do Instituto de Tecnologia Oriental propõem uma mudança de paradigma. A equipe sugere que combinar dados com conhecimento prévio durante o treinamento poderia resultar em modelos de aprendizado de máquina mais precisos e informados.

O desafio reside em determinar quais aspectos do conhecimento prévio, incluindo relações funcionais, equações e lógica, devem ser integrados para facilitar um melhor pré-aprendizado sem causar o colapso do modelo. O Professor Chen Yuntian enfatiza que inundar modelos com um alto volume de conhecimento e regras frequentemente leva a lutas ou falhas nos modelos atuais de aprendizado de máquina informados.

Uma estrutura para avaliar a importância das regras

Para superar esse desafio, os pesquisadores desenvolveram uma estrutura que avalia o valor das regras e determina combinações ótimas que melhoram a capacidade preditiva dos modelos de aprendizado profundo. Xu Hao, o primeiro autor e pesquisador na Universidade de Pequim, explica que sua estrutura calcula a “importância da regra” analisando como regras específicas ou combinações afetam a precisão preditiva de um modelo.

Essa abordagem visa equilibrar a influência dos dados e do conhecimento, melhorando a eficiência e as capacidades de inferência dos modelos de aprendizado profundo. A equipe imagina que incorporar o conhecimento humano em modelos de IA poderia melhorar significativamente sua refletividade no mundo real, tornando-os mais aplicáveis em domínios científicos e de engenharia.

Os pesquisadores testaram sua estrutura otimizando um modelo para resolver equações multivariadas e outro para prever os resultados de um experimento de química. Chen sugere que, a curto prazo, essa estrutura encontrará suas aplicações mais úteis em modelos científicos onde a consistência com as regras da física é vital para evitar possíveis consequências adversas.

Apesar dos resultados promissores, a equipe reconhece um desafio. À medida que mais dados são adicionados a um modelo, as regras gerais tornam-se mais significativas do que as regras locais específicas. No entanto, essa observação não fornece benefícios significativos em campos como biologia e química, onde as regras gerais frequentemente faltam.

Em direção a cientistas de IA autônomos

Olhando para o futuro, a equipe de pesquisa aspira levar sua estrutura um passo adiante, permitindo que a IA identifique seu próprio conhecimento e regras diretamente dos dados sem intervenção humana. O objetivo final é criar um ciclo fechado, transformando o modelo em um verdadeiro cientista de IA. Chen imagina esse desenvolvimento como um passo significativo em direção à autonomia na IA, e a equipe está trabalhando ativamente em uma ferramenta de plugin de código aberto para desenvolvedores de IA para facilitar essa transição.