🤖 AI

Navigating Simply, Aligning Deeply: Winning Solutions for Mouse vs. AI 2025

A equipe HCMUS_TheFangs alcançou resultados vitoriosos em ambas as trilhas da competição NeurIPS 2025 Mouse vs. AI ao demonstrar que arquiteturas leves e simples se destacam na robustez visual, enquanto modelos profundos de alta capacidade são superiores para o alinhamento neural, revelando que o desempenho ideal depende de combinar a complexidade arquitetônica aos objetivos específicos da tarefa, em vez de maximizar o tamanho do modelo.

Autores originais: Phu-Hoa Pham, Chi-Nguyen Tran, Dao Sy Duy Minh, Nguyen Lam Phu Quy, Huynh Trung Kiet

Publicado 2026-02-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Phu-Hoa Pham, Chi-Nguyen Tran, Dao Sy Duy Minh, Nguyen Lam Phu Quy, Huynh Trung Kiet

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma competição onde agentes de inteligência artificial correm contra ratos reais para encontrar uma bola escondida em um labirinto 3D. Mas há um detalhe: a competição tem dois juízes diferentes com objetivos muito distintos.

A Competição: "Rato vs. IA"
Pense nisso como um teste de direção.

Pista 1 (O Teste do "Tempo Severo"): O primeiro juiz quer ver se a IA consegue dirigir pelo labirinto mesmo quando o clima muda. E se de repente ficar com neblina? E se as luzes piscarem ou o sol se pôr? O objetivo aqui é robustez — a IA consegue continuar trabalhando quando as coisas ficam bagunçadas?
Pista 2 (O Teste do "Escaneamento Cerebral"): O segundo juiz não se importa se a IA vence a corrida. Em vez disso, ele quer saber: O céreio da IA funciona como o cérebro de um rato? Eles têm gravações de 19.000 neurônios de ratos reais disparando enquanto os ratos correm pelo labirinto. O objetivo aqui é alinhamento — o processamento interno da IA se parece com a biologia?

A Grande Surpresa: Simples vs. Complexo
A equipe da Universidade de Ciência, VNU-HCM (Equipe HCMUS_TheFangs) entrou na competição com uma descoberta surpreendente: Um tamanho não serve para todos.

1. Para o Teste do "Tempo Severo" (Pista 1): Mantenha a Simplicidade

A equipe tentou construir um cérebro de IA supercomplexo com muitas camadas (como uma rede neural profunda). Era como dar à IA uma enciclopédia gigante e complicada para memorizar.

O que aconteceu: A IA complexa memorizou o labirinto de treinamento perfeitamente, mas congelou quando a neblina surgiu. Ela era específica demais.
A Solução Vencedora: Eles mudaram para um cérebro minúsculo de duas camadas (uma "SimpleCNN"). Pense nisso como um morador local esperto que conhece as regras gerais da estrada, mas não pensa demais em cada detalhe.
O Ingrediente Secreto: Eles adicionaram duas ferramentas simples:
1. Normalização: Isso é como colocar óculos escuros. Ajuda a IA a ignorar mudanças repentinas de brilho ou cor, focando apenas no formato do caminho.
2. Gating (GLU): Atua como um segurança de uma boate. Ele deixa a informação útil entrar, mas bloqueia o "ruído" ou a estática visual confusa.
O Resultado: Esta IA simples e "esperta das ruas" venceu com uma pontuação de 95,4%. Provou que, para sobreviver a climas estranhos, você não precisa de um supercomputador; você precisa de um sistema simples e adaptável.

2. Para o Teste do "Escaneamento Cerebral" (Pista 2): Vá Profundo

Quando o objetivo mudou para imitar o céreão de um rato, a estratégia inverteu. A IA minúscula não era boa o suficiente.

O Problema: O cérebro de um rato é uma hierarquia massiva e complexa. Ele processa bordas simples, depois formas, depois objetos, tudo ao mesmo tempo. Uma IA minúscula simplesmente não conseguia capturar essa profundidade.
A Solução Vencedora: Eles construíram uma ResNet profunda de 16 camadas. Pense nisso como uma biblioteca enorme com 17,8 milhões de livros (parâmetros). Ela tem "poder cerebral" suficiente para entender a maneira complexa e em camadas como um rato vê o mundo.
O Resultado: Este modelo profundo e complexo conquistou o primeiro lugar para alinhamento neural. Mostrou que, para imitar a biologia, você realmente precisa de um cérebro grande e complexo.

A Descoberta do "Ponto Ideal"

A equipe também notou algo estranho sobre o tempo de treinamento. Você pode pensar: "Se eu treinar a IA por mais tempo, ela ficará melhor".

A Realidade: Não é uma linha reta. Eles testaram modelos treinados por diferentes períodos de tempo (de 60.000 passos a mais de 1 milhão).
A Descoberta: Os melhores modelos eram frequentemente encontrados em torno de 200.000 passos. Se eles treinassem por muito tempo (como 1 milhão de passos), os modelos na verdade ficavam piores.
A Analogia: É como estudar para uma prova. Se você estudar um pouco, não sabe nada. Se estudar a quantidade certa, você gabarita. Mas se estudar por dias seguidos sem parar, você fica exausto, esquece o básico e começa a cometer erros bobos. O modelo "perfeito" foi aquele que parou de treinar logo antes de começar a pensar demais.

O Que Falhou?

A equipe tentou muitas ideias sofisticadas que não funcionaram:

InceptionNet: Uma arquitetura muito complexa que simplesmente se recusou a aprender qualquer coisa.
Data Augmentation (Aumento de Dados): Eles tentaram tornar as imagens de treinamento artificialmente estranhas (chuva, noite, etc.) para ensinar a IA. Surpreendentemente, isso tornou a IA pior. Foi como tentar ensinar alguém a dirigir mostrando fotos de carros em chamas; isso confundiu a IA em vez de ajudar.
LSTMs (Memória): Eles tentaram dar à IA uma "memória" para lembrar de quadros anteriores. Isso destruiu a capacidade da IA de ver a imagem 2D claramente, tornando-a desajeitada.

A Lição Principal

O artigo conclui com uma lição clara:

Se você quer uma IA que seja robusta e confiável em ambientes em mudança, mantenha a simplicidade. Não exagere na engenharia.
Se você quer uma IA que imite a biologia, você precisa de complexidade e profundidade para corresponder à riqueza de um cérebro vivo.

A equipe não apenas encontrou um vencedor; eles mostraram que o "melhor" design de IA depende inteiramente do que você está tentando alcançar. Às vezes, menos é mais; às vezes, você precisa da biblioteca inteira.

Resumo Técnico: Navegando Simplesmente, Alinhando Profundamente

Declaração do Problema

O artigo aborda o "gap de robustez" em agentes artificiais, onde sistemas de aprendizado por reforço profundo (RL) frequentemente falham ao encontrar perturbações visuais fora de sua distribuição de treinamento, ao contrário de sistemas biológicos (especificamente camundongos), que mantêm uma navegação estável sob condições variáveis. Os autores participaram da Competição de Forrageamento Visual Mouse vs. AI da NeurIPS 2025, que avalia agentes em duas trilhas distintas e complementares:

Trilha 1 (Robustez Visual): Mede a generalização para perturbações visuais retidas (ex: névoa, mudanças de iluminação) usando uma média ponderada da Taxa de Sucesso Média (ASR) e da Taxa de Sucesso Modificada (MSR).
Trilha 2 (Alinhamento Neural): Avalia o quão bem as representações visuais internas de um agente predizem a atividade neural registrada de mais de 19.000 neurônios no córtex visual do camundongo durante a mesma tarefa, usando métricas de leitura linear $R^2$ .

O desafio central reside na tensão entre esses objetivos: a robustez comportamental geralmente favorece a abstração de estatísticas de baixo nível, enquanto o alinhamento neural pode exigir a preservação de uma estrutura de estímulo detalhada.

Metodologia

Os autores, Equipe HCMUS_TheFangs, abandonaram a sabedoria convencional de que tarefas visuais complexas requerem arquiteturas correspondentemente complexas. Em vez disso, eles buscaram uma abordagem de estratégia dupla, desenvolvendo arquiteturas distintas otimizadas para os requisitos específicos de cada trilha.

Trilha 1: Arquitetura Leve para Robustez

Para a robustez visual, a equipe desenvolveu uma arquitetura SimpleCNN que prioriza a simplicidade para evitar o overfitting.

Arquitetura: Um backbone convolucional de duas camadas com downsampling espacial agressivo (kernel 8×8, stride 4; seguido por kernel 4×4, stride 2).
Melhorias:
- Unidades Lineares com Portão (GLU): Um módulo que utiliza ativação Swish para transformação de características e sigmoid para portão (gating), permitindo o fluxo seletivo de informações para suprimir componentes sensíveis ao ruído.
- Normalização de Observação: Estatísticas de execução (média móvel exponencial) aplicadas às entradas para garantir a invariância a mudanças globais de iluminação.
Treinamento: Uma estratégia de duas fases onde o backbone é treinado primeiro, seguido pela adição do módulo GLU.

Trilha 2: Arquitetura Profunda para Alinhamento Neural

Para o alinhamento neural, a equipe empregou uma arquitetura do tipo Deep ResNet projetada para capturar representações hierárquicas que espelham o córtex visual biológico.

Arquitetura: 16 camadas convolucionais organizadas em blocos residuais com expansão progressiva de canais (64 → 128 → 256 → 512).
Mecanismo: Incorpora o portão baseado em GLU para roteamento adaptativo de características. O modelo contém 17,8 milhões de parâmetros, significativamente maior que o modelo da Trilha 1 (1,4M).
Treinamento: Experimentação extensiva com durações de treinamento variando de 60K a 1,14M de passos, salvando checkpoints a cada 20K passos para analisar a relação entre o tempo de treinamento e o desempenho.

Abordagens Falhas

O artigo documenta sistematicamente várias abordagens que tiveram desempenho inferior:

InceptionNet: Falhou totalmente em convergir.
Deep ResNet (24 camadas): Alcançou alto desempenho de treinamento, mas sofreu uma queda de 35% no desempenho sob perturbações devido ao overfitting severo.
Integração de LSTM: Causou instabilidade no treinamento e colapso de desempenho, provavelmente devido à destruição da estrutura espacial 2D.
Aumento de Dados Ingênuo (Naive Data Augmentation): Surpreendentemente diminuiu o desempenho (de 87,7% para 59,8%) ao introduzir desajustes de distribuição.

Resultados Principais

Trilha 1: Robustez Visual

A arquitetura leve SimpleCNN com GLU e normalização alcançou uma pontuação final de 95,4%, garantindo a primeira posição.

Ablação: A normalização de observação proporcionou o maior ganho (+3,8%), seguida pelo GLU (+0,2%).
Comparação: A linha de base ResNet de 24 camadas pontuou apenas 65,98%, destacando que o aumento da profundidade prejudica a generalização neste contexto. A SimpleCNN manteve uma lacuna mínima entre ASR (96,80%) e MSR (94,00%), enquanto a ResNet profunda teve uma lacuna de 30 pontos.

Trilha 2: Alinhamento Neural

A arquitetura Deep ResNet alcançou o desempenho de topo (Top-1) (Pontuação: 0,1517) nas métricas de alinhamento neural.

Capacidade: O modelo de 17,8M de parâmetros superou significativamente a SimpleCNN leve (Rank 13, Pontuação: 0,1451), demonstrando que capturar representações biológicas requer uma capacidade substancial de modelo.
Treinamento Não Monotônico: Uma descoberta crítica foi a relação não monotônica entre a duração do treinamento e o desempenho. O checkpoint ideal surgiu em torno de 200K passos (Rank 2), performando quase tão bem quanto o modelo treinado por 1,14M de passos (Rank 1). Modelos treinados por durações intermediárias (ex: 520K passos) performaram pior do que aqueles treinados por durações muito curtas (80K passos), sugerindo que o treinamento estendido pode levar ao overfitting ou esquecimento catastrófico mesmo em tarefas de alinhamento neural.

Contribuições Principais

Simplicidade Arquitetônica para Robustez: Demonstrou que uma CNN leve de duas camadas com melhorias direcionadas (GLU, normalização) supera significativamente redes profundas complexas para robustez visual, desafiando suposições sobre os requisitos de modelos.
Capacidade para Alinhamento Neural: Mostrou que, embora modelos mais simples se destaquem na robustez comportamental, arquiteturas mais profundas com maior capacidade são necessárias para alcançar um alinhamento neural superior, refletindo a complexidade hierárquica do processamento visual biológico.
Documentação de Falhas: Forneceu uma análise abrangente das abordagens que falharam (InceptionNet, Deep ResNet, LSTM, aumento de dados ingênuo), oferecendo orientação prática sobre como evitar armadilhas comuns em RL visual robusto.
Análise de Dinâmica de Treinamento: Revelou uma relação não monotônica entre a duração do treinamento e o desempenho, identificando que os checkpoints ideais frequentemente emergem muito antes da convergência (por volta de 200K passos).

Significância e Alegações

O artigo afirma oferecer orientação prática para o desenvolvimento de agentes visuais robustos e biologicamente inspirados, desafiando suposições convencionais sobre a complexidade do modelo. Os autores argumentam que a competência comportamental não implica necessariamente plausibilidade biológica; as arquiteturas ideais para sobreviver a perturbações visuais diferem fundamentalmente das exigidas para mimetizar a atividade neural.

Ao demonstrar que "o simples é melhor" para robustez, enquanto "o profundo é melhor" para alinhamento, o trabalho sugere que os objetivos de robustez e plausibilidade biológica podem estar em tensão, exigindo escolhas arquitetônicas distintas. As descobertas enfatizam a importância de vieses indutivos apropriados à tarefa e o valor de uma análise sistemática de checkpoints em vez de apenas treinar até a convergência.