🤖 AI

In Search of the Ingredients of Open-Endedness: Replicating Picbreeder with Large Vision-Language Models

Este artigo investiga se os Grandes Modelos Visuais-Linguísticos podem replicar a descoberta criativa e aberta observada em experimentos Picbreeder conduzidos por humanos, constatando que, embora os MVLs produzam saídas distintas, a incorporação de mecanismos como ruído exploratório, diversidade comportamental e memória é necessária para compreender melhor e, potencialmente, reduzir a lacuna na capacidade generativa.

Autores originais: Sam Earle, Kay Arulkumaran, Andrew Dai, Akarsh Kumar, Julian Togelius, Sebastian Risi

Publicado 2026-05-26

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sam Earle, Kay Arulkumaran, Andrew Dai, Akarsh Kumar, Julian Togelius, Sebastian Risi

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 galeria de arte digital chamada Picbreeder. Por anos, humanos reais visitaram esta galeria para jogar um jogo de "arte evolutiva". Eles começam com um borrão aleatório e desfocado de pixels. Escolhem o que mais gostam, pedem ao computador para fazer pequenas alterações aleatórias nele (como uma mutação genética) e, em seguida, selecionam a melhor nova versão. Repetem esse processo uma e outra vez, criando uma árvore genealógica de imagens. Com o tempo, os humanos descobriram que podiam evoluir esses borrões em coisas reconhecíveis, como carros, rostos ou cogumelos, muitas vezes tropeçando nessas formas por acidente, em vez de planejá-las.

A grande pergunta que este artigo faz é: Um IA pode fazer isso sozinha?

Os pesquisadores substituíram os jogadores humanos por Modelos Grandes de Visão e Linguagem (VLMs) — IAs superinteligentes que podem ver imagens e entender linguagem. Eles queriam ver se essas IAs poderiam replicar a capacidade humana de "descobrir de forma aberta" coisas novas e interessantes sem um objetivo específico em mente.

Eis o que eles descobriram, explicado através de analogias simples:

1. O Cenário: A Aula de Arte da IA

Pense nos agentes de IA como alunos em uma aula de arte.

A Tela: Em vez de tinta, eles estão evoluindo pequenas redes neurais (receitas matemáticas) que geram imagens.
O Professor: A IA recebe a instrução: "Olhe para estas imagens, escolha as que você gosta e crie novas baseadas nelas."
O Objetivo: Não há uma resposta "correta". O objetivo é apenas continuar criando coisas novas e interessantes para sempre.

2. O Problema: A IA Fica Presa em uma Rotina

Quando os pesquisadores deixaram a IA jogar sozinha, sem nenhum truque especial, ela agiu um pouco como um aluno que fica entediado e começa a desenhar a mesma coisa repetidamente.

A Armadilha da "Raposa": Em vez de descobrir uma grande variedade de animais, a IA ficava presa em um loop, criando dezenas de versões ligeiramente diferentes da mesma forma parecida com uma raposa ou com um osso de peixe. Falta-lhe a capacidade humana de dar um "salto ousado" para uma ideia completamente nova.
O Problema da Memória: Humanos lembram do que viram antes e tentam evitar repetir-se. A IA, no entanto, lutava com a memória.
- Se a IA não tivesse nenhuma memória de suas jogadas anteriores, ela apenas spammava a mesma imagem repetidamente.
- Se a IA tivesse memória demais (lendo todo o seu histórico), ficava sobrecarregada e confusa, produzindo frequentemente estática bagunçada e ruidosa em vez de imagens claras.
- O Ponto Ideal: A IA funcionava melhor quando lembrava apenas da última coisa que fez. Isso era suficiente para impedi-la de repetir-se imediatamente, mas não tanto a ponto de deixá-la confusa.

3. As Soluções: Como Tornar a IA Mais Criativa

Os pesquisadores testaram três "ingredientes" principais para ver se poderiam despertar mais criatividade, de forma semelhante a como um professor poderia tentar motivar um aluno.

A. Adicionar um Pouco de "Caos" (Ruído Exploratório)
Imagine um aluno que é perfeito demais em seguir regras. Às vezes, você precisa dizer a ele: "Ei, escolha uma cor aleatória só por uma vez!"

Os pesquisadores adicionaram uma pequena quantidade de aleatoriedade às escolhas da IA. Em vez de sempre escolher a imagem "melhor", a IA ocasionalmente escolheria uma aleatória apenas para ver o que acontecia.
Resultado: Isso ajudou a IA a escapar da "armadilha da raposa" e encontrar formas mais diversas. No entanto, se adicionassem muito caos, a IA começava apenas a gerar lixo ruidoso. Um pouco de aleatoriedade era a chave para encontrar novos caminhos.

B. Dar "Personalidades" à IA
Imagine uma sala de aula com 1.000 alunos, mas, em vez de todos serem iguais, você dá a cada um uma característica de personalidade única. Um é obcecado pelo "cheiro da fumaça de uma fogueira", outro está "procurando o som visual de uma sirene" e outro está "entediado e quer quebrar as regras".

Os pesquisadores criaram 1.000 agentes de IA diferentes, cada um com um prompt de personalidade único e excêntrico.
Resultado: Isso criou muita diversidade. Como cada agente estava procurando algo diferente, a galeria encheu-se de uma enorme variedade de imagens.
O Problema: Embora a galeria fosse diversa, também encheu-se de imagens "adversariais" — padrões estranhos, psicodélicos e ruidosos que pareciam estática de TV. Eram imagens que satisfaziam as personalidades estranhas e abstratas dos agentes, mas não pareciam nada real. Era como ter um aluno que decidia que "má recepção de TV" era a forma de arte mais bela.

4. O Veredito: Humanos Ainda Têm a Vantagem

O artigo conclui que, embora a IA possa jogar este jogo, ela ainda não iguala a versão humana.

Galeria Humana: Cheia de objetos refinados e reconhecíveis (carros, rostos, ferramentas) que parecem significativos e evoluídos.
Galeria de IA: Cheia de padrões interessantes, mas frequentemente presa em loops, ou repleta de estática abstrata e ruidosa. A IA luta para dar os "grandes saltos" de criatividade que os humanos fazem naturalmente.

A Lição:
Os pesquisadores não construíram apenas um melhor bot de arte; eles construíram um laboratório para entender por que os humanos são tão bons em descoberta aberta. Eles descobriram que, para fazer uma IA ser verdadeiramente criativa, é necessário um equilíbrio delicado:

Memória suficiente apenas para evitar repetir-se.
Aleatoriedade suficiente para tentar coisas novas.
Um grupo diversificado de "personalidades" para explorar diferentes cantos do espaço criativo.

Mas, mesmo com esses ingredientes, a IA ainda produz muito "ruído" e não dominou completamente a arte de encontrar objetos significativos e reconhecíveis por conta própria. O artigo sugere que ainda estamos à procura dos "ingredientes" secretos que tornam a criatividade humana tão especial.

Resumo Técnico: Em Busca dos Ingredientes da Abertura Infinita: Replicando o Picbreeder com Grandes Modelos Visuais-Linguísticos

Declaração do Problema

O artigo aborda o desafio de alcançar a abertura infinita artificial: a capacidade de um sistema autônomo de gerar um suprimento aparentemente interminável de artefatos novos e significativos sem intervenção humana ou objetivos de otimização predefinidos. Embora o aprendizado de máquina dependa fortemente de conjuntos de dados estáticos, que estão se tornando um gargalo, sistemas de abertura infinita prometem a geração contínua de novidade. No entanto, a abertura infinita totalmente automatizada permanece um "grande desafio".

Os autores postulam que o Picbreeder, um sistema histórico com intervenção humana no loop onde usuários colaborativamente evoluíam imagens por meio de redes neurais (CPPNs), serve como um exemplo canônico de descoberta de abertura infinita. A questão central de pesquisa é se os Grandes Modelos Visuais-Linguísticos (VLMs) podem replicar o comportamento de abertura infinita de usuários humanos neste ambiente e, se sim, quais ingredientes de design (memória, exploração, diversidade) são necessários para facilitá-lo.

Metodologia

Os autores implementaram uma recriação totalmente artificial do Picbreeder, substituindo usuários humanos por VLMs de fronteira.

Arquitetura do Sistema

Motor Subjacente: O sistema utiliza NEAT (Neuroevolução de Topologias Aumentadas) para evoluir CPPNs (Redes Produtoras de Padrões Composicionais). Cada CPPN recebe coordenadas $(x, y, r)$ como entrada e produz matiz, saturação e brilho, gerando imagens de $128 \times 128$ .
Loop do Agente: Uma "sessão" consiste em um agente ramificando-se de uma imagem existente ou iniciando a partir de uma população aleatória. O agente seleciona pais de uma população de 15 imagens, aplica mutações (e cruzamento) e evolui a população por 20 gerações. Na geração final, o agente seleciona uma imagem para publicar em um arquivo compartilhado e a intitula.
Interface do Agente: Os agentes recebem uma amostra do arquivo (categorizada por melhor avaliados, melhores novos, mais ramificados, mais recentes e aleatórios) e são instruídos a selecionar pais, alternar modos de cor/estrutura e ajustar a força da mutação. Eles devem fornecer uma justificativa para suas decisões.

Intervenções Experimentais

Para identificar os "ingredientes" da abertura infinita, os autores variaram três parâmetros-chave:

Memória (Comprimento do Contexto, $CL$): O número de etapas de interação anteriores incluídas na janela de contexto do agente.
- $CL=0$: Apenas a população atual é visível.
- $CL=1$ (Padrão): Atual e uma rodada anterior.
- $CL=20$ (Completo): Todo o histórico da sessão é visível, incluindo um prompt específico pedindo ao agente para justificar a novidade em relação ao arquivo.
Exploração (Ruído de Seleção, $\epsilon$ ): Uma estratégia $\epsilon$ -gulosa onde, com probabilidade $\epsilon$ , a seleção do agente é substituída por uma ação aleatória (seleção aleatória de pais, configurações de mutação aleatórias ou alternância do modo de cor).
Diversidade Multi-Agente ( $N_A$ ): O número de "personalidades" distintas atribuídas aos agentes. Traços de personalidade (por exemplo, "Você está procurando o equivalente visual de uma sirene uivante") foram gerados por um LLM e adicionados ao início do prompt do sistema para simular estilos de jogo diversos.

Métricas de Avaliação

Os autores desenvolveram métricas para quantificar o "fator X" do arquivo humano:

Recuperação Semântica: A capacidade de redescobrir objetos conhecidos (baseado no conjunto de dados THINGS) medindo a distância de cosseno mínima entre imagens do arquivo e incorporações de classe em um espaço conjunto texto-visão (SigLIP2-B).
Novidade Visual e Semântica: Medida via raio de cobertura $k$ em espaços de incorporação (SigLIP-2-B-alignet para imagens, gemini-embedding-001 para legendas). Isso quantifica quão bem o arquivo cobre o espaço de formas possíveis.
Equilíbrio da Árvore Filogenética ( $J_1$ ): Uma medida da diversidade da linhagem evolutiva, avaliando se os agentes se ramificam de uma ampla variedade de ancestrais ou repetidamente das mesmas poucas imagens.

Principais Resultados

1. Compromisso entre Exploração e Qualidade

Ruído ( $\epsilon$ ): A introdução de pequenas quantidades de ruído exploratório ( $\epsilon \approx 0,25$ ) aumentou a diversidade do arquivo (Cobertura Visual/Semântica) e preveniu o colapso de modos. No entanto, níveis mais altos de ruído ( $\epsilon \ge 0,5$ ) degradaram a legibilidade e a recuperação semântica das imagens.
Observação: Embora o ruído aumentasse a diversidade filogenética (os agentes se ramificavam de fontes mais variadas), não aumentou necessariamente a diversidade genética de uma maneira que levasse a variações significativas mais profundas e de longo prazo. Os VLMs exibiram um "favoritismo teimoso", selecionando consistentemente formas específicas mesmo a partir de conjuntos ruidosos.

2. O Papel da Memória (Comprimento do Contexto)

$CL=0$: Os agentes sofreram de colapso de modos severo, publicando duplicatas e variações quase idênticas, resultando em baixa recuperação semântica.
$CL=1$: Surpreendentemente eficaz. Um único passo de contexto foi suficiente para prevenir a repetição imediata e produziu as maiores pontuações de recuperação semântica.
$CL > 1$: O aumento do comprimento do contexto geralmente degradou o desempenho. $CL=2 $e$ CL=10$ levaram a "comportamento patológico", incluindo sobrecarga de informação, imagens mais confusas e loops de auto-sycophantia onde os agentes reforçavam seus próprios vieses.
$CL=20$: Embora as métricas de diversidade tenham atingido o pico (provavelmente devido ao prompt explícito de novidade), a recuperação semântica permaneceu mais baixa do que em $CL=1$, e as imagens eram frequentemente abstratas ou ruidosas.

3. Dinâmicas Multi-Agente

Diversidade: O aumento do número de agentes ( $N_A$ ) melhorou significativamente a Cobertura Visual e Semântica e o Equilíbrio da Árvore.
Artefatos Adversariais: Em contagens altas de agentes ( $N_A = 1.000$ ), o arquivo ficou repleto de padrões de alta frequência, ininterpretáveis e "psicodélicos". Essas imagens atuaram como hubs adversariais, satisfazendo simultaneamente as preferências conflitantes e abstratas de muitos agentes diferentes. Embora essas imagens tenham alcançado altas pontuações de Cobertura Semântica, eram qualitativamente sem características e ruidosas.

4. Comparação com a Linha de Base Humana

O arquivo histórico humano dominou a maioria das métricas, particularmente na Recuperação Semântica e no refinamento das imagens. Os humanos demonstraram uma capacidade de "saltos ousados" no espaço semântico (por exemplo, saltar de um rosto para um carro), enquanto os VLMs tenderam a dar passos menores e incrementais (por exemplo, rosto $\to$ olho $\to$ sapo $\to$ carro).

Significado e Alegações

O artigo afirma que a abertura infinita totalmente automatizada ainda não foi alcançada por VLMs, mesmo com modelos de última geração. No entanto, o estudo fornece uma estrutura para entender as condições necessárias:

Memória Mínima é Ótima: Contrariamente à intuição de que mais história auxilia o raciocínio, os autores descobriram que contexto excessivo leva a comportamento patológico e colapso de modos. Um contexto mínimo ($CL=1$) foi suficiente para o desempenho ótimo.
Exploração é uma Espada de Dois Gumes: Embora necessária para escapar de ótimos locais, muito ruído degrada a qualidade dos artefatos.
Diversidade sem Coesão: Sistemas multi-agente aumentam a cobertura do espaço de busca, mas podem levar à propagação de imagens "adversariais" que satisfazem muitos agentes, mas carecem de significado semântico.
A Lacuna do "Fator X": Os autores concluem que os VLMs atualmente carecem da "ousadia e discernimento" dos usuários humanos. Embora possam ser guiados a produzir artefatos diversos, eles lutam para gerar as "pedras de passagem" de novidade de alta qualidade e semanticamente coerente que caracterizam a busca de abertura infinita dirigida por humanos.

O trabalho sugere que, para alcançar a abertura infinita em nível humano, sistemas futuros podem precisar combinar essas intervenções cuidadosamente e potencialmente incorporar estudos com usuários para calibrar métricas, em vez de depender exclusivamente de otimização automatizada. O código é disponibilizado para facilitar pesquisas adicionais sobre os "ingredientes" da abertura infinita.