A inteligência artificial moderna atingiu um ponto em que pode olhar para uma fotografia e descrevê-la, ou ler um gráfico e resumir suas tendências. Esses sistemas, conhecidos como modelos de linguagem de grande escala multimodais, são notavelmente bons em percepção. No entanto, quando solicitados a resolver um problema científico complexo ou um enigma matemático difícil, eles frequentemente tropeçam. Eles conseguem ver as peças do quebra-cabeça, mas têm dificuldade em montá-las em uma solução coerente. A forma padrão de corrigir isso é retreinar o modelo, alimentando-o com milhares de exemplos para que ele aprenda os padrões corretos. Mas essa abordagem tem uma falha importante: ela exige acesso ao código interno do modelo, que muitas vezes está trancado em sistemas proprietários ou é simplesmente grande demais para rodar em dispositivos pessoais. Além disso, se um modelo resolve um problema hoje, um processo de retreinamento padrão não garante que ele lembrará dessa lição amanhã; cada nova questão é tratada como se fosse a primeira vez que o modelo a visse.

Para preencher essa lacuna, pesquisadores estão explorando uma estratégia diferente: dar à IA uma memória externa. Em vez de mudar o cérebro do modelo, eles anexam um caderno do qual o modelo pode ler. O desafio reside no que escrever nesse caderno. Se o caderno for apenas uma lista de problemas passados e suas respostas, o modelo pode se confundir com detalhes específicos demais. Se o caderno for apenas uma lista de regras gerais, pode carecer dos exemplos concretos necessários para compreender uma situação nova e desconhecida. Os sistemas de memória humana mais eficazes parecem equilibrar essas duas necessidades, armazenando tanto experiências específicas quanto os princípios gerais derivados delas. Um novo framework chamado DG-Mem tenta replicar esse equilíbrio para agentes artificiais, permitindo que aprendam com problemas passados sem a necessidade de serem retreinados do zero.

Os pesquisadores por trás deste trabalho, baseados na UC Merced e na Universidade Jiao Tong de Xangai, construíram um sistema que funciona com um modelo congelado — um que não pode ser alterado ou atualizado. Eles criaram um banco de memória que é construído uma única vez usando um conjunto de problemas de treinamento e que é consultado sempre que o modelo enfrenta um novo desafio. Esta memória é dividida em duas partes distintas, de forma muito semelhante a como um humano poderia manter tanto um diário de eventos específicos quanto um manual de conselhos gerais. A primeira parte é uma "memória de exemplares", que armazena exemplos específicos e resolvidos. Estes não são apenas cópias brutas de questões antigas; são registros destilados que capturam a estratégia passo a passo usada para resolver um tipo particular de problema e os erros específicos a serem evitados. A segunda parte é uma "memória de esquema", que contém regras gerais, escritas como simples sentenças do tipo "se-então". Essas regras descrevem a lógica subjacente de uma categoria de problemas, como como contar objetos em uma determinada disposição visual ou como interpretar um gráfico de dados, sem se perder nos detalhes de qualquer instância individual.

Uma escolha de design crucial neste sistema é como esses dois tipos de memória são criados. Os pesquisadores garantiram que as regras gerais nunca fossem escritas olhando diretamente para os exemplos específicos. Em vez disso, o sistema primeiro gera uma reflexão abstrata e temporária de um problema resolvido. É apenas a partir dessa reflexão abstrata que as regras gerais são sintetizadas. Isso evita que o sistema acidentalmente memorize números ou nomes específicos de um único problema e os aplique erroneamente como uma lei universal. Por exemplo, se um problema envolve contar blocos amarelos, o sistema aprende a regra "contar todos os objetos de uma cor específica" em vez de "contar blocos amarelos". Essa separação permite que o modelo aplique um princípio geral a uma nova situação envolvendo blocos vermelhos, mesmo que nunca tenha visto blocos vermelhos antes.

Para fazer este sistema funcionar efetivamente, os pesquisadores também tiveram que resolver o problema de como organizar a memória. No passado, os sistemas frequentemente dependiam de uma lista fixa de categorias, como "geometria" ou "álgebra", que poderiam ser amplas ou estreitas demais. O novo sistema utiliza um categorizador online que constrói sua própria lista de categorias conforme avança. À medida que o sistema processa novos problemas, ele os agrupa em categorias emergentes baseadas em seus conceitos subjacentes, permitindo que a memória cresça e se adapte aos tipos específicos de problemas que encontra, sem a necessidade de um mapa predefinido.

O aspecto mais inovador deste trabalho é como o sistema decide quais partes da memória são realmente úteis. Quando o modelo recupera um conjunto de regras para ajudar a resolver um problema, ele frequentemente obtém várias que parecem relevantes. Os pesquisadores desenvolveram um método para descobrir exatamente qual regra contribuiu para a resposta correta. Eles tratam as regras como jogadores em um jogo de equipe, testando diferentes combinações de regras para ver quais levam ao sucesso. Ao analisar o quanto cada regra melhora o resultado quando adicionada a um grupo, o sistema atribui uma "pontuação de utilidade" a cada regra. Esta pontuação não é baseada em quão semelhante a regra parece com a questão atual, mas em quantas vezes ela historicamente ajudou o modelo a obter a resposta certa. Quando o modelo enfrenta um novo problema, ele usa esta pontuação para priorizar as regras mais úteis, aprendendo efetivamente em qual conselho confiar.

A equipe testou este framework em quatro modelos de IA diferentes, variando de sistemas de código aberto a modelos proprietários poderosos, e o avaliou em três benchmarks desafiadores envolvendo raciocínio matemático e científico. Os resultados mostraram uma melhoria consistente. Os modelos equipados com esta memória dual resolveram significativamente mais problemas corretamente do que os mesmos modelos sem qualquer memória. Eles também superaram outros sistemas de memória que dependiam de apenas um tipo de armazenamento ou que não possuíam uma forma de classificar a utilidade de suas regras. Em alguns casos, a melhoria foi substancial, com o sistema resolvendo mais de doze por cento de problemas a mais em certos testes difíceis.

O estudo também revelou que os dois tipos de memória servem a propósitos diferentes. Quando os pesquisadores removeram os exemplos específicos, o sistema teve dificuldades com problemas que exigiam detalhes visuais, como distinguir entre um círculo completo e uma fatia de um círculo. Quando removeram as regras gerais, o sistema falhou em problemas que exigiam a aplicação de uma estratégia ampla a uma nova configuração visual. A combinação de ambos foi essencial, provando que o sistema precisava tanto do embasamento concreto de exemplos específicos quanto da flexibilidade abstrata de regras gerais para ter sucesso.

Esta abordagem oferece um caminho prático para melhorar a inteligência artificial sem o custo massivo do retreinamento. Como o sistema não requer quaisquer mudanças nos pesos internos do modelo, ele pode ser implantado em sistemas fechados ou até mesmo em dispositivos pessoais onde a privacidade e a eficiência são primordiais. Os pesquisadores reconhecem que o sistema possui limitações, particularmente em como lida com a aleatoriedade dos cálculos computacionais ao atribuir pontuações às regras, mas os resultados demonstram que uma memória estruturada e de camada dupla pode aumentar significativamente a capacidade de raciocínio de uma IA. Ao separar experiências específicas de princípios gerais e usar um método para pesar o valor de cada conselho, este framework fornece uma maneira robusta para que agentes artificiais aprendam, evoluam e resolvam problemas complexos de forma mais eficaz.