A ciência e a engenharia dependem há muito tempo de um ritmo humano simples: tentar algo, ver se funciona, aprender com o erro e tentar novamente. Por décadas, esse ciclo tem sido o motor da descoberta, onde um pesquisador constrói um protótipo, testa-o e usa os resultados para refinar a próxima versão. Mas, à medida que os computadores se tornaram poderosos o suficiente para escrever seu próprio código e executar seus próprios experimentos, uma nova questão surgiu. Pode uma máquina aprender com seus próprios fracassos da mesma forma que um humano faz? O desafio não é apenas que a máquina obtenha um resultado, mas que ela entenda por que obteve esse resultado. Quando um computador tenta mil variações de um design, ele frequentemente produz uma montanha de dados que lhe diz o que aconteceu, mas não qual mudança específica fez a diferença. Sem essa clareza, a máquina é forçada a reaprender as mesmas lições repetidamente, desperdiçando tempo e energia em caminhos que não levam a lugar nenhum.

Este é o problema que uma equipe de pesquisadores da Sapient Intelligence se propôs a resolver. Eles construíram um sistema chamado PRAXIST, projetado não apenas para encontrar soluções, mas para construir um histórico claro e auditável de como essas soluções foram descobertas. Em vez de tratar cada tentativa como um novo começo, o PRAXIST trata a pesquisa como uma conversa contínua. Ele pega os resultados de um experimento, decompõe-nos em lições específicas — o que funcionou, o que falhou e o que foi apenas um golpe de sorte — e salva essas lições como um registro permanente. Quando o sistema inicia sua próxima rodada de experimentos, ele não olha apenas para a melhor pontuação do passado; ele olha para os mecanismos específicos que garantiram essa pontuação. Ele pergunta: "Esta parte do design realmente causou a melhoria ou foi outra coisa?" Ao responder a essa pergunta, o sistema pode carregar adiante apenas as partes úteis de seu histórico, construindo soluções mais fortes e confiáveis com muito menos esforço do que antes.

Os pesquisadores testaram essa abordagem em um conjunto massivo de setenta e cinco desafios diferentes de engenharia de aprendizado de máquina, variando desde a identificação de doenças em imagens médicas até a previsão de tendências do mercado de ações. Eles compararam seu sistema contra um assistente de codificação de IA padrão e poderoso, operando em um dos modelos de linguagem mais avançados disponíveis. Os resultados foram impressionantes. O assistente padrão conseguiu obter uma medalha em cerca de setenta e três por cento das tarefas, mas gastou quase trinta e oito mil dólares em custos de computação para isso. O sistema PRAXIST, usando um modelo subjacente diferente e uma maneira muito mais inteligente de organizar seu trabalho, conquistou medalhas em oitenta por cento das tarefas, tudo isso gastando apenas cerca de três mil dólares. Em outras palavras, o novo sistema encontrou soluções melhores por aproximadamente um doze avos do custo.

Mas a verdadeira inovação não reside apenas na economia, mas no método. Os pesquisadores observaram que a maioria dos sistemas automatizados trata seu histórico como uma lista simples de pontuações, mantendo apenas o número mais alto e descartando o restante. O PRAXIST, porém, trata o histórico como uma árvore genealógica. Cada vez que o sistema constrói uma nova peça de software ou um novo mecanismo de controle, ele registra as escolhas de design específicas que levaram ao sucesso ou ao fracasso. Se uma determinada mudança em um algoritmo de pouso de foguete fez o veículo cair, esse fracasso é registrado não como um beco sem saída, mas como uma lição valiosa que diz às tentativas futuras o que evitar. Se um ajuste específico em uma estratégia de negociação melhorou os lucros, esse sucesso é marcado com a razão exata pela qual funcionou, para que o sistema saiba usar esse mesmo ajuste em um contexto diferente. Esse processo permite que o sistema herde "evidência tipada", o que significa que ele sabe exatamente quais partes de uma solução são comprovadamente eficazes e quais ainda são apenas suposições.

Para ver como isso funciona no mundo real, a equipe aplicou o PRAXIST a quatro problemas de engenharia complexos e abertos que não tinham uma única resposta correta. Em um caso, pediram ao sistema para projetar um controlador para um foguete reutilizável pousar verticalmente. O ponto de partida era um controlador que tinha sucesso em apenas quatro por cento das vezes. Um otimizador automatizado padrão tentou centenas de variações e conseguiu melhorar a taxa de sucesso para dezessete por cento, mas não conseguiu fazer o foguete pousar com segurança todas as vezes. O PRAXIST, no entanto, seguiu um caminho diferente. Ele não apenas tentou mudanças aleatórias; ele construiu uma linhagem de melhorias. Primeiro, adicionou um regulador para gerenciar o combustível, depois um guia para lidar com a transição entre as fases de voo e, finalmente, uma ferramenta matemática específica para equilibrar as forças nas barbatanas do foguete. Ao final da campanha, o sistema produziu um controlador que pousou o foguete com sucesso em todas as rodadas de teste, uma pontuação perfeita de cem por cento. Crucialmente, o sistema registrou toda a jornada, mostrando exatamente como cada pequena melhoria levou ao sucesso final.

Em outro experimento, o sistema abordou o problema da negociação autônoma. O objetivo era criar uma estratégia que pudesse comprar e vender ações para maximizar o lucro ao longo do tempo. A estratégia de base, que simplesmente comprava uma quantidade igual de cada ação disponível, alcançou uma taxa de crescimento anual de vinte e três por cento. O PRAXCI T descobriu uma estratégia mais complexa e adaptável que aprende com padrões de mercado e ajusta seu comportamento com base nos custos de execução. Essa nova estratégia alcançou uma taxa de crescimento de cinquenta e três por cento, mais do que o dobro da base. O sistema não encontrou apenas uma combinação de sorte; ele rastreou a descoberta até mudanças específicas, como a forma como a estratégia lidava com o risco e como gerenciava o tempo de suas operações. Os pesquisadores puderam observar a "linhagem" do sistema e ver o momento exato em que a estratégia aprendeu a evitar uma armadilha comum que estava prejudicando seu desempenho.

O sistema também provou seu valor no campo da robótica e da física. Em um teste envolvendo um robô que utiliza câmeras e lasers para navegar, o sistema padrão estava desperdiçando uma enorme quantidade de poder computacional ao atualizar constantemente seu mapa com informações redundantes. O PRAXIST percebeu que o robô não precisava olhar para cada quadro de vídeo; ele só precisava olhar quando a nova informação fosse realmente útil. Ao ensinar o rob em a pular atualizações desnecessárias, o sistema reduziu o tempo de processamento visual em setenta e dois por cento sem perder qualquer precisão em sua navegação. Da mesma forma, em uma simulação de controle de um reator de fusão nuclear, o sistema projetou um controlador que manteve o plasma instável estável por períodos mais longos do que os controladores existentes projetados por humanos, mesmo que a física envolvida seja notoriamente difícil de prever.

O que torna esses resultados tão significativos é a transparência que eles proporcionam. Na pesquisa automatizada tradicional, quando um sistema encontra uma solução, ela é frequentemente uma "caixa preta". Você sabe que funciona, mas não sabe o porquê, e não pode dizer facilmente se o sucesso se manterá em uma situação ligeiramente diferente. O PRAXIST muda isso ao anexar uma história detalhada a cada resultado. Ele registra a "linhagem" da solução, uma cadeia de evidências mostrando quais mecanismos foram testados, quais foram validados e quais foram descartados. Isso significa que os cientistas humanos podem observar o trabalho do sistema, entender a lógica por trás dele e até mesmo pegar as melhores partes para construir algo novo. Isso transforma o computador de uma ferramenta que apenas produz respostas em um colaborador que documenta seu raciocínio.

Os pesquisadores enfatizam que essa abordagem não visa substituir os cientistas humanos, mas sim dar-lhes um instrumento mais poderoso. Ao lidar com o trabalho tedioso de testar milhares de variações e organizar as lições aprendidas, o sistema libera os humanos para focarem no panorama geral. A capacidade de herdar conhecimento através de gerações de experimentos significa que o sistema não precisa começar do zero toda vez que enfrenta um novo problema. Ele pode carregar adiante a sabedoria de seus fracassos e sucessos passados, construindo uma base de conhecimento confiável que se fortalece a cada tentativa. Essa mudança de uma simples busca pela melhor pontuação para uma compreensão profunda da evidência por trás da pontuação representa uma mudança fundamental na forma como abordamos desafios complexos de engenharia.

No fim, a história do PRAXIST é sobre o poder da memória nas máquinas. Por muito tempo, os computadores foram excelentes em cálculos, mas ruins em aprender com seu próprio histórico de forma estruturada. Este sistema mostra que, quando você dá a uma máquina a capacidade de registrar não apenas o que aconteceu, mas por que aconteceu, ela pode resolver problemas que antes estavam fora de alcance. Ele o faz não por ser mais inteligente em um sentido geral, mas por ser mais cuidadoso com o que lembra e como usa essa memória. O resultado é um sistema que é não apenas mais eficiente e econômico, mas também mais confiável, porque cada solução oferecida vem com um relato claro e inspecionável de como foi alcançada. Este é o futuro da pesquisa autônoma: não uma máquina que adivinha o caminho para uma solução, mas uma que constrói um legado de evidências, um experimento de cada vez.