No mundo da inteligência artificial, os grandes modelos de linguagem atuam como vastas bibliotecas de conhecimento humano, capazes de responder a perguntas complexas e escrever histórias. No entanto, essas mentes digitais têm um ponto cego significativo: elas frequentemente esquecem fatos sobre os quais não foram treinadas ou inventam detalhes que parecem verdadeiros, mas que são, na verdade, falsos. Para corrigir isso, pesquisadores desenvolveram um método chamado geração aumentada por recuperação. Imagine um estudante fazendo uma prova que tem permissão para abrir um livro didático. Em vez de confiar apenas na memória, o estudante procura a resposta no livro antes de escrevê-la. Isso mantém as respostas fundamentadas na realidade. Uma versão mais avançada desta abordagem utiliza um "grafo de conhecimento", que organiza a informação como um mapa, conectando pessoas, lugares e eventos com linhas para mostrar como eles se relacionam. Isso ajuda o sistema a encontrar pistas que estão vários passos de distância da pergunta original, em vez de apenas procurar pela correspondência mais óbvia.

Apesar desses avanços, a maioria dos sistemas atuais trata cada nova pergunta como se fosse a primeira vez que o sistema a visse. Mesmo que o sistema tenha acabado de resolver um quebra-cabeça difícil sobre uma figura histórica específica, no momento em que a próxima pergunta chega, o sistema descarta o raciocínio que acabou de usar. Ele começa do zero, ignorando o fato de que já resolveu um caminho semelhante. Isso é ineficiente, como um viajante que para em cada nova cidade para pedir direções para um lugar que visitou ontem, em vez de se lembrar da rota que acabou de percorrer. Uma equipe de pesquisadores da Universidade de Beihang, na China, propôs uma solução para este problema. Eles criaram um sistema chamado LivingRAG, que permite que uma inteligência artificial mantenha um caderno de seu próprio raciocínio bem-sucedido. Ao escrever o que funcionou e reutilizar essas notas para perguntas futuras, o sistema torna-se mais inteligente ao longo do tempo, respondendo às perguntas com maior precisão e utilizando menos recursos computacionais.

A ideia central por trás do LivingRAG é dar ao sistema uma memória gravável que ele possa atualizar conforme trabalha. Quando o sistema responde a uma pergunta, ele não apenas produz uma resposta final e segue em frente. Em vez disso, ele faz uma pausa para verificar se o caminho que percorreu para encontrar essa resposta foi sólido. Ele verifica se os fatos que utilizou são realmente sustentados pelos documentos que recuperou. Se o raciocínio for coerente e a pergunta não for apenas uma repetição de algo que ele já resolveu, o sistema salva um resumo compacto dessa experiência. Este resumo inclui um mapa de quais partes da informação foram mais importantes e um breve esboço de como a resposta foi construída. Este processo transforma uma interação única em uma biblioteca crescente de conhecimento verificado.

Os pesquisadores testaram esta abordagem alimentando o sistema com um fluxo de perguntas, de forma semelhante a como um usuário real poderia interagir com um chatbot ao longo de vários dias. Eles descobriram que perguntas relacionadas frequentemente aparecem em grupos. Às vezes, um usuário pergunta sobre uma pessoa específica e, depois, pergunta sobre uma pessoa diferente que viveu na mesma cidade ou período de tempo. Outras vezes, as perguntas seguem o mesmo padrão lógico, como comparar dois eventos diferentes, mesmo que os detalhes sejam distintos. Em seus experimentos, o sistema descobriu que poderia reutilizar esses padrões frequentemente. Por exemplo, em um conjunto de dados envolvendo perguntas complexas de múltiplas etapas, o sistema foi capaz de reutilizar o caminho de raciocínio de uma pergunta anterior para quase todas as consultas relacionadas subsequentes. Isso significou que o sistema não precisou redescobrir as conexões entre os fatos todas as vezes.

Os resultados mostraram que este método de aprender com a experiência tornou o sistema significativamente melhor em responder perguntas. Quando comparado a outros sistemas fortes que não salvam seu raciocínio, o LivingRAG alcançou maior precisão em vários benchmarks padrão. Em um teste envolvendo perguntas sobre figuras e eventos históricos, o sistema melhorou sua taxa de resposta correta de cerca de 84 por cento para 87 por cento. Em outro teste focado em perguntas de suporte ao cliente, a melhoria foi ainda mais pronunciada, saltando de 66 por cento para mais de 70 por cento. Esses ganhos não foram apenas sobre obter a resposta certa; eles também vieram com um benefício colateral de eficiência. Como o sistema podia reutilizar o "andaime" ou a estrutura de uma resposta anterior, ele não precisava gerar tanto texto novo para explicar seu raciocínio. Isso reduziu a quantidade de dados que o sistema precisava processar, o que, por sua vez, baixou o custo estimado de execução do sistema.

Para garantir que o sistema não aprendesse com seus próprios erros, os pesquisadores incorporaram verificações de qualidade rigorosas antes de salvar qualquer experiência. O sistema só escreve uma nova entrada em sua memória se a resposta for respaldada pelas evidências encontradas nos documentos. Se o sistema adivinhar a resposta certa, mas os documentos não a sustentarem de fato, a experiência é descartada. Isso evita que o sistema reforce erros ou armazene informações redundantes que não agregam novo valor. O estudo descobriu que o sistema foi seletivo, armazenando apenas cerca de 27 por cento das experiências candidatas que considerou. Esta seletividade garantiu que a memória permanecesse uma coleção de insights de alta qualidade e verificados, em vez de um registro confuso de cada tentativa.

Os pesquisadores também observaram como o desempenho do sistema mudou ao longo do tempo. No início de uma sessão, quando a memória estava vazia, o sistema operava de forma semelhante aos modelos padrão. No entanto, à medida que respondia a mais perguntas e preenvia sua memória com experiências verificadas, começou a usar esses sucessos passados para guiar suas buscas futuras. O sistema aprendeu a procurar nos lugares certos mais rapidamente e a estruturar suas respostas de forma mais eficiente. Isso sugere que o valor do sistema cresce conforme ele é utilizado, tornando-o particularmente adequado para ambientes onde os usuários fazem um fluxo contínuo de perguntas relacionadas. O estudo não afirmou que este método resolve todos os problemas ou que funciona perfeitamente em todas as situações, mas demonstrou que dar a um sistema a capacidade de aprender com seu próprio raciocínio verificado é uma maneira prática e eficaz de melhorar seu desempenho.

As implicações deste trabalho estendem-se para além de apenas obter melhores respostas. Ao reduzir a quantidade de texto que o sistema precisa gerar, o método também diminui a energia e a potência computacional necessárias para executar estes modelos. Esta é uma consideração crucial à medida que a inteligência artificial se torna mais integrada à vida cotidiana. Os pesquisadores observaram que, embora o seu sistema funcione bem em conjuntos controlados de perguntas, o uso no mundo real pode apresentar desafios, como fatos que mudam com o tempo ou perguntas que se tornam mais dispersas e menos previsíveis. Eles sugeriram que versões futuras de tais sistemas podem precisar incluir formas de atualizar ou remover memórias antigas quando novas informações estiverem disponíveis. Por enquanto, porém, o estudo fornece uma prova clara de que uma inteligência artificial pode ser tornada mais capaz e eficiente simplesmente permitindo que ela se lembre do que já aprendeu.