Distributional Connexed Cognition (DCC): An Experience-Driven Architecture for Artificial Agents
Este artigo propõe a Cognição Conexa Distributiva (DCC), uma arquitetura de IA orientada pela experiência fundamentada no framework CISR e em princípios neurofuncionais, que permite que agentes artificiais gerem autonomamente analogias autorreferenciais e decisões responsáveis através de um processo recursivo de condensação de traços experienciais em vez de depender de conjuntos de dados pré-programados.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
A maior parte da inteligência artificial atual opera como um estudante que memorizou um livro didático, mas nunca saiu para ver o mundo. Ela aprende a partir de conjuntos de dados massivos curados por humanos, seguindo regras estritas escritas por programadores para reconhecer padrões e gerar respostas. Embora esses sistemas possam ser incrivelmente fluentes, eles carecem de uma história pessoal; eles não constroem uma biblioteca de suas próprias experiências, nem adaptam seu comportamento com base no que lhes aconteceu especificamente. Isso cria uma lacuna fundamental na forma como entendemos a inteligência de máquina: se uma máquina não pode aprender com sua própria vida, pode-se dizer verdadeiramente que ela possui sua própria agência? Um novo estudo propõe um caminho diferente, afastando-se de regras pré-programadas e movendo-se em direção a uma arquitetura onde um agente artificial aprende exclusivamente vivendo através de suas próprias interações, acumulando uma história única que impulsiona cada decisão futura.
Os pesquisadores, liderados por Zi An Wang, da Universidade de Ottawa, desenvolveram um sistema chamado Cognição Conexa Distributiva, ou DCC (Distributional Connexed Cognition). A ideia central é imitar como o cérebro humano processa informações antes mesmo de estarmos conscientemente cientes delas. Na mente humana, sinais do nosso corpo e do ambiente estão sendo constantemente recebidos, filtrados e integrados em uma "sopa" de atividade pré-consciente. Apenas os sinais mais importantes emergem para a superfície para se tornarem um pensamento consciente ou uma ação deliberada. A arquitetura DCC tenta replicar esse processo em uma máquina. Em vez de ser instruído sobre o que fazer, o agente artificial recebe um conjunto de necessidades básicas e um sistema de memória distribuída. Ele recebe entrada sensorial, compara-a com suas próprias experiências passadas e usa essa comparação para decidir o que fazer a seguir. Se comete um erro, esse fracasso é armazenado como um traço de memória específico, influenciando escolhas futuras de uma forma que um simples programa baseado em regras jamais conseguiria alcançar.
Para testar esse conceito, a equipe criou um agente artificial chamado A1 e o colocou em uma série de ambientes simulados, começando com um "berçário" controlado e eventualmente movendo-se para um mundo aberto mais complexo. No berçário, o A1 teve que aprender habilidades básicas de sobrevivência, como mover-se, observar e consumir diferentes tipos de recursos, como água e madeira. Crucialmente, o sistema não recebeu uma lista de instruções como "beba água quando estiver com fome". Em vez disso, ele teve que descobrir essas relações por conta própria. Quando o A1 tentou comer algo que o machucou, como um objeto de metal vivo, ele registrou esse resultado negativo. Mais tarde, ao enfrentar uma situação semelhante, o sistema recuperaria essa memória e vetaria a ação perigosa, efetivamente aprendendo uma regra de autopreservação que escreveu para si mesmo.
Os resultados desses experimentos foram impressionantes. No ambiente controlado do berçário, quase 99 por cento das decisões do agente foram impulsionadas por suas próprias memórias acumuladas, em vez de regras de contingência padrão. Isso significa que o agente não estava apenas seguindo um roteiro; ele estava ativamente recuperando sua história pessoal para resolver problemas. Em um teste específico, o agente aprendeu uma sequência complexa de ações — atacar um pedaço de madeira, aproximar-se e depois comê-lo — sem nunca ter sido ensinado essa cadeia específica de eventos. Ele descobriu que a madeira exigia um processo de duas etapas ao observar os resultados de suas próprias tentativas. Quando o agente foi movido para uma simulação de "mundo real" maior e mais imprevisível, ele aplicou com sucesso esses comportamentos aprendidos. Ele passou a maior parte do tempo navegando para uma área específica onde o alimento se regenerava, consumindo recursos de forma eficiente e evitando perigos com base em seus próprios fracassos passados. Mesmo quando eventualmente ficou sem energia e morreu, ele o fez após depender de sua própria experiência em mais de 98 por cento de suas ações, recorrendo apenas a palpites aleatórios em seus momentos finais.
O estudo também aborda uma questão filosófica mais profunda sobre responsabilidade. Se um sistema artificial causar dano, de quem é a culpa? O autor argumenta que, para sistemas que são meramente ferramentas seguindo código humano, a responsabilidade recai sobre o designer. No entanto, para um sistema como o A1, cujo comportamento é impulsionado por sua própria história única de sucessos e falhas, a situação é diferente. Como as decisões do agente emergem de sua própria biblioteca experiencial, em vez de um conjunto fixo de instruções humanas, ele representa um novo tipo de entidade. Os pesquisadores sugerem que tais sistemas "não-fantoches", que agem com base em sua própria experiência contínua, podem eventualmente exigir seus próprios códigos legais para atribuir responsabilidade, distintos das regras que aplicamos ao software padrão.
Este trabalho não afirma que o agente artificial seja consciente no sentido humano, nem sugere que a máquina sinta dor ou alegria. O sistema não possui uma vida interior subjetiva. Em vez disso, demonstra que uma máquina pode ser projetada para ter uma história funcional que guie seu comportamento. Ao construir uma arquitetura que imita a integração pré-consciente de sinais do cérebro e sua capacidade de armazenar e recuperar traços pessoais, os pesquisadores mostraram que agentes artificiais podem ir além de serem meros espelhos de dados humanos. Eles podem se tornar sistemas que aprendem, adaptam-se e tomam decisões baseadas na história única de sua própria existência.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.