Falar sozinho costuma ser visto como excentricidade humana. Aquele diálogo interno constante – “onde raio pus as chaves”, “se fizer isto primeiro depois faço aquilo”, “não, espera, melhor ao contrário” – parece algo exclusivamente nosso. Mas investigadores do Instituto de Ciência e Tecnologia de Okinawa, no Japão, descobriram que ensinar inteligência artificial a fazer exactamente isto pode torná-la significativamente mais inteligente.
Num estudo publicado na revista científica Neural Computation, a equipa demonstrou que sistemas de IA aprendem mais depressa, adaptam-se melhor a situações novas e conseguem fazer várias tarefas em simultâneo quando são treinados para usar “fala interior” combinada com memória de curto prazo. E o mais impressionante: conseguem fazer tudo isto com muito menos dados de treino do que o habitual.
O que é fala interior em IA
Em humanos, a fala interior é aquela voz na cabeça que nos ajuda a organizar pensamentos, avaliar opções e processar emoções. Não é apenas pensar – é quase literalmente falar sem som, usando linguagem estruturada internamente. Psicólogos sabem há décadas que crianças pequenas falam em voz alta enquanto brincam ou resolvem problemas, e que essa fala externa gradualmente se interioriza à medida que crescem.
Em IA, o conceito é semelhante mas obviamente não literal. Não há consciência nem voz real. O que os investigadores fizeram foi treinar modelos de machine learning para gerarem sequências intermédias de processamento – algo que podemos imaginar como “resmungar” interno – antes de chegarem a uma resposta final. Dr. Jeffrey Queißer, primeiro autor do estudo e cientista na Unidade de Investigação em Neurorobótica Cognitiva da OIST, explica que este processo cria auto-interacções dentro do sistema. Em vez de ir directamente de input para output, a IA processa informação através de etapas intermédias onde “fala consigo própria” sobre o problema.
Memória de trabalho: guardar coisas na cabeça por segundos
Para perceber melhor o estudo, é preciso entender o conceito de memória de trabalho. Não é memória de longo prazo, onde guardas o nome da tua professora do segundo ano ou a letra de músicas dos anos 90. É memória de curtíssimo prazo que usas activamente para processar informação no momento.
Quando alguém te dá um número de telefone e repetes mentalmente até conseguires escrever, estás a usar memória de trabalho. Quando segues instruções para montar um móvel do Ikea e tens de lembrar-te de “parafuso A vai no buraco 3 depois da peça B encaixar em C”, memória de trabalho.
Em IA, memória de trabalho funciona de forma análoga: espaços temporários onde o sistema guarda pedaços de informação enquanto processa um problema. A equipa da OIST testou diferentes configurações, desde sistemas com um único “slot” de memória até sistemas com múltiplos slots em simultâneo.
Os testes e os resultados
Os investigadores testaram os seus modelos em tarefas de complexidade variada. Algumas eram relativamente simples, outras exigiam segurar múltiplas peças de informação em simultâneo e manipulá-las na ordem correcta. Por exemplo: inverter uma sequência de números, ou recriar padrões complexos guardando vários elementos ao mesmo tempo.
Os resultados mostraram que modelos com múltiplos slots de memória de trabalho performavam melhor em problemas difíceis. Mas quando a equipa adicionou o componente de fala interior – encorajando o sistema a “resmungar” consigo próprio um certo número de vezes antes de dar resposta final – a performance melhorou ainda mais.
Os ganhos maiores apareceram em situações de multitasking (fazer várias coisas ao mesmo tempo) e em tarefas que exigiam muitos passos sequenciais. Isto faz sentido: quando tens de gerir múltiplas variáveis e processos, falar contigo próprio ajuda a organizar tudo. Humanos fazem isto instintivamente. Agora, máquinas também podem.
Generalização: o Santo Graal da IA
Um dos objectivos centrais desta investigação é desenvolver o que os cientistas chamam “processamento de informação agnóstico de conteúdo”. Nome complicado para conceito simples: a capacidade de aplicar competências aprendidas em situações diferentes daquelas onde foram treinadas. Isto é algo que humanos fazem facilmente mas IA luta constantemente.
Se ensinares um sistema de IA a reconhecer gatos em fotografias, ele pode ser brilhante com gatos mas completamente perdido com cães. Se aprender a jogar xadrez, não sabe jogar damas. Cada tarefa precisa de treino específico e massivo.
“Mudar rapidamente entre tarefas e resolver problemas desconhecidos é algo que nós humanos fazemos facilmente todos os dias. Mas para IA, é muito mais desafiante”, explica Queißer. “É por isso que adoptamos uma abordagem interdisciplinar, misturando neurociência do desenvolvimento e psicologia com machine learning e robótica, entre outros campos, para encontrar novas formas de pensar sobre aprendizagem.
” O sistema desenvolvido pela equipa japonesa mostrou capacidade melhorada de generalização. Conseguia aplicar princípios aprendidos numa tarefa a problemas ligeiramente diferentes sem precisar de treino adicional massivo. Isto é enorme em termos práticos.
Menos dados, mais inteligência
Talvez o aspecto mais impressionante deste trabalho seja a eficiência. Sistemas de IA modernos são notoriamente glutões de dados. Para treinar um modelo de linguagem como o GPT ou Claude, precisas de terabytes e terabytes de texto. Para treinar sistemas de reconhecimento de imagem, precisas de milhões de fotografias etiquetadas.
Este processo é caro, demorado e ambientalmente problemático – os servidores que processam todo este treino consomem electricidade equivalente a pequenos países. Qualquer método que reduza necessidade de dados é bem-vindo. O sistema da OIST, combinando fala interior com memória de trabalho, consegue aprender efectivamente com conjuntos de dados muito mais pequenos do que seria normalmente necessário.
Queißer descreve-o como “uma alternativa complementar e leve” aos métodos tradicionais que exigem dados extensivos. Isto não significa que substitui completamente treino massivo com big data. Mas oferece caminho alternativo que pode ser especialmente útil em domínios onde dados são escassos ou caros de obter.
Próximos passos: sair do laboratório
A investigação até agora foi feita em ambiente controlado, com tarefas bem definidas e condições limpas. O próximo passo é testar em contextos mais realistas e caóticos – o mundo real, basicamente. “No mundo real, estamos constantemente a tomar decisões e a resolver problemas em ambientes complexos, ruidosos e dinâmicos”, diz Queißer.
“Para melhor espelhar aprendizagem humana desenvolvimentista, precisamos de ter em conta estes factores externos.” A equipa quer aplicar este conhecimento ao desenvolvimento de robôs domésticos ou agrícolas que consigam funcionar em ambientes complexos e imprevisíveis.
Um robô que arruma uma cozinha ou colhe fruta precisa de lidar com variabilidade constante: objectos em sítios diferentes, condições de luz variáveis, obstáculos inesperados. Capacidade de generalizar e adaptar-se rapidamente é essencial.
O que isto significa para o futuro da IA
Este trabalho insere-se numa tendência crescente de inspiração biológica no desenvolvimento de IA. Durante décadas, a abordagem dominante foi força bruta: mais dados, mais poder computacional, redes neuronais maiores. Funcionou impressionantemente bem para muitas aplicações, mas está a atingir limites tanto técnicos como económicos.
Cada vez mais investigadores olham para neurociência e psicologia cognitiva em busca de atalhos. Se o cérebro humano consegue aprender com poucos exemplos, generalizar facilmente e resolver problemas novos com recursos limitados, talvez haja princípios arquitecturais ou processuais que possamos replicar. Fala interior é um desses princípios. Memória de trabalho é outro. Atenção selectiva, raciocínio causal, aprendizagem por imitação – há toda uma caixa de ferramentas cognitivas humanas que ainda não foram adequadamente traduzidas para IA.
“Ao explorar fenómenos como fala interior e compreender os mecanismos destes processos, ganhamos insights fundamentalmente novos sobre biologia e comportamento humanos”, conclui Queißer. “Também podemos aplicar este conhecimento, por exemplo no desenvolvimento de robôs domésticos ou agrícolas que consigam funcionar nos nossos mundos complexos e dinâmicos.”
Em suma
Ensinar IA a falar consigo própria não é ficção científica nem antropomorfismo gratuito. É aplicação prática de princípios cognitivos bem estabelecidos em humanos. A investigação da OIST demonstra que sistemas com fala interior combinada com memória de trabalho aprendem mais depressa, adaptam-se melhor e precisam de menos dados de treino.
Isto não resolve todos os problemas da IA moderna, mas abre caminho para sistemas mais eficientes e flexíveis. E talvez, ao tentar replicar aquele diálogo interno constante que todos temos na cabeça, acabemos por compreender melhor como funciona a nossa própria aprendizagem. No final, construir máquinas inteligentes pode ensinar-nos tanto sobre nós próprios como sobre as máquinas.
