Pesquisadores brasileiros criam método para tornar a IA mais acessível

Siga o Olhar Digital no Google Discover

Grandes modelos de linguagem (LLMs, na sigla em inglês), como GPT e Llama, estão no centro dos avanços mais recentes da inteligência artificial (IA). No entanto, entender como esses sistemas tomam decisões — e garantir que sejam confiáveis — continua sendo um desafio.

Parte do problema está no alto custo computacional necessário para analisar, testar e ajustar o comportamento desses modelos em escala. Contudo, pesquisadores da Universidade de Manchester (Inglaterra) afirmam ter dado um passo importante para superar essa limitação.

Liderada pelos cientistas brasileiros Danilo Carvalho e André Freitas, a equipe desenvolveu duas novas estruturas de software, chamadas LangVAE e LangSpace, que reduzem drasticamente o consumo de hardware e energia necessários para estudar e controlar LLMs.

Os resultados foram divulgados em um artigo publicado no repositório científico arXiv.

Linguagem da IA compactada e controle geométrico

• A nova abordagem cria representações compactadas da linguagem gerada pelos próprios modelos de IA.
• Em vez de modificar diretamente os LLMs, os pesquisadores tratam seus padrões internos de linguagem como estruturas geométricas — pontos, distâncias e formas em um espaço matemático que pode ser medido, comparado e ajustado.
• Isso permite interpretar e influenciar o comportamento dos modelos usando técnicas muito mais eficientes do que as atuais.
• Segundo os autores, o método reduz o uso de recursos computacionais em mais de 90% quando comparado a abordagens tradicionais de análise e controle de LLMs.

Leia mais:

• IA pode inserir falhas invisíveis em chips e o problema não tem conserto
• LegoGPT: sistema monta estruturas de Lego com IA
• Não passou de ano: IA é ruim em História, aponta estudo

Impacto para pesquisa, indústria e meio ambiente

O ganho de eficiência pode ampliar significativamente o acesso à pesquisa em IA explicável. Com custos menores, mais universidades, startups e equipes industriais poderão investigar como esses sistemas funcionam e como torná-los mais previsíveis e seguros.

“Reduzimos de forma significativa as barreiras de entrada para o desenvolvimento e a experimentação de modelos de IA explicáveis e controláveis”, afirma Danilo Carvalho.

Segundo ele, a técnica também pode diminuir o impacto ambiental da pesquisa em IA e acelerar o uso de modelos confiáveis em aplicações críticas, como a área da saúde.