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.
Ofertas
Por: R$ 2.475,79
Por: R$ 49,80
Por: R$ 5.610,00
Por: R$ 2.999,00
Por: R$ 1.888,99
![Smartphone Xiaomi Poco X7 Pro 5G NFC Black (Preto) 12GB RAM 512GB ROM [2412DPC0AG]](/wp-content/uploads/ofertas/produtos/2025/02/smartphone-xiaomi-poco-x7-pro-5g-nfc-black-preto-12gb-ram-1.jpg)
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.
Tags: