Noam Brown: ai 'raciocínio' modelos poderiam ter emergido décadas atrás

Noam Brown, um pesquisador líder em raciocínio de IA na OpenAI, compartilhou recentemente insights na conferência GTC da Nvidia em San Jose, sugerindo que avanços em IA de "raciocínio" poderiam ter sido alcançados 20 anos antes se os métodos e algoritmos corretos fossem conhecidos. Ele explicou, "Havia várias razões pelas quais essa direção de pesquisa foi negligenciada," destacando uma lacuna na abordagem que poderia ter sido preenchida muito antes.

Refletindo sobre sua jornada de pesquisa, Brown observou uma percepção crucial: "Notei ao longo da minha pesquisa que, OK, falta algo. Humanos passam muito tempo pensando antes de agir em uma situação difícil. Talvez isso seria muito útil [na IA]." Essa observação o levou a desenvolver modelos de IA que imitam o raciocínio humano, em vez de depender apenas do poder computacional.

Seu trabalho na Carnegie Mellon University, particularmente com a IA Pluribus, que superou os melhores jogadores de pôquer humanos, exemplifica essa abordagem. O Pluribus foi inovador porque usou raciocínio para resolver problemas, contrastando com os métodos mais comuns de força bruta da época.

Na OpenAI, Brown contribuiu para o desenvolvimento do o1, um modelo de IA que utiliza um método conhecido como inferência em tempo de teste. Essa técnica permite que a IA "pense" antes de responder, aumentando sua precisão e confiabilidade, especialmente em campos como matemática e ciência.

Durante a discussão em painel, Brown abordou o desafio da pesquisa acadêmica competir com a escala de experimentos conduzidos por grandes laboratórios de IA como a OpenAI. Ele reconheceu a crescente dificuldade devido às demandas computacionais crescentes dos modelos modernos, mas sugeriu que os acadêmicos ainda poderiam contribuir significativamente focando em áreas que exigem menos poder computacional, como o design de arquiteturas de modelos.

Ele enfatizou o potencial para colaboração entre a academia e laboratórios de ponta, afirmando, "[H]á uma oportunidade para colaboração entre os laboratórios de ponta [e a academia]. Certamente, os laboratórios de ponta estão olhando para publicações acadêmicas e pensando cuidadosamente sobre, OK, isso apresenta um argumento convincente de que, se isso fosse escalado ainda mais, seria muito eficaz. Se houver esse argumento convincente no artigo, você sabe, nós investigaremos isso nesses laboratórios."

Os comentários de Brown são particularmente oportunos, já que a administração Trump propôs cortes significativos no financiamento científico, uma medida criticada por especialistas em IA, incluindo Geoffrey Hinton, que argumentam que tais cortes poderiam comprometer os esforços de pesquisa em IA globalmente.

Ele também destacou o papel crítico da academia na melhoria dos benchmarks de IA, observando, "O estado dos benchmarks em IA é realmente ruim, e isso não requer muito poder computacional para fazer." Os benchmarks de IA atuais frequentemente focam em conhecimento obscuro e falham em refletir com precisão as capacidades que mais importam para os usuários, levando a confusão sobre o verdadeiro potencial e progresso dos modelos de IA.

Atualizado às 16:06 PT: Uma versão anterior deste artigo sugeriu que Brown estava se referindo a modelos de raciocínio como o o1 em seus comentários iniciais. Na verdade, ele estava se referindo ao seu trabalho em IA para jogos antes de seu tempo na OpenAI. Lamentamos o erro.