{"id":16223,"date":"2026-03-11T12:00:56","date_gmt":"2026-03-11T15:00:56","guid":{"rendered":"https:\/\/fenati.org.br\/?p=16223"},"modified":"2026-03-11T15:05:30","modified_gmt":"2026-03-11T18:05:30","slug":"ia-inspirada-cerebro-humano-aprende-pensar-vezes","status":"publish","type":"post","link":"https:\/\/fenati.org.br\/en\/ia-inspirada-cerebro-humano-aprende-pensar-vezes\/","title":{"rendered":"IA inspirada no c\u00e9rebro humano aprende a \u2018pensar duas vezes\u2019 antes de errar"},"content":{"rendered":"

C\u00e9rebro humano –<\/strong> Pesquisadores sul-coreanos desenvolveram um modelo de intelig\u00eancia artificial<\/a> que imita um princ\u00edpio fundamental do funcionamento do c\u00e9rebro humano, permitindo que sistemas revisem suas pr\u00f3prias previs\u00f5es antes de chegar a uma conclus\u00e3o.<\/p>\n

A intelig\u00eancia artificial avan\u00e7ou de forma acelerada nas \u00faltimas d\u00e9cadas, mas ainda apresenta uma diferen\u00e7a essencial em rela\u00e7\u00e3o aos humanos quando enfrenta situa\u00e7\u00f5es inesperadas. Sistemas convencionais analisam grandes volumes de dados e geram respostas com base em padr\u00f5es previamente aprendidos \u2014 por\u00e9m raramente questionam se sua pr\u00f3pria conclus\u00e3o pode estar errada.<\/p>\n

LEIA: Golpe usa falso app do INSS para espionar v\u00edtimas e alterar transfer\u00eancias banc\u00e1rias<\/strong><\/a><\/p>\n

J\u00e1 o c\u00e9rebro humano atua de outra maneira. Em vez de apenas reagir aos est\u00edmulos do ambiente, ele tenta antecipar constantemente o que acontecer\u00e1 em seguida. Quando a realidade contradiz essa previs\u00e3o, a mente rapidamente reinterpreta a situa\u00e7\u00e3o e ajusta sua compreens\u00e3o.<\/p>\n

Agora, pesquisadores conseguiram transportar esse princ\u00edpio biol\u00f3gico para o campo da intelig\u00eancia artificial.<\/p>\n

O estudo foi liderado por Sang Wan Lee, do Instituto Avan\u00e7ado de Ci\u00eancia e Tecnologia da Coreia (KAIST). A equipe apresentou uma nova arquitetura de IA capaz de revisar suas pr\u00f3prias previs\u00f5es sempre que identifica sinais de erro. O trabalho foi apresentado na confer\u00eancia internacional ICLR 2026, um dos principais eventos globais dedicados ao aprendizado profundo.<\/p>\n

L\u00f3gica da \u201ccodifica\u00e7\u00e3o preditiva\u201d<\/h4>\n

A base da nova tecnologia est\u00e1 em um conceito da neuroci\u00eancia conhecido como codifica\u00e7\u00e3o preditiva. Segundo essa teoria, o c\u00e9rebro n\u00e3o apenas recebe informa\u00e7\u00f5es sensoriais: ele tamb\u00e9m formula hip\u00f3teses sobre o que espera encontrar.<\/p>\n

Um exemplo simples \u00e9 o de um jogador de xadrez antecipando o movimento do advers\u00e1rio. Caso a jogada ocorra exatamente como previsto, a estrat\u00e9gia segue normalmente. Mas, diante de um movimento inesperado, o jogador precisa recalcular rapidamente sua posi\u00e7\u00e3o no tabuleiro. O c\u00e9rebro humano funciona de maneira semelhante.<\/p>\n

Os pesquisadores Myoung Hean Ha e Sang Wan Lee aplicaram esse princ\u00edpio no desenvolvimento de redes neurais artificiais mais capazes de lidar com erros. Em vez de apenas ajustar par\u00e2metros ap\u00f3s grandes ciclos de treinamento, o sistema utiliza cada erro como um sinal ativo de aprendizado.<\/p>\n

Assim, a m\u00e1quina n\u00e3o apenas corrige a resposta final \u2014 ela tamb\u00e9m revisa o processo que levou \u00e0 previs\u00e3o equivocada.<\/p>\n

Aprender com o erro sem perder estabilidade<\/h4>\n

Um dos desafios centrais do aprendizado profundo atual \u00e9 a instabilidade dos modelos. \u00c0 medida que as redes neurais se tornam mais profundas e complexas, seu treinamento tende a ficar mais delicado e suscet\u00edvel a dados contradit\u00f3rios.<\/p>\n

Para enfrentar esse problema, os cientistas do KAIST criaram um mecanismo chamado \u201cmeta-erros de previs\u00e3o\u201d.<\/p>\n

Na pr\u00e1tica, trata-se de uma camada adicional de monitoramento que acompanha como o sistema est\u00e1 aprendendo com suas pr\u00f3prias falhas. Esse mecanismo permite avaliar se o processo de aprendizado est\u00e1 melhorando as previs\u00f5es ou se o modelo est\u00e1 se desviando do caminho correto.<\/p>\n

Com esse controle extra, o sistema consegue ajustar sua trajet\u00f3ria antes que os erros se propaguem por toda a rede neural.<\/p>\n

Segundo os pesquisadores, isso torna o treinamento mais robusto mesmo em cen\u00e1rios onde os dados s\u00e3o incompletos, inconsistentes ou cont\u00eam ru\u00eddo.<\/p>\n

Efici\u00eancia inspirada no c\u00e9rebro<\/h4>\n

Outro aspecto importante do estudo \u00e9 a busca por maior efici\u00eancia energ\u00e9tica. O c\u00e9rebro humano realiza tarefas extremamente complexas consumindo cerca de 20 watts de energia, aproximadamente o equivalente ao gasto de uma pequena l\u00e2mpada LED.<\/p>\n

J\u00e1 sistemas modernos de intelig\u00eancia artificial frequentemente exigem enormes centros de dados para operar. Grandes modelos de linguagem e sistemas avan\u00e7ados de vis\u00e3o computacional podem demandar quantidades gigantescas de eletricidade.<\/p>\n

A nova arquitetura tenta reduzir esse problema ao evitar c\u00e1lculos desnecess\u00e1rios. Em vez de processar tudo continuamente, o sistema reage apenas quando percebe algo que contradiz suas previs\u00f5es.<\/p>\n

Isso significa que a m\u00e1quina processa menos informa\u00e7\u00f5es, consome menos energia e aprende de maneira mais eficiente.<\/p>\n

Poss\u00edvel novo caminho para a IA<\/h4>\n

Para Sang Wan Lee, o estudo pode representar uma mudan\u00e7a importante na forma de desenvolver intelig\u00eancia artificial. Em vez de focar exclusivamente na cria\u00e7\u00e3o de modelos cada vez maiores e mais poderosos, a proposta \u00e9 construir sistemas mais inteligentes na forma como lidam com erros e incertezas.<\/p>\n

A habilidade de questionar a pr\u00f3pria resposta \u2014 algo natural para os humanos \u2014 pode ser essencial para tornar a intelig\u00eancia artificial mais confi\u00e1vel e adapt\u00e1vel.<\/p>\n

Al\u00e9m disso, essa abordagem pode ser aplicada em diferentes contextos tecnol\u00f3gicos. Desde sensores inteligentes e rob\u00f4s aut\u00f4nomos at\u00e9 grandes sistemas de computa\u00e7\u00e3o em nuvem, diversas aplica\u00e7\u00f5es poderiam se beneficiar de algoritmos capazes de aprender de forma mais eficiente.<\/p>\n

No fim das contas, a inspira\u00e7\u00e3o vem da pr\u00f3pria biologia: intelig\u00eancia n\u00e3o significa nunca cometer erros, mas sim reconhecer rapidamente quando algo deu errado e ajustar o caminho. Ao ensinar m\u00e1quinas a \u201cpensar duas vezes\u201d, os cientistas podem ter dado um passo importante para aproximar a intelig\u00eancia artificial do funcionamento da mente humana.<\/p>\n

(Com informa\u00e7\u00f5es de Gizmodo)<\/strong><\/em>
\n(Foto: Reprodu\u00e7\u00e3o\/Freepik\/WangXiNa)<\/strong><\/em><\/p>","protected":false},"excerpt":{"rendered":"

Modelo criado por pesquisadores sul-coreanos usa princ\u00edpios da neuroci\u00eancia para revisar previs\u00f5es e aprender de forma mais eficiente<\/p>","protected":false},"author":11,"featured_media":16224,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[35],"tags":[13],"class_list":["post-16223","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ti","tag-sindical"],"_links":{"self":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts\/16223","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/comments?post=16223"}],"version-history":[{"count":1,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts\/16223\/revisions"}],"predecessor-version":[{"id":16225,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts\/16223\/revisions\/16225"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/media\/16224"}],"wp:attachment":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/media?parent=16223"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/categories?post=16223"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/tags?post=16223"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}