Diante dessa tensão ecológica e econômica, surge um caminho híbrido promissor. Ele consiste em combinar o aprendizado estatístico das redes neurais com o raciocínio lógico simbólico. Essa mistura, chamada de IA neuro-simbólica, permitiria que os sistemas realizassem tarefas com mais precisão consumindo muito menos eletricidade.
Imagem ilustrativa Unsplash
Esse método não é projetado para simples chatbots, mas se destina antes de tudo aos robôs que interagem com o mundo físico. Ao integrar a visão e o movimento, ela os torna capazes de executar ações como manipular objetos com destreza, limitando os erros relacionados a uma visão imperfeita ou a gestos desajeitados.
Os testes, por exemplo, no famoso quebra-cabeça da Torre de Hanói, são eloquentes. O sistema neuro-simbólico obtém uma taxa de sucesso muito maior do que os modelos clássicos. Além disso, ele requer um tempo de aprendizagem e uma quantidade de energia bem menores, até 100 vezes menos do que o exigido pelas abordagens convencionais. A economia é simplesmente enorme.
Essa frugalidade energética chega em boa hora, já que as necessidades de poder computacional explodem. Substituir os modelos tradicionais, muitas vezes muito exigentes em recursos, por alternativas mais sóbrias poderia assim aliviar as redes elétricas sem, no entanto, sacrificar o desempenho.
Os trabalhos, disponíveis na plataforma arXiv, deixam entrever que essa hibridização poderia ser aplicada a outros setores. Ela contribuiria então para diminuir a pegada de carbono do digital ao mesmo tempo em que permitiria novos avanços em robótica e automação.
O raciocínio simbólico em inteligência artificial
O raciocínio simbólico funciona aplicando regras lógicas e conceitos abstratos para encontrar soluções, um pouco à maneira de um humano que segue um plano passo a passo. Ao contrário do aprendizado estatístico, que precisa de volumes imensos de dados para fazer previsões, esse método deduz resultados a partir de princípios gerais, o que limita a necessidade de cálculos pesados.
Essa abordagem se mostra muito eficaz para tarefas bem estruturadas, como o planejamento de ações ou a manipulação de objetos, onde os modelos puramente estatísticos podem cometer erros. Seguindo regras, por exemplo, sobre estabilidade ou forma, os sistemas evitam tentativas aleatórias e atingem seu objetivo de forma mais direta, o que se traduz em uma economia de energia significativa.
Dentro de uma IA híbrida neuro-simbólica, o raciocínio simbólico vem complementar as redes neurais ao adicionar uma camada de lógica que orienta as decisões. Isso permite não só aumentar a precisão, mas também tornar o funcionamento dos sistemas mais compreensível, uma vez que suas ações decorrem de regras explícitas em vez de correlações obscuras extraídas dos dados.