Pesquisadores do Google criam método para otimizar busca de IA
O framework Dream-RSI utiliza o histórico de buscas de agentes de IA como simulador, reduzindo drasticamente o custo computacional de descobertas.
Pontos principais
- O método Dream-RSI permite que agentes de IA refinem estratégias de exploração sem a necessidade de retreinar o modelo subjacente.
- A tecnologia utiliza um 'simulador de replay' que avalia políticas de busca offline a partir de dados históricos, economizando recursos.
- Em testes de engenharia de algoritmos, o sistema reduziu em até 162 vezes o número de chamadas de agentes em comparação a métodos tradicionais.
- O framework demonstrou eficácia em três áreas: engenharia de algoritmos, otimização matemática e desenvolvimento de kernels de GPU.
- Pesquisadores do Google, DeepMind e universidades parceiras publicaram os resultados em setembro de 2026.
- O sistema não altera os pesos do modelo de linguagem, focando apenas na camada de orquestração que direciona a busca da IA.
Pesquisadores do Google, em colaboração com o Google DeepMind e instituições acadêmicas, apresentaram o Dream-RSI, um framework projetado para tornar o autoaperfeiçoamento de agentes autônomos de IA mais eficiente. O sistema resolve um gargalo crítico na exploração de dados ao transformar o histórico de buscas anteriores em um simulador de replay, permitindo que a IA teste novas estratégias de navegação sem a necessidade de realizar experimentos online repetitivos e dispendiosos.
Ao aplicar o método em tarefas como a implementação de algoritmos estatísticos e otimização de kernels de GPU, a equipe observou ganhos significativos de performance com uma fração do custo computacional. Em um dos testes, o Dream-RSI superou implementações de bibliotecas consagradas como scikit-learn, utilizando uma quantidade de chamadas de agente drasticamente menor do que abordagens anteriores, como o sistema SimpleTES.
O estudo, publicado em setembro de 2026, destaca que o aprimoramento ocorre na camada de orquestração da busca, mantendo o modelo de IA original inalterado. Embora a técnica apresente limitações ao depender exclusivamente de dados já explorados, ela representa um avanço na gestão de recursos para sistemas de descoberta automatizada em domínios complexos.
Comentários
Carregando comentários...