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.
Cobertura da mídia
Leia também
Pesquisadores criam método de pré-treino de IA sem dados reais
29 set, 13:43
Google Research lança framework Retrieve-for-Train para acelerar buscas em IA
15 set, 17:40
Startup Poetiq atinge novo estado da arte em seis benchmarks de IA
9 ago, 01:39
Nova técnica de IA melhora descoberta científica com menor custo
3 jul, 17:46
Google reformula busca e integra agentes de IA em seus produtos
20 mai, 06:30
Comentários (0)
Seja o primeiro a comentar.
