Grandes modelos de linguagem, como GPT e Llama, estão impulsionando os avanços mais recentes em inteligência artificial — mas entender como eles tomam decisões e torná-los confiáveis segue sendo um desafio, em parte por causa do alto custo computacional para analisar e ajustar esses sistemas em larga escala. Pesquisadores da Universidade de Manchester dizem ter dado um passo importante para superar essa barreira.
Liderada pelos cientistas brasileiros Danilo Carvalho e André Freitas, a equipe apresentou duas novas estruturas de software, batizadas LangVAE e LangSpace, que prometem reduzir drasticamente o consumo de hardware e energia necessários para estudar e controlar LLMs. Os resultados foram divulgados em um artigo publicado no repositório científico arXiv.
A estratégia adotada pelos autores não altera diretamente os grandes modelos: em vez disso, eles compactam as representações da linguagem gerada pelos próprios LLMs e tratam esses padrões internos como estruturas geométricas — pontos, distâncias e formas em um espaço matemático que pode ser medido, comparado e ajustado. Esse enfoque permite interpretar e influenciar o comportamento dos modelos usando técnicas muito mais eficientes do que as abordagens tradicionais.
De acordo com os pesquisadores, o método chega a reduzir o uso de recursos computacionais em mais de 90% em comparação com técnicas convencionais de análise e controle de LLMs. Esse ganho de eficiência pode baixar as barreiras de entrada para pesquisa em IA explicável: com custos menores, mais universidades, startups e equipes industriais poderão investigar como esses sistemas funcionam e torná-los mais previsíveis e seguros.
“Reduzimos de forma significativa as barreiras de entrada para o desenvolvimento e a experimentação de modelos de IA explicáveis e controláveis”, afirma Danilo Carvalho. Além do impacto na pesquisa, a técnica também pode diminuir o custo ambiental associado aos estudos em IA e acelerar a adoção de modelos confiáveis em aplicações críticas, como na área da saúde.
