Este é um momento interessante para a inteligência artificial. Durante muito tempo, o progresso em IA seguiu uma regra simples: tornar os modelos maiores. Mais parâmetros, mais dados, mais capacidade computacional. Isso funcionou, mas também criou problemas sérios. Treinar modelos grandes é caro, lento e consome uma enorme quantidade de energia.
Recentemente, a Nvidia apresentou uma ideia diferente chamada Mixture of Experts, ou MOE. Em vez de ativar toda a rede neural para cada tarefa, o modelo aprende a escolher quais partes do sistema são realmente necessárias. Cada parte atua como um especialista em uma área específica. Para qualquer pergunta, apenas os especialistas mais relevantes são usados.
Isso torna o sistema mais eficiente e mais flexível. É semelhante à forma como as pessoas trabalham. Você não pede ajuda a todas as pessoas que conhece para cada problema. Você recorre àquelas que são mais adequadas para aquela situação. Com o MOE, os sistemas de IA podem se tornar mais inteligentes sem ficarem desnecessariamente pesados.
Muitos pesquisadores acreditam que essa direção é importante para o objetivo de longo prazo da Inteligência Artificial Geral, ou AGI. Um sistema capaz de lidar com muitos tipos diferentes de problemas precisa de mais do que escala bruta. Ele precisa de tomada de decisão. Precisa saber quais capacidades usar e quando.
Essa ideia não se limita a artigos de pesquisa.
Na verdade, temos trabalhado com uma abordagem semelhante na Dvina. Desde o início, partimos do princípio de que nenhum modelo de linguagem ou ferramenta isoladamente seria bom em tudo. Em vez de depender de um único modelo, construímos uma camada de orquestração que fica sobre múltiplos modelos, ferramentas e fontes de dados.
Esse orquestrador funciona como uma camada de decisão. Quando um usuário faz uma pergunta, ele decide qual modelo ou recurso deve ser usado. Às vezes usa um. Às vezes combina vários e mescla os resultados. O objetivo não é mostrar complexidade, mas escondê-la por trás de uma experiência simples.
O resultado é um sistema que parece adaptável. Você faz uma pergunta, e o sistema descobre como respondê-la da forma mais eficiente. Isso é muito próximo, em espírito, do que o MOE propõe no nível do modelo, mas aplicado no nível do sistema.
A AGI ainda não chegou. Mas ideias como o MOE mostram que o caminho adiante não se resume apenas à escala. Trata-se de estrutura, coordenação e uso mais inteligente de recursos.
Se você tem curiosidade de saber como esse tipo de abordagem funciona na prática, pode experimentar a Dvina gratuitamente em https://dvina.ai. Não é AGI, mas oferece um pequeno vislumbre de como os sistemas de IA do futuro podem pensar e operar.
