Em 2026, o entusiasmo pelos agentes de inteligência artificial está mais forte do que nunca. Esses programas semi-autônomos podem “pensar” e executar tarefas bem definidas em áreas como atendimento ao cliente e desenvolvimento de software, tipicamente usando modelos de linguagem (LMs). No entanto, campos como diagnóstico médico e descoberta científica exigem que eles investiguem uma vasta gama de soluções em ambientes incertos, com os quais os LMs têm dificuldades.
Pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT e da Escola de Engenharia e Ciências Aplicadas (SEAS) da Universidade de Harvard se aprofundaram nos LMs para entender seus principais problemas em ambientes de alto risco. Seu teste: “Batalha Naval”, um jogo clássico de adivinhação que ajudou cientistas cognitivos a estudar como humanos buscam informações.
Os pesquisadores do CSAIL e SEAS adicionaram um toque ao reformular o jogo em torno de fazer e responder a perguntas em linguagem natural. Em seu jogo "Batalha Naval Colaborativa", um participante é um "capitão" que pergunta onde os navios escondidos estão, enquanto seu colega de equipe joga como o "observador" respondendo a essas perguntas em tempo real.
Os pesquisadores primeiro fizeram com que mais de 40 humanos jogassem o jogo juntos, coletando suas perguntas e respostas de sim/não para construir o conjunto de dados “BattleshipQA”. Esses resultados foram um ponto de comparação útil quando a equipe testou LMs de ponta (como o GPT-5) e modelos menores (como o Llama 4 Scout) em seu jogo. Sem treinar os modelos previamente, eles descobriram que os principais LMs podem “vencer” os humanos em “Batalha Naval” — ou seja, completar o jogo em menos turnos — mas sistemas menores são muito menos racionais.
A principal questão era que muitos modelos simplesmente não são hábeis em formular perguntas úteis. Para fazer com que os LMs inquiram de maneiras que revelem mais informações sobre navios escondidos, os pesquisadores deram a cada modelo uma estratégia de inferência Monte Carlo, que mede cuidadosamente a probabilidade
Fonte: MIT News - AI
Publicado em 2026-06-03