Framework de IA dá estados internos a agentes virtuais

Um agente de IA num mundo virtual tridimensional vê, cheira, sente a temperatura e deteta colisões, enquanto quatro variáveis internas evoluem em segundo plano: saciedade, hidratação, temperatura corporal e danos. Investigadores liderados por Woo Choong-Wan, do Institute for Basic Science e da Universidade Sungkyunkwan, criaram este ambiente de teste de sobrevivência para estudar uma nova abordagem chamada IA interoceptiva, que atribui a esses estados internos um papel na aprendizagem e na tomada de decisões.

A ideia parte de uma diferença conhecida entre a biologia e a IA convencional. Os organismos vivos ajustam as prioridades de acordo com o que acontece no seu interior; um sinal externo pode ter um significado diferente para um animal esfomeado e para um animal saciado. A maioria dos agentes de IA, pelo contrário, persegue objetivos definidos externamente. Os robôs podem já detetar uma bateria fraca, um motor sobreaquecido ou um componente danificado, mas normalmente respondem através de regras predefinidas. A IA interoceptiva trata as condições internas como um contexto contínuo, e não apenas como falhas ou entradas de recompensa.

Os investigadores formalizaram matematicamente a forma como os estados internos e externos podem permanecer separados, influenciando-se mutuamente. No EVAAA — Essential Variables in Autonomous and Adaptive Agents —, os agentes têm de manter as suas quatro variáveis internas dentro de intervalos viáveis enquanto se deslocam entre recursos, obstáculos, predadores, temperaturas variáveis e ciclos de dia e noite. Ambientes de teste separados introduzem condições ausentes do treino, tornando a adaptação a situações desconhecidas parte da avaliação.

O framework também cria decisões semelhantes às utilizadas em experiências sobre o comportamento animal. Um agente pode ter de escolher entre recursos concorrentes de acordo com as suas necessidades atuais, ou ponderar o benefício de obter um recurso face ao risco de sofrer danos físicos. Os investigadores sugerem que os estados internos também poderiam regular as taxas de aprendizagem, a sensibilidade à informação e o equilíbrio entre explorar novas opções e tirar partido das já conhecidas, ajudando simultaneamente os agentes a aprender sem substituir conhecimentos anteriores.

Concretamente, a mudança imediata destina-se aos investigadores de IA e robótica: passam a dispor de um benchmark virtual para testar se um agente consegue transportar uma referência interna estável de um ambiente para outro. O trabalho foi publicado na Nature Machine Intelligence e apresenta um framework proposto e um benchmark virtual.