Arquiteturas inspiradas na neurociência para construir IA verdadeiramente adaptativa Os sistemas de IA modernos são poderosos, mas frágeis. Treine um modelo, implemente-o e observe o desempenho degradar à medida que o mundo muda. Re-treine com novos dados e o modelo esquece o que sabia. Esse ciclo produz sistemas que se destacam em benchmarks estáticos, mas lutam com a adaptação contínua—algo que a inteligência biológica lida com facilidade. Um rato pode aprender em poucas tentativas a encontrar água em um labirinto novo em cerca de dez tentativas, uma taxa de aprendizado 1.000 vezes mais rápida do que as tarefas tradicionais de laboratório. No entanto, nossas redes neurais mais sofisticadas sofrem de esquecimento catastrófico quando solicitadas a aprender sequencialmente. O cérebro oferece uma arquitetura diferente. Ele opera não como uma única rede emaranhada, mas como módulos especializados interconectados de forma inteligente—o córtex visual processando bordas, o córtex motor computando no espaço de força, regiões pré-frontais rastreando memória estruturada por tarefas. Cada módulo constrói modelos internos atualizados através de erros de previsão quando os resultados esperados divergem da realidade. Esses sinais de ensino assinados foram agora descobertos em circuitos sensoriais, motores e de recompensa. Mackenzie Weygandt Mathis sintetiza essas percepções em uma proposta para IA agente adaptativa. Em vez de buscar modelos de fundação monolíticos cada vez maiores, ela argumenta a favor de sistemas de codificadores específicos de domínio cujas saídas são otimizadas em um espaço latente compartilhado. Cada codificador é monitorado por sinais de erro de previsão—codificadores robustos permanecem "trancados" enquanto aqueles que mostram desempenho degradado são "destrancados" para aprendizado contínuo usando replay de memória ou inteligência sináptica, sem tirar todo o sistema do ar. O princípio mais amplo: ao estruturar a IA em torno da modularidade inspirada na neurociência e da atualização baseada em erro de previsão, em vez de uma escala monolítica, torna-se possível ir além de modelos estáticos em direção a uma inteligência genuinamente adaptativa—sistemas que refinam continuamente seus modelos do mundo através da interação com ele. Artigo: