Agentes de IA criam vocabulários partilhados através de um milhão de interações, sem um dicionário comum

Um milhão de interações transforma palavras inventadas em significado partilhado

Dez agentes de inteligência artificial, que começaram sem qualquer vocabulário, aprenderam a identificar objetos uns para os outros com uma taxa de sucesso de até 99,76% após um milhão de interações, em experiências realizadas por investigadores da Vrije Universiteit Brussel (VUB) e da Universidade de Namur, na Bélgica. As palavras e os significados desenvolveram-se através de trocas repetidas, em vez de terem sido definidos num dicionário escrito por pessoas.

Os investigadores testaram o método em 37 conjuntos de dados públicos, desde medições químicas de vinhos e dados de exoplanetas da NASA até fotografias de aves e rostos humanos. Em sete conjuntos de dados destacados, a taxa de sucesso nas interações de teste variou entre 95,77% e 99,76%.

A principal conquista foi chegar a um acordo sobre como fazer referência às coisas. Cada agente manteve as suas próprias associações entre palavras inventadas e propriedades observadas. Com o feedback, essas associações individuais tornaram-se suficientemente compatíveis para que o grupo comunicasse, mesmo quando os seus membros percecionavam o ambiente de forma diferente.

O artigo de investigação, intitulado Comunicação emergente em mundos contínuos: auto-organização de vocabulários conceptualmente fundamentados em grande escala, descreve experiências realizadas em simulações informáticas. Os agentes trabalharam com representações numéricas de objetos e imagens. Robôs, veículos autónomos e sensores industriais são algumas das possíveis aplicações desta abordagem identificadas pelos investigadores.

Como uma palavra se torna útil

Em cada interação participam dois agentes. Um assume o papel de emissor e o outro o de recetor, sendo os papéis atribuídos de novo à medida que as interações prosseguem. Ambos observam uma cena com várias entidades, mas só o emissor sabe qual é a entidade-alvo.

O emissor tem de escolher uma palavra que ajude o recetor a identificar o alvo. Se não tiver uma palavra adequada no seu vocabulário, inventa uma. O artigo usa sequências arbitrárias de três sílabas, como «demoxu», para que o rótulo não tenha qualquer significado intrínseco.

O recetor compara a palavra com os conceitos que tem armazenados e escolhe uma entidade. Ambos os agentes recebem feedback sobre se a escolha foi correta. Quando há um erro, o alvo é revelado ao recetor, que assim obtém informação para rever a sua interpretação.

Os investigadores definiram os procedimentos para inventar palavras, representar conceitos e aprender com os resultados. O vocabulário concreto e as categorias que lhe estão associadas surgiram durante as interações. As trocas bem-sucedidas reforçam associações úteis, enquanto a experiência subsequente ajusta os conceitos associados às palavras.

Katrien Beuls, professora na Universidade de Namur e coautora do estudo, explicou como as interações locais geram um acordo em toda uma população no comunicado da universidade:

O fascinante é não haver um computador central a impor as regras. Em cada interação, deixamos dois agentes comunicar entre si a nível local. É exclusivamente através destas interações e atualizações individuais que surge espontaneamente uma convenção global em toda a população.

O que os agentes guardam como significado

Cada entidade chega ao agente sob a forma de um vetor de características, uma lista de valores que descreve as suas propriedades. Uma amostra de vinho, por exemplo, pode ser representada por medições químicas. Uma imagem pode ser representada por características numéricas extraídas por um sistema de visão.

Cada palavra está associada a um protótipo conceptual: uma descrição matemática dos tipos de observações a que se aplica. O protótipo regista valores típicos, a variação desses valores e as características mais relevantes. Assim, o agente consegue avaliar até que ponto uma entidade recém-observada corresponde a uma palavra conhecida.

O contexto também é importante. O emissor procura uma palavra cujo conceito se ajuste melhor ao alvo do que às restantes entidades na cena. Por isso, uma palavra útil ajuda a distinguir algo das alternativas imediatas, em vez de simplesmente atribuir um rótulo permanente a cada objeto.

Os agentes mantêm estas representações em privado. Não têm acesso às definições internas uns dos outros nem a uma base de conhecimento central. A comunicação partilhada desenvolve-se porque as palavras conduzem a escolhas compatíveis, enquanto as representações individuais continuam ligadas às observações de cada agente.

Para os conjuntos de dados de imagens, os investigadores usaram características com 384 dimensões do DINOv2, um codificador de visão já existente. Um codificador de visão transforma uma imagem numa descrição numérica que outros programas conseguem processar. A aprendizagem do vocabulário foi então aplicada a essas descrições.

Que desempenho tiveram os vocabulários partilhados?

Nas experiências-padrão, populações de 10 agentes foram treinadas ao longo de um milhão de interações. Em seguida, os investigadores avaliaram a comunicação em 100 000 interações de teste, incluindo entidades que não tinham sido usadas no treino, e calcularam a média dos resultados de 10 execuções independentes.

Os sete resultados destacados mostram tanto a eficácia do método como as diferenças entre tarefas:

• CLEVR, um conjunto de dados sobre atributos visuais de objetos: 99,76% de sucesso na comunicação.
• Dados de análise de vinhos: 99,76%.
• Dados de exoplanetas: 99,67%.
• Dados de cogumelos: 98,10%.
• Dados de imagens MS COCO: 95,77%.
• Imagens de rostos CelebA: 96,66%.
• Imagens de aves: 95,88%.

Estas percentagens medem a frequência com que o recetor escolheu a entidade pretendida. Nas tarefas de vinhos e CLEVR, 99,76% corresponde a cerca de 24 interações sem sucesso por cada 10 000 interações de teste. No MS COCO, 95,77% corresponde a cerca de 423 em cada 10 000.

A diferença entre estes resultados é de 3,99 pontos percentuais. A comunicação manteve uma elevada taxa de sucesso em todas as tarefas destacadas, mas os conjuntos de dados de imagens naturais produziram mais erros do que as tarefas de vinhos e exoplanetas.

A equipa também mediu a dimensão do vocabulário e o grau de concordância quanto às convenções, que indica até que ponto os agentes usam as palavras de forma consistente. Estas medidas avaliam aspetos diferentes do processo: uma população precisa tanto de um conjunto funcional de rótulos como de um acordo suficiente sobre a sua utilização para identificar os alvos com fiabilidade.

Sensores diferentes também podem permitir chegar a um acordo

As máquinas raramente observam o mundo exatamente da mesma forma. Os sensores podem ter calibrações diferentes, as leituras podem conter ruído e um dispositivo pode captar propriedades que outro não consegue detetar. O estudo testou variações destas condições.

Paul Van Eecke, professor de inteligência artificial na VUB e coautor do estudo, explicou a motivação recorrendo ao exemplo de pessoas que identificam um carro vermelho. As pessoas conseguem compreender a mesma descrição, ainda que os seus olhos registem valores de cor ligeiramente diferentes. A palavra partilhada vai além dessas leituras individuais.

Nas experiências, os investigadores aplicaram esta ideia a agentes artificiais, alterando as suas observações. Incluíram desvios numéricos semelhantes a diferenças de calibração, ruído nos valores observados e populações cujos membros dispunham de conjuntos diferentes de características.

Com um nível elevado de ruído nas experiências CLEVR, a taxa de sucesso na comunicação foi de 87,67%. Numa condição com diferenças maiores entre os sensores disponíveis, o sucesso foi de 83,47%. O método manteve uma capacidade considerável de coordenação nestas condições, embora com uma precisão inferior à da experiência CLEVR padrão.

O artigo descreve como heteromórficas as populações com estruturas percetivas diferentes. Em termos simples, os seus membros recebem tipos ou quantidades de informação diferentes. A tarefa consiste em desenvolver referências compatíveis apesar dessas diferenças, recorrendo às observações a que cada membro tem acesso.

Um vocabulário que muda quando parte da informação desaparece

Os investigadores também testaram uma perda abrupta de informação durante a aprendizagem. Numa experiência, metade dos dados de entrada que simulavam leituras de sensores foi removida a meio do processo. Após essa alteração, a taxa de sucesso na comunicação atingiu 93,82%.

A interação contínua dá aos agentes a oportunidade de rever os seus conceitos quando as condições mudam. Uma palavra associada a várias características pode tornar-se útil de outra forma quando algumas dessas características desaparecem e as observações restantes ganham maior importância.

O artigo também refere a adaptação a alterações ambientais. A aprendizagem contínua é, por isso, uma parte central da abordagem: a população cria uma convenção através do uso e continua a ajustá-la à medida que as suas observações mudam.

Num futuro sistema de máquinas, esta capacidade poderá ser importante quando o equipamento se deteriorar ou as condições de funcionamento se alterarem. O resultado experimental imediato diz respeito à adaptação do vocabulário dos agentes no âmbito das tarefas simuladas.

Grupos maiores precisam de mais interações

O estudo analisou populações de 2, 10, 25, 50 e 100 agentes. Aumentar a população altera a dimensão da tarefa de difundir cada palavra útil, uma vez que as interações continuam a ocorrer entre pares de indivíduos.

Nas experiências CLEVR com 100 agentes, a taxa de sucesso na comunicação atingiu 92,69% após um milhão de interações. Ao prolongar o treino até 10 milhões de interações, o sucesso subiu para 99,16%, um aumento de 6,47 pontos percentuais.

O número de interações ajuda a explicar a dimensão do desafio. Se a participação for distribuída uniformemente, um milhão de trocas entre dois agentes corresponde, em média, a 200 000 participações por agente num grupo de 10. Num grupo de 100, o mesmo número de trocas corresponde, em média, a 20 000 participações por agente.

Dez milhões de trocas elevam novamente essa média para 200 000 participações por membro de uma população de 100 agentes. Os pares são escolhidos aleatoriamente, mas esta comparação mostra por que razão um grupo maior pode precisar de um orçamento de aprendizagem total muito superior para difundir as suas convenções.

As pessoas podem perceber a que se refere uma palavra

Os investigadores apontam a interpretabilidade como uma vantagem do modelo. Cada palavra remete para um protótipo cujos valores e ponderações das características podem ser examinados. É possível acompanhar as observações que ajudaram a formar um conceito e a evolução da sua representação através do uso.

Num conjunto de dados com medições químicas identificadas por nome, a análise pode associar uma palavra a intervalos específicos dessas medições. No caso das imagens, o conceito está ligado às características produzidas pelo codificador de visão; por isso, explicar o seu significado também implica compreender essas representações numéricas das imagens.

Jérôme Botoko Ekila, investigador de doutoramento no Laboratório de Inteligência Artificial da VUB e coautor do estudo, explicou o objetivo de deixar os agentes construir conceitos com base nas suas próprias perceções:

Constroem conceitos eficazes, que correspondem exatamente ao que percecionam através dos seus sensores, mesmo que os dados sejam incompreensíveis para os seres humanos.

A supervisão humana implicaria analisar essas associações à medida que se desenvolvem. Uma verificação útil consiste em avaliar se dois agentes que usam a mesma palavra continuam a selecionar a entidade pretendida depois de as suas entradas ou o ambiente mudarem. O mecanismo de feedback do estudo coloca esta relação no centro da aprendizagem.

Publicação, colaboração e possíveis aplicações

O trabalho reúne Jérôme Botoko Ekila, Lara Verheyen, Jens Nevens e Paul Van Eecke, da VUB, e Katrien Beuls, da Universidade de Namur. O financiamento foi concedido pelo Fundo de Investigação da Flandres (FWO) e pelo Fundo Nacional de Investigação da Bélgica (FNRS), através do projeto WEAVE.

O registo de publicação da VUB identifica a revista como Transactions of the Association for Computational Linguistics, volume 14, páginas 2234–2257, com o DOI 10.1162/TACL.a.799. Indica que o artigo foi publicado em agosto de 2026.

A publicação e o comunicado seguiram esta sequência:

• Abril de 2026: o artigo foi submetido.
• Maio de 2026: o artigo foi revisto.
• Agosto de 2026: o registo da universidade indica a publicação na revista.
• 14 de outubro de 2026: o comunicado da universidade apresentou os resultados.

Os investigadores apontam os veículos autónomos, os robôs e os sensores industriais como potenciais utilizadores de comunicação adaptada às perceções das máquinas. O lidar mede distâncias através da luz, o sonar usa o som, os sensores de infravermelhos detetam radiação associada à temperatura e os instrumentos químicos medem substâncias. Um vocabulário partilhado poderia ajudar as máquinas a referenciar padrões úteis com base nestes diferentes tipos de dados.

O próximo passo prático consistiria em testar o funcionamento destas convenções com equipamento físico, ambientes em mudança e exigências operacionais. Não foi indicado qualquer calendário para a implementação. Por enquanto, o resultado é um método testado para criar referências partilhadas a partir de dados diversos, com um desempenho mensurável perante ruído, diferenças percetivas e perda de informação.

Principais pontos

• Investigadores da VUB e da Universidade de Namur testaram a formação de vocabulários em 37 conjuntos de dados públicos.
• Grupos de 10 agentes foram treinados através de um milhão de interações e submetidos depois a 100 000 interações de teste.
• Em sete conjuntos de dados destacados, a taxa de sucesso variou entre 95,77% e 99,76%.
• Os investigadores definiram os procedimentos de aprendizagem; os agentes desenvolveram as palavras concretas e os conceitos associados através de feedback.
• As experiências testaram a adaptação a observações com ruído, estruturas percetivas diferentes e dados de entrada em falta.
• Uma população de 100 agentes atingiu uma taxa de sucesso de 99,16% no CLEVR após 10 milhões de interações.
• O estudo recorreu a simulações informáticas. As aplicações em robôs, veículos e sensores industriais são propostas para o futuro.