A equipe de pesquisadores do MIT desenvolveu um quadro computacional que simula a evolu\u00e7\u00e3o de olhos em agentes de IA, oferecendo um \u201csandbox cient\u00edfico\u201d para recrear \u00e1rvores evolutivas. Os agentes encarnados aprendem a ver ao longo de v\u00e1rias gera\u00e7\u00f5es, com mudan\u00e7as no mundo e nas tarefas que executam, como encontrar alimento ou diferenciar objetos. O objetivo \u00e9 entender por que olhos simples aparecem em algumas esp\u00e9cies e olhos mais complexos, parecidos com c\u00e2meras, em outras.<\/p>\n
O estudo demonstra como as tarefas imp\u00f5em tra\u00e7os nas sensa\u00e7\u00f5es visuais dos agentes. Em tarefas de navega\u00e7\u00e3o, por exemplo, surgem olhos com m\u00faltiplas unidades, semelhantes aos olhos compostos de insetos e crust\u00e1ceos. J\u00e1 em tarefas de discrimina\u00e7\u00e3o de objetos, os olhos evoluem para formatos com \u00edris e retina, mais adequados \u00e0 acuidade frontal. O framework permite testar cen\u00e1rios que seriam dif\u00edceis de observar na natureza.<\/p>\n
O m\u00e9todo transforma componentes de uma c\u00e2mera \u2014 sensores, lentes, aberturas e processadores \u2014 em par\u00e2metros que os agentes aprendem a desenvolver ao longo do tempo. A evolu\u00e7\u00e3o \u00e9 guiada por um algoritmo que seleciona elementos conforme as restri\u00e7\u00f5es do ambiente e a tarefa a ser cumprida. Os agentes come\u00e7am com um \u00fanico fotoreceptor e uma rede neural que processa a vis\u00e3o, evoluindo ao longo da vida para melhorar as recompensas.<\/p>\n
Cada ambiente apresenta uma tarefa \u00fanica, como navega\u00e7\u00e3o, identifica\u00e7\u00e3o de alimento ou persegui\u00e7\u00e3o de presas. Ao longo de v\u00e1rias gera\u00e7\u00f5es, genes morfol\u00f3gicos, \u00f3pticos e neurais definem como o olho aparece, como ele interage com a luz e como o aprendizado ocorre. As limita\u00e7\u00f5es f\u00edsicas, como o n\u00famero de pixels, s\u00e3o integradas ao processo para refletir trade-offs reais.<\/p>\n
Os pesquisadores destacam que o ambiente possibilita explorar cen\u00e1rios hipot\u00e9ticos de vis\u00e3o, ajudando a projetar sensores e c\u00e2meras para rob\u00f4s, drones e dispositivos vest\u00edveis, com foco em desempenho e viabilidade pr\u00e1tica. Eles tamb\u00e9m pretendem incorporar modelos de linguagem de grande escala no framework para facilitar perguntas de tipo what-if e ampliar as possibilidades de estudo.<\/p>\n
A pesquisa, publicada em Science Advances, contou com participa\u00e7\u00f5es de equipes do MIT, Rice University e Lund University, entre outros parceiros. O trabalho \u00e9 apoiado pelo Center for Brains, Minds, and Machines e pela DARPA, no programa Mathematics for the Discovery of Algorithms and Architectures (DIAL).<\/p>\n","protected":false},"excerpt":{"rendered":"