Agentes de IA criam vocabulários compartilhados após um milhão de interações, sem um dicionário comum

Um milhão de interações transforma palavras inventadas em significados compartilhados

Dez agentes de inteligência artificial, partindo de vocabulários vazios, aprenderam a identificar objetos uns para os outros com até 99,76% de sucesso após um milhão de interações, em experimentos de pesquisadores da Vrije Universiteit Brussel (VUB) e da Universidade de Namur, na Bélgica. As palavras e os significados se desenvolveram por meio de interações repetidas, e não a partir de um dicionário escrito por humanos.

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

O principal resultado foi um acordo sobre como se referir às coisas. Cada agente mantinha suas próprias associações entre palavras inventadas e propriedades observadas. Com o retorno sobre os resultados, essas associações individuais se tornaram compatíveis o suficiente para que o grupo se comunicasse, mesmo quando os integrantes percebiam o ambiente de maneiras diferentes.

O artigo de pesquisa, intitulado Comunicação emergente em mundos contínuos: auto-organização de vocabulários conceitualmente fundamentados em larga escala, descreve experimentos em simulações computacionais. Os agentes trabalharam com representações numéricas de objetos e imagens. Robôs, veículos autônomos e sensores industriais são possíveis aplicações identificadas pelos pesquisadores para essa abordagem.

Como uma palavra se torna útil

Dois agentes participam de cada interação. Um assume o papel de emissor e o outro, de ouvinte; os papéis são definidos novamente à medida que as interações prosseguem. Ambos encontram uma cena com várias entidades, mas apenas o emissor recebe a informação de qual delas é o alvo.

O emissor precisa escolher uma palavra que ajude o ouvinte a selecionar o alvo. Se seu vocabulário não tiver uma palavra adequada, ele inventa uma. O artigo usa sequências arbitrárias de três sílabas, como "demoxu", de modo que o rótulo não tenha significado inerente.

O ouvinte compara a palavra com os conceitos que armazenou e escolhe uma entidade. Os dois agentes recebem um retorno sobre se a escolha estava correta. Após um erro, o alvo é revelado ao ouvinte, que recebe informações para rever seu entendimento.

Os pesquisadores definiram os procedimentos para inventar palavras, representar conceitos e aprender com os resultados. O vocabulário específico e as categorias associadas a ele surgiram durante as interações. Interações bem-sucedidas fortalecem associações úteis, enquanto experiências posteriores ajustam os conceitos ligados às palavras.

Katrien Beuls, professora da Universidade de Namur e coautora do estudo, descreveu como interações locais levam a um acordo entre os integrantes de uma população no comunicado da universidade:

O fascinante é que não há um computador central impondo as regras. A cada interação, permitimos que dois agentes se comuniquem em nível local. É somente por meio dessas interações e atualizações individuais que uma convenção global surge espontaneamente em toda a população.

O que os agentes armazenam como significado

Cada entidade chega ao agente como um vetor de características, uma lista de valores que descrevem 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.

Uma palavra é associada a um protótipo conceitual: uma descrição matemática dos tipos de observações aos quais ela se aplica. O protótipo registra valores típicos, o quanto eles variam e quais características são mais importantes. Isso permite que um agente avalie o quanto uma entidade recém-encontrada corresponde a uma palavra conhecida.

O contexto também importa. O emissor procura uma palavra cujo conceito se ajuste ao alvo melhor do que às outras entidades na cena. Assim, uma palavra útil ajuda a distinguir algo de suas alternativas imediatas, em vez de simplesmente atribuir um rótulo permanente a cada objeto.

Os agentes mantêm essas representações em particular. Eles não têm acesso às configurações internas uns dos outros nem a uma base de conhecimento central. A comunicação compartilhada se desenvolve porque as palavras levam a escolhas compatíveis, enquanto as representações individuais continuam vinculadas às observações de cada agente.

Para os conjuntos de dados de imagens, os pesquisadores usaram características de 384 dimensões do DINOv2, um codificador de visão já existente. Um codificador de visão transforma uma imagem em uma descrição numérica que outros programas podem processar. O aprendizado do vocabulário foi então aplicado a essas descrições.

Qual foi o desempenho dos vocabulários compartilhados?

Nos experimentos padrão, populações de 10 agentes foram treinadas ao longo de um milhão de interações. Depois, os pesquisadores avaliaram a comunicação em 100 mil interações de teste, incluindo entidades mantidas fora do treinamento, e calcularam a média dos resultados de 10 execuções independentes.

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

• CLEVR, 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 do MS COCO: 95,77%.
• Imagens de rostos do CelebA: 96,66%.
• Imagens de aves: 95,88%.

Esses percentuais medem a frequência com que o ouvinte selecionou a entidade pretendida. Nas tarefas de vinhos e CLEVR, 99,76% correspondem a cerca de 24 interações malsucedidas a cada 10 mil interações de teste. No MS COCO, 95,77% correspondem a cerca de 423 a cada 10 mil.

A diferença entre esses resultados é de 3,99 pontos percentuais. A comunicação foi altamente bem-sucedida nas tarefas destacadas, mas os conjuntos de dados de imagens naturais produziram mais erros do que as tarefas de vinhos e exoplanetas.

A equipe também mediu o tamanho do vocabulário e a concordância sobre as convenções, que indica o grau de consistência no uso das palavras pelos agentes. Essas medidas avaliam aspectos diferentes do processo: a população precisa tanto de um conjunto funcional de rótulos quanto de um nível de concordância suficiente sobre seu uso para identificar alvos com confiabilidade.

Sensores diferentes ainda podem chegar a um acordo

Raramente as máquinas observam o mundo exatamente da mesma maneira. Os sensores podem ter configurações de calibração diferentes, as leituras podem conter ruído e um dispositivo pode captar propriedades que outro não consegue detectar. O estudo testou variações dessas condições.

Paul Van Eecke, professor de inteligência artificial na VUB e coautor do estudo, explicou a motivação usando o exemplo de pessoas que identificam um carro vermelho. As pessoas podem entender a mesma descrição, embora seus olhos registrem valores de cor ligeiramente diferentes. A palavra compartilhada se sobrepõe a essas leituras individuais.

Nos experimentos, os pesquisadores aplicaram essa ideia a agentes artificiais, alterando suas observações. Foram incluídos desvios numéricos semelhantes a diferenças de calibração, ruído nos valores observados e populações cujos integrantes tinham conjuntos diferentes de características disponíveis.

Com ruído intenso nos experimentos de CLEVR, o sucesso na comunicação foi de 87,67%. Em uma condição com diferenças maiores entre os sensores disponíveis, o sucesso foi de 83,47%. O método manteve uma capacidade considerável de coordenação nessas condições, embora com precisão inferior à do experimento padrão com CLEVR.

O artigo descreve como heteromórficas as populações com estruturas perceptivas diferentes. Em termos simples, seus integrantes recebem tipos ou quantidades diferentes de informação. A tarefa é desenvolver referências compatíveis apesar dessas diferenças, com base nas observações acessíveis a cada integrante.

Um vocabulário que muda quando as informações desaparecem

Os pesquisadores também testaram a perda repentina de informações durante o aprendizado. Em um experimento, metade dos dados de entrada que representavam as leituras dos sensores foi removida no meio do processo. Depois dessa mudança, o sucesso na comunicação chegou a 93,82%.

As interações contínuas dão aos agentes a oportunidade de rever seus conceitos à medida que as condições mudam. Uma palavra associada a várias características pode se tornar útil de outra maneira quando algumas delas desaparecem e as observações restantes ganham mais importância.

O artigo também relata a adaptação a mudanças ambientais. Isso torna o aprendizado contínuo uma parte central da abordagem: a população constrói uma convenção por meio do uso e continua ajustando-a conforme suas observações mudam.

Em um futuro sistema de máquinas, essa capacidade pode ser importante quando equipamentos se deteriorarem ou as condições de operação mudarem. O resultado experimental imediato diz respeito à adaptação do vocabulário dos agentes nas tarefas simuladas.

Grupos maiores precisam de mais interações

O estudo analisou populações de 2, 10, 25, 50 e 100 agentes. Aumentar a população muda o alcance necessário para que cada palavra útil se difunda, pois as interações continuam ocorrendo entre pares de indivíduos.

Nos experimentos de CLEVR com 100 agentes, o sucesso na comunicação chegou a 92,69% após um milhão de interações. Ampliar o treinamento para 10 milhões de interações elevou o sucesso a 99,16%, um aumento de 6,47 pontos percentuais.

O total de interações ajuda a explicar a dimensão desse desafio. Se a participação for distribuída igualmente, um milhão de interações envolvendo dois agentes cada resulta, em média, em 200 mil participações por agente em um grupo de 10. Em um grupo de 100, o mesmo número de interações resulta, em média, em 20 mil participações por agente.

Dez milhões de interações elevam essa média para 200 mil participações por integrante de uma população de 100 agentes. Os encontros individuais são selecionados aleatoriamente, mas essa comparação mostra por que um grupo maior pode precisar de um volume total de aprendizado muito maior para difundir suas convenções.

As pessoas podem verificar a que uma palavra se refere

Os pesquisadores apontam a interpretabilidade como uma vantagem do projeto. Uma palavra remete a um protótipo cujos valores e pesos das características podem ser examinados. É possível rastrear quais observações ajudaram a formar um conceito e como sua representação muda com o uso.

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

Jérôme Botoko Ekila, pesquisador de doutorado no Laboratório de Inteligência Artificial da VUB e coautor do estudo, descreveu o objetivo de permitir que os agentes construam conceitos com base nas próprias percepções:

Eles constroem conceitos eficazes que correspondem exatamente ao que percebem por meio dos sensores, mesmo quando os dados são incompreensíveis para os humanos.

A supervisão humana envolveria examinar essas associações à medida que se desenvolvem. Uma verificação útil é observar se dois agentes que usam a mesma palavra continuam selecionando a entidade pretendida depois que suas entradas ou o ambiente mudam. O mecanismo de retorno do estudo torna essa relação central para o aprendizado.

Publicação, colaboração e possíveis usos

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 veio da Fundação de Pesquisa de Flandres (FWO) e do Fundo Nacional de Pesquisa da Bélgica (FNRS), por meio do projeto WEAVE.

O registro de publicação da VUB identifica a revista como Transactions of the Association for Computational Linguistics, volume 14, páginas 2234–2257, com DOI 10.1162/TACL.a.799. O registro informa que a publicação ocorreu 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 revisado.
• Agosto de 2026: o registro de publicação da universidade indica a publicação na revista.
• 14 de outubro de 2026: o comunicado da universidade apresentou os resultados.

Os pesquisadores apontam veículos autônomos, robôs e sensores industriais como possíveis usuários de uma comunicação adaptada às percepções das máquinas. O lidar mede distâncias com luz, o sonar usa som, sensores infravermelhos detectam radiação associada à temperatura e instrumentos químicos medem substâncias. Um vocabulário compartilhado poderia ajudar máquinas a se referir a padrões úteis encontrados nesses diferentes tipos de informação.

O próximo passo prático seria testar o funcionamento dessas convenções com equipamentos físicos, ambientes em mudança e exigências operacionais. Não foi informado um cronograma para a implementação. Por ora, o resultado é um método testado para construir referências compartilhadas a partir de dados diversos, com desempenho mensurável diante de ruído, diferenças perceptivas e perda de informações.

Principais pontos

• Pesquisadores da VUB e da Universidade de Namur testaram a formação de vocabulários em 37 conjuntos de dados públicos.
• Grupos de 10 agentes foram treinados por meio de um milhão de interações e, em seguida, passaram por 100 mil interações de teste.
• O sucesso variou de 95,77% a 99,76% nos sete conjuntos de dados destacados.
• Os pesquisadores forneceram os procedimentos de aprendizado; os agentes desenvolveram as palavras específicas e os conceitos associados por meio do retorno recebido.
• Os experimentos testaram a adaptação a observações ruidosas, estruturas perceptivas diferentes e dados de entrada ausentes.
• Uma população de 100 agentes alcançou 99,16% de sucesso no CLEVR após 10 milhões de interações.
• O estudo usou simulações computacionais. Aplicações em robôs, veículos e sensores industriais são usos propostos.