Uma publicação com a etiqueta "AlphaEvolve"

Em 2019, o pioneiro da inteligência artificial Richard Sutton redigiu uma das reflexões mais influentes e proféticas da história da computação — A Lição Amarga (The Bitter Lesson):

"A maior lição que pode ser extraída de 70 anos de pesquisa em IA é que os métodos gerais baseados em computação massiva são, em última análise, os mais eficazes, e por uma margem esmagadora... Métodos construídos artesanalmente por seres humanos são invariavelmente superados por sistemas que aprendem, buscam e evoluem de maneira autônoma."

A visão computacional passou décadas desenvolvendo manualmente extratores de características como SIFT e HOG, apenas para vê-los superados de um dia para o outro pelas redes neurais convolucionais profundas (CNNs). O processamento de linguagem natural dedicou anos à modelagem de árvores sintáticas e gramáticas estáticas, até que os transformadores baseados no mecanismo de atenção tornaram todas essas regras humanas obsoletas.

Nesta sétima aula do curso Stanford CS329A: Self-Improving AI Agents (Agentes de IA Autoevolutivos), confrontamos a questão mais desafiadora da engenharia contemporânea:

"Por que engenheiros humanos continuam codificando manualmente, linha por linha, loops ReAct, verificadores PRM e árvores de busca LATS? O que acontece quando tratamos código Python Turing-completo como DNA biológico e permitimos que meta-agentes autônomos projetem, testem e evoluam arquiteturas superiores sem intervenção humana?"

Neste artigo, investigamos as fronteiras dos sistemas de Open-Ended Evolution LLM (Evolução Aberta em Modelos de Linguagem) por meio de três marcos fundamentais: Automated Design of Agentic Systems ADAS (Projeto Automatizado de Sistemas de Agentes), a estrutura de Autonomous Machine Learning Discovery (Descoberta Científica Autônoma em ML) da Sakana AI com The AI Scientist Sakana, e o ápice da Self-Referential Code Evolution (Evolução de Código Autorreferencial) alcançado pelo Google DeepMind com o AlphaEvolve.