Um novo estudo revela que as atualizações de memória interna de certos modelos de IA—transformadores lineares—são matematicamente idênticas a teorias centenárias de aprendizado animal. Essa ligação surpreendente prevê como esses modelos se comportam e abre novos caminhos para entender tanto a cognição de máquinas quanto a humana.
A Pesquisa
Mu Qiao, um pesquisador de uma instituição não divulgada, publicou um artigo no arXiv (agosto de 2025, v3 agosto de 2026) mostrando que as principais famílias de atenção linear implementam modelos nomeados da teoria clássica de aprendizado. A atenção linear espelha a contiguidade hebbiana, a DeltaNet implementa a correção de erro de Rescorla–Wagner, e variantes com decaimento como a RetNet imitam a contiguidade com um traço de estímulo. O estudo encontrou uma forma fechada exata para o bloqueio de Kamin—um fenômeno onde o aprendizado prévio bloqueia novas associações—verificado em simulação com precisão menor que 10^-7 em cinco taxas de aprendizado. Qiao também previu uma dissociação: atenção com correção de erro exibe competição de estímulos, enquanto atenção baseada em contiguidade não, e validou isso empiricamente. Além disso, a capacidade de estado único escala com expoentes de 1,22 para recuperação e 1,89 para identificação, e o erro de recuperação depende principalmente do tamanho total do estado, não da partição de cabeças. O estudo também provou que não há recuperação espontânea para recorrências de estado único analisadas sob tentativas de retenção ortogonais a estímulos.
Por Que Isso Importa
Esta pesquisa une IA e psicologia, mostrando que princípios do aprendizado animal—como competição de estímulos—se aplicam à memória de máquinas. Para o seu cérebro, sugere que a forma como aprendemos associações pode seguir regras semelhantes, e entender isso pode ajudar a otimizar seu próprio aprendizado. As descobertas também implicam que modelos de IA, como humanos, podem mostrar vieses na forma como formam memórias, o que tem implicações para confiança e justiça em IA.
O Que Você Pode Fazer
Para aproveitar esses insights, varie seus contextos de aprendizado para evitar competição de estímulos e espaçe a prática para fortalecer associações. Para usuários de IA, esteja ciente de que os modelos podem exibir vieses semelhantes ao condicionamento humano.
Fonte: arXiv q-bio.NC
Curioso sobre seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou tente 306 níveis de treinamento cerebral.