Os agentes construídos com base nos modelos atuais geralmente quebram com mudanças simples — uma nova biblioteca, uma modificação no fluxo de trabalho — e exigem um engenheiro humano para corrigi-los. Esse é um dos desafios mais persistentes na implantação de IA nas empresas: criar agentes que possam se adaptar a ambientes dinâmicos sem ajuda constante. Embora os modelos atuais sejam poderosos, eles são em grande parte estáticos. Para resolver isso, pesquisadores da Universidade da Califórnia, em Santa Bárbara, desenvolveram Agentes em evolução de grupo (GEA), uma nova estrutura que permite que grupos de agentes de IA evoluam juntos, compartilhando experiências e reutilizando suas inovações para melhorar de forma autônoma ao longo do tempo. Em experimentos em tarefas complexas de codificação e engenharia de software, a GEA superou substancialmente as estruturas existentes de autoaperfeiçoamento. Talvez mais notavelmente para os decisores empresariais, o sistema desenvolveu agentes de forma autónoma que igualaram ou excederam o desempenho de estruturas meticulosamente concebidas por especialistas humanos. As limitações da evolução do ‘lobo solitário’ A maioria existente sistemas de IA agentes dependem de arquiteturas fixas projetadas por engenheiros. Esses sistemas muitas vezes lutam para ir além dos limites de capacidade impostos pelos seus projetos iniciais. Para resolver isto, os investigadores há muito procuram criar agentes autoevolutivos que possam modificar autonomamente o seu próprio código e estrutura para superar os seus limites iniciais. Esta capacidade é essencial para lidar com ambientes abertos onde o agente deve explorar continuamente novas soluções. No entanto, as abordagens atuais da autoevolução apresentam uma grande falha estrutural. Como observam os pesquisadores em seu artigo, a maioria dos sistemas é inspirada na evolução biológica e é projetada em torno de "centrado no indivíduo" processos. Esses métodos normalmente usam uma abordagem estruturada em árvore: um único "pai" O agente é selecionado para produzir descendentes, criando ramos evolutivos distintos que permanecem estritamente isolados uns dos outros. Esse isolamento cria um efeito de silo. Um agente em uma filial não pode acessar os dados, ferramentas ou fluxos de trabalho descobertos por um agente em uma filial paralela. Se uma linhagem específica não for selecionada para a próxima geração, qualquer descoberta valiosa feita por esse agente, como uma nova ferramenta de depuração ou um fluxo de trabalho de teste mais eficiente, desaparece junto com ela. No artigo, os pesquisadores questionam a necessidade de aderir a essa metáfora biológica. "Os agentes de IA não são indivíduos biológicos," eles discutem. "Por que deveria a sua evolução permanecer limitada por paradigmas biológicos?" A inteligência coletiva dos Agentes em Evolução de Grupo A GEA muda o paradigma ao tratar um grupo de agentes, em vez de um indivíduo, como a unidade fundamental da evolução. O processo começa selecionando um grupo de agentes pais de um arquivo existente. Para garantir uma combinação saudável de estabilidade e inovação, a GEA seleciona estes agentes com base numa pontuação combinada de desempenho (competência na resolução de tarefas) e novidade (quão distintas são as suas capacidades das outras). Ao contrário dos sistemas tradicionais, onde um agente aprende apenas com o seu controlador direto, a GEA cria um conjunto partilhado de experiência coletiva. Esse pool contém os rastros evolutivos de todos os membros do grupo pai, incluindo modificações de código, soluções bem-sucedidas para tarefas e históricos de invocação de ferramentas. Cada agente do grupo ganha acesso a esta história coletiva, permitindo-lhes aprender com os avanços e erros dos seus pares. Um “Módulo de Reflexão”, alimentado por um grande modelo de linguagem, analisa esta história coletiva para identificar padrões em todo o grupo. Por exemplo, se um agente descobre uma ferramenta de depuração de alto desempenho enquanto outro aperfeiçoa um fluxo de trabalho de teste, o sistema extrai ambos os insights. Com base nesta análise, o sistema gera resultados de alto nível "diretivas de evolução" que orientam a criação do grupo filho. Isto garante que a próxima geração possua os pontos fortes combinados de todos os seus pais, em vez de apenas as características de uma única linhagem. No entanto, essa abordagem de mente coletiva funciona melhor quando o sucesso é objetivo, como em tarefas de codificação. "Para domínios menos determinísticos (por exemplo, geração criativa), os sinais de avaliação são mais fracos," Zhaotian Weng e Xin Eric Wang, coautores do artigo, disseram ao VentureBeat em comentários por escrito. "A partilha cega de resultados e experiências pode introduzir experiências de baixa qualidade que funcionam como ruído. Isto sugere a necessidade de mecanismos de filtragem de experiência mais fortes" para tarefas subjetivas. GEA em ação Os pesquisadores testaram o GEA em relação à atual linha de base autoevolutiva de última geração, o Máquina Darwin Gõdel (DGM), em dois critérios rigorosos. Os resultados demonstraram um enorme salto na capacidade sem aumentar o número de agentes utilizados. Esta abordagem colaborativa também torna o sistema mais robusto contra falhas. Em seus experimentos, os pesquisadores quebraram intencionalmente os agentes, injetando bugs manualmente em suas implementações. A GEA conseguiu reparar esses bugs críticos em uma média de 1,4 iterações, enquanto a linha de base levou 5 iterações. O sistema aproveita efetivamente o "saudável" membros do grupo para diagnosticar e corrigir os comprometidos. No SWE-bench Verified, um benchmark que consiste em problemas reais do GitHub, incluindo bugs e solicitações de recursos, a GEA alcançou uma taxa de sucesso de 71,0%, em comparação com os 56,7% da linha de base. Isto se traduz em um aumento significativo no rendimento da engenharia autônoma, o que significa que os agentes são muito mais capazes de lidar com a manutenção de software no mundo real. Da mesma forma, no Polyglot, que testa a geração de código em diversas linguagens de programação, a GEA alcançou 88,3% contra 68,3% da linha de base, indicando alta adaptabilidade a diferentes pilhas de tecnologia. Para as equipes de P&D empresariais, a descoberta mais crítica é que a GEA permite que a IA se projete de forma tão eficaz quanto os engenheiros humanos. No banco SWE, a taxa de sucesso de 71,0% da GEA corresponde efetivamente ao desempenho de Mãos Abertasa principal estrutura de código

Ouça o artigo 4 minutos Este áudio é gerado automaticamente. Por favor, deixe-nos saber se você tiver comentários. Ritz está ampliando ainda mais

A Anthropic lançou na terça-feira o Claude Sonnet 4.6, um modelo que equivale a um evento de reprecificação sísmica para a indústria de

Ouça o artigo 3 minutos Este áudio é gerado automaticamente. Por favor, deixe-nos saber se você tiver comentários. O Publicis Groupe aumentou a

A lacuna entre as ameaças de ransomware e as defesas destinadas a detê-las está piorando, e não melhorando. O Relatório sobre o estado

Ouça o artigo 5 minutos Este áudio é gerado automaticamente. Por favor, deixe-nos saber se você tiver comentários. A imobiliária Redfin anunciou na

A quilômetros de distância, através do deserto, a Grande Pirâmide parece uma geometria perfeita e suave – um triângulo elegante apontando para as

Ouça o artigo 4 minutos Este áudio é gerado automaticamente. Por favor, deixe-nos saber se você tiver comentários. Resumo de mergulho: A American

Seus desenvolvedores já estão executando o OpenClaw em casa. A Censys rastreou o agente de IA de código aberto de aproximadamente 1.000 instâncias