Pesquisadores mostram IA capaz de aprender além dos dados de treinamento

Um estudo da USC Viterbi School of Engineering desafia uma das ideias mais repetidas sobre inteligência artificial: a de que um MODELO só pode ser tão BOM quanto os DADOS com que foi TREINADO.

Os pesquisadores mostraram que, com o método certo de FEEDBACK ESTRUTURADO, um modelo pode MELHORAR muito seu DESEMPENHO mesmo em áreas onde quase NÃO foi TREINADO.

✅ No experimento, pesquisadores testaram o GPT-5 em uma LINGUAGEM de PROGRAMAÇÃO extremamente RARA chamada Idris, que possui cerca de 2 mil repositórios públicos. Para comparação, Python tem mais de 24 milhões.

✅ Inicialmente, o modelo RESOLVEU apenas 39% dos exercícios. A mudança veio com a criação de um “LOOP de feedback do compilador”, onde o sistema capturava mensagens de erro do compilador, enviava essas informações de volta para o modelo e pedia que ele CORRIGISSE o código e TENTASSE novamente. Repetindo esse processo várias vezes, a taxa de SUCESSO saltou para 96%.

✅ O experimento aponta que o DESEMPENHO da IA não depende apenas dos DADOS de treinamento, mas também da qualidade do FEEDBACK que ela recebe durante o processo de resolução de PROBLEMAS.

Isso abre caminhos para APLICAÇÕES em diversas áreas:

✅ ENGENHARIA e modelagem de SISTEMAS complexos
✅ RACIOCÍNIO matemático
✅ LÓGICA jurídica
✅ PROGRAMAÇÃO em linguagens pouco documentadas
✅ preservação e tradução de IDIOMAS com poucos dados

Em outras palavras, a IA pode começar a APRENDER além do que foi explicitamente ENSINADA.