Uma tecnologia promete retirar até 97% do peso de uma IA sem destruir sua inteligência

A corrida pela inteligência artificial criou uma regra aparentemente simples: quanto maior o modelo, melhores suas capacidades. O problema é que essa escalada exige chips poderosos, centros de dados gigantescos, eletricidade e sistemas de refrigeração. Agora, uma empresa europeia propõe seguir justamente o caminho contrário. Em vez de construir uma IA ainda maior, sua tecnologia tenta descobrir quanto dela pode ser eliminado antes que o usuário perceba a diferença.

Os modelos cresceram e a conta veio junto

Modelos modernos de inteligência artificial podem conter bilhões de parâmetros. Essa escala permite realizar tarefas cada vez mais sofisticadas, mas também aumenta a quantidade de memória, capacidade computacional e energia necessária para executá-los.

O problema fica especialmente evidente quando milhões de pessoas utilizam esses sistemas simultaneamente.

Uma consulta realizada por IA pode demandar significativamente mais recursos computacionais do que operações digitais tradicionais. A geração de imagens costuma exigir ainda mais processamento. Ao mesmo tempo, centros de dados precisam gastar energia não apenas com os chips, mas também com sistemas responsáveis por mantê-los refrigerados.

É nesse cenário que aparece a Multiverse Computing.

A empresa desenvolveu uma tecnologia de compressão de modelos que ganhou uma comparação bastante incomum: o “Ozempic da inteligência artificial”.

A referência ao medicamento é apenas uma metáfora. A ideia é fazer com algoritmos algo semelhante a uma dieta tecnológica: retirar o excesso e preservar aquilo que realmente importa.

Román Orús, cofundador e diretor científico da companhia, explica que, quando pesquisadores analisam a estrutura matemática desses grandes sistemas, encontram uma quantidade considerável de redundância.

É justamente esse excesso que a empresa pretende atacar.

Algumas IAs podem perder até 97% de seu tamanho

A proposta da Multiverse é comprimir modelos existentes em vez de necessariamente reconstruí-los do zero.

Segundo a companhia, em determinados casos foi possível reduzir o tamanho dos sistemas em mais de 90%, chegando a aproximadamente 97% de compressão.

Isso não significa que qualquer modelo possa ser reduzido em 97% mantendo exatamente o mesmo desempenho. Os resultados dependem da arquitetura, da aplicação e do nível de compressão utilizado.

A empresa afirma, entretanto, que seus modelos comprimidos podem consumir metade da energia ou até menos, enquanto a perda de precisão ficaria em torno de 3% a 4% nos casos apresentados.

A diferença pode ser importante.

Um modelo menor ocupa menos memória e exige menos recursos computacionais para funcionar. Isso pode reduzir custos de infraestrutura e facilitar sua execução em máquinas menos poderosas.

Há também uma consequência menos evidente: portabilidade.

Se uma IA que anteriormente dependia de servidores gigantes puder ser suficientemente comprimida, determinadas aplicações poderiam funcionar em computadores, celulares ou sistemas locais com menor dependência da nuvem.

E isso abre uma discussão interessante sobre algo que a indústria parece ter aceitado quase automaticamente nos últimos anos.

Talvez nem toda tarefa precise da IA mais poderosa disponível

Quando aparece uma nova geração de modelos, existe uma tendência natural de utilizá-la para praticamente tudo.

Mas será realmente necessário recorrer a um sistema gigantesco para responder a uma pergunta simples, organizar documentos ou executar uma função específica dentro de uma empresa?

Para Orús, não.

O pesquisador defende modelos menores e especializados para tarefas que não precisam de toda a capacidade oferecida pelas maiores inteligências artificiais.

É semelhante a utilizar um supercomputador para fazer uma conta que uma calculadora resolveria perfeitamente.

Essa abordagem pode se tornar especialmente relevante à medida que a IA chega a mais dispositivos. Um carro, uma fábrica ou um smartphone podem precisar de sistemas muito bons em algumas tarefas específicas, mas não necessariamente de um modelo capaz de responder praticamente qualquer pergunta imaginável.

Executar parte desse processamento localmente também pode oferecer vantagens de privacidade e velocidade, já que determinados dados não precisariam viajar continuamente até grandes centros de dados.

A compressão, porém, enfrenta um obstáculo inevitável.

O verdadeiro teste é descobrir quanto pode ser removido

Comprimir um modelo de IA é sempre um exercício de equilíbrio.

Se forem eliminadas informações demais, o sistema poderá ocupar pouco espaço, mas também começará a produzir respostas piores. O desafio é descobrir quais partes são redundantes e quais realmente sustentam suas capacidades.

Por isso, números como 97% de redução precisam ser interpretados dentro do contexto de cada modelo e aplicação. A própria relação entre tamanho e consumo energético não é perfeitamente proporcional: hardware, volume de consultas e infraestrutura também influenciam o gasto final.

Ainda assim, o interesse pela ideia é fácil de entender.

Durante anos, a indústria concentrou enorme atenção em descobrir como tornar modelos maiores e mais capazes. Agora, o crescimento da demanda energética está colocando outra pergunta no centro da corrida: como fazer a mesma coisa utilizando menos recursos?

A resposta pode envolver chips mais eficientes, melhores centros de dados, energias de menor impacto e também modelos menores.

Se as técnicas de compressão conseguirem preservar a maior parte das capacidades enquanto reduzem drasticamente os recursos necessários, a próxima grande evolução da IA talvez não seja medida apenas em bilhões ou trilhões de parâmetros.

Depois de anos engordando os modelos, a indústria começa a descobrir que inteligência e tamanho não precisam necessariamente crescer juntos.

[Fonte: Inteligenciaargentina]