A versão original desta história foi apresentada na revista Quanta.
Uma vez nos prometemos ser carros autônomos e empregadas de robôs. Em vez disso, vimos a ascensão de sistemas de inteligência artificial que podem nos espancar no xadrez, analisar textos enormes e criar sonetos. Esta foi uma das grandes surpresas dos tempos modernos. Tarefas físicas simples para os seres humanos provaram ser extremamente difíceis para os robôs, mas os algoritmos imitam cada vez mais nossa inteligência.
Outra surpresa que há muito tempo está perplexa são as dicas algorítmicas que os pesquisadores têm para seu próprio tipo estranho de criatividade.
O modelo de difusão, que é a espinha dorsal das ferramentas de geração de imagens como Dall-E, Imagen e Difusão estável, é projetada para gerar cópias de carbono de imagens treinadas. Mas, na realidade, eles parecem ser improvisados e improvisados, misturando elementos dentro da imagem para criar um novo. Não é uma massa de cor sem sentido, mas uma imagem consistente com significado. Este é o “paradoxo” por trás do modelo de difusão, disse Giulio Billolli, pesquisador e físico da IA da Ecole Normal Superiure em Paris. “Mas eles não são. Eles podem realmente gerar novas amostras”.
Para gerar imagens, o modelo de difusão usa um processo chamado remoção. Converte imagens em ruído digital (uma coleção inconsistente de pixels) e as remonta. É como colocar a foto repetidamente em um triturador até que tudo o que você sai é uma pilha de poeira fina. Durante anos, os pesquisadores estão se perguntando. Como a novidade pode entrar em cena se o modelo for simplesmente remontado? É como remontar sua pintura finamente desenhada em uma obra de arte completamente nova.
Hoje, dois físicos fazem alegações surpreendentes. É uma falha técnica no próprio processo de remoção que leva à criatividade do modelo de difusão. Em um artigo apresentado na Conferência Internacional sobre aprendizado de máquina 2025, a dupla desenvolveu um modelo matemático de um modelo de difusão treinado, mostrando que sua chamada criatividade é de fato um processo determinístico.
Ao iluminar a caixa preta de modelos de difusão, novas pesquisas podem ter um impacto significativo na pesquisa futura da IA. “A verdadeira força deste artigo é que ele prevê algo com muita precisão que é muito não trivial”, diz Luca Ambrogioni, cientista da computação da Universidade Ladboud, na Holanda.
Baixo para cima
Mason Camb, um estudante de pós -graduação que estuda física aplicada na Universidade de Stanford e principal autora de um novo artigo, há muito tempo é fascinado com a morfogênese. Este é o processo pelo qual o sistema bruto se auto-organiza.
Uma maneira de entender o desenvolvimento de embriões em humanos e outros animais é através do que é chamado de padrão de Turing, em homenagem ao matemático do século XX, Alan Turing. O padrão de Turing descreve como os grupos de células se organizam em órgãos e membros distintos. É importante ressaltar que todo esse ajuste é feito no nível local. Um CEO que supervisiona trilhões de células não garantirá que tudo se encaixe no plano final do corpo. Em outras palavras, as células individuais não têm um plano corporal completo que forma a base do trabalho. Eles estão simplesmente agindo e fazendo correções em resposta a sinais de seus vizinhos. Esse sistema de baixo para cima geralmente funciona sem problemas, mas pode, por exemplo, colocar as mãos com dedos extras.
