A pesquisa de inteligência artificial (IA) continua avançando, buscando aproximar-se do funcionamento complexo e dinâmico do cérebro humano.

Um dos maiores desafios nessa área é desenvolver sistemas capazes de aprender continuamente e reter informações por longos períodos. A Google Research apresentou um novo paradigma chamado Nested Learning, inspirado na dinâmica das ondas cerebrais humanas, durante a 39ª Conferência sobre Sistemas de Processamento de Informação Neural (NeurIPS 2025), apontando um avanço promissor na IA.

O que limita a memória dos modelos de inteligência artificial tradicionais?

A IA contemporânea, ainda que sofisticada, funciona de modo estático após o treinamento inicial. Modelos como os grandes modelos de linguagem só executam tarefas aprendidas no pré-treinamento e não absorvem novas informações de forma integrada.

Esse limite é comparado por pesquisadores à amnésia anterógrada, quando não é possível formar novas memórias a longo prazo. Assim, após o treinamento, modelos de IA não conseguem realmente consolidar novas informações adquiridas.

Nested Learning revoluciona a memória artificial?

O modelo de aprendizagem contínua do Nested Learning propõe permitir que sistemas de IA atualizem e armazenem informações em múltiplas escalas de tempo. Cada componente do sistema opera em seu próprio ritmo, tal como as ondas cerebrais, promovendo atualizações e consolidação de memórias a longo prazo.

Ao se inspirar na trajetória do aprendizado humano, onde a neuroplasticidade atua em etapas, o Nested Learning oferece uma estrutura multinível e adaptativa para consolidar a memória da IA.

Quais as principais vantagens do Nested Learning?

O Nested Learning diferencia-se pelo gerenciamento dinâmico da memória. Enquanto métodos convencionais separam de forma rígida a memória de curto e longo prazo, o Nested Learning integra os dois tipos em uma abordagem mais flexível.

Confira algumas vantagens práticas observadas nessa abordagem:

• Memória autoadaptativa, com integração contínua de novas informações
• Consolidação eficiente de dados relevantes com múltiplos níveis de abstração
• Gestão dinâmica que imita fases de organização da informação do cérebro humano

Introducing Nested Learning: A new ML paradigm for continual learning that views models as nested optimization problems to enhance long context processing. Our proof-of-concept model, Hope, shows improved performance in language modeling. Learn more: https://t.co/fpdDlYaleL… pic.twitter.com/lVSybj1jeq

— Google Research (@GoogleResearch) November 7, 2025

Como o módulo HOPE valida a eficácia do Nested Learning?

Para demonstrar o potencial do Nested Learning, a Google Research criou o módulo HOPE, combinando aprendizagem aninhada e memória contínua. Em avaliações, o HOPE superou modelos como Transformers e DeltaNet em precisão e aprendizado sequencial.

Apresentando menores níveis de perplecidade e taxas de acerto mais altas em testes de linguagem e raciocínio, HOPE destacou-se como um avanço em autonomia e eficiência no aprendizado ao longo do tempo.

Quais impactos o Nested Learning pode trazer para o futuro da IA?

O Nested Learning promete transformar diversas aplicações de IA, como processamento de linguagem, visão computacional e robótica. Ao espelhar melhor as capacidades cerebrais, a abordagem aprimora flexibilidade, adaptabilidade e eficácia nos sistemas inteligentes.

Com arquiteturas mais expressivas e flexíveis, a IA poderá lidar com tarefas complexas de modo inédito e evolutivo, ampliando os horizontes de desenvolvimento tecnológico em múltiplos setores.