Uma Revolução na Eficiência do Treinamento de Redes Neurais Profundas

Pesquisadores da Sakana IA lançaram o PC-ALM, uma nova alternativa para treinar redes neurais profundas. Este método foca na dinâmica local de cada camada, superando a necessidade da retropropagação global (backpropagation) que o cérebro humano não consegue replicar. O backpropagation exige uma coordenação precisa de tempo (phase-locking) entre as fases de forward, backward e atualização de pesos, algo inviável biologicamente. O PC-ALM contorna isso ao equipar cada camada com um sistema dinâmico de controle de feedback. Essa abordagem permite distribuir e propagar o crédito de supervisão por toda a rede de forma eficiente.

A técnica evolui do conceito de Predictive Coding (PC), que usa acoplamento difusivo entre camadas. Contudo, o PC convencional falhava em redes profundas e estreitas devido à degradação do sinal. O PC-ALM introduz neurônios duais (multiplicadores de Lagrange) e um controlador de feedback PI em cada camada. Isso cria uma propagação de crédito "balística", muito mais eficaz que a difusiva do PC. Com isso, o PC-ALM consegue treinar MLPs residuais com até mil camadas, alcançando desempenho similar ao backpropagation, mas com uma dinâmica totalmente local. Isso tem implicações importantes para o futuro da IA, especialmente em hardware neuromórfico, onde a simulação de sistemas dinâmicos é mais barata que a execução em GPUs.

A cobertura anterior do CEVIU News, em 30 de maio de 2026, já destacava a busca da Sakana Labs por métodos que pudessem superar a dependência do backpropagation. Naquela época, a discussão girava em torno da necessidade de dividir o treinamento de redes neurais em blocos independentes para contornar os limites de recursos e memória. Com o lançamento do PC-ALM pela Sakana IA, vemos uma materialização concreta dessa visão. O que era uma busca por uma nova forma de treinar redes neurais profundas, agora se torna uma solução robusta e comprovada, capaz de treinar redes com mil camadas de forma local e eficiente, sem a coordenação global antes necessária.

O PC-ALM representa um avanço significativo para a IA ao resolver um gargalo fundamental: a eficiência do treinamento de redes neurais profundas. Ao abandonar a dependência do backpropagation e adotar uma abordagem local, ele abre caminho para arquiteturas de IA mais profundas e complexas, sem o alto custo computacional e de memória. A técnica também é crucial para a pesquisa em IA biologicamente plausível, aproximando a forma como as redes neurais aprendem do funcionamento do cérebro. Além disso, a eficiência energética do PC-ALM o torna um candidato promissor para o desenvolvimento de hardware neuromórfico, catalisando a próxima geração de sistemas de IA.