Sakana AI Apresenta 'Diffusing Blame': Um Salto em Redes Neurais Biologicamente Plausíveis

A técnica 'Diffusing Blame' da Sakana AI representa um avanço significativo na busca por redes neurais mais alinhadas com a biologia cerebral. O ponto central é a estrita obediência ao Princípio de Dale, uma regra fundamental em neurociência que estabelece que cada neurônio real é predominantemente excitatório ou inibitório. Redes neurais artificiais convencionais ignoram isso, permitindo que uma única unidade misture pesos de saída positivos e negativos, o que não ocorre na biologia.

Além de Dale, 'Diffusing Blame' ataca o problemático “problema de transporte de pesos”, inerente à retropropagação (backpropagation). Este problema exige cópias transpostas exatas dos pesos da camada de propagação direta para o cálculo do gradiente, algo que a biologia não parece reproduzir. A solução da Sakana AI, baseada na Difusão de Erro, usa fluxos excitatórios e inibitórios separados com matrizes de pesos não negativos, eliminando a necessidade de transportar pesos de volta pela rede, o que sugere um caminho para regras de aprendizado mais eficientes e biologicamente plausíveis, tanto em classificação de imagens quanto em aprendizado por reforço.

A Sakana AI, em maio de 2026, já apontava que a dependência da retropropagação de ponta a ponta para treinar redes neurais profundas estava atingindo limites de recursos, explorando métodos para “dividir a rede em blocos e treiná-los independentemente”. Agora, 'Diffusing Blame' oferece uma solução concreta que se encaixa nessa visão. A técnica resolve o problema do transporte de pesos, uma das principais barreiras da retropropagação, e o faz com um método de aprendizado local que não exige que a rede inteira esteja na memória. Isso evolui a proposta inicial de treinamento modular para uma regra de aprendizado específica que é mais plausível biologicamente e potencialmente mais escalável.

Este trabalho complementa a recente demonstração da Sakana AI dos 'Smart Cellular Bricks', apresentada em 14 de julho de 2026. Enquanto os 'Bricks' focam na inteligência coletiva em hardware e comunicação local entre módulos físicos, 'Diffusing Blame' aprofunda a pesquisa em regras de aprendizado local que poderiam, em tese, ser implementadas em sistemas modulares ou celulares, reforçando a linha de pesquisa da empresa em IA inspirada na biologia.

Esta pesquisa é crucial porque desafia o paradigma dominante da retropropagação, que, apesar de eficaz, enfrenta limitações fundamentais em termos de plausibilidade biológica, consumo de recursos e escalabilidade. Desenvolver regras de aprendizado que respeitem princípios como o de Dale e que evitem o problema do transporte de pesos pode abrir caminho para IAs mais eficientes, capazes de aprender com menos dados e energia, e que operem de forma mais análoga ao cérebro humano. Isso pode revolucionar desde o treinamento de modelos em dispositivos embarcados até a arquitetura de futuros chips de IA.