• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Biologia
    A caça cooperativa requer menos capacidade intelectual do que se pensava anteriormente
    A caça cooperativa requer menos capacidade intelectual do que se pensava anteriormente. Crédito:Kazushi Tsutsui

    Pesquisadores da Universidade de Nagoya, no Japão, descobriram que a caça cooperativa, na qual dois ou mais predadores colaboram para capturar uma presa, não requer processos cognitivos sofisticados no cérebro. Pelo contrário, a cooperação pode surgir com base num simples conjunto de regras e experiência.



    Estas descobertas não só têm implicações importantes para a compreensão da evolução do comportamento cooperativo entre os animais, mas também podem ajudar a desenvolver sistemas colaborativos de inteligência artificial (IA). Tais sistemas têm o potencial de servir como companheiros virtuais em situações de treinamento tático, como esportes coletivos e simulações de direção. O estudo foi publicado na eLife e foi liderado por Kazushi Tsutsui, Kazuya Takeda e Keisuke Fujii.

    Pesquisas anteriores vincularam a caça cooperativa a mamíferos que apresentam comportamentos sociais complexos, como leões e chimpanzés. No entanto, comportamentos semelhantes também foram encontrados em espécies com capacidades cognitivas menos avançadas, como crocodilos e peixes. Isto sugere que um mecanismo mais simples pode ser responsável por esta forma de cooperação.

    Para investigar esse quebra-cabeça, Tsutsui e seus colaboradores criaram um modelo computacional no qual os agentes de IA aprendem a caçar juntos, usando aprendizado por reforço profundo. A aprendizagem por reforço profundo é um processo no qual os comportamentos são reforçados ao serem recompensados ​​após executá-los.

    Os pesquisadores treinam algoritmos para aprender por meio da interação com o ambiente e do recebimento de recompensas por ações específicas. Usando redes neurais profundas, esses algoritmos podem processar entradas como posição e velocidade e tomar decisões autônomas.
    Vídeos de exemplo nas condições de um predador. Crédito:eLife (2024). DOI:10.7554/eLife.85694

    Programados com capacidades de aprendizagem por reforço, os agentes predadores de IA aprenderam a colaborar na caça, interagindo com o ambiente através de uma sequência de estados, ações e recompensas, com o objetivo de selecionar ações que maximizem recompensas futuras. Os agentes predadores cooperaram pela eficácia de suas ações e pela antecipação de uma recompensa (a presa) a ser dividida entre o grupo após uma caçada bem-sucedida.

    Durante as simulações, os predadores da IA ​​exibiram papéis distintos e complementares, semelhantes ao comportamento dos animais que praticam caça cooperativa. Por exemplo, um agente perseguiria a presa, enquanto outro a emboscaria. À medida que o número de predadores aumentava, a taxa de sucesso aumentava e o tempo necessário para as caçadas diminuía.

    Num teste final, os agentes de IA desempenharam o papel de predadores e os participantes humanos agiram como presas. Apesar de enfrentarem dificuldades iniciais, como confusão causada por movimentos humanos inesperados, os agentes treinados em IA trabalharam juntos e capturaram suas presas humanas. Isto mostra como a caça cooperativa bem sucedida não requer processos cognitivos complexos e sugere que os predadores no mundo real também podem aprender a colaborar através de um conjunto simples de regras de decisão.

    “Nossos agentes predadores aprenderam a colaborar usando aprendizado por reforço, sem exigir mecanismos cognitivos complexos semelhantes à teoria da mente”, disse Tsutsui. “Isto sugere que a caça cooperativa pode evoluir numa gama mais ampla de espécies do que se pensava anteriormente”.

    A equipe de pesquisa espera que suas descobertas levem a novos estudos de campo sobre a tomada de decisões na dinâmica predador-presa. Além disso, este projeto mostra o potencial para o avanço dos sistemas cooperativos de IA, o que poderá ter efeitos positivos noutros domínios que requerem soluções colaborativas, como a condução autónoma e a gestão do tráfego.

    Mais informações: Kazushi Tsutsui et al, Caça colaborativa em agentes artificiais com aprendizagem por reforço profundo, eLife (2024). DOI:10.7554/eLife.85694
    Informações do diário: eLife

    Fornecido pela Universidade de Nagoya



    © Ciência https://pt.scienceaq.com