ByteDance e Li Han: como fazer redes neurais trabalhar em vez de apenas tagarelarem

O Dr. Li Han, chefe do laboratório de IA da ByteDance, publicou um trabalho sobre um framework universal para agentes de IA construído sobre quatro módulos — percepção, planejamento, memória e ação. Segundo o Jiqizhixin (机器之心), o objetivo do desenvolvimento é substituir os atuais sistemas de agentes experimentais, como AutoGPT e BabyAGI, que costumam "quebrar no segundo passo e alucinar em loops infinitos", por uma ferramenta industrial confiável.

Quem é Li Han

Li Han é uma figura cujo nome no mundo do processamento de linguagem natural pesa, como diz o material, "mais ou menos o mesmo que todo o parque de servidores de uma startup de médio porte". Sua trajetória profissional passou pela Microsoft Research Asia e pela Huawei antes de assumir o cargo de chefe do laboratório de IA da ByteDance. Trata-se de uma trajetória aplicada, não de uma carreira acadêmica: na opinião do autor da publicação, esse histórico indica que Li Han não se interessa pela beleza teórica das arquiteturas, mas sim pelo seu poder aplicado — ou seja, transferir ideias de arquivos PDF para produtos reais.

Quatro nós da arquitetura

O principal problema dos modelos de linguagem atuais que o framework resolve é a incapacidade de planejar com antecedência: o modelo "vive o momento", gerando o próximo token em vez de traçar uma estratégia. A arquitetura proposta se concentra em quatro nós críticos — percepção, planejamento, memória e ação. O modelo primeiro constrói uma árvore hierárquica de objetivos e depois usa ferramentas externas para alcançá-los, verificando constantemente a memória de longo prazo. O autor do material descreve o efeito assim: a abordagem transforma a IA "de um estudante de letras em um gerente de projetos experiente".

Por que isso importa para os negócios e quem é o concorrente

Para que a IA gere dinheiro de verdade no setor B2B, ela precisa entrar sozinha no CRM, analisar dados, elaborar um relatório e enviá-lo ao cliente sem pedir permissão a cada passo — é exatamente esse cenário que o framework de Li Han aborda. A ByteDance, que opera com volumes colossais de dados e algoritmos de recomendação complexos, está interessada nesses sistemas autônomos como ninguém mais. O desenvolvimento é descrito como um desafio direto ao projeto AutoGen, da Microsoft: se as empresas ocidentais, na opinião do autor, costumam depender mais da "força bruta" computacional, a ByteDance aposta em um esquema de engenharia estrutural, elegante e escalável.

Perguntas frequentes

O que exatamente Li Han propôs?

Um framework universal para agentes de IA baseado em quatro módulos — percepção, planejamento, memória e ação. Em vez de gerar uma resposta "no momento", o modelo primeiro constrói uma árvore hierárquica de objetivos e depois os alcança por meio de ferramentas externas, verificando constantemente a memória de longo prazo.

Em que isso difere do AutoGPT e do BabyAGI?

Os sistemas de agentes existentes, como AutoGPT e BabyAGI, segundo a descrição do material, são instáveis: eles quebram nos primeiros passos da execução da tarefa e caem em loops de alucinação. O framework de Li Han introduz uma arquitetura sistemática de planejamento e memória que deve transformar esses protótipos de agentes "de brinquedo" em uma ferramenta industrial confiável.

Por que isso pode ser um desafio para o Microsoft AutoGen?

Porque ambos os projetos resolvem o mesmo problema — a construção de agentes de IA autônomos e de múltiplas etapas —, mas, na opinião do autor da publicação, por caminhos diferentes: o AutoGen e outros desenvolvimentos ocidentais costumam se apoiar mais no poder computacional, enquanto a ByteDance, na figura de Li Han, propõe um esquema de engenharia estrutural. O resultado da disputa vai depender de quem conseguir transferir mais rápido a arquitetura de uma publicação acadêmica para a produção.