A IA ainda não consegue aprender com algumas imagens da forma que você consegue
Investigadores da Apple testaram modelos de visão por IA líderes numa competência humana simples: identificar o que um grupo de imagens tem em comum e depois aplicar essa ideia a uma imagem nova. Os modelos falharam largamente.
Pontos-chave
- A Apple ML Research publicou um estudo em 2025 mostrando que os melhores modelos de IA de visão-linguagem de hoje têm dificuldade em identificar um conceito partilhado num pequeno conjunto de imagens de exemplo.
- Os investigadores criaram um teste chamado VICIS (Visual Concept Inference from Sets) para medir essa lacuna específica na capacidade da IA.
- Todos os modelos de última geração testados tiveram um desempenho fraco na tarefa VICIS, sugerindo um ponto cego significativo no design atual da IA.
- A falha é importante porque as ferramentas de IA do mundo real pedem cada vez mais aos modelos que aprendam com alguns exemplos visuais, e não apenas com instruções escritas.
Aqui está uma competência que toda a criança de cinco anos tem. Mostre-lhe três imagens de cães e uma imagem de um gato, e ela dir-lhe-á que o gato não encaixa. Mostre-lhe três imagens de festas de aniversário e depois uma foto de uma fogueira na praia, e ela adivinharão que a fogueira também pode ser uma celebração.
Os modelos atuais de visão por IA não conseguem fazer isto de forma fiável. É o resultado de uma investigação da Apple ML Research, cuja equipa desenhou um teste chamado VICIS, abreviação de Visual Concept Inference from Sets, para medir exatamente esta lacuna.
Um modelo de visão-linguagem, a tecnologia que permite a uma IA tanto ver imagens como ler ou escrever texto, pode seguir instruções escritas detalhadas com uma precisão impressionante. Peça-lhe para descrever uma foto, contar objetos ou ler um rótulo, e normalmente entrega. Mas retire as palavras e peça-lhe para descobrir uma regra puramente a partir de algumas imagens? O desempenho cai drasticamente.
Por que é que isto interessa às pessoas normais?
Esta lacuna é importante porque muitas ferramentas práticas de IA já dependem de aprender a partir de exemplos. Um proprietário de loja que deseja que uma IA ordene fotos de produtos por estilo, ou um professor que quer que sinalize um certo tipo de diagrama, está implicitamente a pedir ao modelo que faça exatamente o que VICIS testa. Se o modelo não conseguir fazê-lo, essas ferramentas produzirão resultados pouco fiáveis sem qualquer aviso óbvio.
O teste VICIS funciona assim. O modelo recebe um pequeno "conjunto de contexto", algumas imagens que todas partilham um conceito, talvez um esquema de cores, um clima, uma forma ou uma relação entre objetos. Também recebe uma imagem de "consulta" nova. A sua tarefa é gerar ou selecionar imagens que mantêm o conceito do conjunto de contexto enquanto também se encaixam na consulta. Simples em teoria. Acaba por ser difícil na prática.
Todos os modelos que a equipa da Apple testou não conseguiram atingir o objectivo.
Há duas coisas que vale a pena ter em mente aqui. Primeiro, isto é um artigo de investigação, não um anúncio de produto. Os modelos que falharam são os mesmos que alimentam ferramentas que milhões de pessoas usam hoje, portanto o resultado é real, mas não significa que essas ferramentas sejam inúteis. Significa que uma capacidade específica é mais fraca do que poderíamos assumir.
Segundo, vale a pena nomear o viés de sobrevivência. Quando ouve falar de uma ferramenta de IA que aprendeu um novo estilo a partir de algumas imagens e conseguiu, essa história foi notícia porque funcionou. As mil vezes em que produziu com confiança disparates não foram.
Conclusão honesta: Se usa uma ferramenta de imagens de IA e lhe fornece algumas fotos de exemplo esperando que ela "capte a ideia", teste o resultado com cuidado antes de confiar nele. Mostre-lhe exemplos e depois verifique se ela realmente seguiu o conceito ou apenas copiou detalhes de superfície como a cor. Os seus próprios olhos continuam a ser o melhor juiz aqui.
