Investigadores da Apple ensinaram IA a praticar usando aplicações sem precisar de uma app real

Pontos-chave

• O Apple ML Research publicou um método em 2025 que treina agentes de IA para usar ferramentas de software sem requerer uma versão viva e funcional desse software.
• A técnica usa um modelo de linguagem de grande dimensão, a tecnologia por trás de chatbots como ChatGPT e Claude, para atuar como um ambiente simulado onde o agente em aprendizagem pratica.
• As abordagens atuais para construir agentes que fazem chamadas de API, software que pode operar aplicações e serviços em seu nome, dependem de bases de dados reais cheias de dados realistas, o que é lento e custoso de criar.
• O novo método requer apenas uma descrição escrita de uma API, acrónimo para interface de programação de aplicações, o conjunto de regras que permite que um pedaço de software comunique com outro.

Imagine ensinar alguém a usar uma caixa registadora sem nunca lhe dar uma real. Descreve como funciona, e um colega faz o papel da máquina, respondendo como a coisa real faria. É grosso modo o que o Apple ML Research fez para IA, mas o colega também é uma IA.

Construir um agente de IA que possa usar ferramentas de software, marcar um voo, interrogar uma base de dados, enviar uma mensagem em seu nome, atualmente requer milhares de exemplos trabalhados. Cada exemplo é um registo da conversa entre o agente e uma aplicação real em funcionamento, completo com clientes falsos realistas, encomendas e histórico carregado. Criar esses dados em escala requer um esforço enorme.

A abordagem da Apple evita o problema inteiramente. Dada apenas uma especificação de API, um documento descrevendo o que um pedaço de software pode fazer e como solicitá-lo, o sistema conjura um ambiente simulado na hora. Um segundo modelo de linguagem de grande dimensão faz o papel da aplicação, inventando respostas plausíveis em tempo real. O agente em aprendizagem pratica contra este substituto, desenvolvendo competências sem um único servidor real envolvido.

Isto importa porque o gargalo hoje não é a IA em si. É a tubagem de dados. Os investigadores devem construir ambientes de teste funcional, preenchê-los com dados fictícios credíveis, e executar milhares de tarefas simuladas antes de um agente estar pronto para ajudar um utilizador real. Esse processo limita a rapidez com que novos agentes capazes podem ser criados.

O método livre de ambiente pode mudar a economia desse processo. Os programadores precisariam apenas da documentação que os criadores de software já publicam, transformando um esforço de recolha de dados de meses em algo muito mais rápido.

O que isto significa para as pessoas que usam assistentes de IA?

Para utilizadores comuns, agentes melhor treinados significam menos erros frustrantes quando uma IA tenta marcar, pesquisar, ou gerir algo em seu nome. Se os agentes puderem ser treinados barato em muitas aplicações diferentes, a variedade de tarefas que tratam de forma fiável deverá crescer.

O trabalho é investigação em fase inicial, e o Apple ML Research não anunciou um produto construído nela. O desempenho no mundo real precisará de testes independentes antes de alguém poder dizer como o treinamento simulado se transfere para aplicações genuínas. Mas a ideia subjacente, usar uma IA para ensinar outra sem precisar de um ambiente vivo, é uma solução limpa para um problema genuíno e bem documentado no campo.