Google desenvolve inteligência artificial que aprende sozinha e se atualiza sem intervenção humana
Framework sleep alterna vigília e sono para consolidar memória e atualizar modelos de linguagem sem apagar conhecimento
Pesquisadores do Google Research apresentaram um framework de aprendizado contínuo para modelos de linguagem de grande escala que propõe uma ruptura com a lógica estática que tem caracterizado a inteligência artificial desde a sua popularização. O método, batizado de sleep, foi divulgado em 27 de outubro de 2026 em publicação oficial da empresa e em artigo técnico assinado por Ali Behrouz, Farnoosh Hashemi, Adel Javanmard e Vahab Mirrokni, com colaboração da Universidade Cornell. A proposta central é simples na descrição e complexa na execução: permitir que um modelo já implantado assimile novas informações e aprimore seu raciocínio sem apagar o conhecimento que possuía antes.
A arquitetura dos modelos de linguagem contemporâneos impõe uma limitação que se tornou rotina no setor. Após o treinamento, o sistema opera com uma data de corte de conhecimento e permanece essencialmente imutável. O Gemini 4 Argon, lançado em setembro de 2026, foi treinado com dados produzidos até março daquele ano. Tudo o que ocorreu depois disso chega ao usuário por mecanismos externos, como a busca na web. A alternativa aparentemente óbvia, que seria continuar alimentando o modelo com dados novos, esbarra em um fenômeno conhecido como esquecimento catastrófico: ao aprender tarefas ou fatos recentes, a rede neural degrada de forma severa o desempenho naquilo que já havia aprendido.
O framework sleep ataca esse impasse separando a operação do modelo em dois estados distintos. No estado ativo, ou de vigília, o sistema recebe entradas, processa informações e as armazena em componentes de memória de curto prazo, voláteis por natureza. No estado de sono, o modelo interrompe a absorção de novos estímulos externos e redireciona toda a sua capacidade computacional para duas tarefas internas: consolidar as memórias frágeis em parâmetros duradouros e promover um ciclo de autoaperfeiçoamento. A inspiração biológica é evidente, mas os pesquisadores fazem uma ressalva importante: o framework opera dentro de uma arquitetura fixa e de regras de treinamento definidas por humanos. Não se trata de um sistema consciente que reescreve o próprio código, mas de um mecanismo controlado de atualização de pesos numéricos.
A primeira etapa do processo de sono é a consolidação de memória, que encontra paralelo no sono de ondas lentas humano, quando o cérebro estabiliza memórias frágeis em estruturas de longo prazo por meio de abstração e destilação. No framework do Google, isso se dá por dois mecanismos técnicos complementares. O primeiro é a expansão de parâmetros com uma hierarquia de memória contínua. O modelo utiliza uma arquitetura de mistura de especialistas, ou Mixture-of-Experts, na qual novos especialistas de baixa classificação são integrados a blocos de memória mais estáveis e de atualização menos frequente. Essa estratégia permite armazenar conhecimento novo sem sobrescrever os parâmetros que sustentam o conhecimento antigo, o que constitui a defesa central contra o esquecimento catastrófico.
O segundo mecanismo é a semeadura de conhecimento, ou destilação ascendente. Memórias de curto prazo armazenadas em camadas de alta frequência são transferidas para os parâmetros de longo prazo recém-expandidos. O processo combina destilação em política com aprendizado por imitação baseado em reforço, de modo que a consolidação acompanha as trajetórias que o próprio modelo produz em inferência, reduzindo o descompasso que surgiria se o treinamento fosse feito apenas sobre distribuições geradas por um professor externo. Um componente de recompensa semântica orienta a seleção daquilo que merece ser retido, priorizando a preservação de significado e de comportamento relevante para a tarefa, e não a mera correspondência de probabilidades de tokens.
A segunda etapa é o sonho. Se a consolidação de memória espelha o sono não-REM, o sonho se inspira no sono REM, fase em que o cérebro simula cenários e explora conexões neurais improváveis. No framework, isso se traduz em um ciclo autônomo de autoaperfeiçoamento no qual o modelo gera e filtra amostras de treinamento sintéticas. O roteador da arquitetura de mistura de especialistas é acionado de forma deliberadamente não convencional, ativando combinações de especialistas que normalmente não trabalhariam juntos. Essa ativação cruzada amplia o conjunto de direções de gradiente exploradas durante a geração sintética, expondo o modelo a atualizações mais ricas do que aquelas que os dados da fase de vigília poderiam proporcionar. Em seguida, um filtro baseado em gradiente seleciona os exemplos com maior probabilidade de contribuir para o aprendizado, e o modelo pratica sobre esse currículo com aprendizado por reforço, refinando capacidades de raciocínio e generalização sem supervisão humana.
Os experimentos relatados pelos pesquisadores abrangem quatro frentes principais: tradução contínua, compreensão de contextos longos, absorção de conhecimento factual e raciocínio matemático. Os resultados, segundo os autores, superam métodos de linha de base como o aprendizado em contexto e o ajuste fino supervisionado. No benchmark de contexto longo BABILong, o modelo mantém desempenho próximo do perfeito em comprimentos de até 10 milhões de tokens. Em cenários de aprendizado contínuo multilíngue com línguas não vistas anteriormente, a degradação de desempenho é próxima de zero.
Em raciocínio matemático, a comparação com a linha de base de autodestilação em política mostra ganhos incrementais, mas consistentes. No AIME 2024, o framework sleep alcançou 79,2 pontos contra 76,6 da linha de base. No AIME 2025, a pontuação foi de 69,0 contra 67,4. No HMMT 2025, o resultado foi de 46,1 contra 45,1. Em avaliações de conhecimento factual sem contexto, o modelo pontuou 48,9 em configuração de passagem única e 46,2 após pré-treinamento contínuo sobre 200 passagens, contra 46,7 e 43,2 da linha de base SEAL. Os próprios autores descrevem os ganhos como incrementais, e não como um salto uniforme: as diferenças são de 2,6, 1,6 e 1,0 pontos, respectivamente.
A relevância do framework, no entanto, não se esgota nos números. O trabalho reposiciona a forma como o setor pensa o ciclo de vida de um modelo de linguagem. Em vez de tratar treinamento e inferência como etapas estanques, o sleep introduz uma periodicidade na operação do sistema, na qual a consolidação de memória deixa de ser um evento único e passa a ser um processo recorrente. A metáfora do sono, nesse sentido, descreve uma agenda computacional: um momento em que o modelo deixa de responder ao mundo para reorganizar aquilo que absorveu dele.
Os pesquisadores são cautelosos quanto ao estágio da tecnologia. O framework permanece uma proposta de pesquisa, sem implementação pública completa, cronograma de lançamento ou sistema de produção associado. Entre as questões em aberto estão a precisão com que o método reflete novos conhecimentos, a capacidade de sustentar o aprendizado de longo prazo sem comprometer o desempenho preexistente e o custo computacional e energético envolvido na ativação repetida de novos especialistas a cada ciclo de sono. Também não há, até o momento, reprodução independente dos resultados de aprendizado contínuo, raciocínio, incorporação de conhecimento e contexto longo relatados pelos autores.
Ainda assim, o trabalho se insere em uma corrida mais ampla por sistemas de inteligência artificial mais adaptativos, capazes de se manter atualizados sem depender exclusivamente de muletas externas. A pesquisa foi divulgada em 27 de outubro de 2026, com o artigo técnico disponível desde junho daquele ano e uma versão pública anterior no OpenReview desde setembro de 2025. O artigo se intitula Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories, e a publicação no blog do Google Research leva o título The sleep framework: A new way for LLMs to retain knowledge in continual learning.
Fontes consultadas
Google Research. The sleep framework: A new way for LLMs to retain knowledge in continual learning. Blog oficial, 27 de outubro de 2026.
Behrouz, Ali; Hashemi, Farnoosh; Javanmard, Adel; Mirrokni, Vahab. Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories. arXiv, 2026.
Digital Today. Google proposes sleep framework to help AI learn new knowledge without forgetting old information. 30 de outubro de 2026.
Data Phoenix. Google proposes wake-sleep cycle for continual-learning LLMs. 27 de outubro de 2026.
AI News. Google’s sleep framework moves AI memory beyond the conversation. 27 de outubro de 2026.
Digg. Google researchers propose a sleep cycle to help language models retain knowledge. 28 de outubro de 2026.
至顶网. 睡眠框架：大语言模型持续学习中的知识保留新方法. 28 de outubro de 2026.
