IA ALE da Sakana AI: Um Novo Marco na Resolução de Problemas Complexos

Agente de IA ALE supera 1.000 especialistas humanos em programação, alcançando 21ª posição em competição desafiadora.

A empresa japonesa Sakana AI tem se destacado no cenário da inteligência artificial com o desenvolvimento de seu agente, denominado ALE. Este sistema de IA foi projetado para enfrentar e solucionar problemas de otimização de alta complexidade, aqueles que são frequentemente encontrados em diversas aplicações industriais. Em um evento notável, o agente ALE participou de uma competição ao vivo, onde teve a oportunidade de mediar forças com mais de 1.000 programadores humanos experientes.

O Desafio do AtCoder e o Desempenho Inédito da IA

O agente ALE da Sakana AI alcançou uma impressionante 21ª posição no 47º Concurso Heurístico AtCoder. Este feito é significativo pois demonstra a capacidade dos sistemas de IA em competir em pé de igualdade, ou até mesmo superar, especialistas humanos em desafios de programação que exigem um alto nível de habilidade e raciocínio. O AtCoder é uma plataforma renomada no Japão, conhecida por organizar competições onde os participantes são desafiados a resolver problemas matemáticos intrincados por meio da escrita de código.

Os problemas propostos nessas competições são classificados como NP-difíceis, o que significa que, até o momento, não se conhece um método eficiente e rápido para encontrar a solução ótima. Essa característica os torna particularmente difíceis e, por consequência, um terreno fértil para a demonstração de novas abordagens e tecnologias, como a inteligência artificial.

Relevância Industrial dos Problemas e a Eficiência da IA

É importante ressaltar que as tarefas apresentadas no AtCoder não são meros exercícios acadêmicos. Elas espelham diretamente desafios enfrentados no mundo real pela indústria. Exemplos incluem o planejamento de rotas otimizadas para entregas, a organização eficiente de escalas de trabalho em empresas, o gerenciamento complexo da produção industrial e o balanceamento de redes elétricas. Normalmente, os programadores humanos dedicam semanas, ou até meses, de trabalho árduo para aprimorar suas soluções para tais problemas.

O desenvolvimento que levou ao agente ALE se baseia no ALE‑Bench, uma ferramenta que a Sakana AI descreve como o primeiro benchmark dedicado à programação algorítmica baseada em pontuação. Este benchmark é composto por 40 problemas de otimização complexos, muitos dos quais foram extraídos de concursos anteriores do AtCoder. Uma característica distintiva do ALE‑Bench, em contraste com testes de programação mais tradicionais que se limitam a verificar se uma resposta está correta ou incorreta, é a exigência de aprimoramentos contínuos e iterativos das soluções ao longo do tempo.

A Arquitetura do Agente ALE: Combinando Conhecimento e Busca Inteligente

O funcionamento do agente ALE é notável pela sua arquitetura, que combina duas estratégias principais. Em primeiro lugar, ele opera com o poderoso modelo Gemini 2.5 Pro do Google. A primeira estratégia consiste em incorporar, diretamente nas instruções do agente, conhecimento especializado sobre métodos de solução já comprovados. Entre essas técnicas, destaca-se o **recozimento simulado**, um algoritmo que testa variações aleatórias nas soluções e, em certos momentos, aceita resultados que podem parecer inferiores. O objetivo desta aceitação é evitar que o algoritmo fique preso em soluções subótimas, conhecidas como mínimos locais.

O recozimento simulado provou ser um componente crucial para o aumento significativo no desempenho do agente ALE. A segunda estratégia empregada pelo sistema é um algoritmo de busca sistemática, conhecido como **”best‑first search”**. Este método prioriza e seleciona, a cada passo, a solução parcial que se mostra mais promissora para ser desenvolvida posteriormente. O agente aprimora essa abordagem utilizando uma estratégia similar à **”beam search”**, o que lhe permite explorar simultaneamente até 30 caminhos de solução diferentes.

Adicionalmente, o ALE incorpora um mecanismo de **”taboo search”**. Esta técnica é fundamental para evitar a repetição de esforços, pois registra as soluções que já foram testadas, impedindo que o agente retorne a caminhos já explorados e garantindo uma busca mais eficiente e abrangente.

Resultados Impressionantes e a Vantagem da Velocidade da IA

Nos testes realizados, o modelo de ponta, denominado o4‑mini‑high, alcançou uma pontuação de 1.411 pontos através de aperfeiçoamentos sequenciais. Em comparação, sob as mesmas condições, outros modelos de ponta apresentaram resultados inferiores: o GPT‑4.1 mini obteve 1.016 pontos, o Deepseek‑R1 atingiu 1.150 pontos e o próprio Gemini 2.5 Pro registrou 1.198 pontos. O agente ALE completo, no entanto, superou todos eles, conquistando 1.879 pontos e se posicionando no top 6,8% dos participantes. Em um problema específico, a performance do ALE foi ainda mais notável, atingindo 2.880 pontos e garantindo a 5ª colocação na competição original.

Com seus 1.879 pontos, o agente ALE demonstrou um domínio claro no ranking do ALE‑Bench. Uma das diferenças mais marcantes entre a abordagem da IA e a dos competidores humanos reside na **quantidade de soluções testadas**. Enquanto os programadores humanos, em uma competição de quatro horas, podem experimentar cerca de uma dúzia de soluções, a IA da Sakana é capaz de executar aproximadamente 100 versões no mesmo período. Em alguns casos, o agente pode gerar centenas ou até milhares de soluções potenciais, um volume de trabalho **impossível de ser replicado por um ser humano**.

Disponibilização e Acesso ao ALE‑Bench

A Sakana AI tem um compromisso com a disseminação do conhecimento e da tecnologia. Por isso, disponibilizou o ALE‑Bench como uma biblioteca Python de fácil acesso. Esta biblioteca inclui uma “sandbox” de código, permitindo que desenvolvedores realizem testes de forma segura. A estrutura é compatível com as linguagens de programação C++, Python e Rust, e opera sobre a infraestrutura de nuvem padrão da Amazon. O desenvolvimento do benchmark foi realizado em colaboração com a AtCoder Inc., garantindo sua relevância e precisão.

Os dados referentes aos 40 problemas de competição estão disponíveis publicamente no Hugging Face, e o código-fonte do projeto pode ser acessado no GitHub. Essa iniciativa visa fomentar a pesquisa e o desenvolvimento na área de programação algorítmica e otimização, permitindo que outros pesquisadores e empresas explorem e construam sobre o trabalho da Sakana AI.