Gabriele Farina, pesquisador assistente no MIT, atua na interse\u00e7\u00e3o entre teoria dos jogos, aprendizado de m\u00e1quina e otimiza\u00e7\u00e3o para fundamentar decis\u00f5es em sistemas multiagentes. Sua pesquisa busca tornar opera\u00e7\u00f5es complexas mais previs\u00edveis e est\u00e1veis.<\/p>\n
Criado na It\u00e1lia, Farina cresceu perto de uma regi\u00e3o vitivin\u00edcola no norte. Mesmo sem tradi\u00e7\u00e3o universit\u00e1ria na fam\u00edlia, recebeu apoio dos pais para seguir os livros t\u00e9cnicos e investir no caminho cient\u00edfico, desde a escola.<\/p>\n
Durante a gradua\u00e7\u00e3o no Polit\u00e9cnico de Mil\u00e3o, ele migrou de engenharia de automa\u00e7\u00e3o para teoria, buscando entender fundamentos e aplica\u00e7\u00f5es. A orienta\u00e7\u00e3o de Nicola Gatti foi determinante para seguir adiante com o doutorado.<\/p>\n
No Carnegie Mellon, Farina recebeu distin\u00e7\u00f5es pela tese e recebeu a Facebook Fellowship em Economia e Computa\u00e7\u00e3o. Ao fim do doutorado, atuou como cientista de pesquisa na Meta, contribuindo para Cicero, IA capaz de negociar e identificar blefes.<\/p>\n
Cicero foi desenvolvido para vencer jogos complexos de forma\u00e7\u00e3o de alian\u00e7as, negocia\u00e7\u00e3o e leitura de inten\u00e7\u00f5es. Segundo Farina, o sistema foi projetado para n\u00e3o formar alian\u00e7as se n\u00e3o fosse vantajoso, detectando mentiras potenciais.<\/p>\n
Em 2022, a MIT Technology Review apontou Cicero como avan\u00e7o rumo a IAs que resolvem problemas que exigem concess\u00f5es em negocia\u00e7\u00f5es. A experi\u00eancia na Meta influenciou a continuidade da linha de pesquisa no MIT.<\/p>\n
Ap\u00f3s um ano na Meta, Farina integrou o corpo docente do MIT e, em 2025, ganhou o NSF CAREER Award, reconhecimento a pesquisadores em in\u00edcio de carreira. O foco \u00e9 tornar o c\u00e1lculo de equil\u00edbrios vi\u00e1vel para grandes espa\u00e7os de a\u00e7\u00e3o.<\/p>\n
A linha de trabalho utiliza teoria dos jogos, otimiza\u00e7\u00e3o e estat\u00edstica para encontrar equil\u00edbrios est\u00e1veis de forma eficiente. O objetivo \u00e9 entender melhor sistemas din\u00e2micos com m\u00faltiplos agentes. O interesse recai sobre informa\u00e7\u00e3o imperfeita.<\/p>\n
Alguns cen\u00e1rios envolvem informa\u00e7\u00f5es que n\u00e3o s\u00e3o compartilhadas entre participantes, o que aumenta o valor da informa\u00e7\u00e3o. Em jogos como p\u00f4quer, por exemplo, o blefe \u00e9 uma estrat\u00e9gia comum para esconder dados.<\/p>\n
Farina observa que m\u00e1quinas v\u00eam mostrando maior capacidade de blefar do que humanos. A pesquisa explora como algoritmos tomam decis\u00f5es estrat\u00e9gicas com alto espa\u00e7o de a\u00e7\u00f5es e informa\u00e7\u00f5es incompletas.<\/p>\n
Um caso emblem\u00e1tico, inspirado no jogo Stratego, envolveu esfor\u00e7os de milh\u00f5es de d\u00f3lares para superar humanos. Com novos algoritmos, treinamentos acess\u00edveis, a equipe conseguiu vencer o melhor jogador de todos os tempos.<\/p>\n
Com custo de treinamento inferior a 10 mil d\u00f3lares, a equipe de Farina afirma ter obtido 15 vit\u00f3rias, 4 empates e 1 derrota. Os resultados indicam potencial para integrar pipelines de IA mais amplos.<\/p>\n
Os pesquisadores destacam o avan\u00e7o na capacidade de racioc\u00ednio estrat\u00e9gico de algoritmos. A expectativa \u00e9 de que esses m\u00e9todos contribuam para a revolu\u00e7\u00e3o da IA em projetos reais e de larga escala.<\/p>\n","protected":false},"excerpt":{"rendered":"