Jogador Treina Simulação do Cérebro de Mosca do Google para Vencer Balatro — Aprendizado por Reforço Atinge 20% de Acurácia

Um fã de Balatro levou a criatividade ao extremo: pegou o mapeamento do cérebro de mosca-da-fruta criado pelo Google e o treinou com técnicas de aprendizado por reforço para jogar o roguelike de cartas. O resultado? Uma taxa de sucesso de 20% — longe de impressionante, mas impressionante como prova de conceito sobre o que é possível fazer com modelos neurais biologicamente inspirados.

O Que É a Simulação do Cérebro de Mosca do Google

Há alguns anos, o Google e a Universidade de Cambridge mapearam completamente o conectoma (a rede de conexões neurais) de uma larva de mosca-da-fruta — cerca de 3 mil neurônios e 300 mil sinapses. Esse mapa foi disponibilizado publicamente como um conjunto de dados aberto, permitindo pesquisadores e entusiastas explorarem como um “cérebro” tão simples funciona e toma decisões. A mosca-da-fruta, apesar de minúscula, consegue navegar, reconhecer comida, fugir de ameaças e até aprender — tudo com uma fração do hardware que um humano usa.

O diferencial dessa abordagem é a biologização: em vez de usar redes neurais artificiais genéricas treinadas do zero, você está trabalhando com uma arquitetura que a evolução já validou. Neurônios, sinapses, neurotransmissores — tudo modelado a partir de dados reais, não apenas inspirado neles.

Por Que Alguém Colocaria Isso em Balatro?

Balatro é um roguelike de deck-building lançado em 2024 que virou fenômeno indie. Você constrói combinações de cartas para acumular pontos, enfrenta limites de mão e tempo, e precisa tomar decisões estratégicas rápidas. O jogo é determinístico (não há RNG louco), o que o torna um ambiente controlado e previsível — exatamente o que você quer para treinar um agente de IA.

A escolha da simulação da mosca não foi aleatória. Um cérebro tão simples e eficiente oferece restrições interessantes: poucos neurônios, poucas camadas de processamento, sem acesso a “superinteligência”. É um teste honesto: consegue algo tão compacto aprender um jogo de raciocínio estratégico? A resposta do jogador foi: parcialmente.

Como Funciona o Treinamento por Aprendizado por Reforço

O pesquisador usou reinforcement learning (RL), a mesma família de técnicas que treinou o AlphaGo do DeepMind a vencer campeões de xadrez. A ideia é simples: você dá ao agente uma ação para tomar (escolher carta, descartar, passar de rodada), recompensa-o quando ele ganha pontos, e penaliza-o quando falha. Repetindo milhares de vezes, a rede aprende uma política — essencialmente, um mapa de “quando você vê X, faça Y”.

No caso da mosca:

• Entrada: estado do tabuleiro (cartas na mão, multiplicadores visíveis, rodada atual)
• Processamento: os ~3 mil neurônios da larva processam a informação
• Saída: ação (qual carta jogar, em que ordem)
• Recompensa: pontuação obtida naquela rodada

A taxa de sucesso de 20% significa que, em cem partidas, o agente termina com sucesso em 20. Não é bom o bastante para vencer o jogo, mas é longe de aleatório (chutar cartas teria ~5% ou menos).

Os Limites — E Por Que Isso Ainda É Interessante

A mosca-da-fruta nunca evoluiu para jogar Balatro. Seu conectoma foi otimizado para sobrevivência em um frasco de laboratório — navegação, olfato, movimentação. Aplicá-lo a um jogo de estratégia abstrata é forçar uma ferramenta além de seu domínio de origem. Daí o teto de 20%.

Mesmo assim, o experimento levanta questões válidas:

• Neuromorphic computing: por quanto tempo podemos rodar modelos biologicamente inspirados sem gastar o poder de um GPU moderno?
• Transferência de aprendizado: um conectoma otimizado para um ambiente pode ser reaproveitado para outro?
• Simplicidade vs. performance: em quantos casos uma rede compacta e lenta supera uma rede gigante e rápida?

O fã planeja continuar refinando o modelo — provavelmente ajustando hiperparâmetros, aumentando o tempo de treinamento ou modificando a função de recompensa para guiar a mosca de forma mais inteligente.

O Lado Prático para Desenvolvedores e Pesquisadores

Se você trabalha com machine learning e está curioso sobre neuromorphic computing ou aprendizado por reforço, esse tipo de projeto open-source oferece inspiração real. O conectoma da mosca está disponível no Open Connectome Project, e frameworks como TensorFlow e PyTorch facilitam montar um agente RL em poucas horas.

Balatro, por ser um jogo de código aberto e com regras claras, é um playground ideal para testar ideias de IA sem lidar com abstrações demais. Outros pesquisadores já aplicaram deep RL a jogos assim — e os resultados tendem a ser muito melhores quando você usa redes neurais convencionais. A graça aqui é a restrição: tentar fazer algo bom com um hardware “antigo” (evolutivamente falando).

Para quem trabalha com IA e quer explorar estruturas neurais inspiradas em biologia, a comunidade de neuromorphic computing está crescendo. Intel, IBM e startups especializadas estão desenvolvendo chips que imitam cérebros animais — e projetos como esse ajudam a validar se a abordagem vale a pena antes do investimento em hardware customizado.

Próximos Passos e Limitações Reais

O jogador já sinalizou interesse em aumentar a taxa de sucesso. Opções incluem:

• Treinar por mais épocas (mais repetições)
• Ajustar a taxa de aprendizado
• Modificar o espaço de ações (simplificar o que a mosca pode “escolher”)
• Usar técnicas de RL mais sofisticadas (Q-learning, policy gradients)
• Combinar a mosca com redes neurais convencionais em um modelo híbrido

A realidade, porém, é que provavelmente um agente RL treinado com uma rede neural densa convencional bateria a mosca em poucas horas de treinamento. A mosca é ótima para entender como sistemas vivos resolvem problemas, mas não é uma panaceia para IA.

---

Fontes:

Tom's Hardware – Balatro fan claims they trained Google fruit fly brain simulation to beat the game

---

ALT_IMAGEM: Simulação visual do conectoma de mosca-da-fruta em interface de Balatro, mostrando redes neurais processando cartas do jogo