A inteligência artificial (IA) avança a passos largos, demonstrando uma capacidade cada vez maior de executar tarefas complexas, antes restritas ao domínio humano. Redes neurais artificiais, em particular, têm se destacado no reconhecimento de imagens, no processamento de linguagem natural e até na escrita de código. Assim como os circuitos neurais do cérebro, essas redes se reorganizam à medida que aprendem, ajustando a força de suas conexões para otimizar seu desempenho. Para muitos neurocientistas, a grande questão é: o que esses sistemas de IA podem nos ensinar sobre os processos de aprendizado biológico? E quais modelos são mais promissores nesse sentido?
Em um artigo publicado na revista PNAS, cientistas do Instituto McGovern de Pesquisa Cerebral do MIT e do Centro Integrativo de Neurociência Computacional K. Lisa Yang (ICoN) argumentam que um critério fundamental para a plausibilidade biológica de uma rede neural artificial é sua capacidade de se organizar autonomamente, sem a intervenção direta de um desenvolvedor. Eles demonstram que é possível para uma rede neural artificial construir sua própria "maquinaria de aprendizado". Com instruções simples sobre como e quando as conexões devem mudar, um conjunto de unidades aleatoriamente conectadas pode se remodelar, transformando-se em uma rede eficaz de processamento de informações, aprendendo a partir dos dados que recebe.
O aprendizado biológico em contraste
"A tecnologia de IA atual está funcionando muito bem, mas não necessariamente utiliza um algoritmo de aprendizado que é empregado pelo cérebro", afirma Qianli Liao, bolsista de pós-doutorado no Centro ICoN do MIT, atuando nos laboratórios dos professores Tomaso Poggio e Mark Harnett, e coautor principal do estudo. Liao explica que, na prática, são os engenheiros que projetam as regras de como as conexões neuronais se modificam à medida que uma rede neural artificial processa dados de treinamento e recebe feedback sobre seus erros. Essa abordagem, embora poderosa para treinar IAs, pode não oferecer muitos insights sobre o aprendizado biológico, alertam Liao e seus colegas. "O cérebro não tem um designer ou arquiteto externo", ressalta Liao. "O cérebro precisa se organizar. E nós precisamos entender como regras simples levam o cérebro a se organizar."
As regras que reconfiguram as conexões neurais durante o aprendizado em animais podem variar entre diferentes regiões cerebrais ou mudar conforme o cérebro amadurece. Neurocientistas dedicam-se a desvendar o funcionamento dessas regras e como elas podem ser afetadas pelo envelhecimento ou por doenças, um passo crucial para o desenvolvimento de novas terapias e estratégias de prevenção. Liao cita o desenvolvimento de interfaces cérebro-computador, que visam restaurar a comunicação em casos de perda das habilidades de linguagem ou permitir que pacientes paralisados controlem membros neuropróteses, como uma área de aplicação potencial. "Nada disso funciona sem conhecer as regras por trás das interações neurônio-neurônio", ele observa. "Isso não é alcançável apenas projetando um circuito que funcione muito bem."
A auto-organização em redes artificiais
O valor de uma rede neural artificial para a neurociência deveria ser medido pela sua capacidade de auto-organização – não apenas de suas conexões, mas também da "maquinaria" que ajusta essas conexões. Foi com esse objetivo que Liao, Ziyin e Gan, trabalhando com Poggio e Harnett, propuseram e validaram uma rede computacional auto-organizável capaz de aprender. Liao detalha que a estrutura da rede começa com múltiplas camadas de unidades semelhantes a neurônios, interconectadas aleatoriamente. Dentro de cada camada, cada componente neuronal é regido pelas mesmas regras sobre como as conexões devem ser ajustadas. "Eles simplesmente interagem uns com os outros usando essa regra, e desenvolvem algum tipo de comportamento", explica.
A equipe demonstrou que uma rede auto-organizável governada por regras como "neurônios que disparam juntos, conectam-se juntos" – um princípio fundamental no aprendizado biológico – pode aprender a reconhecer padrões e classificar imagens. No modelo proposto, o aprendizado é impulsionado por "motivos" (padrões de conexão) que emergem de acordo com regras simples e, em seguida, servem como blocos de construção para circuitos funcionais. Conforme a rede aprendia, esses motivos se reorganizavam usando uma estratégia de otimização semelhante à utilizada na maioria dos sistemas modernos de aprendizado de máquina, conhecida como descida de gradiente. Essa técnica ajusta gradualmente as conexões em resposta a erros para melhorar o desempenho. É importante notar que a maioria das IAs modernas implementa a descida de gradiente através do algoritmo de retropropagação (back-propagation), que os neurocientistas consideram improvável de ser utilizado pelo cérebro.
Implicações para neurociência e IA
Poggio sugere que a descoberta de um paralelo biológico para a retropropagação poderia impulsionar avanços significativos tanto na IA quanto na neurociência. "Se os motivos sinápticos que propomos são, de fato, usados pelo cérebro para fazer o que a retropropagação faz pelas redes neurais artificiais, então teremos uma forte conexão nos mecanismos fundamentais entre redes artificiais e naturais – entre máquinas e cérebros", afirma.
Liao esclarece que uma rede auto-organizável não necessariamente aprende da mesma forma que o cérebro, mas representa um ponto de partida crítico para a plausibilidade biológica. "A auto-organização é o primeiro quadro de referência de alto nível", diz ele. "Uma vez que tenhamos dominado a auto-organização como medida, poderemos discutir a próxima etapa." Embora o objetivo principal do grupo seja aprofundar a compreensão do cérebro, Liao antecipa que esse conhecimento pode, em última instância, aprimorar os sistemas de aprendizado de máquina, permitindo que engenheiros desenvolvam redes com desempenho superior ou que operem de maneiras mais análogas às humanas.
O estudo abre um caminho promissor para a colaboração interdisciplinar, onde a engenharia de IA e a neurociência podem se beneficiar mutuamente. A busca por mecanismos de aprendizado auto-organizados em máquinas pode não apenas refinar algoritmos de IA, mas também fornecer modelos computacionais mais realistas para testar hipóteses sobre o funcionamento do cérebro. A questão central permanece: como regras simples podem orquestrar a complexidade da inteligência, tanto artificial quanto biológica.
Com reportagem de Brazil Valley
Source · MIT News
