Uma pesquisa conduzida por cientistas da Universidade de Oxford, no Reino Unido, apontou diferenças cruciais entre o aprendizado em máquinas e o processo cognitivo humano. Apesar dos recentes e rápidos avanços tecnológicos, o estudo aponta que o cérebro biológico tem uma abordagem mais eficiente do que a inteligência artificial.
A descoberta, publicada neste mês pela revista Nature Neuroscience, pode representar uma mudança na compreensão da aprendizagem. E promete implicações importantes para o desenvolvimento e avanço de sistemas de inteligência artificial inspirados em princípios biológicos.
“Prevemos que nossas descobertas possam mudar o modelo de hardware de aprendizado de máquina da próxima geração e ser mais próximo do cérebro e potencialmente muito mais eficiente”, afirmam os pesquisadores.
Nos sistemas de inteligência artificial, destaca o estudo, a retropropagação é o método predominante. Por esse modelo, a diferença entre a informação desejada e a produzida pela rede neural é retroativamente transmitida para ajustar os chamados pesos sinápticos. Esses pesos estão ligados às forças ou eficácias das conexões entre os neurônios em uma rede neural.
Diferentemente das máquinas, que ajustam as conexões após o erro, a pesquisa sugere que o cérebro biológico utiliza a “configuração prospectiva”. Nesse processo, a atividade neural é estabelecida antes das modificações nos pesos sinápticos, preservando o conhecimento existente e acelerando o processo de aprendizado.
Simulados em computadores, os modelos que adotam essa configuração aprendem de maneira mais rápida e eficaz do que as redes neurais artificiais. Isso ocorre especialmente em tarefas desafiadoras encontradas por animais e humanos na natureza.
Os pesquisadores ilustram a eficácia da configuração prospectiva com o exemplo da pesca de salmão por um urso. Em situações onde um sentido, como a audição, está comprometido, a configuração prospectiva permite que o conhecimento persista. Ou seja, o urso seguirá na tentativa de pescar o salmão, já que os demais conhecimentos prévios sobre a situação continuam intactos.
Já em grande parte dos modelos de redes neurais artificiais, uma interferência desse tipo pode significar prejuízos em todo o sistema. Nesse caso, seguindo o exemplo, o urso não teria capacidade de continuar a tentativa de pesca, uma vez que todo o conhecimento seria afetado pela falta de audição.
Segundo o professor associado do Núcleo Interdisciplinar de Neurociência Aplicada da Universidade Federal do ABC (UFABC), João Ricardo Sato, embora amplamente utilizada, a retropropagação ainda é limitada. “É pouco adaptativa e relativamente lenta quando comparada aos sistemas biológicos como o cérebro”, diz.
Ele ressalta ainda que, apesar da complexidade de modelos de inteligência artificial, o cérebro humano ainda não teve sua capacidade integralmente explorada. “É surpreendentemente eficiente e realiza inúmeros processos simultaneamente, a maioria dos quais nem sequer tomamos consciência”, afirma.
A pesquisa de Oxford tem como base uma teoria matemática desenvolvida pelos pesquisadores, segundo a qual permitir que os neurônios adotem uma configuração prospectiva reduz a interferência entre as informações durante o aprendizado.
Novas tecnologias são necessárias para impulsionar testes
Embora os resultados do estudo apontem para comportamentos neurais superiores, os pesquisadores responsáveis reconhecem a necessidade de novos testes na adaptação desses princípios de configuração prospectiva para máquinas.
“No caso do aprendizado de máquina, a simulação da configuração prospectiva nos computadores existentes é lenta, porque eles operam de maneiras fundamentalmente diferentes do cérebro biológico”, afirma Yuhang Song, autor principal do estudo.
“É necessário desenvolver um novo tipo de computador ou hardware dedicado inspirado no cérebro, que seja capaz de implementar configurações prospectivas rapidamente e com pouco consumo de energia”, complementa.
Sato, da UFABC, vislumbra nos resultados, não apenas avanços para a inteligência artificial, mas também para a tecnologia como um todo, inclusive com aplicações clínicas. “Este novo conceito proposto pode ser útil tanto para se obter tecnologias com resultados mais precisos, quanto um aprendizado mais rápido pela rede neural”, destaca.
