A pesquisa em inteligência artificial tem muito a aprender com a natureza. Meu trabalho relaciona biologia com computação todos os dias, mas recentemente o resto do mundo foi lembrado da conexão:O Prêmio Nobel de Química de 2018 foi para Frances Arnold junto com George Smith e Gregory Winter pelo desenvolvimento de grandes avanços que são chamados coletivamente de "evolução dirigida". Um de seus usos é melhorar as funções das proteínas, tornando-os melhores catalisadores na produção de biocombustíveis. Outro uso está totalmente fora da química - fora até mesmo das ciências da vida tradicionais.

Isso pode parecer surpreendente, mas muitas descobertas de pesquisas têm implicações muito amplas. É parte do motivo pelo qual quase todo cientista se pergunta e espera não apenas que talvez sejam selecionados para o Prêmio Nobel, mas, muito mais provável, que o vencedor pode ser alguém que eles conheçam ou com quem tenham trabalhado. No mundo acadêmico colaborativo, isso não é tão incomum:em 2002, Eu estava estudando com um acadêmico que havia estudado com um dos três co-vencedores do Prêmio Nobel de Fisiologia ou Medicina daquele ano. Este ano, aconteceu de novo - um dos vencedores escreveu alguns artigos com um estudioso com quem colaborei.

Além de satisfazer minha própria vaidade, o prêmio me lembra como os conceitos biológicos são úteis para problemas de engenharia. O exemplo mais conhecido é provavelmente a invenção de fechos velcro de velcro, inspirado por rebarbas que grudavam nas calças de um homem enquanto ele caminhava ao ar livre. No trabalho dos laureados com o Nobel, o princípio natural em ação é a evolução - que também é a abordagem que uso para desenvolver a inteligência artificial. Minha pesquisa é baseada na ideia de que a evolução levou à inteligência geral em formas de vida biológicas, de modo que o mesmo processo também poderia ser usado para desenvolver sistemas inteligentes computadorizados.

Ao projetar sistemas de IA que controlam carros virtuais, por exemplo, você pode querer carros mais seguros que saibam como evitar uma grande variedade de obstáculos - outros carros, árvores, ciclistas e guarda-corpos. Minha abordagem seria avaliar o desempenho de segurança de vários sistemas de IA. Aqueles que dirigem com mais segurança podem se reproduzir - sendo copiados para uma nova geração.

No entanto, assim como a natureza não faz cópias idênticas dos pais, algoritmos genéticos na evolução computacional permitem que mutações e recombinações criem variações na prole. Selecionar e reproduzir os drivers mais seguros em cada nova geração encontra e propaga mutações que melhoram o desempenho. Ao longo de muitas gerações, Os sistemas de IA ficam melhores por meio do mesmo método que a natureza melhora a si mesma - e da mesma forma que os ganhadores do Nobel criaram proteínas melhores.

No esforço de compreender a inteligência humana, muitos pesquisadores estão trabalhando para fazer a engenharia reversa do cérebro, descobrir como funciona em todos os níveis. Redes complexas de genes controlam os neurônios que formam as camadas do neocórtex que ficam no topo de uma estrada de conexões. Essas interconexões suportam as comunicações entre as diferentes regiões corticais que constituem a maioria de nossas funções cognitivas. Tudo isso está integrado ao fenômeno da consciência.

Aprendizado profundo e redes neurais são abordagens baseadas em computador que tentam recriar como o cérebro funciona - mas mesmo elas só podem atingir a atividade equivalente a um aglomerado de células cerebrais menores do que um cubo de açúcar. Ainda há muito a aprender sobre o cérebro - e isso antes de tentar escrever o software intensamente complicado que pode emular todas essas interações biológicas.

Capitalizar a evolução pode criar sistemas que parecem reais e são inerentemente tão abertos e inovadores quanto a evolução natural. É também a metodologia-chave usada em algoritmos genéticos e programação genética. O reconhecimento do comitê do Prêmio Nobel destaca uma tecnologia que tem a evolução em seu núcleo. Isso indiretamente justifica minha própria abordagem de pesquisa e a ideia de que a evolução em ação é um tópico crítico de pesquisa com vasto potencial.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.