Apesar de seus nomes, tecnologias de inteligência artificial e seus sistemas de componentes, como redes neurais artificiais, não tem muito a ver com a ciência do cérebro real. Sou professor de bioengenharia e neurociências interessado em entender como o cérebro funciona como um sistema - e como podemos usar esse conhecimento para projetar e criar novos modelos de aprendizado de máquina.

Nas décadas recentes, os pesquisadores do cérebro aprenderam muito sobre as conexões físicas do cérebro e como o sistema nervoso direciona as informações e as processa. Mas ainda há muito a ser descoberto.

Ao mesmo tempo, algoritmos de computador, os avanços de software e hardware levaram o aprendizado de máquina a níveis de realização nunca antes imaginados. Eu e outros pesquisadores da área, incluindo vários de seus líderes, temos uma sensação crescente de que descobrir mais sobre como o cérebro processa as informações pode ajudar os programadores a traduzir os conceitos de pensamento do mundo úmido e mole da biologia em formas totalmente novas de aprendizado de máquina no mundo digital.

O cérebro não é uma máquina

"Aprendizado de máquina" é uma parte das tecnologias frequentemente rotuladas de "inteligência artificial". Os sistemas de aprendizado de máquina são melhores do que os humanos para encontrar padrões complexos e sutis em conjuntos de dados muito grandes.

Esses sistemas parecem estar em toda parte - em carros autônomos, software de reconhecimento facial, detecção de fraude financeira, robótica, ajudando com diagnósticos médicos e em outros lugares. Mas sob o capô, na verdade, são apenas variações de um único algoritmo baseado em estatísticas.

Redes neurais artificiais, a abordagem convencional mais comum de aprendizado de máquina, são redes altamente interconectadas de processadores digitais que aceitam entradas, processar medições sobre essas entradas e gerar saídas. Eles precisam aprender quais saídas devem resultar de várias entradas, até que desenvolvam a capacidade de responder a padrões semelhantes de maneiras semelhantes.

Se você quiser que um sistema de aprendizado de máquina exiba o texto "Isto é uma vaca" quando for mostrada a foto de uma vaca, você primeiro terá que dar a ele um número enorme de fotos diferentes de vários tipos de vacas de todos os ângulos diferentes para que possa ajustar suas conexões internas a fim de responder "Esta é uma vaca" a cada uma. Se você mostrar a este sistema a foto de um gato, ele saberá apenas que não é uma vaca - e não será capaz de dizer o que realmente é.

Mas não é assim que o cérebro aprende, nem como ele lida com as informações para dar sentido ao mundo. Em vez, o cérebro recebe uma quantidade muito pequena de dados de entrada - como a fotografia de uma vaca e o desenho de uma vaca. Muito rapidamente, e depois de apenas um pequeno número de exemplos, até mesmo uma criança vai entender a aparência de uma vaca e ser capaz de identificá-la em novas imagens, de diferentes ângulos e em cores diferentes.

Mas uma máquina não é um cérebro, qualquer

Como o cérebro e os sistemas de aprendizado de máquina usam algoritmos fundamentalmente diferentes, cada um se destaca de maneiras que o outro falha miseravelmente. Por exemplo, o cérebro pode processar informações com eficiência, mesmo quando há ruído e incerteza na entrada - ou sob condições de mudança imprevisíveis.

Você poderia olhar para uma foto granulada em papel rasgado e amassado, retratando um tipo de vaca que você nunca viu antes, e ainda pensar "isso é uma vaca". De forma similar, você rotineiramente analisa informações parciais sobre uma situação e faz previsões e decisões com base no que você sabe, apesar de tudo o que você não faz.

Igualmente importante é a capacidade do cérebro de se recuperar de problemas físicos, reconfigurando suas conexões para se adaptarem após uma lesão ou acidente vascular cerebral. O cérebro é tão impressionante que pacientes com condições médicas graves podem ter até metade do cérebro removido e recuperar as funções físicas e cognitivas normais. Agora imagine como um computador funcionaria bem com metade de seus circuitos removidos.

Igualmente impressionante é a capacidade do cérebro de fazer inferências e extrapolações, as chaves para a criatividade e imaginação. Considere a ideia de uma vaca lançando hambúrgueres em Júpiter e, ao mesmo tempo, resolvendo problemas de gravidade quântica em sua cabeça. Nenhum de nós tem experiência de nada parecido, mas posso inventar e comunicá-lo de forma eficiente a você, graças aos nossos cérebros.

Talvez o mais surpreendente, no entanto, o cérebro faz tudo isso com aproximadamente a mesma quantidade de energia necessária para acionar uma lâmpada fraca.

Combinando neurociência e aprendizado de máquina

Além de descobrir como o cérebro funciona, não está claro quais processos cerebrais podem funcionar bem como algoritmos de aprendizado de máquina, ou como fazer essa tradução. Uma maneira de classificar todas as possibilidades é se concentrar em ideias que promovam dois esforços de pesquisa ao mesmo tempo, melhorando o aprendizado de máquina e identificando novas áreas da neurociência. As aulas podem ser dos dois lados, da ciência do cérebro à inteligência artificial - e vice-versa, com pesquisas de IA destacando novas questões para neurocientistas biológicos.

Por exemplo, no meu próprio laboratório, desenvolvemos uma maneira de pensar sobre como os neurônios individuais contribuem para sua rede geral. Cada neurônio troca informações apenas com os outros neurônios específicos aos quais está conectado. Não tem um conceito geral do que o resto dos neurônios estão fazendo, ou quais sinais estão enviando ou recebendo. Isso é verdade para todos os neurônios, não importa quão ampla seja a rede, assim, as interações locais influenciam coletivamente a atividade do todo.

Acontece que a matemática que descreve essas camadas de interação é igualmente aplicável a redes neurais artificiais e redes neurais biológicas em cérebros reais. Como resultado, estamos desenvolvendo uma forma fundamentalmente nova de aprendizado de máquina que pode aprender na hora, sem treinamento avançado, que parece ser altamente adaptável e eficiente no aprendizado.

Além disso, usamos essas ideias e matemática para explorar por que as formas dos neurônios biológicos são tão retorcidas e convolutas. Descobrimos que eles podem desenvolver essas formas para maximizar sua eficiência na transmissão de mensagens, seguindo as mesmas regras computacionais que usamos para construir nosso sistema de aprendizagem artificial. Não foi uma descoberta casual que fizemos sobre a neurobiologia:fomos procurar essa relação porque a matemática nos mandou.

Adotar uma abordagem semelhante também pode informar a pesquisa sobre o que acontece quando o cérebro é vítima de distúrbios neurológicos e de neurodesenvolvimento. Concentrar-se nos princípios e na matemática que a IA e a neurociência compartilham pode ajudar no avanço da pesquisa em ambos os campos, alcançar novos níveis de habilidade para computadores e compreensão de cérebros naturais.

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