Se um computador poderia passar por um ser vivo é um dos principais desafios para os pesquisadores no campo da Inteligência Artificial. Houve grandes avanços na IA desde que Alan Turing criou o que agora é chamado de Teste de Turing – se uma máquina pode exibir um comportamento inteligente equivalente ou indistinguível do humano. No entanto, as máquinas ainda lutam com uma das habilidades fundamentais que é uma segunda natureza para os humanos e outras formas de vida:a aprendizagem ao longo da vida. Ou seja, aprender e adaptar enquanto estamos fazendo uma tarefa sem esquecer as tarefas anteriores, ou transferir intuitivamente o conhecimento adquirido de uma tarefa para uma área diferente.
Agora, com o apoio do programa DARPA Lifelong Learning Machines (L2M), pesquisadores da USC Viterbi colaboraram com colegas de instituições de todo os EUA e do mundo em um novo recurso para o futuro do aprendizado de IA, definindo como os sistemas artificiais podem pensar com sucesso , agem e se adaptam no mundo real, da mesma forma que as criaturas vivas.

O artigo, de coautoria da professora de engenharia elétrica e de computação do Dean, Alice Parker, e do professor de engenharia biomédica, e de biocinesiologia e fisioterapia, Francisco Valero-Cuevas e suas equipes de pesquisa, foi publicado na Nature Machine Intelligence , em colaboração com a professora Dhireesha Kudithipudi da Universidade do Texas em San Antonio, juntamente com outras 22 universidades.

A equipe de pesquisa também incluiu o pesquisador de pós-doutorado no ValeroLab, Ali Marjaninejad, Ph.D em Engenharia Biomédica. o candidato Darío Urbina e o Doutor em Engenharia Elétrica. candidato Suraj Chakravarthi Raja. O trabalho anterior do ValeroLab no campo da IA ​​bio-inspirada incluiu um membro robótico controlado por IA conduzido por tendões semelhantes a animais que podem aprender a andar sem conhecimento prévio.

Valero-Cuevas disse que o objetivo desta publicação era fornecer um recurso para pesquisadores em IA nas próximas décadas, com foco no conceito de aprendizagem ao longo da vida em sistemas artificiais. O projeto delineará o desenvolvimento de um novo tipo de inteligência de máquina que será fundamental para a tecnologia da próxima geração, como carros autônomos, robôs e drones autônomos e próteses inteligentes, exoesqueletos e dispositivos vestíveis.

A aprendizagem ao longo da vida é uma coleção de capacidades de inspiração biológica que damos como garantidas, como a capacidade de adquirir novas habilidades sem comprometer as antigas, adaptando-se a mudanças e aplicando conhecimentos previamente aprendidos a novas tarefas.

"A maneira como você e eu aprendemos é através da experiência, imitação e auto-exploração e só porque você aprende uma nova tarefa, não significa que você esquece as tarefas anteriores", disse Valero-Cuevas. "Os humanos aprendem no trabalho. Nós aparecemos e começamos a aprender e então sabemos como fazê-lo. As máquinas ainda não aprendem."

Valero-Cuevas disse que as máquinas podem ser programadas por meio de um algoritmo. Por exemplo, um carro autônomo pode usar algoritmos que são alimentados com dados de outros veículos para que ele possa aprender a operar, antes de ser implantado no mundo.

"Mas há uma diferença muito clara entre o treinamento e a implantação. Quando uma máquina é implantada, não necessariamente está aprendendo, e se você quer ensinar algo novo, normalmente você tem que apagar a memória e ela esquece como fazer o coisa anterior", disse Valero-Cuevas.

Esse é um problema conhecido como "esquecimento catastrófico", que é uma das principais deficiências dos sistemas de IA atuais que o novo projeto destaca.

"Como humano, você pode me mostrar como jogar pingue-pongue, e então eu posso usar essa habilidade e transferi-la para aprender a jogar tênis ou badminton." disse Valero-Cuevas. "No momento, uma máquina só poderia aprender a jogar um esporte de raquete, como pingue-pongue. Se você quer, digamos, jogar tênis que exija que você use seu corpo de maneira diferente, você precisa mudar o programa. "

Além de superar o fator do esquecimento catastrófico, o projeto dos pesquisadores delineou uma série de outras competências que são necessárias para que os sistemas artificiais alcancem o aprendizado ao longo da vida da mesma maneira que os seres vivos. Esses incluem:

• Transferência e adaptação — a capacidade de transferir e reutilizar conhecimento e se adaptar a novos ambientes.
• Explorando a semelhança de tarefas:a capacidade de aprender várias tarefas e transferir esse conhecimento entre elas.
• Aprendizagem agnóstica de tarefas:entender quando, durante o treinamento, mudar de uma tarefa para outra sem ser instruído.
• Tolerância ao ruído — ser capaz de concluir a mesma tarefa em um cenário do mundo real quando as condições são diferentes do período de treinamento (como operar durante a noite em vez de durante o dia).
• Eficiência e sustentabilidade de recursos, garantindo que o aprendizado ao longo da vida não afete negativamente a capacidade de armazenamento e reduza o tempo de resposta.

Especialista no campo de circuitos de inspiração biológica, Parker tem um longo histórico de pesquisa de olhar para o cérebro humano para entender como ele funciona e como esse conhecimento pode ser aplicado a sistemas artificiais. Para este último artigo, Parker contribuiu com entendimento na área de neuromodulação:o sistema no cérebro dos seres vivos que ajuda a melhorar o aprendizado, a superar o problema do esquecimento catastrófico, a se adaptar a ambientes incertos e a entender as mudanças no contexto. A Parker se concentra na construção de estruturas eletrônicas que suportam circuitos neuromórficos (eletrônicos que modelam o cérebro) adicionando recursos biológicos não encontrados em hardware de rede neural existente, mas que suportam o aprendizado ao longo da vida. Os recursos incluem astrócitos – outras células cerebrais que interagem com os neurônios para apoiar o aprendizado – e o código neural – picos e rajadas que transmitem informações em forma codificada.

Valero-Cuevas disse que a colaboração pretendia ser um recurso abrangente para pesquisas futuras em aprendizado de máquina e IA.

"A biologia é a inspiração. O melhor exemplo de aprendizagem ao longo da vida é um sistema biológico", disse Valero-Cuevas. "O que estamos fazendo é olhar para todas as coisas que os sistemas biológicos podem fazer, das quais temos inveja suprema, e perguntar o que seria necessário para as máquinas fazerem isso."

“Achamos que pelo menos alguns mecanismos da biologia – as lições aprendidas ao longo de milhões de anos de evolução – poderiam ser traduzidos e adotados pela IA”, disse ele.