Desde os alicerces lançados por Ada Lovelace e Charles Babbage até à investigação pioneira de Alan Turing no domínio da computação, o mundo tem estado encantado com a promessa da IA - um sonho de criar entidades baseadas em máquinas com capacidades cognitivas semelhantes às do ser humano.
No entanto, a trajetória do desenvolvimento da IA afastou-se mais tarde das suas raízes biológicas em favor do poder computacional da força bruta e da complexidade algorítmica.
Com isso, os sonhos de ficção científica de robôs realistas foram de certa forma reduzidos a uma realidade de modelos de linguagem de grande porte (LLMs) mais superficialmente mundanos, como o ChatGPT.
É claro que os actuais modelos de IA continuam a ser cativantes, mas funcionam mais como uma ferramenta do que como um ser.
Ainda é cedo, mas apesar dos avanços fenomenais, a corrida ao armamento computacional da IA expôs lacunas na nossa busca de máquinas verdadeiramente inteligentes.
Por mais poderosos que os nossos algoritmos se tornem, falta-lhes elegância, adaptabilidade e eficiência energética - as características dos sistemas biológicos.
Os investigadores sabem-no - e isso frustra-os.
O Professor Tony Prescott e o Dr. Stuart Wilson, da Universidade de Sheffield, recentemente destacado que a maioria dos modelos de IA, como o ChatGPT, são "desencarnados", o que significa que não têm uma ligação direta ao ambiente físico.
Em contrapartida, o cérebro humano evoluiu dentro de um sistema físico - o nosso corpo - que nos permite sentir e interagir diretamente com o mundo.
Os investigadores estão ansiosos por libertar as IA da sua arquitetura monolítica, o que levou a um ressurgimento da IA de inspiração biológica, por vezes designada IA neuromórfica, uma subdisciplina que procura emular os processos complexos encontrados na natureza para criar sistemas mais inteligentes e mais eficientes.
Estes esforços baseiam-se em vários quadros biológicos, desde as estruturas que constituem o nosso cérebro até à inteligência de enxame observada nas formigas ou nas aves.
Na busca da autonomia e da eficiência, a IA de inspiração biológica obriga-nos a examinar problemas computacionais de longa data, tais como o abandono de arquitecturas pesadas em termos de recursos, construídas a partir de milhares de GPUs que consomem muita energia, em favor de sistemas analógicos mais leves e complexos.
Prescott, coautor de um artigo recente, "Compreender a arquitetura funcional do cérebro através da robóticaO relatório da Comissão Europeia sobre a IA, "é muito mais provável que os sistemas de IA desenvolvam uma cognição semelhante à humana se forem construídos com arquitecturas que aprendam e melhorem de forma semelhante à do cérebro humano, utilizando as suas ligações ao mundo real".
O cérebro humano é um exemplo disso mesmo - cada pensamento e ação que o seu cérebro evoca requer apenas a potência de uma lâmpada fraca - cerca de 20 watts.
E vai mais longe do que isso. Mesmo quando os seres humanos não recebem energia externa dos alimentos, conseguem sobreviver durante mais de um mês. Os extremófilos encontraram métodos para se desenvolverem em alguns dos ambientes mais inóspitos do planeta.
Compare-se isto com a infraestrutura necessária para alimentar modelos de IA como o ChatGPT, que requer uma potência equivalente à de uma pequena cidade e não pode auto-replicar-se, curar-se ou adaptar-se ao seu ambiente.
Para que a IA seja ouvida de forma justa, pode argumentar-se que comparar a IA com sistemas biologicamente inteligentes é um exercício incorreto.
Afinal de contas, os computadores e os cérebros são simplesmente excelentes em tarefas diferentes - talvez seja da natureza humana fundi-los em visões antropomórficas de IAs autónomas que interagem com o ambiente como os seres biológicos ao lado dos quais evoluímos.
No entanto, tanto os investigadores de IA como os neurocientistas estão dispostos a cair neste impasse intelectual, e muitos descreveriam o cérebro "como um computador" que pode ser modelado e reproduzido artificialmente.
O Projeto Cérebro Humano da UE (HBP), uma experiência multinacional de quase $1bn em Big Science, foi uma lição sobre como a complexidade do cérebro escapa à modelação artificial.
O objetivo do HBP era modelar o cérebro humano na sua totalidade, mas só conseguiu modelar partes da sua funcionalidade.
O nosso cérebro - como uma entidade única - derrotaram os cérebros colectivos de milhares de investigadores com vastos financiamentos e poder de computação na ponta dos dedos - chamar-lhe justiça poética.
Por acaso, a consciência e a essência da formação do pensamento são uma fronteira igualmente distante para as profundezas do espaço - wSó que ainda não chegámos lá.
No centro desta questão está o desfasamento entre a biologia e as máquinas.
Embora as redes neuronais e outras formas de arquitetura de aprendizagem automática (ML) sejam modeladas por analogia com os cérebros biológicos, o método de computação é fundamentalmente diferente.
Rodney Brooks, professor emérito de robótica no MIT, reflectiu sobre este impasse, afirmandoO seu conceito de computação, baseado em funções de números inteiros, é limitado. Os sistemas biológicos são claramente diferentes. Têm de responder a estímulos variados durante longos períodos de tempo; essas respostas, por sua vez, alteram o seu ambiente e os estímulos subsequentes. Os comportamentos individuais dos insectos sociais, por exemplo, são afectados pela estrutura da casa que constroem e pelo comportamento dos seus irmãos dentro dela".
Brooks resume este paradoxo perguntando: "Deverão essas máquinas ser modeladas no cérebro, dado que os nossos modelos do cérebro são realizados nessas máquinas?"
O percurso da IA bio-inspirada
A natureza teve milhões de anos de "I&D" para aperfeiçoar os seus mecanismos incrivelmente resistentes.
A tendência para a IA de inspiração biológica pode ser vista como uma correção de rumo, um humilde reconhecimento de que a nossa busca de IA avançada pode ter-nos conduzido por um caminho que, embora ainda deslumbrante na sua complexidade, pode ser insustentável a longo prazo.
Ou, pelo menos, a trajetória atual pode não corresponder ao que a humanidade procura, em última análise, da IA. Se quisermos viver no "futuro" em que humanos e robots andam lado a lado (embora, claro, nem toda a gente queira isso), então temos de fazer melhor do que acumular mais GPUs e treinar modelos maiores.
Dito isto, há esperança para os futuristas fervorosos entre nós, uma vez que os investigadores têm andado a estudar ideias de computação bio-inspirada há décadas e algumas ideias especulativas estão a começar a encontrar o seu lugar.
No final dos anos 50 e início dos anos 60, o trabalho de Frank Rosenblatt sobre a Perceptron apresentou o primeiro modelo simplificado de um neurónio biológico.
No entanto, o documento de 1986 "Aprendizagem de representações por retropropagação de erros", de David Rumelhart, Geoffrey Hinton e Ronald Williams, mudou o jogo.
Atualmente, muitas vezes referido como o "padrinho das redes neuronais (ou da IA em geral)", Hinton e a sua equipa introduziram o algoritmo de retropropagação, fornecendo um mecanismo robusto para o treino de redes neuronais com várias camadas, o que impulsionou o campo para aplicações que vão desde o processamento da linguagem natural (PNL) à visão por computador (CV) - dois ramos fundamentais da IA moderna.
Pouco tempo depois, a bio-inspiração seguiu um caminho diferente, inspirando-se nos princípios darwinianos. O livro de 1975 de John Holland "Adaptação em sistemas naturais e artificiais"lançou as bases para os algoritmos genéticos.
Ao simular mecanismos como a mutação e a seleção natural, esta abordagem revelou uma ferramenta poderosa para problemas de otimização, encontrando utilização em indústrias como a aeroespacial e a financeira.
Conceitos como a "inteligência de enxame", observada em enxames de insectos e no movimento sincronizado de aves e peixes, foram introduzidos pela primeira vez na informática nos anos 80 e 90 e registaram avanços notáveis em 2023.
Em agosto de 2023, os ex-funcionários da Google fundou Sakana, uma empresa em fase de arranque que se propõe desenvolver um conjunto de modelos de IA mais pequenos que funcionam em conjunto.
A abordagem de Sakana inspira-se em sistemas biológicos, como cardumes de peixes ou redes neuronais, em que unidades mais pequenas trabalham em conjunto para atingir um objetivo mais complexo.
Reconhecendo as arquitecturas monolíticas dos modelos modernos de IA, como o ChatGPT, esta abordagem de ensembling promete reduzir o consumo de energia e oferece maior adaptabilidade e resiliência - qualidades intrínsecas aos organismos biológicos.
Mesmo a aprendizagem por reforço (RL), um ramo da aprendizagem automática que se ocupa de ensinar os algoritmos a tomar decisões em busca de uma recompensa, foi em grande parte de inspiração biológica.
O livro seminal de Richard Sutton e Andrew Barto "Aprendizagem por reforço: Uma Introdução" apresenta numerosos exemplos de como os animais aprendem com o seu ambiente, inspirando algoritmos que se podem adaptar com base em recompensas e penalizações.
O livro faz centenas de comparações com o comportamento animal, citando: "De todas as formas de aprendizagem automática, a aprendizagem por reforço é a que mais se aproxima do tipo de aprendizagem que os humanos e outros animais fazem".
Rumo à IA bio-inspirada
Em seres biológicos complexos como os seres humanos e outros vertebrados, diferentes componentes do sistema nervoso trabalham em conjunto para gerir uma vasta gama de funções.
O sistema nervoso central (SNC) funciona como centro de controlo, processando a informação e orquestrando as respostas.
Entretanto, o sistema nervoso periférico (SNP) actua como rede de comunicação, transmitindo sinais entre o SNC e outras partes do corpo.
Dentro do SNP encontra-se o sistema nervoso autónomo (SNA) especializado, que funciona involuntariamente para gerir funções vitais como o ritmo cardíaco e a digestão. Cada sistema tem as suas funções distintas, mas estão interligados e colaboram de forma perfeita para nos ajudar a navegar no ambiente.
Os organismos mais simples, como os insectos, têm um sistema nervoso mais fino e mais económico, embora ainda incrivelmente complexo. Uma mosca da fruta tem alguns 3.000 neurónios e meio milhão de sinapses.
Os componentes do sistema nervoso biológico são anatomicamente distintos, mas funcionam de forma holística, ligados através de neurónios que enviam e recebem estímulos sensoriais, acabando por formar uma compreensão concetual - ou consciência em seres mais complexos.
Para criar robôs autónomos com cérebros e sistemas sensoriais fortemente acoplados, os investigadores devem afastar-se da computação de força bruta e criar sistemas leves baseados na realidade sensorial.
Embora os modelos de IA como o ChatGPT tenham um conhecimento imenso, estão de certa forma bloqueados no tempo e fora da realidade sensorial, sendo os seus entendimentos essencialmente orientados pelos seus dados de treino.
Este facto confere vantagens, ou melhor, confere à IA um conjunto de competências distintas das dos seres biológicos - e é talvez por isso que a humanidade está empenhada em desenvolver a IA para colmatar as ineficiências de ser um ser biológico.
Como Amnon Shashua destaquesA "arquitetura muito diferente do computador favorece as estratégias que utilizam da melhor forma a sua capacidade de memória praticamente ilimitada e a força bruta".
No entanto, se alguma vez quisermos libertar a IA dos confins dos centros de dados e dos navegadores Web, os investigadores têm de resolver estes desafios e encontrar formas de ligar os sistemas de IA a um "corpo" ou, pelo menos, de lhe proporcionar uma base sensorial robusta.
Isto tem utilizações práticas imediatas. Tomemos o exemplo dos carros sem condutor - os seus sistemas sensoriais têm de funcionar de forma semelhante aos nossos para funcionarem em segurança. Caso contrário, não têm qualquer esperança de "ver" um potencial obstáculo e reagir rapidamente para evitar um desastre, o que se está a revelar um obstáculo significativo à sua adoção em massa.
Neste sentido, Dennis Bray, do Departamento de Fisiologia, Desenvolvimento e Neurociências da Universidade de Cambridge, afirmou: "As máquinas podem igualar-nos em muitas tarefas, mas funcionam de forma diferente das redes de células nervosas. Se o nosso objetivo é construir máquinas cada vez mais inteligentes e hábeis, então devemos utilizar circuitos de cobre e silício. Mas se o nosso objetivo é reproduzir o cérebro humano, com o seu brilho peculiar, a sua capacidade de realizar múltiplas tarefas e o seu sentido de identidade, temos de procurar outros materiais e outros modelos".
Estes comentários, embora ainda actuais, foram publicados numa Artigo de debate na Nature publicada em 2012 por ocasião do centenário de Turing - e a IA evoluiu rapidamente desde então.
Onde é que estamos agora?
Redes neuronais de estimulação (SNNs) e hardware biológico
Atualmente, os investigadores estão a explorar os "outros materiais e diferentes concepções" a que Bray se refere, como as redes neuronais de picos (SNN), um tipo de rede neuronal intimamente modelada pela funcionalidade neuronal.
As SNNs oferecem uma alternativa especializada às redes neurais convencionais que encontramos frequentemente na aprendizagem automática.
Em vez de se basearem em funções de ativação contínuas para processar os dados de entrada, as SNNs imitam as complexidades das redes neuronais biológicas, empregando picos discretos para a comunicação inter-neuronal.
Nestas redes, cada neurónio artificial integra os picos de entrada dos neurónios que lhe estão ligados ao longo do tempo. Quando o sinal acumulado, ou potencial de membrana, ultrapassa um determinado limiar, o próprio neurónio dispara um pico.
Este mecanismo de picos permite à rede captar e processar padrões espaciais e temporais, tal como os neurónios nos cérebros biológicos.
Então, o que faz dos SNN um ponto fulcral na IA bio-inspirada?
Em primeiro lugar, a sua capacidade de processar naturalmente sequências de dados temporais distingue-as, eliminando a necessidade de unidades de memória adicionais, como as observadas nas redes neuronais recorrentes (RNN)
Em segundo lugar, as SNNs foram concebidas para serem incrivelmente eficientes em termos energéticos. Ao contrário das redes neuronais tradicionais, em que cada neurónio está constantemente ativo, a natureza esparsa e orientada para os eventos das SNN permite que os neurónios permaneçam na sua maioria inactivos, disparando picos apenas quando é essencial. Isto reduz significativamente o seu consumo de energia.
Por último, ao imitarem mais de perto os sistemas biológicos, as SNN têm potencial para aumentar a robustez e a flexibilidade, especialmente em ambientes ruidosos ou imprevisíveis.
Embora o conceito de SNNs tenha as suas raízes numa compreensão teórica dos sistemas neurais biológicos, os avanços na tecnologia de hardware tornaram estas redes mais acessíveis para tarefas computacionais.
Os chips neuromórficos, especificamente concebidos para simular de forma eficiente a dinâmica de spiking, têm desempenhado um papel significativo no sentido de tornar as SNNs utilizáveis na prática.
O chip analógico bio-inspirado da IBM e os SNNs
Nos últimos dois anos, registaram-se avanços essenciais na construção de produtos ultra-leves, IA energeticamente eficiente também designadas por chips neuromórficos.
Atualmente, estão também disponíveis vários outros tipos de tecnologias neuromórficas, tais como câmaras neuromórficas inspiradas em olhos biológicos.
Desenvolvido em 2023, O chip da IBM utiliza componentes analógicos como os memristores para armazenar valores numéricos variáveis. Também utiliza memória de mudança de fase (PCM) para registar um espetro de valores em vez de 0s e 1s.
Estes atributos permitem reduzir a transmissão de dados entre a memória e o processador, proporcionando uma vantagem em termos de eficiência energética. O projeto da IBM inclui "64 núcleos analógicos de computação na memória, cada um com uma matriz sináptica de 256 por 256". Alcançou uma impressionante precisão de 92,81% num teste de referência de visão por computador (CV), sendo mais de 15 vezes mais eficiente do que vários chips existentes.
Embora o chip da IBM não se baseie explicitamente em SNNs, a natureza analógica e a utilização de memristores tornam-no altamente compatível com o modelo SNN.
Essencialmente, as SNNs poderiam ser implementadas de forma mais natural neste tipo de arquitetura.
Chip baseado em SNN do IIT Bombay
Em 2022, investigadores do Instituto Indiano de Tecnologia, Bombaim, concebeu um chip que trabalha especificamente com SNNs.
Este chip utiliza corrente de tunelamento banda-banda (BTBT) para neurónios artificiais de energia ultra-baixa. De acordo com o Professor Udayan Ganguly, o chip consegue "5.000 vezes menos energia por pico numa área semelhante e 10 vezes menos energia em modo de espera numa área e energia semelhantes por pico".
Este tipo de chip tem aplicações directas em dispositivos compactos como telemóveis, veículos autónomos não tripulados (UAV) e dispositivos IoT, satisfazendo a necessidade de computação de IA leve e eficiente em termos energéticos.
Ambas as abordagens visam permitir o que Ganguly descreve como "um núcleo neurossináptico de baixíssimo consumo e o desenvolvimento de um mecanismo de aprendizagem em tempo real no chip, que são fundamentais para as redes neuronais autónomas de inspiração biológica. Este é o Santo Graal".
Estes sistemas poderiam combinar o "sistema de pensamento" com o "sistema de ação e movimento", à semelhança do que se observa nos organismos biológicos.
Isto permitir-nos-ia dar um passo significativo no sentido de criar sistemas artificiais que sejam poderosos, sustentáveis e estreitamente alinhados com os sistemas biológicos que inspiraram a IA durante quase um século.
Finalmente, a humanidade poderia libertar as IA da arquitetura monolítica, desligá-las das suas fontes de energia e enviá-las para o mundo - e para o universo - como seres autónomos.
Se é ou não uma boa ideia - bem, isso é uma discussão para outra altura.
