Investigadores da Unidade de Dinâmica de Redes Cerebrais do MRC e do Departamento de Informática da Universidade de Oxford identificaram um novo meio de comparar a aprendizagem em sistemas de IA e no cérebro humano.
O estudo começa por abordar uma questão fundamental tanto na aprendizagem humana como na aprendizagem automática: a atribuição de créditos. Este conceito identifica quais as partes do processo de aprendizagem responsáveis pelos erros, o que é intrínseco ao próprio processo de aprendizagem.
Os sistemas de IA abordam esta questão através da retropropagação, ajustando os parâmetros para corrigir erros na saída.
A retropropagação funciona como um ciclo de feedback. Quando uma IA efectua uma previsão ou toma uma decisão que se revela incorrecta, este método retrocede através das camadas da rede.
O processo identifica as partes do cálculo que contribuíram para o erro e, em seguida, ajusta essas partes específicas, refinando efetivamente o processo de tomada de decisões da IA para previsões futuras.
O estudopublicado na Nature Neuroscience, explica como a retropropagação difere significativamente do método de aprendizagem do cérebro humano.
Nova investigação da @MRCBNDU mostra que a forma como o cérebro aprende é diferente e melhor do que a forma como os sistemas de inteligência artificial aprendem: https://t.co/Tg1d9vdsKy#OxfordAI
- Departamento de Neurociências Clínicas de Nuffield (@NDCNOxford) 3 de janeiro de 2024
Embora a IA se baseie tradicionalmente na retropropagação para resolver os erros, os investigadores propõem que o cérebro realize as mesmas tarefas através de um processo denominado "configuração prospetiva".
Na configuração prospetiva, o cérebro, em vez de ajustar diretamente as ligações com base nos erros, começa por prever o padrão ideal de atividade neural resultante da aprendizagem. Só depois desta previsão é que ocorrem alterações nas ligações neuronais.
Este método contrasta com a retropropagação utilizada na IA, em que o processo é invertido - os ajustes de ligação conduzem e as alterações na atividade neural seguem.
Crucialmente, a configuração prospetiva, uma abordagem provavelmente partilhada por praticamente todos os cérebros biológicos, oferece um mecanismo de aprendizagem mais eficiente do que a retropropagação.
Ao contrário da IA, os seres humanos podem ingerir rapidamente novas informações com um mínimo de exposição e sem desgastar os conhecimentos existentes, uma capacidade que a IA tem dificuldade em igualar.
Esta estratégia não só preserva os conhecimentos existentes como também acelera o processo de aprendizagem.
Ainda há vida no velho cérebro humano
A equipa ilustra este conceito com uma analogia. Imagine um urso a pescar salmão: utiliza a visão do rio e o cheiro do salmão para prever o sucesso.
Se, de repente, o urso não conseguir ouvir o rio devido a um ouvido danificado, um modelo de IA assumiria incorretamente a ausência de salmão.
Em contrapartida, o cérebro do animal, operando em configuração prospetiva, continuaria a basear-se no cheiro para deduzir a presença do salmão.
Esta teoria, apoiada por simulações informáticas, demonstra que os modelos que utilizam a configuração prospetiva superam as redes neuronais de IA tradicionais em termos de eficiência de aprendizagem.
O Professor Rafal Bogacz, investigador principal da Unidade de Dinâmica da Rede Cerebral do MRC e do Departamento Nuffield de Neurociências Clínicas de Oxford, descrição do estudo: "Existe atualmente um grande fosso entre os modelos abstractos que realizam a configuração prospetiva e o nosso conhecimento detalhado da anatomia das redes cerebrais".
"A investigação futura do nosso grupo visa colmatar a lacuna entre modelos abstractos e cérebros reais, e compreender como o algoritmo de configuração prospetiva é implementado em redes corticais identificadas anatomicamente".
O coautor, Dr. Yuhang Song, acrescenta ainda: "No caso da aprendizagem automática, a simulação da configuração prospetiva nos computadores existentes é lenta, porque estes funcionam de forma fundamentalmente diferente do cérebro biológico. É necessário desenvolver um novo tipo de computador ou hardware dedicado inspirado no cérebro, que seja capaz de implementar a configuração prospetiva rapidamente e com pouco consumo de energia."
A IA bio-inspirada está na calha
IA bio-inspiradatambém designada por IA neuromórfica, tem por objetivo criar sistemas capazes de sentir, pensar e comportar-se de forma semelhante aos organismos naturais.
IO objetivo é a elegância, a adaptabilidade e a eficiência energética - atributos inerentes aos sistemas biológicos.
O cérebro humano, com a sua utilização eficiente da energia e a sua capacidade de prosperar em ambientes variados, continua a superar a IA em numerosas disciplinas e aplicações.
De facto, o nosso cérebro, com uma potência mínima, é consciente - um marco que a IA ainda não atingiu, segundo a maioria das estimativas.
Em contraste com as exigências colossais de energia dos actuais modelos de IA, como o ChatGPT, que requerem milhares de GPUs ávidas de energia, a IA de inspiração biológica visa desenvolver sistemas mais sustentáveis e adaptáveis.
Ultimamente, têm-se registado progressos neste domínio, com a IBM e a Rain AI desenvolvimento de chips de baixo consumo modelado em funções sinápticas.
Sam Altman, Diretor Executivo da OpenAI chuva apoiada IA no ano passado, e a OpenAI pretendia obter milhões de dólares em chips.
Outras abordagens inovadoras à IA bio-inspirada incluir a inteligência de enxameque procura imitar a tomada de decisões colectiva de grupos de insectos, aves e peixes.
À medida que este campo progride, promete colmatar as lacunas identificadas nos modelos tradicionais de IA, conduzindo-nos a um futuro em que as máquinas não são apenas ferramentas, mas entidades com um certo grau de autonomia e interação ambiental.
No entanto, como demonstra o estudo de Oxford, há questões fundamentais a que a IA tem de responder antes de poder igualar os cérebros biológicos.
