A investigação em IA é alimentada pela procura de uma sofisticação cada vez maior, o que inclui o treino de sistemas para pensarem e se comportarem como humanos.
O objetivo final? Quem sabe. Para já, o objetivo? Criar agentes de IA autónomos e generalizados capazes de realizar uma vasta gama de tarefas.
Este conceito é geralmente designado por inteligência geral artificial (AGI) ou superinteligência.
É difícil identificar com exatidão o que a AGI implica, porque não existe praticamente nenhum consenso sobre o que é a "inteligência" ou, na verdade, quando ou como os sistemas artificiais a podem alcançar.
Os cépticos acreditam mesmo que a IA, no seu estado atual, nunca poderá obter verdadeiramente uma inteligência geral.
Professor Tony Prescott e Dr. Stuart Wilson da Universidade de Sheffield modelos linguísticos generativos descritosO ChatGPT, tal como o ChatGPT, é inerentemente limitado porque é "desencarnado" e não tem qualquer perceção sensorial ou ligação ao mundo natural.
O cientista-chefe de IA da Meta, Yann LeCun, afirmou que até a inteligência de um gato doméstico é incomensuravelmente mais avançada do que os melhores sistemas de IA actuais.
"Mas porque é que esses sistemas não são tão inteligentes como um gato?" LeCun perguntou na Cimeira Mundial dos Governos, no Dubai.
"Um gato consegue lembrar-se, consegue compreender o mundo físico, consegue planear acções complexas, consegue fazer algum nível de raciocínio - na verdade, muito melhor do que os maiores LLMs. Isto diz-nos que nos falta algo concetualmente importante para que as máquinas sejam tão inteligentes como os animais e os seres humanos."
Embora estas competências possam não ser necessárias para alcançar a AGI, existe algum consenso de que a passagem de sistemas complexos de IA do laboratório para o mundo real exigirá a adoção de comportamentos semelhantes aos observados nos organismos naturais.
Então, como é que isto pode ser conseguido? Uma abordagem consiste em dissecar elementos da cognição e descobrir como os sistemas de IA os podem imitar.
Um ensaio anterior do DailyAI investigou curiosidade e a sua capacidade de orientar os organismos para novas experiências e objectivos, alimentando a evolução colectiva do mundo natural.
Mas há outra emoção - outra componente essencial da nossa existência - da qual a AGI poderia beneficiar. E esse é o medo.
Como é que a IA pode aprender com o medo biológico
Longe de ser uma fraqueza ou um defeito, o medo é uma das ferramentas mais potentes da evolução para manter os organismos seguros.
A amígdala é a estrutura central que governa o medo nos vertebrados. Nos seres humanos, é uma estrutura pequena, em forma de amêndoa, situada nas profundezas dos lobos temporais do cérebro.
Muitas vezes apelidada de "centro do medo", a amígdala funciona como um sistema de alerta precoce, analisando constantemente a informação sensorial recebida para detetar potenciais ameaças.
Quando uma ameaça é detectada - quer seja o súbito solavanco de um carro a travar à frente ou uma sombra a deslocar-se na escuridão - a amígdala entra em ação, desencadeando uma cascata de alterações fisiológicas e comportamentais optimizadas para uma resposta defensiva rápida:
- O ritmo cardíaco e a pressão arterial aumentam, preparando o corpo para "lutar ou fugir"
- A atenção estreita-se e afina-se, aperfeiçoando-se na fonte do perigo
- Os reflexos aceleram, preparando os músculos para uma ação evasiva numa fração de segundo
- O processamento cognitivo muda para um modo rápido, intuitivo, "mais vale prevenir do que remediar"
Esta resposta não é um simples reflexo, mas um conjunto de mudanças altamente adaptável e sensível ao contexto que adapta de forma flexível o comportamento à natureza e gravidade da ameaça em causa.
É também excecionalmente rápido. Ficamos conscientes de uma ameaça cerca de 300-400 milissegundos após a deteção inicial.
Além disso, a amígdala não funciona de forma isolada. Está densamente interligada com outras regiões-chave do cérebro envolvidas na perceção, memória, raciocínio e ação.
Porque é que o medo pode beneficiar a IA
Então, porque é que o medo é importante no contexto da IA?
Nos sistemas biológicos, o medo funciona como um mecanismo crucial para a rápida deteção e resposta a ameaças. Se imitarmos este sistema na IA, podemos potencialmente criar sistemas artificiais mais robustos e adaptáveis.
Isto é particularmente pertinente para os sistemas autónomos que interagem com o mundo real. Caso em questão: apesar de a inteligência da IA ter explodido nos últimos anos, os carros sem condutor ainda tendem a ficar aquém em termos de segurança e fiabilidade.
As autoridades reguladoras estão a investigar vários incidentes fatais que envolveram carros autónomos, incluindo os modelos da Tesla com as funcionalidades Autopilot e Full Self-Driving.
Em declarações ao The Guardian em 2022, Matthew Avery, diretor de investigação da Thatcham Research, explicou porquê os automóveis sem condutor têm sido tão difíceis de aperfeiçoar:
"O primeiro é que este material é mais difícil do que os fabricantes imaginavam", afirma Avery.
A Avery estima que cerca de 80% das funções de condução autónoma envolvem tarefas relativamente simples, como o seguimento da faixa de rodagem e a prevenção básica de obstáculos.
As acções seguintes, no entanto, são muito mais difíceis. "O último 10% é muito difícil", sublinha Avery, como "quando temos, por exemplo, uma vaca parada no meio da estrada que não se quer mexer".
Claro que as vacas não são, por si só, inspiradoras de medo. Mas qualquer condutor concentrado provavelmente teria mais hipóteses de parar se fosse contra uma a grande velocidade.
A capacidade de um sistema de IA para identificar com exatidão uma vaca e tomar decisões adequadas depende em grande medida da sua formação de base com dados relevantes.
No entanto, esta formação inicial pode nem sempre ser suficiente para evitar o perigo, especialmente quando a IA encontra objectos ou cenários desconhecidos (chamados "casos extremos").
Para resolver este problema, os sistemas avançados de IA processam dados em tempo real e aprendem continuamente, o que lhes permite adaptarem-se e melhorarem as suas capacidades de tomada de decisões ao longo do tempo.
No entanto, isto está muito longe dos sistemas de alerta intuitivos e profundamente integrados da natureza. Um condutor humano pode travar instintivamente à mera sugestão de um obstáculo, mesmo antes de processar completamente o que é.
Além disso, as respostas naturais baseadas no medo são altamente adaptáveis e generalizam-se bem a novas situações. Um sistema de IA treinado com um novo mecanismo semelhante ao medo pode estar mais bem equipado para lidar com cenários imprevistos do que um sistema que utilize técnicas tradicionais de aprendizagem por reforço (RL).
Há uma ressalva a fazer a tudo isto: os humanos também nem sempre tomam as decisões correctas. Isso não altera a confiança necessária para a implantação em massa de veículos autónomos em segurança. As pessoas toleram os erros humanos devido à familiaridade, mas encaram os erros das máquinas com ceticismo.
Pode dizer-se que é um caso de "mais vale o diabo que se conhece do que o diabo que não se conhece". Para obter uma aceitação generalizada dos veículos autónomos, os fabricantes têm de demonstrar que são fiáveis e capazes de lidar com erros de forma tão segura como os humanos.
A imersão de um sentimento de medo mais profundo nos sistemas de IA pode constituir um meio alternativo, mais rápido e mais eficiente de o conseguir do que os métodos tradicionais.
Desconstruir o medo: uma visão da mosca da fruta
Estamos longe de desenvolver sistemas artificiais que reproduzam as regiões neurais integradas e especializadas dos cérebros biológicos. Mas isso não significa que não possamos modelar esses mecanismos de outras formas.
Vamos então sair da amígdala e ver como os invertebrados - pequenos insectos, por exemplo - detectam e processam o medo.
Embora não tenham uma estrutura diretamente análoga à da amígdala, isso não significa que não tenham circuitos que atinjam um objetivo semelhante.
Por exemplo, estudos recentes sobre as reacções de medo de Drosophila melanogaster, a mosca da fruta comum, produziu conhecimentos intrigantes sobre os blocos de construção fundamentais da emoção primitiva.
Num experiência realizado no Caltech em 2015, investigadores liderados por David Anderson expostos voam para uma sombra suspensa concebida para imitar um predador que se aproxima.
Utilizando câmaras de alta velocidade e algoritmos de visão artificial, analisaram meticulosamente o comportamento das moscas, procurando sinais daquilo a que Anderson chama "primitivos da emoção" - os componentes básicos de um estado emocional.
De forma notável, as moscas exibiram um conjunto de comportamentos que se assemelhavam muito às respostas de medo observadas nos mamíferos.
Quando a sombra apareceu, as moscas congelaram no seu lugar e as suas asas abriram-se num ângulo para se prepararem para uma fuga rápida.
À medida que a ameaça persistia, algumas moscas levantavam voo, afastando-se da sombra a grande velocidade. Outras permaneceram congeladas durante um período prolongado, o que sugere um estado de excitação e vigilância acrescido.
Crucialmente, estas respostas não eram meros reflexos despoletados automaticamente pelo estímulo visual. Em vez disso, pareciam refletir um estado interno duradouro, uma espécie de "medo da mosca" que persistia mesmo depois de a ameaça ter passado.
Isto era evidente no facto de os comportamentos defensivos intensificados das moscas poderem ser desencadeados por um estímulo diferente (uma lufada de ar) mesmo minutos após a exposição inicial à sombra.
Para além disso, a intensidade e a duração da resposta de medo variavam com o nível de ameaça. As moscas expostas a múltiplas apresentações de sombras mostraram comportamentos defensivos progressivamente mais fortes e duradouros, indicando uma espécie de "aprendizagem do medo" que lhes permitiu calibrar a sua resposta com base na gravidade e frequência do perigo.
Como Anderson e a sua equipa argumentam, estas descobertas sugerem que os blocos de construção dos estados emocionais - persistência, escalabilidade e generalização - estão presentes mesmo nas criaturas mais simples.
Se conseguirmos descodificar a forma como os organismos mais simples, como as moscas da fruta, processam e respondem às ameaças, podemos potencialmente extrair os princípios fundamentais do comportamento adaptativo e de auto-preservação.
As formas primitivas de medo podem ser aplicadas para desenvolver sistemas de IA mais robustos, mais seguros e mais adaptados aos riscos e desafios do mundo real.
Infundir circuitos de medo na IA
É uma óptima teoria, mas será que a IA pode ser imbuída de uma forma autêntica e funcional de "medo" na prática?
Um intrigante estudo examinou exatamente isso com o objetivo de melhorar a segurança dos automóveis sem condutor e de outros sistemas autónomos.
"Aprendizagem por reforço inspirada no medo-neuro para uma condução autónoma segura", liderada por Chen Lv da Universidade Tecnológica de Nanyang, em Singapura, desenvolveram um quadro de aprendizagem por reforço inspirado no medo-neuro (FNI-RL) para melhorar o desempenho dos automóveis sem condutor.
Ao construir sistemas de IA capazes de reconhecer e responder aos sinais e padrões subtis que desencadeiam a condução defensiva humana - aquilo a que chamam "neurónios do medo" - poderemos ser capazes de criar carros autónomos que naveguem na estrada com a cautela intuitiva e a sensibilidade ao risco de que necessitam.
A estrutura FNI-RL traduz os princípios fundamentais do circuito cerebral do medo num modelo computacional de condução sensível a ameaças, permitindo que um veículo autónomo aprenda e utilize estratégias defensivas adaptativas em tempo real.
Envolve três componentes-chave modelados a partir de elementos centrais da resposta neural ao medo:
- Um "modelo de medo" que aprende a reconhecer e avaliar situações de condução que sinalizam um risco acrescido de colisão, desempenhando um papel análogo às funções de deteção de ameaças da amígdala.
- Um módulo de "imaginação adversarial" que simula mentalmente cenários perigosos, permitindo ao sistema "praticar" com segurança manobras defensivas sem consequências no mundo real - uma forma de aprendizagem sem riscos que faz lembrar as capacidades de ensaio mental dos condutores humanos.
- Um motor de tomada de decisões "limitado pelo medo" que pondera as acções potenciais não apenas pelas recompensas imediatamente esperadas (por exemplo, o progresso em direção a um destino), mas também pelo seu nível de risco avaliado, tal como medido pelo modelo do medo e pelas componentes da imaginação adversa. Isto reflecte o papel da amígdala na orientação flexível do comportamento com base num cálculo contínuo de ameaça e segurança.
Para pôr este sistema à prova, os investigadores testaram-no numa série de simulações de condução de alta fidelidade com cenários desafiantes e críticos para a segurança:
- Cortes e manobras bruscas de condutores agressivos
- Peões erráticos que atravessam o trânsito
- Curvas apertadas e ângulos mortos com visibilidade limitada
- Estradas escorregadias e más condições climatéricas
Nestes testes, os veículos equipados com o FNI-RL demonstraram um desempenho de segurança notável, superando de forma consistente os condutores humanos e as técnicas tradicionais de aprendizagem por reforço (RL) para evitar colisões e praticar competências de condução defensiva.
Num exemplo notável, o sistema FNI-RL navegou com sucesso numa fusão de tráfego repentina e de alta velocidade com uma taxa de sucesso de 90%, em comparação com apenas 60% para uma linha de base RL de última geração.
Conseguiu mesmo ganhos de segurança sem sacrificar o desempenho da condução ou o conforto dos passageiros.
Noutros testes, os investigadores avaliaram a capacidade do sistema FNI-RL para aprender e generalizar estratégias defensivas em ambientes de condução.
Numa simulação de um cruzamento de uma cidade movimentada, a IA aprendeu, em apenas alguns ensaios, a reconhecer os sinais reveladores de um condutor imprudente - mudanças repentinas de faixa, aceleração agressiva - e a ajustar preventivamente o seu próprio comportamento para se afastar mais.
Surpreendentemente, o sistema foi então capaz de transferir esta cautela aprendida para um novo cenário de condução em autoestrada, registando automaticamente manobras de corte perigosas e respondendo com uma ação evasiva.
Isto demonstra o potencial da inteligência emocional de inspiração neural para melhorar a segurança e a robustez dos sistemas de condução autónoma.
Ao dotar os veículos de uma "amígdala digital" sintonizada com os sinais viscerais do risco rodoviário, poderemos ser capazes de criar carros autónomos capazes de enfrentar os desafios da estrada com uma consciência defensiva fluida e proactiva.
Para uma ciência da robótica com consciência emocional
Embora os recentes avanços da IA se tenham baseado no poder computacional da força bruta, os investigadores estão agora a inspirar-se nas respostas emocionais humanas para criar sistemas artificiais mais inteligentes e mais adaptáveis.
Este paradigma, denominado "IA bio-inspiradaA "iniciativa" vai além da condução autónoma de automóveis e abrange domínios como a indústria transformadora, os cuidados de saúde e a exploração espacial.
Há muitos ângulos interessantes a explorar. Por exemplo, estão a ser desenvolvidas mãos robóticas com "nociceptores digitais" que imitam os receptores da dor, permitindo reacções rápidas a potenciais danos.
Em termos de hardware, Chips analógicos bio-inspirados da IBM utilizam "memristores" para armazenar valores numéricos variáveis, reduzindo a transmissão de dados entre a memória e o processador.
Do mesmo modo, os investigadores do Instituto Indiano de Tecnologia, em Bombaim, conceberam um chip para Redes Neuronais de Pico (SNNs)que imitam de perto a função dos neurónios biológicos.
O Professor Udayan Ganguly refere que este chip consegue "5.000 vezes menos energia por pico numa área semelhante e 10 vezes menos energia em modo de espera" em comparação com os desenhos convencionais.
Estes avanços na computação neuromórfica aproximam-nos daquilo que Ganguly descreve como "um núcleo neurossináptico de baixíssimo consumo e um mecanismo de aprendizagem em tempo real no chip", elementos-chave para redes neuronais autónomas de inspiração biológica.
A combinação da tecnologia de IA inspirada na natureza com arquitecturas informadas por estados emocionais naturais, como o medo ou a curiosidade, poderá levar a IA a um estado de ser totalmente novo.
Quando os investigadores ultrapassam esses limites, não estão apenas a criar máquinas mais eficientes - estão potencialmente a dar origem a uma nova forma de inteligência.
À medida que esta linha de investigação evolui, as máquinas autónomas poderão vaguear pelo mundo entre nós, reagindo a sinais ambientais imprevisíveis com curiosidade, medo e outras emoções consideradas claramente humanas.
Os impactos? Isso é outra história.
