Com isso, os sonhos de fic\u00e7\u00e3o cient\u00edfica de rob\u00f4s realistas foram de certa forma reduzidos a uma realidade de modelos de linguagem de grande porte (LLMs) mais superficialmente mundanos, como o ChatGPT. <\/span><\/p>\n \u00c9 claro que os actuais modelos de IA continuam a ser cativantes, mas funcionam mais como uma ferramenta do que como um ser.\u00a0<\/span><\/p>\n Ainda \u00e9 cedo, mas apesar dos avan\u00e7os fenomenais, a corrida ao armamento computacional da IA exp\u00f4s lacunas na nossa busca de m\u00e1quinas verdadeiramente inteligentes.\u00a0<\/span><\/p>\n Por mais poderosos que os nossos algoritmos se tornem, falta-lhes eleg\u00e2ncia, adaptabilidade e efici\u00eancia energ\u00e9tica - as caracter\u00edsticas dos sistemas biol\u00f3gicos. <\/span><\/p>\n Os investigadores sabem-no - e isso frustra-os.\u00a0<\/span><\/p>\n O Professor Tony Prescott e o Dr. Stuart Wilson, da Universidade de Sheffield, recentemente <\/span>destacado<\/span><\/a> que a maioria dos modelos de IA, como o ChatGPT, s\u00e3o \"desencarnados\", o que significa que n\u00e3o t\u00eam uma liga\u00e7\u00e3o direta ao ambiente f\u00edsico.\u00a0<\/span><\/p>\n Em contrapartida, o c\u00e9rebro humano evoluiu dentro de um sistema f\u00edsico - o nosso corpo - que nos permite sentir e interagir diretamente com o mundo.<\/span><\/p>\n Os investigadores est\u00e3o ansiosos por libertar as IA da sua arquitetura monol\u00edtica, o que levou a um ressurgimento da IA de inspira\u00e7\u00e3o biol\u00f3gica, por vezes designada IA neurom\u00f3rfica, uma subdisciplina que procura emular os processos complexos encontrados na natureza para criar sistemas mais inteligentes e mais eficientes.\u00a0<\/span><\/p>\n Estes esfor\u00e7os baseiam-se em v\u00e1rios quadros biol\u00f3gicos, desde as estruturas que constituem o nosso c\u00e9rebro at\u00e9 \u00e0 intelig\u00eancia de enxame observada nas formigas ou nas aves.<\/span><\/p>\n Na busca da autonomia e da efici\u00eancia, a IA de inspira\u00e7\u00e3o biol\u00f3gica obriga-nos a examinar problemas computacionais de longa data, tais como o abandono de arquitecturas pesadas em termos de recursos, constru\u00eddas a partir de milhares de GPUs que consomem muita energia, em favor de sistemas anal\u00f3gicos mais leves e complexos.\u00a0<\/span><\/p>\n Prescott, coautor de um artigo recente, \"<\/span>Compreender a arquitetura funcional do c\u00e9rebro atrav\u00e9s da rob\u00f3tica<\/span><\/a>O relat\u00f3rio da Comiss\u00e3o Europeia sobre a IA, \"\u00e9 muito mais prov\u00e1vel que os sistemas de IA desenvolvam uma cogni\u00e7\u00e3o semelhante \u00e0 humana se forem constru\u00eddos com arquitecturas que aprendam e melhorem de forma semelhante \u00e0 do c\u00e9rebro humano, utilizando as suas liga\u00e7\u00f5es ao mundo real\".<\/span><\/p>\n O c\u00e9rebro humano \u00e9 um exemplo disso mesmo - cada pensamento e a\u00e7\u00e3o que o seu c\u00e9rebro evoca requer apenas a pot\u00eancia de uma l\u00e2mpada fraca - cerca de 20 watts.\u00a0<\/span><\/p>\n E vai mais longe do que isso. Mesmo quando os seres humanos n\u00e3o recebem energia externa dos alimentos, conseguem sobreviver durante mais de um m\u00eas. Os extrem\u00f3filos encontraram m\u00e9todos para se desenvolverem em alguns dos ambientes mais in\u00f3spitos do planeta. <\/span><\/p>\n Compare-se isto com a infraestrutura necess\u00e1ria para alimentar modelos de IA como o ChatGPT, que requer uma pot\u00eancia equivalente \u00e0 de uma pequena cidade e n\u00e3o pode auto-replicar-se, curar-se ou adaptar-se ao seu ambiente.\u00a0<\/span><\/p>\n Para que a IA seja ouvida de forma justa, pode argumentar-se que comparar a IA com sistemas biologicamente inteligentes \u00e9 um exerc\u00edcio incorreto.\u00a0<\/span><\/p>\n Afinal de contas, os computadores e os c\u00e9rebros s\u00e3o simplesmente excelentes em tarefas diferentes - talvez seja da natureza humana fundi-los em vis\u00f5es antropom\u00f3rficas de IAs aut\u00f3nomas que interagem com o ambiente como os seres biol\u00f3gicos ao lado dos quais evolu\u00edmos.\u00a0\u00a0<\/span><\/p>\n No entanto, tanto os investigadores de IA como os neurocientistas est\u00e3o dispostos a cair neste impasse intelectual, e muitos descreveriam o c\u00e9rebro \"como um computador\" que pode ser modelado e reproduzido artificialmente.<\/span><\/p>\n O <\/span>Projeto C\u00e9rebro Humano da UE (HBP)<\/span><\/a>, uma experi\u00eancia multinacional de quase $1bn em Big Science, foi uma li\u00e7\u00e3o sobre como a complexidade do c\u00e9rebro escapa \u00e0 modela\u00e7\u00e3o artificial. <\/span><\/p>\n O objetivo do HBP era modelar o c\u00e9rebro humano na sua totalidade, mas s\u00f3 conseguiu modelar partes da sua funcionalidade.\u00a0<\/span><\/p>\n O nosso c\u00e9rebro -<\/span> como uma entidade \u00fanica -<\/span> derrotaram os c\u00e9rebros colectivos de milhares de investigadores com vastos financiamentos e poder de computa\u00e7\u00e3o na ponta dos dedos - chamar-lhe<\/span> justi\u00e7a po\u00e9tica.<\/p>\n Por acaso, a consci\u00eancia e a ess\u00eancia da forma\u00e7\u00e3o do pensamento s\u00e3o uma fronteira igualmente distante para as profundezas do espa\u00e7o - w<\/span>S\u00f3 que ainda n\u00e3o cheg\u00e1mos l\u00e1.<\/p>\n No centro desta quest\u00e3o est\u00e1 o desfasamento entre a biologia e as m\u00e1quinas. <\/span><\/p>\n Embora as redes neuronais e outras formas de arquitetura de aprendizagem autom\u00e1tica (ML) sejam modeladas por analogia com os c\u00e9rebros biol\u00f3gicos, o m\u00e9todo de computa\u00e7\u00e3o \u00e9 fundamentalmente diferente.\u00a0<\/span><\/p>\n Rodney Brooks, professor em\u00e9rito de rob\u00f3tica no MIT, reflectiu sobre este impasse, <\/span>afirmando<\/span><\/a>O seu conceito de computa\u00e7\u00e3o, baseado em fun\u00e7\u00f5es de n\u00fameros inteiros, \u00e9 limitado. Os sistemas biol\u00f3gicos s\u00e3o claramente diferentes. T\u00eam de responder a est\u00edmulos variados durante longos per\u00edodos de tempo; essas respostas, por sua vez, alteram o seu ambiente e os est\u00edmulos subsequentes.\u00a0<\/span>Os comportamentos individuais dos insectos sociais, por exemplo, s\u00e3o afectados pela estrutura da casa que constroem e pelo comportamento dos seus irm\u00e3os dentro dela\".\u00a0<\/span><\/p>\n Brooks resume este paradoxo perguntando: \"Dever\u00e3o essas m\u00e1quinas ser modeladas no c\u00e9rebro, dado que os nossos modelos do c\u00e9rebro s\u00e3o realizados nessas m\u00e1quinas?\"<\/span><\/p>\n A natureza teve milh\u00f5es de anos de \"I&D\" para aperfei\u00e7oar os seus mecanismos incrivelmente resistentes.\u00a0<\/span><\/p>\n A tend\u00eancia para a IA de inspira\u00e7\u00e3o biol\u00f3gica pode ser vista como uma corre\u00e7\u00e3o de rumo, um humilde reconhecimento de que a nossa busca de IA avan\u00e7ada pode ter-nos conduzido por um caminho que, embora ainda deslumbrante na sua complexidade, pode ser insustent\u00e1vel a longo prazo. <\/span><\/p>\n Ou, pelo menos, a trajet\u00f3ria atual pode n\u00e3o corresponder ao que a humanidade procura, em \u00faltima an\u00e1lise, da IA. Se quisermos viver no \"futuro\" em que humanos e robots andam lado a lado (embora, claro, nem toda a gente queira isso), ent\u00e3o temos de fazer melhor do que acumular mais GPUs e treinar modelos maiores.\u00a0<\/span><\/p>\n Dito isto, h\u00e1 esperan\u00e7a para os futuristas fervorosos entre n\u00f3s, uma vez que os investigadores t\u00eam andado a estudar ideias de computa\u00e7\u00e3o bio-inspirada h\u00e1 d\u00e9cadas e algumas ideias especulativas est\u00e3o a come\u00e7ar a encontrar o seu lugar.\u00a0<\/span><\/p>\n No final dos anos 50 e in\u00edcio dos anos 60, o trabalho de Frank Rosenblatt sobre a Perceptron<\/a> apresentou o primeiro modelo simplificado de um neur\u00f3nio biol\u00f3gico.\u00a0<\/span><\/p>\n No entanto, o documento de 1986 \"<\/span>Aprendizagem de representa\u00e7\u00f5es por retropropaga\u00e7\u00e3o de erros<\/span><\/a>\", de David Rumelhart, Geoffrey Hinton e Ronald Williams, mudou o jogo.\u00a0<\/span><\/p>\n Atualmente, muitas vezes referido como o \"padrinho das redes neuronais (ou da IA em geral)\", Hinton e a sua equipa introduziram o algoritmo de retropropaga\u00e7\u00e3o, fornecendo um mecanismo robusto para o treino de redes neuronais com v\u00e1rias camadas, o que impulsionou o campo para aplica\u00e7\u00f5es que v\u00e3o desde o processamento da linguagem natural (PNL) \u00e0 vis\u00e3o por computador (CV) - dois ramos fundamentais da IA moderna.<\/span><\/p>\n Pouco tempo depois, a bio-inspira\u00e7\u00e3o seguiu um caminho diferente, inspirando-se nos princ\u00edpios darwinianos. O livro de 1975 de John Holland \"<\/span>Adapta\u00e7\u00e3o em sistemas naturais e artificiais<\/span><\/a>\"lan\u00e7ou as bases para os algoritmos gen\u00e9ticos.\u00a0<\/span><\/p>\n Ao simular mecanismos como a muta\u00e7\u00e3o e a sele\u00e7\u00e3o natural, esta abordagem revelou uma ferramenta poderosa para problemas de otimiza\u00e7\u00e3o, encontrando utiliza\u00e7\u00e3o em ind\u00fastrias como a aeroespacial e a financeira.<\/span><\/p>\n Conceitos como a \"intelig\u00eancia de enxame\", observada em enxames de insectos e no movimento sincronizado de aves e peixes, foram introduzidos pela primeira vez na inform\u00e1tica nos anos 80 e 90 e registaram avan\u00e7os not\u00e1veis em 2023.\u00a0<\/span><\/p>\n Em agosto de 2023, os ex-funcion\u00e1rios da Google <\/span>fundou Sakana<\/span><\/a>, uma empresa em fase de arranque que se prop\u00f5e desenvolver um conjunto de modelos de IA mais pequenos que funcionam em conjunto. <\/span><\/p>\n A abordagem de Sakana inspira-se em sistemas biol\u00f3gicos, como cardumes de peixes ou redes neuronais, em que unidades mais pequenas trabalham em conjunto para atingir um objetivo mais complexo.\u00a0<\/span><\/p>\n Reconhecendo as arquitecturas monol\u00edticas dos modelos modernos de IA, como o ChatGPT, esta abordagem de ensembling promete reduzir o consumo de energia e oferece maior adaptabilidade e resili\u00eancia - qualidades intr\u00ednsecas aos organismos biol\u00f3gicos.<\/span><\/p>\n Mesmo a aprendizagem por refor\u00e7o (RL), um ramo da aprendizagem autom\u00e1tica que se ocupa de ensinar os algoritmos a tomar decis\u00f5es em busca de uma recompensa, foi em grande parte de inspira\u00e7\u00e3o biol\u00f3gica.\u00a0<\/span><\/p>\n O livro seminal de Richard Sutton e Andrew Barto \"<\/span>Aprendizagem por refor\u00e7o: Uma Introdu\u00e7\u00e3o<\/span><\/a>\" apresenta numerosos exemplos de como os animais aprendem com o seu ambiente, inspirando algoritmos que se podem adaptar com base em recompensas e penaliza\u00e7\u00f5es.<\/span><\/p>\n O livro faz centenas de compara\u00e7\u00f5es com o comportamento animal, citando: \"De todas as formas de aprendizagem autom\u00e1tica, a aprendizagem por refor\u00e7o \u00e9 a que mais se aproxima do tipo de aprendizagem que os humanos e outros animais fazem\".<\/span><\/p>\n Em seres biol\u00f3gicos complexos como os seres humanos e outros vertebrados, diferentes componentes do sistema nervoso trabalham em conjunto para gerir uma vasta gama de fun\u00e7\u00f5es.<\/p>\n O sistema nervoso central (SNC) funciona como centro de controlo, processando a informa\u00e7\u00e3o e orquestrando as respostas.<\/p>\n Entretanto, o sistema nervoso perif\u00e9rico (SNP) actua como rede de comunica\u00e7\u00e3o, transmitindo sinais entre o SNC e outras partes do corpo.<\/p>\n Dentro do SNP encontra-se o sistema nervoso aut\u00f3nomo (SNA) especializado, que funciona involuntariamente para gerir fun\u00e7\u00f5es vitais como o ritmo card\u00edaco e a digest\u00e3o. Cada sistema tem as suas fun\u00e7\u00f5es distintas, mas est\u00e3o interligados e colaboram de forma perfeita para nos ajudar a navegar no ambiente.<\/p>\n Os organismos mais simples, como os insectos, t\u00eam um sistema nervoso mais fino e mais econ\u00f3mico, embora ainda incrivelmente complexo. Uma mosca da fruta tem alguns 3.000 neur\u00f3nios e meio milh\u00e3o de sinapses<\/a>.\u00a0<\/span><\/p>\n Os componentes do sistema nervoso biol\u00f3gico s\u00e3o anatomicamente distintos, mas funcionam de forma hol\u00edstica, ligados atrav\u00e9s de neur\u00f3nios que enviam e recebem est\u00edmulos sensoriais, acabando por formar uma compreens\u00e3o concetual - ou consci\u00eancia em seres mais complexos.\u00a0<\/span><\/p>\n Para criar rob\u00f4s aut\u00f3nomos com c\u00e9rebros e sistemas sensoriais fortemente acoplados, os investigadores devem afastar-se da computa\u00e7\u00e3o de for\u00e7a bruta e criar sistemas leves baseados na realidade sensorial.\u00a0<\/span><\/p>\n Embora os modelos de IA como o ChatGPT tenham um conhecimento imenso, est\u00e3o de certa forma bloqueados no tempo e fora da realidade sensorial, sendo os seus entendimentos essencialmente orientados pelos seus dados de treino.<\/span><\/p>\n Este facto confere vantagens, ou melhor, confere \u00e0 IA um conjunto de compet\u00eancias distintas das dos seres biol\u00f3gicos - e \u00e9 talvez por isso que a humanidade est\u00e1 empenhada em desenvolver a IA para colmatar as inefici\u00eancias de ser um ser biol\u00f3gico.\u00a0<\/span><\/p>\n Como Amnon Shashua <\/span>destaques<\/span><\/a>A \"arquitetura muito diferente do computador favorece as estrat\u00e9gias que utilizam da melhor forma a sua capacidade de mem\u00f3ria praticamente ilimitada e a for\u00e7a bruta\".<\/span><\/p>\n No entanto, se alguma vez quisermos libertar a IA dos confins dos centros de dados e dos navegadores Web, os investigadores t\u00eam 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.\u00a0<\/span><\/p>\n Isto tem utiliza\u00e7\u00f5es pr\u00e1ticas imediatas. Tomemos o exemplo dos carros sem condutor - os seus sistemas sensoriais t\u00eam de funcionar de forma semelhante aos nossos para funcionarem em seguran\u00e7a. Caso contr\u00e1rio, n\u00e3o t\u00eam qualquer esperan\u00e7a de \"ver\" um potencial obst\u00e1culo e reagir rapidamente para evitar um desastre, o que se est\u00e1 a revelar um obst\u00e1culo significativo \u00e0 sua ado\u00e7\u00e3o em massa.\u00a0\u00a0<\/span><\/p>\n Neste sentido, Dennis Bray, do Departamento de Fisiologia, Desenvolvimento e Neuroci\u00eancias da Universidade de Cambridge, afirmou: \"As m\u00e1quinas podem igualar-nos em muitas tarefas, mas funcionam de forma diferente das redes de c\u00e9lulas nervosas. Se o nosso objetivo \u00e9 construir m\u00e1quinas cada vez mais inteligentes e h\u00e1beis, ent\u00e3o devemos utilizar circuitos de cobre e sil\u00edcio. Mas se o nosso objetivo \u00e9 reproduzir o c\u00e9rebro humano, com o seu brilho peculiar, a sua capacidade de realizar m\u00faltiplas tarefas e o seu sentido de identidade, temos de procurar outros materiais e outros modelos\".\u00a0<\/span><\/p>\n Estes coment\u00e1rios, embora ainda actuais, foram publicados numa <\/span>Artigo de debate na Nature<\/span><\/a> publicada em 2012 por ocasi\u00e3o do centen\u00e1rio de Turing - e a IA evoluiu rapidamente desde ent\u00e3o.\u00a0<\/span><\/p>\n Onde \u00e9 que estamos agora?<\/p>\n Atualmente, os investigadores est\u00e3o a explorar os \"outros materiais e diferentes concep\u00e7\u00f5es\" a que Bray se refere, como as redes neuronais de picos (SNN), um tipo de rede neuronal intimamente modelada pela funcionalidade neuronal.<\/span><\/p>\n As SNNs oferecem uma alternativa especializada \u00e0s redes neurais convencionais que encontramos frequentemente na aprendizagem autom\u00e1tica.\u00a0<\/span><\/p>\n Em vez de se basearem em fun\u00e7\u00f5es de ativa\u00e7\u00e3o cont\u00ednuas para processar os dados de entrada, as SNNs imitam as complexidades das redes neuronais biol\u00f3gicas, empregando picos discretos para a comunica\u00e7\u00e3o inter-neuronal.\u00a0<\/span><\/p>\n Nestas redes, cada neur\u00f3nio artificial integra os picos de entrada dos neur\u00f3nios que lhe est\u00e3o ligados ao longo do tempo. Quando o sinal acumulado, ou potencial de membrana, ultrapassa um determinado limiar, o pr\u00f3prio neur\u00f3nio dispara um pico.\u00a0<\/span><\/p>\n Este mecanismo de picos permite \u00e0 rede captar e processar padr\u00f5es espaciais e temporais, tal como os neur\u00f3nios nos c\u00e9rebros biol\u00f3gicos.<\/span><\/p>\n Ent\u00e3o, o que faz dos SNN um ponto fulcral na IA bio-inspirada?\u00a0<\/span><\/p>\n Em primeiro lugar, a sua capacidade de processar naturalmente sequ\u00eancias de dados temporais distingue-as, eliminando a necessidade de unidades de mem\u00f3ria adicionais, como as observadas nas redes neuronais recorrentes (RNN)<\/span><\/p>\n Em segundo lugar, as SNNs foram concebidas para serem incrivelmente eficientes em termos energ\u00e9ticos. Ao contr\u00e1rio das redes neuronais tradicionais, em que cada neur\u00f3nio est\u00e1 constantemente ativo, a natureza esparsa e orientada para os eventos das SNN permite que os neur\u00f3nios permane\u00e7am na sua maioria inactivos, disparando picos apenas quando \u00e9 essencial. Isto reduz significativamente o seu consumo de energia.<\/span><\/p>\n Por \u00faltimo, ao imitarem mais de perto os sistemas biol\u00f3gicos, as SNN t\u00eam potencial para aumentar a robustez e a flexibilidade, especialmente em ambientes ruidosos ou imprevis\u00edveis.<\/span><\/p>\n Embora o conceito de SNNs tenha as suas ra\u00edzes numa compreens\u00e3o te\u00f3rica dos sistemas neurais biol\u00f3gicos, os avan\u00e7os na tecnologia de hardware tornaram estas redes mais acess\u00edveis para tarefas computacionais.\u00a0<\/span><\/p>\n Os chips neurom\u00f3rficos, especificamente concebidos para simular de forma eficiente a din\u00e2mica de spiking, t\u00eam desempenhado um papel significativo no sentido de tornar as SNNs utiliz\u00e1veis na pr\u00e1tica.\u00a0<\/span><\/p>\n Nos \u00faltimos dois anos, registaram-se avan\u00e7os essenciais na constru\u00e7\u00e3o de produtos ultra-leves, <\/span>IA energeticamente eficiente<\/span><\/a> tamb\u00e9m designadas por chips neurom\u00f3rficos.<\/span><\/p>\n Atualmente, est\u00e3o tamb\u00e9m dispon\u00edveis v\u00e1rios outros tipos de tecnologias neurom\u00f3rficas, tais como c\u00e2maras neurom\u00f3rficas inspiradas em olhos biol\u00f3gicos.\u00a0\u00a0<\/span><\/p>\n![\"Android\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_2229125163.jpg\")
![\"Atlas](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Brainatlas-1024x620.png\")
O percurso da IA bio-inspirada<\/span><\/h2>\n
![\"Perceptron\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/NMAH-72-361.jpg\")
![\"IA](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_1185312127.jpg\")
Rumo \u00e0 IA bio-inspirada<\/span><\/h2>\n
![\"IA](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Nerv_1.jpg\")
Redes neuronais de estimula\u00e7\u00e3o (SNNs) e hardware biol\u00f3gico<\/span><\/h2>\n
O chip anal\u00f3gico bio-inspirado da IBM e os SNNs<\/span><\/h3>\n