Seu cérebro de aproximadamente 3 quilos produz apenas 20 watts de potência – mal e mal o suficiente para acender uma lâmpada fraca. No entanto, a máquina por trás de nossos olhos construiu civilizações a partir do zero, explora as estrelas e pondera nossa existência. Em contraste, o Watson, da IBM, um supercomputador que funciona com 20.000 watts pode superar o desempenho humano no cálculo, mas ainda não é páreo para a maioria das qualidades da inteligência humana.
Nem Watson nem qualquer outro sistema artificialmente inteligente pode navegar em novas situações, inferir o que os outros acreditam, usar a linguagem para se comunicar de maneira improvisada e imprevisível, escrever poesia e música para expressar como se sente, criar matemática para construir pontes e dispositivos ou salvar vidas. Pelo menos ainda não. Se fazem algumas dessas atividades, não fazem de maneira a improvisar nem se adaptar a uma nova situação.
Imagine a inteligência humana como um arranha-céu com vários andares acima e com um extenso subsolo. Em vez de vigas e concreto, essa estrutura é construída com algoritmos, ou sequências de regras que interagem e processam informações sobrepostas e que interagem umas com as outras, como os andares daquele edifício.
Os andares acima do chão representam as camadas de inteligência às quais os humanos têm acesso consciente, como o raciocínio lógico. Essas camadas inspiraram a busca da inteligência artificial que começaram nos anos 50. Mas existem outras camadas. São os muitos andares que você não vê, no porão e na fundação. Esses são os algoritmos da inteligência cotidiana que entram em ação toda vez que reconhecemos a voz de alguém ou aprendemos as regras da física brincando com brinquedos quando bebê. Embora essas camadas subconscientes estejam tão inseridas em nossa biologia que muitas vezes passem despercebidas, sem elas, toda a estrutura da inteligência entraria em colapso.
Por décadas, programadores construíram algoritmos para fazerem as máquina realizarem tarefas, mas esses algoritmos estão muito aquém das capacidades humanas. Em paralelo, neurocientistas e cientistas que estudam cognição acumularam inúmeras medições descrevendo como o cérebro processa a informação visual. Descobriram que os neurônios (o bloco de construção fundamental do cérebro) estão dispostos como um tipo de rede de múltiplas camadas. Eles mediram como os neurônios, dentro dessa rede neural, respondem às imagens do ambiente. Eles caracterizaram como os humanos respondem com rapidez e precisão a essas imagens e propuseram modelos matemáticos de como as redes neurais poderiam aprender com a experiência. No entanto, essas abordagens sozinhas não conseguiram descobrir os “algoritmos do cérebro” para a percepção visual inteligente.
O principal avanço veio quando os pesquisadores usaram uma combinação de ciência e engenharia. Especificamente, alguns pesquisadores começaram a construir algoritmos a partir de redes neurais artificiais semelhantes a cérebros, de modo que tivessem respostas neurais como aquelas que os neurocientistas haviam medido no cérebro. Eles também usaram modelos matemáticos propostos por cientistas para ensinar essas redes neurais profundas a realizar tarefas visuais nas quais os humanos eram especialmente bons – como reconhecer objetos de várias perspectivas e interpretá-los de maneiro única.
Essa abordagem combinada alcançou certo avanço em 2012, quando o hardware do computador avançou o suficiente para engenheiros construírem essas redes e ensiná-las usando milhões de imagens visuais. Notadamente, essas redes neurais artificiais semelhantes a cérebros rivalizaram repentinamente com as capacidades visuais humanas em vários domínios e, como resultado, conceitos como carros autônomos não eram tão improváveis como antes pareciam. Usando algoritmos inspirados no cérebro, os engenheiros melhoraram a capacidade dos carros autônomos de processar seus ambientes com segurança e eficiência. Da mesma forma, o Facebook usa esses algoritmos de reconhecimento visual para reconhecer e marcar amigos em fotos de maneira ainda mais rápida do que você.
Essa profunda revolução na aprendizagem lançou uma nova era na IA. Ela reformulou completamente as tecnologias, desde o reconhecimento de rostos, objetos e fala, até a tradução automática de idiomas, a condução autônoma e muitas outras. A capacidade tecnológica de nossa espécie foi revolucionada em apenas alguns anos – um piscar de olhos na escala de tempo da civilização humana.
Isso tudo é apenas o começo. Algoritmos de aprendizagem profunda resultaram de uma nova compreensão de apenas uma camada da inteligência humana – a percepção visual. Não há limite para o que pode ser alcançado a partir de uma compreensão mais profunda de outras camadas algorítmicas de inteligência.
À medida que aspiramos a esse objetivo, devemos prestar atenção à lição de que o progresso não resultou de engenheiros e cientistas trabalhando em silos; resultou da convergência de engenharia e ciência. Como muitos algoritmos possíveis podem explicar uma única camada da inteligência humana, profissionais da IA estão procurando a proverbial agulha no palheiro. No entanto, quando esses profissionais guiam seus esforços de construção e teste de algoritmos com descobertas e medições do cérebro e da ciência cognitiva, obtemos uma explosão cambriana em IA.
Essa abordagem de trabalhar de trás para frente, a partir de medições do sistema funcional para projetar modelos de como esse sistema funciona, é chamada de engenharia reversa. Descobrir como o cérebro humano funciona na linguagem dos engenheiros não só levará à IA transformadora. Também iluminará novas abordagens para ajudar aqueles que são cegos, surdos, autistas, esquizofrênicos ou que têm deficiências de aprendizado ou perda de memória relacionada à idade. Armados com uma descrição de engenharia do cérebro, os cientistas verão novas maneiras de reparar, educar e aumentar nossas próprias mentes.
Referências:
https://futurism.com/cmu-brain-research-grant/
http://www.engineeringchallenges.org/challenges/9109.aspx
Daniel Pereira. Biólogo, faz especialização em ensino de ciências e matemática. Ama ensinar e aprender. Desde pequeno sua mãe dizia que ele era feito de açúcar, mas depois descobriu que também é feito de proteínas, lipídeos. nucleotídeos e sais minerais. Tudo misturado com água.
