Siga o Olhar Digital no Google Discover

Sistemas de inteligência artificial projetados com estruturas mais próximas das do cérebro humano podem reproduzir padrões de atividade neural antes de qualquer fase de treinamento.

É o que aponta uma pesquisa do mês passado da Universidade Johns Hopkins, publicada na Nature Machine Intelligence, que desafia o modelo dominante de desenvolvimento de IA baseado em volumes massivos de dados e poder computacional.

Arquitetura antes dos dados

• Segundo o autor principal, Mick Bonner, professor-assistente de ciências cognitivas, o setor de IA tem avançado priorizando modelos gigantescos, treinados com imensos conjuntos de dados e em centros de computação de escala industrial.
• “Enquanto isso, humanos aprendem a ver usando pouquíssimos dados”, afirmou. Para Bonner, arquiteturas mais parecidas com as do cérebro colocam os sistemas de IA em “um ponto de partida vantajoso”.
• A equipe comparou três arquiteturas amplamente usadas no desenvolvimento de IA: transformers, redes totalmente conectadas e redes convolucionais.
• A partir dessas bases, os pesquisadores criaram dezenas de variações, ajustando cada desenho estrutural.

Leia mais:

• IA que raciocina mais alucina mais: novos modelos da OpenAI “viajam” bastante
• A ilusão da amizade com a inteligência artificial
• Sociabilidade artificial: por que estamos nos apegando a máquinas que não sentem?

Redes convolucionais se aproximam mais do cérebro

Ao expor esses modelos não treinados a imagens de objetos, pessoas e animais, os cientistas analisaram como suas respostas se aproximavam da atividade neural observada em humanos e primatas nas mesmas condições.

Enquanto transformers e redes totalmente conectadas pouco mudaram mesmo com o aumento no número de neurônios artificiais, as redes convolucionais modificadas geraram padrões mais semelhantes aos do cérebro.

Segundo o estudo, essas redes convolucionais não treinadas rivalizaram o desempenho de sistemas convencionais que exigem milhões ou bilhões de imagens para aprender. A descoberta reforça a hipótese de que a arquitetura pode ser mais determinante do que o tamanho dos dados.

A equipe agora trabalha no desenvolvimento de algoritmos de aprendizagem inspirados na biologia, capazes de apoiar um novo modelo de deep learning.