Traga uma criança de três anos ao zoológico e ela intuitivamente determinará que o animal de pescoço comprido que masca folhas é a mesma girafa de seu livro infantil. Este simples feito é bastante complexo. O desenho do livro é uma silhueta congelada de linhas simples, e a criatura viva é uma obra-prima de cor, textura, movimento e luz. Parece diferente quando visto de ângulos diferentes e pode mudar de forma, posição, perspectiva.
Em geral, as pessoas se saem bem nesses tipos de tarefas. Podemos compreender facilmente as características mais importantes de um objeto a partir de exemplos simples e aplicar esse conhecimento a algo desconhecido. Os computadores, por outro lado, geralmente precisam compilar um banco de dados inteiro de girafas, mostradas em diferentes posições, de diferentes perspectivas, a fim de aprender a reconhecer com precisão um animal.
A identidade visual é uma das muitas áreas em que os humanos vencem facilmente os computadores. Também procuramos melhor por informações relevantes no fluxo de dados; resolvemos problemas não estruturados; Aprendemos brincando, como uma criança que aprende sobre a gravidade brincando com blocos.
“As pessoas são muito mais versáteis”, afirma Tai Sing Lee, cientista e neurocientista da Carnegie Mellon University em Pittsburgh. “Somos ainda mais flexíveis de pensar, capazes de prever, imaginar e criar eventos futuros.”
Mas os EUA estão financiando um novo programa ambicioso que busca colocar a inteligência artificial no mesmo nível de nossas próprias habilidades mentais. Três equipes de neurocientistas e cientistas da computação estão tentando descobrir como o cérebro realiza esses feitos de identificação visual e, em seguida, construir máquinas que façam o mesmo.
"O aprendizado de máquina moderno falha onde os humanos prosperam", diz Jacob Vogelstein, que lidera o programa da Intelligence Advanced Research Projects Activity (IARPA). "Queremos revolucionar o aprendizado de máquina por meio de algoritmos de engenharia reversa e computação cerebral."
Há muito pouco tempo. Cada grupo está atualmente modelando um pedaço de casca de árvore com detalhes sem precedentes. Juntos, eles desenvolvem algoritmos com base no que aprenderam. No próximo verão, cada um desses algoritmos receberá um exemplo de algo desconhecido para detectar em milhares de imagens no banco de dados desconhecido. "O cronograma é muito apertado", disse Christoph Koch, presidente e pesquisador sênior do Allen Institute for Brain Science em Seattle, que trabalha com uma das equipes.
Koch e seus colegas criaram um diagrama de fiação completo para um pequeno cubo do cérebro - um milhão de mícrons cúbicos, cerca de um quinhentésimo do volume de uma semente de papoula. E isso é uma ordem de magnitude maior do que o mais completo e maior mapa da tecelagem do cérebro até hoje, que foi publicado em junho do ano passado e que levou cerca de seis anos para ser criado.
Vídeo promocional:
No final de um projeto de cinco anos do IARPA chamado "cortical network machine intelligence (Microns)", os cientistas planejam mapear um milímetro cúbico do córtex. Este pequeno pedaço contém cerca de 100.000 neurônios, 3 a 15 milhões de conexões neurais, ou sinapses, e emaranhamentos neurais suficientes para cobrir uma grande cidade se desvendado e esticado.
Ninguém ainda tentou reconstruir parte do cérebro em tal escala. Mas esforços mais em pequena escala mostraram que esses mapas podem lançar luz sobre o funcionamento interno do córtex cerebral. Em um artigo publicado na revista Nature em março, Wei-Chung Allen Lee - um neurocientista da Universidade de Harvard que trabalha com a equipe de Koch - e seus colegas mapearam as conexões de 50 neurônios e mais de 1.000 de seus parceiros. Combinando este mapa com informações sobre o funcionamento de cada neurônio no cérebro - alguns respondem a um sinal visual, por exemplo - os cientistas deduziram uma regra simples da conexão anatômica dos neurônios nesta parte do córtex. E eles descobriram que neurônios com funções semelhantes têm maior probabilidade de se conectar e formar grandes conexões entre si, e menos probabilidade com outros tipos de neurônios.
E embora o objetivo do projeto Microns seja muito tecnológico - o IARPA está financiando pesquisas que possam levar a ferramentas de análise de dados para agências de inteligência, e outras, é claro - paralelamente a isso, os cientistas receberão dados sobre a função cerebral. Andreas Tolias, neurologista da Baylor College of Medicine e um dos principais membros da equipe de Koch, compara nosso conhecimento atual do córtex à fotografia borrada. Ele espera que a escala sem precedentes do projeto Microns ajude a aguçar essa perspectiva e descobrir regras mais complexas que governam nossos circuitos neurais. Sem conhecer todas as partes constituintes, "podemos estar perdendo a beleza dessa estrutura".
Processador cerebral
As intrincadas dobras que cobrem a superfície do cérebro e formam o córtex cerebral (córtex) estão literalmente presas em nosso crânio. Em muitos aspectos, é o microprocessador do cérebro. A camada intermediária de três milímetros de espessura consiste em uma série de módulos repetidos, ou microcircuitos, como uma série de portas lógicas em um chip de computador. Cada módulo consiste em aproximadamente 100.000 neurônios dispostos em uma rede complexa de células interconectadas. Há evidências de que a estrutura básica desses módulos é aproximadamente a mesma em todo o córtex. No entanto, módulos em diferentes regiões do cérebro são especializados para finalidades específicas, como visão, movimento e audição.
Os cientistas têm apenas uma ideia aproximada de como esses módulos se parecem e como funcionam. Eles são amplamente limitados a estudar o cérebro em menor escala: dezenas ou centenas de neurônios. Novas tecnologias projetadas para rastrear a forma, atividade e conectividade de milhares de neurônios só agora permitem que os cientistas comecem a analisar como as células de um módulo interagem umas com as outras; como a atividade em uma parte do sistema pode gerar atividade em outra parte. “Pela primeira vez na história, pudemos pesquisar esses módulos em vez de apenas adivinhar o conteúdo”, diz Vogelstein. "Equipes diferentes têm palpites diferentes sobre o que há dentro."
Os pesquisadores se concentrarão na parte do córtex responsável pela visão. Esse sistema de sentimentos tem sido estudado ativamente por neurofisiologistas, e especialistas em modelagem por computador há muito tempo tentam imitá-lo. “A visão parece simples - basta abrir os olhos - mas ensinar os computadores a fazer o mesmo é muito difícil”, diz David Cox, neurocientista da Universidade de Harvard que lidera uma das equipes da IARPA.
Andreas Tolias (esquerda)
Cada equipe começa com a mesma ideia básica de como a visão funciona: uma velha teoria conhecida como análise por síntese. De acordo com essa ideia, o cérebro faz previsões sobre o que acontecerá no futuro próximo e, em seguida, verifica essas previsões com o que vê. A força dessa abordagem está em sua eficiência - ela requer menos computação do que a recriação contínua de cada momento no tempo.
O cérebro pode realizar análises por meio de síntese de várias maneiras diferentes, então os cientistas estão explorando outra possibilidade. O grupo de Cox vê no cérebro uma espécie de motor físico que usa modelos físicos existentes para simular o mundo como ele deveria ser. A equipe de Tai Sing Lee, junto com George Church, presume que o cérebro tem uma biblioteca embutida de partes - pedaços e pedaços de objetos e pessoas - e ensina as regras de como colocar essas partes juntas. As folhas, por exemplo, geralmente aparecem em galhos. O grupo de Tolias está trabalhando em uma abordagem mais baseada em dados, na qual o cérebro cria expectativas estatísticas para o mundo em que vive. Seu grupo testará diferentes hipóteses sobre como diferentes partes do circuito aprendem a se comunicar.
Todos os três grupos irão monitorar a atividade neural de dezenas de milhares de neurônios no cubo cerebral alvo. Em seguida, vários métodos são usados para criar um diagrama de fiação para essas células. A equipe de Cox, por exemplo, cortará o tecido cerebral em camadas mais finas do que um fio de cabelo humano e analisará cada fatia usando microscopia eletrônica. Os cientistas então colam cada seção transversal em um computador para criar um mapa 3D densamente compactado de como milhões de fios nervosos percorrem o córtex.
Com o mapa e a tabela de atividades em mãos, cada equipe tentará entender as regras básicas que regem o circuito. Em seguida, eles programam essas regras na simulação e medem o quão bem a simulação corresponde ao cérebro real.
Andreas Tolias e colegas mapearam as conexões de pares de neurônios e registraram sua atividade elétrica. A complexa anatomia de cinco neurônios (canto superior esquerdo) pode ser resumida em um diagrama esquemático simples (canto superior direito). Se você passar uma corrente elétrica através do neurônio 2, ela é ativada, lançando uma carga elétrica em duas células ao longo do curso, neurônios 1 e 5 (abaixo)
Tolias e seus colegas já experimentaram essa abordagem. Em um artigo publicado na Science em novembro, eles mapearam as conexões de 11.000 pares de neurônios, revelando cinco novos tipos de neurônios. “Ainda não temos uma lista completa das partes que compõem o córtex, o tipo de células individuais, suas conexões”, diz Koch. “Foi aí que Tolias começou.”
Entre os milhares de conexões neurais, o grupo Tolias descobriu três regras gerais que governam a conexão das células: algumas se comunicam principalmente com neurônios de seu próprio tipo; outros evitam seu próprio tipo, lidando principalmente com outros tipos; o terceiro grupo se comunica apenas com alguns outros neurônios. (O grupo de Tolias definiu suas células com base na anatomia neural, não na função, ao contrário do grupo de Wei Li.) Usando apenas três dessas regras de comunicação, os cientistas foram capazes de reproduzir o circuito com bastante precisão. “O desafio agora é descobrir o que essas regras de comunicação significam algoritmicamente”, diz Tolias. "Que tipo de computação eles estão fazendo?"
Redes neurais baseadas em neurônios reais
A inteligência artificial baseada no cérebro não é uma ideia nova. As chamadas redes neurais que imitam a estrutura básica do cérebro eram extremamente populares na década de 1980. Mas, na época, os cientistas da área não tinham poder computacional e dados sobre como tornar os algoritmos eficientes. E todos esses milhões de fotos com gatos na Internet não eram. E embora as redes neurais tenham experimentado um grande renascimento - hoje em dia já é difícil imaginar a vida sem programas de reconhecimento de voz e rosto, e o computador AlphaGo recentemente venceu o melhor jogador do mundo - as regras que usam redes neurais para mudar suas conexões são quase certamente diferentes daquelas o que o cérebro usa.
As redes neurais modernas "são baseadas no que sabíamos sobre o cérebro na década de 1960", diz Terry Seinowski, neurocientista computacional do Salk Institute em San Diego, que desenvolveu os primeiros algoritmos de rede neural com Jeffrey Hinton, um cientista da Universidade de Toronto. "Nosso conhecimento de como o cérebro é organizado está explodindo nas costuras."
Por exemplo, as redes neurais modernas consistem em uma arquitetura de fluxo direto, onde a informação flui da entrada para a saída através de uma série de camadas. Cada camada é treinada para reconhecer certas características, como olhos ou bigodes. Em seguida, a análise prossegue e cada camada realiza cálculos cada vez mais complexos. Eventualmente, o programa reconhece um gato em uma série de pixels coloridos.
Mas essa estrutura voltada para o futuro carece de um componente importante do sistema biológico: feedback, tanto dentro de camadas individuais quanto de camadas de uma ordem superior com uma inferior. Em um cérebro real, os neurônios em uma camada do córtex estão conectados aos seus vizinhos, bem como aos neurônios nas camadas acima e abaixo, formando uma rede complexa de loops. “O feedback é uma parte extremamente importante das redes corticais”, diz Seinovski. "Existem tantos sinais no feedback quanto conexões feedforward."
Os neurocientistas ainda não entendem completamente o que os loops de feedback fazem, embora saibam que são essenciais para nossa capacidade de foco. Eles nos ajudam a ouvir a voz ao telefone sem nos distrairmos com os sons da cidade, por exemplo. Parte da popularidade da teoria da análise por síntese reside no fato de que ela fornece a base para todos esses compostos repetitivos. Eles ajudam o cérebro a comparar suas previsões com a realidade.
Os pesquisadores da Microns buscam decifrar as regras que governam os loops de feedback - por exemplo, quais células conectam os loops, quais ativam sua atividade e como essa atividade afeta a saída de dados do circuito - e então traduzir essas regras em um algoritmo. “A máquina agora carece de imaginação e introspecção. Acredito que o ciclo de feedback nos permitirá imaginar e auto-analisar em muitos níveis diferentes”, disse Tai Sing Lee.
Talvez um ciclo de feedback um dia venha a dotar as máquinas de recursos que consideramos exclusivos dos humanos. “Se você pudesse implementar um loop de feedback em uma rede profunda, poderia passar de uma rede que só é capaz de um empurrãozinho - fornecendo entrada e saída - para uma rede mais reflexiva que começa a dar sentido a suas entradas e hipóteses de teste.” diz Sejnowski.
A chave para o mistério da consciência
Como todos os programas do IARPA, o projeto Microns é de alto risco. As tecnologias de que os cientistas precisam para mapear em grande escala a atividade neural e os emaranhados existem, mas ninguém as aplicou em tal escala até agora. Os cientistas precisam lidar com grandes quantidades de dados - 1 a 2 petabytes de dados por milímetro cúbico de cérebro. Você provavelmente terá que desenvolver novas ferramentas de aprendizado de máquina para analisar todos esses dados, o que é bastante irônico.
Também não está claro se as lições aprendidas com a pequena mordida no cérebro podem sugerir talentos cerebrais maiores. “O cérebro não é apenas um pedaço de casca de árvore”, diz Sejnowski. "O cérebro é formado por centenas de sistemas especializados para diferentes funções."
O próprio córtex cerebral é composto de links repetidos que têm a mesma aparência. Mas outras partes do cérebro podem funcionar de maneiras muito diferentes. “Se você quiser IA que vai além do simples reconhecimento de padrões, vai precisar de muitas partes diferentes”, diz Seinowski.
Se o projeto for bem-sucedido, porém, fará mais do que analisar dados de inteligência. Um algoritmo bem-sucedido revelará verdades importantes sobre como o cérebro dá significado a este mundo. Em particular, ajudará a confirmar se o cérebro realmente funciona por análise por meio de síntese - que ele compara suas previsões sobre o mundo com os dados que chegam de nossos sentidos. Isso mostrará que um ingrediente-chave na receita para a consciência é uma mistura em constante mudança de imaginação e percepção. Ao construir uma máquina que pode pensar, os cientistas esperam descobrir os segredos do próprio pensamento.
