O Elon Musk, famosamente, já disse: “A Inteligência Artificial é um reflexo do sistema límbico de quem a desenvolve”. Mas, o que ele quer dizer com isso?
Ele está se referindo à influência das motivações e valores humanos na criação e desenvolvimento da inteligência artificial (IA). O sistema límbico é a parte do cérebro humano responsável pelas emoções, motivações e tomada de decisões.
A declaração de Musk destaca que as características da IA podem ser moldadas pela perspectiva, crenças e predisposições dos seus criadores. Ele está alertando para a importância de garantir que a IA seja desenvolvida com valores éticos e humanos sólidos, a fim de evitar possíveis consequências negativas.
A preocupação de Musk está relacionada ao fato de que, se a IA for projetada com base em tendências egoístas, preconceitos ou outros vieses humanos, ela pode refletir essas características em seu comportamento. Por exemplo, se os dados usados para treinar a IA forem enviesados, ela poderá perpetuar discriminações ou tomar decisões que não são socialmente desejáveis. Percebe que o cérebro possui muito mais conexões com a Inteligência Artificial imaginamos?
Iremos ouvir uma frase do protagonista de hoje, Geoffrey Hinton, um psicólogo cognitivo e cientista da computação anglo-canadense, conhecido por seu trabalho sobre redes neurais artificiais. Chamado também de “padrinho da IA”, desde 2013 dividia seu tempo trabalhando para o Google e a Universidade de Toronto, mas recentemente deixou o Google e está na imprensa mundial falando sobre os riscos da IA. Ouça só ele falando sobre a neurociência como chave para entender a IA e não se esqueça de ativar as legendas do YouTube.
“Yes, I’d really like to understand how the brain works. Obviously, if your failed theories about how the brain works lead to good technology and you’re cashing in on that, it gets grants and things. I would really like to know how the brain works, and I think today there’s a divergence between the artificial neural networks that are the basis of all this new AI and how the brain actually works. I think they are going in different routes now”.
“Sim, eu realmente gostaria de entender como o cérebro funciona. Obviamente, se suas teorias falharam sobre como o cérebro funciona levam a uma boa tecnologia e você está lucrando com isso, recebe prêmios e outras coisas. Eu realmente gostaria de saber como o cérebro funciona, e acho que hoje há uma divergência entre as redes neurais artificiais que são a base de toda essa nova IA e como o cérebro realmente funciona. Eu acho que eles estão indo em caminhos diferentes agora ”.
Quando olhamos para a relação histórica entre neurociência e Inteligência Artificial, nós notamos como as duas áreas sempre andaram juntas, de mão dadas. Enquanto a neurociência apoia o desenvolvimento da IA, a IA apoia o desenvolvimento da neurociência. Como funciona isso tudo?
Vamos começar pelas formas em que a neurociência inspira a projetar sistemas da IA. Um, emulando a inteligência humana, e dois, para construir redes neurais que imitam a estrutura do cérebro.
Começando pela primeira parte, avanços recentes em inteligência artificial estão chamando a atenção ao realizar feitos impressionantes, como:
- reconhecimento confiável de objetos, como os carros autônomos da Tesla
- jogar videogames para ganhar dos melhores jogadores de StarCraft
- detectar o câncer de mama mais rápido e melhor do que os médicos
Essas máquinas podem executar tarefas e resolver problemas melhor do que nós, alcançando um desempenho que rivaliza ou até excede a capacidade humana. Por mais impressionantes que possam parecer, eles são projetados apenas para se destacar em suas funções específicas. Ainda estamos há décadas de construir a inteligência artificial geral, que lembramos, é uma inteligência que replica a humana.
Apesar de sua inspiração biológica, esses sistemas de inteligência artificial diferem da inteligência humana de maneiras cruciais. Para uma máquina aprender ou pensar como uma pessoa, ela precisa ser capaz de:
- explicar e entender problemas
- aprender a aprender para adquirir conhecimento
- generalizar o conhecimento para novas tarefas e situações
Em um estudo da KAIST, os pesquisadores desenvolveram um mecanismo computacional e neural para o aprendizado de meta-reforço humano. Como humanos, podemos nos adaptar à complexidade e à incerteza quando tomamos decisões.
Pesquisadores pretendem construir modelos que possam tomar decisões como nós e resolver problemas da mesma forma que os humanos. Suas descobertas abriram a possibilidade de que os avanços na tecnologia podem levar à construção de máquinas mais parecidas com os humanos.
É uma busca contínua a de construir máquinas que tenham habilidades de aprendizagem e cognição verdadeiramente semelhantes às humanas, que possam aprender e pensar como nós. Por exemplo, mesmo com os olhos cobertos, ainda podemos tocar violão bem. Mas para um sistema de inteligência artificial tocar violão em um novo ambiente (ou seja, com os “olhos” cobertos), pode não funcionar tão bem.
Agora, no que tange o segundo ponto, é fato que cientistas da IA se inspiraram na estrutura do cérebro humano para projetar as redes neurais que conhecemos hoje. A ideia de neurônios em redes neurais possuem características semelhantes aos neurônios biológicos no cérebro.
Um cérebro humano contém cerca de 86 bilhões de neurônios, cada um ligado individualmente a outros neurônios. Neurônios biológicos são células: quando um é ativado, gera um pico e envia sinais para outros neurônios.
Como um cérebro humano, a rede neural de aprendizado de máquina também consiste em neurônios interconectados. Quando um neurônio recebe entradas, ele é ativado e envia informações para outros neurônios.
A plasticidade do nosso cérebro nos permite aprender e melhorar nossas habilidades. Cada vez que aprendemos coisas novas, estamos criando e fortalecendo as conexões entre os neurônios. É por isso que quando praticamos uma tarefa, nos tornamos melhores nela.
Da mesma forma, uma rede neural aprende quando a alimentamos com muitos dados. Cada conexão na rede neural está associada a um peso que dita a importância entre os neurônios. Durante o processo de treinamento, os pesos são ajustados de acordo para fortalecer ou enfraquecer a conexão entre os neurônios.
Por exemplo, quando olhamos para a foto de um gato, sabemos que é um gato porque já vimos muitos gatos em nossas vidas. Da mesma forma, se fornecermos às nossas redes neurais imagens de gatos suficientes, elas começarão a reconhecer os gatos.
Mas porque o Geoffrey Hinton diz que ultimamente essa relação está se perdendo? Na mesma entrevista da CBS Morning de onde foi extraída a frase acima, o Geoffrey diz que todos os grandes modelos de IA hoje usam uma técnica chamada “back propagation”, que ele inclusive tornou popular nos anos 80, e não acho que isso seja o que o cérebro faz, ou como ele funciona. Por que isso?
Porque segundo ele tem 2 caminhos fundamentais para inteligência: um caminho é um caminho biológico, onde você tem um hardware não tão desenvolvido, um pouco analógico, e onde o que a gente tem que fazer é se comunicar usando linguagem natural. Só que em vez de saber comunicar uma centena de trilhões de números, você pode comunicar apenas o que você fala numa frase - que não são muitos bits por segundo. Então nós somos muito ruins em comunicar comparados com esses modelos computacionais digitais, cuja comunicação é gigante porque são modelos quase todos iguais rodando em computadores diferentes. E por causa disso, eles conseguem ver um volume absurdamente grande de dados, porque computadores diferentes podem ver dados diferentes, e podem combinar o que eles aprenderam, muito mais do que qualquer pessoa poderia entender.
É fato que ChatGPT sabe muito mais do que qualquer ser humano sabe, mas por exemplo não são tão bons a raciocinar como nós. Porque? Porque nós precisamos extrair nosso conhecimento de muito menos dado.
Qual o segundo caminho para a inteligência? É justamente essa versão atual das redes neurais, onde você tem os mesmos modelos rodando em computadores diferentes, e eles podem compartilhar bilhões de números.
Percebe então como os novos modelos de IA estão se distanciando da forma em que o cérebro funciona? Porque esse segundo caminho funciona apenas em Computadores Digitais, porque cada cérebro biológico é diferente, e o aprendizado não pode ser compartilhado da mesma forma.
Agora, vamos aprender também como a IA está avançando nos estudos da neurociência, nos fazendo entender como funciona o cérebro. Os neurocientistas estão pesquisando como o cérebro humano processa pensamentos e como ele move nossos corpos. Ao saber mais sobre o cérebro, estamos equipados para diagnosticar melhor as doenças mentais e permitir que as pessoas com deficiência melhorem as capacidades de movimento.
O avanço dos sistemas de inteligência artificial pode ajudar a impulsionar a neurociência e desvendar os segredos do cérebro. Ele permite que neurocientistas e pesquisadores construam modelos melhores para simular o cérebro humano.
As redes neurais estão agindo como “cérebros virtuais” que capturam a representação do nosso cérebro. Esses cérebros virtuais podem produzir padrões de atividades neurais que se assemelham aos padrões registrados no cérebro. Esses padrões permitem que os neurocientistas testem hipóteses e observem os resultados de simulações antes de investir mais recursos em testes reais em animais e humanos.
Porém, a maneira como os sistemas de inteligência artificial funcionam é muito diferente do nosso cérebro. As redes neurais são apenas uma analogia aproximada de como o cérebro funciona, ela modela os neurônios como números em uma matriz de alta dimensão. Mas, na realidade, nosso cérebro é uma peça sofisticada de maquinaria biológica que usa atividade química e elétrica. Isso nos torna diferentes das máquinas.
O papel do Machine Learning também é fundamental: A principal força do Machine Learning está na capacidade de reconhecer padrões em dados complexos. A complexidade é especialmente grande quando se trata de analisar nossas mentes humanas. Os sinais do cérebro são realmente complicados. Com o avanço do aprendizado de máquina, os neurocientistas estão desvendando os segredos de como bilhões de neurônios cerebrais trabalham juntos.
A ressonância magnética funcional mede a atividade em nosso cérebro, detectando alterações no fluxo sanguíneo. Ele gera instantâneos de alta dimensão da atividade cerebral a cada segundo. O uso do aprendizado de máquina para analisar dados ajuda a descobrir os padrões nas atividades cerebrais, o que acelera o trabalho de pesquisa.
O Machine Learning também nos ajuda a desenvolver aplicativos que antes não eram considerados possíveis. A Universidade da Coreia projetou um ambiente experimental para controlar um exoesqueleto de membros inferiores. Os usuários podem controlar o exoesqueleto concentrando sua atenção olhando para as luzes piscando.
Como conclusão, podemos dizer que o cérebro humano é a principal inspiração para a construção de inteligência artificial semelhante à humana. Pesquisadores de IA usam ideias da neurociência para construir novos algoritmos, assim como por outro lado, a inteligência artificial acelera a pesquisa em neurociência. Os neurocientistas aprendem com o comportamento de agentes artificiais para interpretar nossos cérebros.
Naturalmente, essas duas disciplinas se encaixam e continuarão a desenvolver os insights uma da outra, e é por isso que é tão importante entender como funciona o cérebro humano tanto quanto um algoritmo de IA.
