Modelagem de Redes Neurais Artificiais (ANNs) Inspiradas em Cérebros de Animais

O neurocientista do Cold Spring Harbor Laboratory (CSHL), Anthony Zador, demonstrou que a evolução e os cérebros dos animais podem ser usados como inspiração para o aprendizado de máquina. Isso pode ser benéfico para ajudar a inteligência artificial (IA) a resolver muitos problemas diferentes.

De acordo com o neurocientista do CSHL, Anthony Zador, a inteligência artificial (IA) pode ser grandemente melhorada olhando para os cérebros dos animais. Com essa abordagem, os neurocientistas e os que trabalham no campo da IA têm uma nova maneira de resolver alguns dos problemas mais prementes da IA.

Anthony Zador, M.D., Ph.D., dedicou grande parte de sua carreira a explicar as complexas redes neurais dentro do cérebro vivo. Ele vai até o nível do neurônio individual. No início de sua carreira, ele se concentrou em algo diferente. Ele estudou redes neurais artificiais (ANNs). As ANNs são sistemas de computação que foram a base de muitos de nossos desenvolvimentos no setor de IA. Elas são modeladas após as redes presentes em ambos os cérebros animal e humano. Até agora, é onde o conceito parou.

Um artigo de perspectiva recente, escrito por Zador, foi publicado na Nature Communications. Nesse artigo, Zador detalhou como novos e melhorados algoritmos de aprendizado estão ajudando os sistemas de IA a se desenvolver a um ponto em que eles superam grandemente os humanos. Isso acontece em uma variedade de tarefas, problemas e jogos como xadrez e pôquer. Embora alguns desses computadores sejam capazes de performar tão bem em uma variedade de problemas complexos, eles são frequentemente confundidos por coisas que os humanos considerariam simples.

Se os que trabalham nesse campo conseguirem resolver esse problema, os robôs poderiam alcançar um ponto de desenvolvimento em que eles pudessem aprender a fazer coisas extremamente naturais e orgânicas, como perseguir presas ou construir um ninho. Eles poderiam até fazer algo como lavar a louça, o que provou ser extremamente difícil para os robôs.

“As coisas que achamos difíceis, como pensamento abstrato ou jogar xadrez, não são realmente difíceis para as máquinas. As coisas que achamos fáceis, como interagir com o mundo físico, é o que é difícil”, explicou Zador. “O motivo pelo qual achamos que é fácil é que tivemos meio bilhão de anos de evolução que conectou nossos circuitos de forma que fazemos isso sem esforço.”

Zador acredita que, se queremos que os robôs alcancem um aprendizado rápido, algo que mudaria tudo no setor, talvez não devamos olhar apenas para um algoritmo de aprendizado geral perfeito. O que os cientistas e outros devem fazer é olhar para as redes neurais biológicas que nos foram dadas pela natureza e evolução. Essas poderiam ser usadas como base para construir um aprendizado rápido e fácil de tarefas específicas, tarefas que são importantes para a sobrevivência.

Zador fala sobre o que podemos aprender com esquilos que vivem em nossos próprios quintais, se apenas olharmos para a genética, redes neurais e predisposição genética.

“Você tem esquilos que podem pular de árvore em árvore dentro de algumas semanas após o nascimento, mas não temos camundongos aprendendo a mesma coisa. Por quê?” disse Zador. “É porque um é geneticamente predeterminado para se tornar uma criatura que vive em árvores.”

Zador acredita que uma coisa que pode vir da predisposição genética é a circuitaria inata que está dentro de um animal. Isso ajuda o animal e guia seu aprendizado inicial. Um dos problemas em anexar isso ao mundo da IA é que as redes usadas no aprendizado de máquina, aquelas que são perseguidas por especialistas em IA, são muito mais generalizadas do que as encontradas na natureza.

Se formos capazes de chegar a um ponto em que as ANNs alcancem um ponto de desenvolvimento em que possam ser modeladas após as coisas que vemos na natureza, os robôs poderiam começar a fazer tarefas que, em um ponto, eram extremamente difíceis.