Uma pesquisa conduzida por cientistas da Universidade de Oxford, no Reino Unido, apontou diferenças cruciais entre o aprendizado em máquinas e o processo cognitivo humano. Apesar dos recentes e rápidos avanços tecnológicos, o estudo aponta que o cérebro biológico tem uma abordagem mais eficiente do que a inteligência artificial.

A descoberta, publicada neste mês pela revista Nature Neuroscience, pode representar uma mudança na compreensão da aprendizagem. E promete implicações importantes para o desenvolvimento e avanço de sistemas de inteligência artificial inspirados em princípios biológicos. “Prevemos que nossas descobertas possam mudar o modelo de hardware de aprendizado de máquina da próxima geração e ser mais próximo do cérebro e potencialmente muito mais eficiente”, afirmam os pesquisadores.

Nos sistemas de inteligência artificial, destaca o estudo, a retropropagação é o método predominante. Por esse modelo, a diferença entre a informação desejada e a produzida pela rede neural é retroativamente transmitida para ajustar os chamados pesos sinápticos. Esses pesos estão ligados às forças ou à eficácia das conexões entre os neurônios em uma rede neural.

Diferentemente das máquinas, que ajustam as conexões após o erro, a pesquisa sugere que o cérebro biológico utiliza a “configuração prospectiva”. Nesse processo, a atividade neural é estabelecida antes das modificações nos pesos sinápticos, preservando o conhecimento existente e acelerando o processo de aprendizado. Simulados em computadores, os modelos que adotam essa configuração aprendem de maneira mais rápida e eficaz do que as redes neurais artificiais. Isso ocorre especialmente em tarefas desafiadoras encontradas por animais e humanos na natureza.

O SALMÃO E O URSO.

Os pesquisadores ilustram a eficácia da configuração prospectiva com o exemplo da pesca de salmão por um urso. Em situações onde um sentido, como a audição, está comprometido, a configuração prospectiva permite que o conhecimento persista. Ou seja, o urso seguirá na tentativa de pescar o salmão, já que os demais conhecimentos prévios estão intactos.

Já em grande parte dos modelos de redes neurais artificiais, uma interferência desse tipo pode significar prejuízos em todo o sistema. Nesse caso, seguindo o exemplo, o urso não teria capacidade de continuar a tentativa de pesca.

Segundo o professor associado do Núcleo Interdisciplinar de Neurociência Aplicada da Universidade Federal do ABC (UFABC), João Ricardo Sato, embora amplamente utilizada, a retropropagação ainda é limitada. “É pouco adaptativa e relativamente lenta quando comparada aos sistemas biológicos como o cérebro”, diz. •