Os sistemas de inteligência artificial de hoje podem derrotar os campeões em jogos desafiadores como xadrez, go e
Texas Hold'em . Nos simuladores de vôo, eles podem abater os melhores pilotos. Eles são superiores aos médicos humanos na criação de pontos cirúrgicos precisos e no diagnóstico de câncer. Mas, em alguns casos, uma criança de três anos fornece facilmente a melhor IA do mundo: quando a competição é conectada a um treinamento tão rotineiro que as pessoas nem suspeitam disso.
Esse pensamento ocorreu a David Cox, um neurocientista de Harvard, especialista em IA, orgulhoso pai de uma filha de três anos, quando notou um esqueleto de pernas longas no Museu de História Nacional, apontou o dedo para ele e disse: "Camelo!" Seu único encontro com um camelo ocorreu vários meses antes, quando seu pai lhe mostrou um camelo desenhado em um livro de figuras.
Os pesquisadores de IA chamam essa capacidade de identificar um objeto de um único exemplo de "aprender de cada vez" e têm inveja das habilidades dos pequenos. Os sistemas atuais de IA aprendem de uma maneira completamente diferente. De acordo com um sistema de treinamento autônomo chamado “aprendizado profundo”, o programa recebe uma série de dados para tirar conclusões. Para treinar a IA que reconhece camelos, o sistema deve digerir milhares de imagens de camelos - desenhos, diagramas anatômicos, fotografias de camelos de uma e duas corcovas - todas as imagens rotuladas como "camelo". A IA também precisará de milhares de outras fotos marcadas como "não é um camelo". E quando ele passar por todos esses dados e determinar as características distintivas do animal, ele se tornará um excelente identificador para os camelos. Mas a filha de Cox terá tempo de mudar para girafas e ornitorrincos.
Cox mencionou sua filha, explicando um programa do governo dos EUA chamado Machine Intelligence da Cortical Networks, Microns. Seu objetivo ambicioso é fazer engenharia reversa da inteligência humana para que os programadores possam criar IA aprimorada. Primeiro, os neurocientistas precisam descobrir quais estratégias computacionais entram na matéria cinzenta do cérebro; a equipe que trabalha com os dados os traduzirá em algoritmos. Uma das principais tarefas da IA final será o treinamento de cada vez. "As pessoas têm uma excelente oportunidade de tirar conclusões e generalizar", diz Cox, "e é isso que estamos tentando entender".
O programa de cinco anos, que recebeu US $ 100 milhões em financiamento da
Agência de Inteligência (IARPA), concentra-se no córtex visual, a parte do cérebro que processa informações visuais. Trabalhando com camundongos e ratos, as três equipes da Microns planejam apresentar o layout dos neurônios em um milímetro cúbico de tecido cerebral. Isso pode não parecer tão impressionante, mas esse cubo contém cerca de 50.000 neurônios conectados entre si através de 500 milhões de conexões, sinapses. Os pesquisadores esperam que uma compreensão clara de todas as conexões permita identificar os "circuitos" neurais que são ativados durante o trabalho do córtex visual. O projeto requer um sistema especial de neuroimagem, mostrando neurônios individuais com uma resolução no nível de nanômetros, o que ainda não foi alcançado para uma porção do cérebro desse tamanho.
Embora representantes de vários institutos trabalhem em cada equipe da Microns, a maioria dos membros da equipe, liderada por Cox, professor assistente de biologia molecular e celular e ciência da computação em Harvard, trabalha no mesmo prédio no território de Harvard. Durante uma caminhada pelo laboratório, você pode observar roedores ocupados com tarefas no "clube do jogo" para ratos; uma máquina que corta o cérebro como o melhor cortador automático de salsicha; um dos microscópios mais rápidos e poderosos do planeta. Com esses equipamentos trabalhando ao máximo e com enormes investimentos em força humana, Cox acredita que eles têm todas as chances de decifrar o código desse infeliz milímetro cúbico.
Tente imaginar esse enorme poder do cérebro humano. Para processar informações sobre o mundo e manter o funcionamento do corpo, os impulsos elétricos passam por 86 bilhões de neurônios espremidos nos tecidos esponjosos dentro do crânio. Cada neurônio possui um longo
axônio que se enrola nesse tecido e permite a conexão com milhares de outros neurônios, resultando em trilhões de conexões. Desenhos de impulsos elétricos se correlacionam com todos os sentidos e sensações de uma pessoa: movimento dos dedos, digestão do almoço, apaixonar-se ou reconhecer um camelo.
Microscópio laser de dois fótons. Um laser infravermelho examina o tecido cerebral de um animal vivo que executa uma tarefa específica. Quando dois fótons atingem simultaneamente um neurônio, um rótulo fluorescente emite um fóton com um comprimento de onda diferente. O microscópio grava vídeo com esses flashes (acima). "Você pode ver como o rato pensa", diz David Cox.Os programadores tentam imitar a função cerebral desde os anos 40, quando criaram estruturas de software chamadas redes neurais artificiais. A maioria das melhores IAs modernas usa alguma forma moderna dessa arquitetura: redes neurais profundas, redes neurais convolucionais, redes neurais de feedback, etc. Essas redes, criadas com base na estrutura do cérebro, consistem em muitos nós computacionais, neurônios artificiais que executam pequenas tarefas específicas e são conectados uns aos outros para que todo o sistema possa realizar coisas impressionantes.
As redes neurais não conseguiram copiar o cérebro anatômico com mais precisão, uma vez que a ciência ainda não possui informações básicas sobre o layout do sistema nervoso. Jacob Vogelstein, gerente de projetos da Microns na IARPA, diz que os pesquisadores geralmente trabalhavam em uma escala micro ou macro. "Usamos ferramentas que rastreavam neurônios individuais ou coletavam sinais de grandes áreas do cérebro", diz ele. "Existe uma grande lacuna na compreensão das operações no nível do circuito - como milhares de neurônios trabalham juntos para processar informações".
A situação mudou graças às recentes descobertas tecnológicas que permitiram aos neurocientistas construir mapas "
conectômatos " que revelam muitas conexões entre neurônios. Mas os mícrons precisam mais do que apenas um diagrama de conexão estática. A equipe deve demonstrar como essas conexões são ativadas quando o roedor vê, aprende e lembra. "É muito parecido com o modo como uma pessoa tenta entender a operação de um circuito eletrônico", diz Vogelstein. "O chip pode ser examinado em detalhes, mas você não entenderá o que deve fazer até ver como funciona".
Para a IARPA, um resultado real será obtido se os pesquisadores puderem rastrear o padrão de neurônios envolvidos no reconhecimento e traduzi-lo em uma arquitetura mais cerebral de redes neurais artificiais. "Esperamos que as estratégias computacionais do cérebro possam ser reproduzidas em termos de matemática e algoritmos", diz Vogelstein. O governo acredita que os sistemas de IA que funcionam de maneira semelhante ao cérebro serão capazes de lidar melhor com tarefas reais do que seus antecessores. Obviamente, entender como o cérebro funciona é uma tarefa nobre, mas as agências de inteligência querem que a IA aprenda rapidamente a reconhecer não apenas um camelo, mas também um rosto meio oculto na estrutura granulada de uma câmera de vigilância.
Um “clube de jogos” para ratos Cox é uma pequena sala na qual quatro caixas pretas do tamanho de um microondas são empilhadas umas sobre as outras. Em cada caixa, há uma face de rato na tela e na frente do nariz há duas torneiras.
No Laboratório Nacional de Argonne, o síncrotron da APS acelera elétrons e colide com um fio de metal, produzindo raios-X extremamente brilhantes que se concentram em um pequeno pedaço de tecido cerebral. Imagens de raios-X tiradas de vários ângulos são combinadas para criar uma imagem tridimensional mostrando cada neurônio dentro de uma peça.
Neurônios no tecido cerebralNo experimento atual, os ratos estão tentando lidar com uma tarefa difícil. A tela mostra imagens tridimensionais criadas por um computador. Estes não são alguns objetos do mundo exterior, apenas formas abstratas irregulares. Quando o rato vê o Objeto A, ele deve lamber a torneira esquerda para obter uma gota de suco doce. Quando ela vir o objeto B, o suco estará na torneira certa. Mas os objetos são mostrados de diferentes ângulos; portanto, o rato precisará transformar cada objeto em sua mente e decidir se se refere a A ou B.
As sessões de treinamento são diluídas ao tirar fotos para as quais os ratos são transportados pelo corredor para outro laboratório, onde há um grande microscópio, coberto com pano preto e parecendo um equipamento fotográfico antiquado. A equipe usa um microscópio a laser de dois fótons para estudar o córtex visual de um animal quando olha para uma tela em que dois objetos familiares A e B são mostrados sob diferentes ângulos. O microscópio registra flashes e brilhos que ocorrem quando o laser atinge neurônios ativos, e um vídeo tridimensional mostra fotos semelhantes a vaga-lumes verdes piscando em uma noite de verão. Cox quer saber como esses padrões mudam quando um animal se torna um especialista nessa tarefa.
A resolução do microscópio não é boa o suficiente para ver axônios conectando neurônios entre si. Sem essa informação, os cientistas não podem determinar como um neurônio ativa o próximo para criar um circuito de processamento de informações. Para fazer isso, o animal deve ser morto e o cérebro deve ser estudado mais de perto.
Os pesquisadores esculpiram um pequeno cubo no córtex visual que a FedEx entrega ao Laboratório Nacional de Argonne. Lá, o acelerador de partículas usa uma poderosa radiação de raios X para construir um mapa tridimensional mostrando neurônios individuais, outros tipos de células cerebrais e vasos sanguíneos. Os axônios conectados no cubo também não são visíveis neste mapa, mas ajuda mais tarde quando os pesquisadores comparam imagens de um microscópio de dois fótons com imagens obtidas de microscópios eletrônicos. "Para nós, um raio-x é uma
pedra de Rosetta ", diz Cox.
Então, um pedaço do cérebro retorna ao laboratório de Jeff Lichtman, em Harvard, professor de biologia molecular e celular, um dos principais especialistas em conectividade cerebral. A equipe de Lichtman pega esse milímetro cúbico do cérebro e o corta com uma máquina em 33.000 peças de 30 nm de espessura. Essas folhas mais finas são coletadas em tiras de filme e colocadas em um substrato de silício. Os pesquisadores então usam um dos microscópios eletrônicos mais rápidos do mundo, que envia 61 feixes de elétrons para cada amostra de tecido e mede a dispersão de elétrons. Uma máquina do tamanho de uma geladeira funciona 24 horas e produz imagens de cada fatia com uma resolução de 4 nm.
Cada imagem se assemelha a uma seção de um cubo de espaguete bem compactado. Um sistema de processamento de imagem de software coleta fatias em ordem e rastreia cada fio de espaguete que vai de uma fatia para outra, fazendo esboços de todo o comprimento do axônio de cada um dos neurônios, juntamente com milhares de conexões com outros neurônios. Mas o software às vezes perde um fio ou confunde um com o outro. As pessoas são melhores em computadores do que em computadores, diz Cox. "Infelizmente, o processamento de tantos dados não é suficiente para pessoas em todo o mundo". Os programadores de Harvard e do MIT estão trabalhando na tarefa de rastreamento que eles precisam resolver para construir um diagrama preciso da estrutura do cérebro.
Sobrepondo esse diagrama em um mapa de atividade cerebral obtido com um microscópio de dois fótons, é possível detectar estruturas cerebrais computacionais. Por exemplo, essa combinação deve mostrar quais neurônios no circuito, acionados quando o rato vê um objeto estranho, o vira mentalmente de cabeça para baixo e decide que ele se parece mais com o objeto A.
Outro problema difícil que a equipe de Cox enfrenta é a velocidade. Na primeira fase do projeto, que terminou em maio, cada equipe precisou mostrar os resultados de um estudo de um pedaço de tecido cerebral medindo 100 micrômetros cúbicos de tamanho. Com uma fatia tão reduzida, a equipe de Cox concluiu o estágio com microscopia eletrônica e reconstrução em duas semanas. Na segunda fase, as equipes precisam aprender a processar peças do mesmo tamanho em poucas horas. A escala de 100 μm
3 a 1 mm
3 resulta em um aumento de mil vezes no volume. Portanto, a Coca-Cola está obcecada em automatizar todas as etapas do processo, desde o treinamento de ratos com vídeo até o rastreamento de conectomos. "Esses projetos da IARPA fazem a ciência parecer engenheiros", diz ele. "Precisamos girar a manivela muito rapidamente."
Acelerar os experimentos permite que a equipe de Cox teste mais teorias relacionadas à estrutura do cérebro, o que ajudará os pesquisadores de IA. No aprendizado de máquina, o programador define a arquitetura geral da rede neural e o próprio programa decide como vincular os cálculos em uma sequência. Portanto, os pesquisadores planejam treinar ratos e redes neurais na mesma tarefa visual e comparar padrões e resultados de comunicação. "Se notarmos alguns padrões nas conexões cerebrais e não nos modelos, pode ser uma dica de que estamos fazendo algo errado", diz Cox.
Uma área de pesquisa inclui regras de treinamento cerebral. Acredita-se que o reconhecimento de objetos ocorra através do processamento hierárquico, no qual o primeiro conjunto de neurônios recebe as cores e a forma primárias, o próximo conjunto encontra as arestas para separar o objeto do fundo e assim por diante. Quando um animal aprende a lidar melhor com a tarefa de reconhecimento, os pesquisadores podem perguntar: qual dos conjuntos de neurônios na hierarquia muda mais sua atividade? E quando a IA começa a lidar melhor com a mesma tarefa, sua rede neural muda da mesma maneira que a rede neural do rato?
A IARPA espera que as descobertas sejam aplicáveis não apenas à visão computacional, mas ao aprendizado de máquina em geral. "Estamos todos agindo aleatoriamente, mas nossa sorte é apoiada por evidências", diz Cox. Ele observa que o córtex cerebral, a camada externa do tecido nervoso em que ocorre o reconhecimento de alto nível, tem uma estrutura "suspeita idêntica" em todo o volume. Essa uniformidade força os neurocientistas e especialistas em IA a acreditar que, no processamento de informações no cérebro, um esquema de conexão fundamental pode ser usado, que eles planejam detectar. A definição de um tal esquema protótipo pode ser um passo à frente na IA de uso geral.
Enquanto isso, a equipe de Cox gira a manivela, tentando fazer com que os procedimentos testados e testados funcionem mais rapidamente, outro pesquisador da Microns está trabalhando em uma ideia radical. Se funcionar, diz George Church, professor do Harvard Institute of Biology, inspirado em tecnologia. Wyssa, ela pode revolucionar a ciência do cérebro.
Church lidera a equipe de Microns com Tai Sing Lee, da Universidade Carnegie Malon, em Pittsburgh. Church é responsável por marcar a conexão, e sua abordagem é notavelmente diferente de outras equipes. Ele não usa um microscópio eletrônico para rastrear as conexões dos axônios. Ele acredita que essa tecnologia é muito lenta e produz muitos erros. Ele diz que quando você tenta rastrear axônios em um milímetro cúbico de tecido, os erros se acumulam e contaminam os dados da conexão.
O método de Church não depende do comprimento do axônio ou do tamanho da parte estudada do cérebro. Ele usa camundongos geneticamente modificados e uma tecnologia chamada "
DNA barcoding " que marca cada neurônio com um identificador genético exclusivo que pode ser lido tanto na margem de seus dendritos quanto no final de seu longo axônio. "Não importa o tamanho do seu axônio", diz ele. "Com o código de barras, você encontra duas extremidades, e como tudo está confuso no meio não importa." Sua equipe usa fatias de tecido cerebral mais grossas que a de Cox - 20 μm em vez de 30 nm - porque não precisam se preocupar em perder o caminho exato da passagem do axônio entre as fatias. As máquinas de sequenciamento de DNA registram todos os códigos de barras presentes em uma determinada fatia e, em seguida, o programa processa listas de informações genéticas e cria um mapa mostrando quais neurônios estão associados.
Church e seu colega Anthony Zador, professor de neurociência do Cold Spring Harbor Laboratory em Nova York, provaram em experimentos anteriores que as tecnologias de código de barras e seqüenciamento funcionam, mas ainda não coletaram dados em um mapa completo de conectividade necessário para trabalhar no projeto Microns. . Se a equipe conseguir fazer isso, Church diz que Microns será apenas o começo de suas tentativas de construir um mapa cerebral: então ele quer construir um diagrama de todas as conexões em todo o cérebro do mouse, no qual você pode encontrar 70 milhões de neurônios e 70 bilhões de conexões. "Trabalhar com um milímetro cúbico significa ser extremamente míope", diz Church. "Meus planos não param por aí."
Um mapa da região do cérebro com base no código de barras do RNA
Máquina de sequenciamentoEsses mapas em larga escala podem contribuir para o surgimento de novas idéias para o desenvolvimento da IA que emulam completamente o cérebro biológico.
Mas Church, desempenhando o papel de provocador, imagina uma maneira diferente de desenvolver computadores: ele diz que você precisa parar de tentar criar cópias de silício do cérebro e construir um cérebro biológico que possa lidar melhor com as tarefas de computação do que o humano. "Acho que em breve teremos a oportunidade de nos envolver em neurobiologia sintética e criar versões modificadas de cérebros biológicos", diz ele. E embora os computadores de silício superem os sistemas biológicos na velocidade do processamento de informações, Church imagina um cérebro artificial, suplementado por circuitos especiais que aceleram seu trabalho.Church estima que o projeto de engenharia reversa do cérebro de Microns pode não ser bem-sucedido. Ele diz que o cérebro é tão complicado que, mesmo que os pesquisadores possam construir essas máquinas, eles podem não entender completamente todos os segredos do cérebro - e isso não é assustador. "Acho que a compreensão é um fetiche de cientistas", diz Church. "Pode acontecer que criar um cérebro seja mais fácil do que entendê-lo".