A combinação de IA e ciência do cérebro promete benefícios para ambas as áreas
Cetan Pandarinah quer dar às pessoas com membros paralisados a oportunidade de operar objetos com a ajuda de um braço robótico tão naturalmente quanto com o seu. Para atingir esse objetivo, ele coletou registros de atividade cerebral em pessoas com paralisia. Sua esperança, que muitos pesquisadores compartilham, é que seja possível estabelecer padrões de atividade elétrica nos neurônios que controlam o movimento da mão, para que essas instruções possam ser submetidas à prótese. Esta é essencialmente uma leitura do pensamento.
"Acontece que esses sinais cerebrais são muito difíceis de entender", disse um engenheiro biomédico do Instituto de Tecnologia da Geórgia em Atlanta Pandarin. Em busca de uma solução para o problema, ele se voltou para a IA. Ele usou suas gravações da atividade cerebral para treinar uma rede neural artificial - arquitetura de computadores, cuja idéia foi emprestada do cérebro, e colocou diante dela a tarefa de reproduzir dados.
Registros foram feitos em um pequeno grupo de neurônios no cérebro - cerca de 200 de 10 a 100 milhões de neurônios que controlam o movimento das mãos humanas. Para que uma amostra tão pequena fizesse sentido, o computador precisou encontrar padrões que os pesquisadores chamam de fatores ocultos que controlam o comportamento geral da atividade cerebral registrada. Este estudo revelou a dinâmica temporal da atividade neural, gerando um conjunto mais preciso de instruções para o movimento da mão do que os métodos anteriores. "Agora podemos dizer com precisão de milissegundos que no momento o animal experimental está tentando se mover nesse ângulo exato", explica Pandarinakh, "é exatamente isso que precisamos saber para controlar o braço robótico".
Seu trabalho é apenas um exemplo da crescente interação entre IA e ciência cognitiva. A IA, com sua capacidade de identificar padrões em conjuntos de dados grandes e complexos, fez um progresso notável na última década, emulando especialmente o processo pelo qual o cérebro realiza certos cálculos. As RNAs, semelhantes às redes de neurônios que compõem o cérebro, deram aos computadores a capacidade de distinguir a imagem de um gato de outras imagens, identificar pedestres com precisão suficiente para dirigir veículos não tripulados e também reconhecer a fala e responder a ela. Agora, a ciência cognitiva está começando a se beneficiar do poder da IA, tanto como modelo para desenvolver e testar idéias sobre como o cérebro realiza cálculos quanto como ferramenta para processar matrizes de dados complexas, obtidas em estudos como os realizados por Pandarinakh. "A tecnologia fez uma revolução completa em seu desenvolvimento e agora está sendo aplicada para entender como o próprio cérebro funciona", diz ele [
Chethan Pandarinath Pub. ] É provável que esse ciclo de amplificação mútua continue. Como a IA permite que os neurocientistas tenham uma idéia de como o cérebro realiza cálculos, suas pesquisas adicionais podem levar a máquinas que podem absorver mais da inteligência humana.
Naturalmente, as duas disciplinas se combinam, diz Manesh Sahani, teórico neurocientista e pesquisador de aprendizado de máquina do Departamento de Neurobiologia Computacional de Gatsby, University College London. “Estudamos a mesma coisa efetivamente. Em um caso, perguntamos como resolver esse problema de aprendizado matematicamente, para que ele possa ser efetivamente implementado em uma máquina. Em outro caso, estamos analisando a única evidência de que um problema pode ser resolvido é o cérebro “[
Maneesh Sahani Pub. ]
Trabalhar com dados
Os métodos de IA são úteis não apenas para criar modelos e gerar idéias, mas também como ferramentas para o processamento de dados. “Os dados neurais são muito complexos e, por isso, costumamos usar métodos de aprendizado de máquina apenas para encontrar uma estrutura neles”, diz Sahani. O principal poder do aprendizado de máquina é reconhecer padrões que podem ser muito sutis ou muito ocultos em grandes conjuntos de dados para que as pessoas possam detectar.
A ressonância magnética funcional, por exemplo, gera imagens de atividade em todo o cérebro com uma resolução de 1-2 milímetros a cada segundo, aproximadamente por horas. "A tarefa da neurobiologia cognitiva é como encontrar um sinal útil em imagens muito, muito grandes", diz Nicholas Turk-Brown, neurocientista cognitivo da Universidade de Yale, em New Haven, Connecticut. Turk-Brown lidera um dos vários projetos que buscam novas idéias na interseção de ciência de dados e neurociência [
Nicholas B Turk-Browne Pub. ]
Usar uma máquina para analisar esses dados acelera a pesquisa. "Essa é uma grande mudança na maneira como as pesquisas neurobiológicas são feitas", disse David Susillo, uma calculadora neural da equipe do Google Brain em San Francisco, Califórnia. “Os estudantes de pós-graduação não precisam realizar trabalhos de rotina desnecessários - eles podem se concentrar em questões maiores. Você pode automatizar muito e obter resultados mais precisos. ”
Reprodução de sentimentos
Criar um sistema artificial que reproduzisse dados cerebrais foi uma abordagem adotada por Daniel Yamins, um neurocientista computacional do Instituto de Neurociência Wu Tsai da Universidade de Stanford. Em 2014, quando Yamins, depois de receber seu doutorado no Massachusetts Institute of Technology em Cambridge, e seus colegas treinaram a rede neural para prever a atividade cerebral de um macaco quando reconheceu certos objetos [
Yamins, DLK et al., 2014 ]. O reconhecimento de objetos em humanos e macacos é realizado pelo sistema cerebral chamado
fluxo visual ventral , que possui duas características arquitetônicas principais. Primeiro, é a
retinotopia , o que significa que as vias de processamento visual no cérebro são organizadas de tal maneira que o olho percebe informações visuais. Em segundo lugar, o sistema é hierárquico; certas áreas do córtex executam tarefas cada vez mais complexas, de uma camada que identifica apenas os contornos dos objetos a uma camada superior que reconhece um objeto inteiro, como um carro ou um rosto. Os detalhes de como as camadas superiores funcionam são desconhecidos, mas, como resultado, o cérebro pode reconhecer um objeto em várias posições, sob diferentes condições de iluminação, quando possui um tamanho diferente devido a diferentes distâncias e mesmo quando está parcialmente oculto. Os computadores geralmente não conseguem lidar com essas dificuldades.
Jamins e seus colegas construíram sua rede neural de aprendizado profundo de acordo com a mesma arquitetura hierárquica retinotópica que o cérebro, e mostraram milhares de imagens de 64 objetos que diferiam em características como tamanho e posição. Quando a rede aprendeu a reconhecer objetos, desenvolveu vários padrões possíveis de atividade neural. Os pesquisadores então compararam esses padrões de computador com os padrões registrados nos neurônios de macacos no momento em que estavam realizando uma tarefa semelhante. Verificou-se que aquelas opções de rede que melhor reconheciam objetos tinham padrões de atividade mais próximos dos padrões do cérebro dos macacos. "Descobrimos que a estrutura neural é simulada na estrutura da rede", diz Jamins. Os pesquisadores foram capazes de comparar áreas de sua rede com áreas do cérebro com quase 70% de precisão.
Os resultados confirmaram que a arquitetura do fluxo visual ventral é muito importante para o processo de reconhecimento no sistema visual do cérebro. Em 2018, Jamins e colegas fizeram uma descoberta semelhante ao explorar o córtex auditivo, para o qual criaram uma rede neural de aprendizado profundo que podia identificar palavras e gêneros de música em clipes de 2 segundos com a mesma precisão que os seres humanos [
Kell, AJE et al. 2018 ]. Isso ajudou os pesquisadores a determinar quais áreas do córtex cerebral realizam reconhecimento de fala e quais reconhecem a música - um novo passo para entender o sistema auditivo do cérebro.
Os neurocientistas ainda estão longe de entender como o cérebro lida com uma tarefa como a distinção entre jazz e música rock, mas o aprendizado de máquina lhes dá a oportunidade de construir modelos com os quais explorar essas questões. Se os pesquisadores podem criar sistemas que funcionam de maneira semelhante ao cérebro, diz Jamins, sua estrutura pode sugerir idéias sobre como o cérebro resolve esses problemas. Isso é importante porque os cientistas geralmente não têm uma hipótese de trabalho sobre como o cérebro funciona [
Daniel Yamins Pub. ]
Depois que os pesquisadores construíram uma hipótese, o próximo passo é testá-la. Alterando os parâmetros dos modelos de IA, você pode ter uma idéia da atividade do cérebro e ver quais fatores podem ser importantes para uma tarefa específica. Os pesquisadores são limitados por considerações éticas em termos de quanto eles podem interferir nos processos em um cérebro humano saudável. Portanto, muitas gravações da atividade neural em humanos são feitas no cérebro daqueles que sofrem de epilepsia e que precisam remover o tecido cerebral. Isso se deve ao fato de permitir a implantação de eletrodos no tecido cerebral, que será removido em qualquer caso. Animais experimentais permitem que os pesquisadores usem procedimentos mais invasivos, mas existem formas de comportamento humano, em particular a fala, que não podem ser reproduzidas por outras espécies. Os sistemas de IA que podem imitar o comportamento humano e serem submetidos a qualquer tipo de impacto sem causar problemas éticos fornecerão aos cientistas ferramentas adicionais para estudar como o cérebro funciona. Pesquisadores, por exemplo, podem ensinar uma rede a reproduzir a fala e depois degradá-la para investigar como isso está relacionado à exposição (outro exemplo interessante de modelagem de sentimentos em redes neurais - sentimentos de números é apresentado nesta
publicação em Habré -
nota do tradutor ).
Considerações gerais
As ciências da computação e cognitivas resolvem algumas questões importantes, e entender como respondê-las em qualquer uma dessas áreas pode levar ao progresso em ambas as áreas. Uma dessas perguntas é exatamente como está treinando? As redes neurais realizam principalmente aprendizado supervisionado - treinamento com um professor. Por exemplo, para reconhecimento de imagem, eles podem ser treinados usando imagens obtidas no banco de dados ImageNet, que consiste em mais de 14 milhões de fotografias de objetos que foram classificados e anotados por pessoas. Durante o treinamento, a rede cria uma descrição estatística do que as imagens com o mesmo rótulo têm em comum - por exemplo, "gato". Quando as redes apresentam uma nova imagem, é verificada a presença de atributos numéricos semelhantes; se houver uma correspondência, a imagem será declarada pelo gato.
Obviamente, não é assim que as crianças aprendem, diz Tomaso Poggio, especialista em cálculo neural do Centro de Cérebro, Mente e Máquinas, que faz parte do Instituto de Tecnologia de Massachusetts. "Uma criança vê cerca de um bilhão de imagens nos dois primeiros anos de vida", diz ele. Mas apenas algumas dessas imagens são rotuladas ou nomeadas. "Ainda não sabemos como lidar com isso", diz Poggio, "e como criar máquinas que aprendem principalmente com dados não marcados".
Seu laboratório está na fase inicial do projeto, o que permitirá à rede neural realizar treinamento sem um professor, para encontrar padrões em vídeos não marcados. "Sabemos que animais e humanos podem fazer isso", diz Poggio. - "A questão é como?"
Jamins aborda a questão da aprendizagem sem professores, desenvolvendo programas que se comportam como crianças em um jogo, entrevistam seus arredores através de interações aleatórias e gradualmente desenvolvem uma compreensão de como o mundo funciona. Essencialmente, ele programa a curiosidade para motivar o computador a explorar o ambiente, na esperança de que novos padrões de comportamento surjam.
Outra questão não resolvida é se certos aspectos da inteligência são uma evolução "estabelecida". Por exemplo, as pessoas provavelmente estão predispostas a enfrentar o reconhecimento, as crianças fazem isso desde as primeiras horas de vida. Talvez, sugere Poggio, nossos genes codifiquem um mecanismo para o aprendizado rápido e precoce dessa tarefa. Decifrar se essa idéia está correta pode permitir que os cientistas planejem uma maneira de ajudar as máquinas a aprender. Outros pesquisadores estão estudando os fundamentos neurais da moralidade. "As pessoas têm medo de carros 'maus'", diz Poggio. "Nós provavelmente precisamos entender melhor como nosso comportamento moral surge se queremos construir bons carros, máquinas éticas". [
Tomaso Poggio Pub. ]
Jamins diz que é difícil entender como a neurociência sozinha pode descobrir como o aprendizado funciona sem um professor. "Se você não tem uma solução de IA, se não tem nada que funcione artificialmente, não pode ter um modelo cerebral", diz ele. Provavelmente, ele acredita, os cientistas da IA encontrarão uma ou mais soluções que os neurocientistas poderão testar.
A resposta para esses quebra-cabeças ajudará a criar máquinas mais inteligentes, capazes de aprender em seu ambiente, e que podem combinar a velocidade e o poder de processamento dos computadores com as habilidades humanas. O processamento de dados e a capacidade de simular em computadores já estão produzindo resultados nas ciências do cérebro, e isso só progredirá. "A IA terá um enorme impacto na neurociência", diz Susillo, "e eu quero me envolver."
Comentário do tradutor . Dadas as especificidades do público Habr, que não exige uma explicação de questões como uma rede neural ou aprendizado profundo, a tradução foi feita com algumas abreviações que não são essenciais para a compreensão do artigo.