Pesquisadores da Universidade Johns Hopkins revelaram que sistemas de inteligência artificial (IA) com arquiteturas semelhantes às do cérebro humano conseguem simular padrões de atividade neural sem qualquer treinamento prévio. O estudo, publicado na Nature Machine Intelligence em setembro de 2023, desafia a abordagem convencional da IA que prioriza o uso de grandes volumes de dados e poder computacional elevado.
Arquitetura em vez de dados
De acordo com Mick Bonner, professor-assistente de ciências cognitivas e autor principal da pesquisa, o desenvolvimento atual na área de IA tende a focar em modelos complexos que dependem de imensos conjuntos de dados. “Enquanto isso, humanos aprendem a ver usando pouquíssimos dados”, afirmou Bonner, ao sugerir que arquiteturas mais biológicas podem dar aos sistemas de IA uma “vantagem” inicial.
A equipe de pesquisadores analisou três tipos de arquiteturas comuns na construção de IA: transformers, redes totalmente conectadas e redes convolucionais. A partir dessas bases, foram criadas diversas variações estruturais. Durante o experimento, modelos não treinados foram expostos a imagens de objetos, pessoas e animais.
Os resultados mostraram que enquanto os transformers e redes totalmente conectadas apresentaram respostas estáveis, as redes convolucionais modificadas geraram padrões de resposta que se aproximaram da atividade cerebral humana. O desempenho dessas redes convolucionais não treinadas rivalizou com o de sistemas convencionais que exigem milhões de imagens para alcançar resultados similares, indicando que a arquitetura pode ser mais crítica do que a quantidade de dados utilizada.
A equipe agora se dedica ao desenvolvimento de novos algoritmos de aprendizado que se inspirem em processos biológicos, visando apoiar um avanço no campo do deep learning.
