Mapeando o cérebro para construir máquinas melhores

Uma corrida para decifrar os algoritmos do cérebro pode revolucionar o aprendizado de máquina.

Leve uma criança de três anos para o zoológico e ela intuitivamente sabe que a criatura de pescoço comprido mordiscando folhas é a mesma coisa que a girafa em seu livro de fotos. Essa façanha superficialmente fácil é, na realidade, bastante sofisticada. O desenho animado é uma silhueta congelada de linhas simples, enquanto o animal vivo é inundado de cor, textura, movimento e luz. Ele pode se contorcer em diferentes formas e parece diferente de todos os ângulos.

Os seres humanos se destacam nesse tipo de tarefa. Podemos facilmente compreender os recursos mais importantes de um objeto de apenas alguns exemplos e aplicar esses recursos ao desconhecido. Os computadores, por outro lado, normalmente precisam classificar um banco de dados inteiro de girafas, mostrado em muitos cenários e de diferentes perspectivas, para aprender a reconhecer com precisão o animal.

A identificação visual é uma das muitas arenas onde os humanos batem nos computadores. Também somos melhores em encontrar informações relevantes em uma grande quantidade de dados; na resolução de problemas não estruturados; e aprender sem supervisão, quando um bebê aprende sobre a gravidade quando brinca com blocos. "Os humanos são muito, muito melhores generalistas", disse Tai Sing Lee, cientista da computação e neurocientista da Universidade Carnegie Mellon, em Pittsburgh. “Nós ainda somos mais flexíveis em pensar e podemos antecipar, imaginar e criar eventos futuros.”

Um novo programa ambicioso, financiado pela Inteligencia do Exército do governo federal, visa trazer a inteligência artificial mais de acordo com nossos próprios poderes mentais. Três equipes compostas por neurocientistas e cientistas da computação tentarão descobrir como o cérebro realiza esses feitos de identificação visual e depois fabricar máquinas que façam o mesmo. "O aprendizado de máquina atual falha onde os humanos são excelentes", disse Jacob Vogelstein, que lidera o programa na Atividade de Projetos de Pesquisa Avançada de Inteligência (IARPA). “Queremos revolucionar o aprendizado de máquinas por engenharia reversa dos algoritmos e cálculos do cérebro.”

O tempo é curto. Cada equipe agora está modelando um pedaço de córtex em detalhes sem precedentes. Em conjunto, as equipes estão desenvolvendo algoritmos com base, em parte, no que aprendem. No próximo verão, cada um desses algoritmos receberá um exemplo de um item desconhecido  e, em seguida, será necessário selecionar instâncias dele entre milhares de imagens em um banco de dados sem rótulo. "É um prazo muito agressivo", disse Christof Koch, presidente e diretor científico do Allen Institute for Brain Science, em Seattle, que está trabalhando com uma das equipes. Koch e seus colegas agora estão criando um diagrama completo de um pequeno cubo de cérebro  — um milhão de microns cúbicos, totalizando um quinto centésimo do volume de uma semente de papoula. Isso é muito maior do que o mapa de cabeamento completo mais extenso até hoje, que foi publicado em junho passado e levou cerca de seis anos para ser concluído. No final dos cinco anos do projeto IARPA, apelidado de Inteligência de Máquina de Redes Corticais (Microns), os pesquisadores pretendem mapear um milímetro cúbico de córtex. Essa pequena porção abriga cerca de 100.000 neurônios, 3 a 15 milhões de conexões neuronais, ou sinapses, e fiação neural suficiente para abranger toda a extensão de Manhattan, tudo desembaraçado e colocado de ponta a ponta.Ninguém ainda tentou reconstruir um pedaço de cérebro nesta escala. Mas esforços de menor escala mostraram que esses mapas podem fornecer informações sobre o funcionamento interno do córtex. Em um artigo publicado na revista Nature em março, Wei-Chung Allen Lee — um neurocientista da Universidade de Harvard que trabalha com a equipe de Koch  — e seus colaboradores mapearam um diagrama de 50 neurônios e mais de 1.000 de seus parceiros. Ao emparelhar este mapa com informações sobre o trabalho de cada neurônio no cérebro  — alguns respondem a uma entrada visual de barras verticais, por exemplo  — eles derivaram uma regra simples de como os neurônios nessa parte do córtex estão anatomicamente conectados. Eles descobriram que os neurônios com funções semelhantes são mais propensos a se conectar e fazer conexões maiores entre si do que com outros tipos de neurônios. Embora o objetivo implícito do projeto Microns seja tecnológico  — a IARPA financia a pesquisa que poderia levar a ferramentas de análise de dados para a comunidade de inteligência, entre outras coisas  — novos e profundos insights sobre o cérebro terão que vir primeiro. Andreas Tolias, um neurocientista do Baylor College of Medicine e co-líder da equipe de Koch, compara nosso conhecimento atual do córtex a uma foto desfocada. Ele espera que a escala sem precedentes do projeto Microns ajude a aguçar essa visão, expondo regras mais sofisticadas que governam nossos circuitos neurais. Sem conhecer todas as partes componentes, ele disse, "talvez estejamos sentindo falta da beleza da estrutura".

Unidades de Processamento do Cérebro

As dobras convolutas que cobrem a superfície do cérebro formam o córtex cerebral, uma folha de tecido do tamanho de uma piza que está amassada para se encaixar nos nossos crânios. É de muitas maneiras o microprocessador do cérebro. A folha, com aproximadamente três milímetros de espessura, é composta de uma série de módulos repetitivos, ou microcircuitos, semelhantes ao conjunto de portas lógicas em um chip de computador. Cada módulo consiste em aproximadamente 100.000 neurônios dispostos em uma rede complexa de células interconectadas. Evidências sugerem que a estrutura básica desses módulos é aproximadamente a mesma em todo o córtex. No entanto, módulos em diferentes regiões do cérebro são especializados para fins específicos, como visão, movimento ou audição.
Os cientistas têm apenas uma noção aproximada de como são esses módulos e como eles agem. Eles se limitaram em grande parte ao estudo do cérebro em escalas menores: dezenas ou centenas de neurônios. Novas tecnologias projetadas para rastrear a forma, atividade e conectividade de milhares de neurônios estão finalmente permitindo que os pesquisadores analisem como as células dentro de um módulo interagem umas com as outras; como a atividade em uma parte do sistema pode desencadear ou atenuar a atividade em outra parte. "Pela primeira vez na história, temos a capacidade de interrogar os módulos em vez de apenas adivinhar o conteúdo", disse Vogelstein. "Equipes diferentes têm diferentes palpites para o que está dentro."Os pesquisadores se concentrarão em uma parte do córtex que processa a visão, um sistema sensorial que os neurocientistas têm explorado intensamente e que os cientistas da computação há tempos buscam imitar. "A visão parece fácil  — basta abrir os olhos— , mas é difícil ensinar os computadores a fazer a mesma coisa", disse David Cox, neurocientista de Harvard que lidera uma das equipes da IARPA. Cada equipe está começando com a mesma ideia básica de como funciona a visão, uma teoria de décadas conhecida como análise por síntese. De acordo com essa ideia, o cérebro faz previsões sobre o que acontecerá no futuro imediato e depois reconcilia essas previsões com o que vê. O poder desta abordagem reside na sua eficiência - requer menos computação do que recriar continuamente a cada momento no tempo.O cérebro pode executar análise por síntese de várias maneiras diferentes, de modo que cada equipe está explorando uma possibilidade diferente. A equipe de Cox vê o cérebro como uma espécie de mecanismo de física, com modelos de física existentes que ele usa para simular como o mundo deveria ser. A equipe de Tai Sing Lee, co-liderada por George Church, teoriza que o cérebro construiu uma biblioteca de partes  —pedaços e pedaços de objetos e pessoas— e aprende regras sobre como juntar essas partes. As folhas, por exemplo, tendem a aparecer nos galhos. O grupo de Tolias está trabalhando em uma abordagem mais orientada a dados, em que o cérebro cria expectativas estatísticas do mundo em que vive. Sua equipe testará várias hipóteses sobre como partes diferentes do circuito aprendem a se comunicar. Todas as três equipes irão monitorar a atividade neuronal de dezenas de milhares de neurônios em um cubo alvo do cérebro. Em seguida, eles usarão métodos diferentes para criar um diagrama de fiação dessas células. A equipe de Cox, por exemplo, cortará o tecido cerebral em camadas mais finas do que um cabelo humano e analisará cada fatia com microscopia eletrônica. A equipe irá, então, costurar computacionalmente cada seção transversal para criar um mapa tridimensional densamente compactado que registra milhões de fios neurais em seu intricado caminho através do córtex.Com um mapa e um padrão de atividade em mãos, cada equipe tentará descobrir algumas regras básicas que regem o circuito. Eles então programarão essas regras em uma simulação e avaliarão como a simulação corresponde a um cérebro real. Tolias e colaboradores já sabem o que esse tipo de abordagem pode realizar. Em um artigo publicado na Science em novembro, eles mapearam as conexões entre 11 mil pares de neurônios, descobrindo cinco novos tipos de neurônios no processo. "Ainda não temos uma lista completa das partes que compõem o córtex, como são as células dos indivíduos, como elas estão conectadas", disse Koch. "Isso é o que [Tolias] começou a fazer."
Entre esses milhares de conexões neuronais, a equipe de Tolias descobriu três regras gerais que governam como as células estão conectadas: algumas falam principalmente com neurônios de sua própria espécie; outros evitam sua própria espécie, comunicando-se principalmente com outras variedades; e um terceiro grupo fala apenas com alguns outros neurônios. (A equipe de Tolias definiu suas células com base na anatomia neural, e não na função, que a equipe de Wei Lee fez em seu estudo.) Usando apenas essas três regras de fiação, os pesquisadores puderam simular o circuito com bastante precisão. "Agora o desafio é descobrir o que essas regras de fiação significam algoritmicamente", disse Tolias. "Que tipo de cálculos eles fazem?"

Andreas Tolias e colaboradores mapearam as conexões entre pares de neurônios e registraram sua atividade elétrica. A anatomia complexa de cinco neurônios (canto superior esquerdo) pode ser reduzida a um diagrama de circuito simples (canto superior direito). A injeção de corrente elétrica no neurônio 2 faz o disparo do neurônio, desencadeando mudanças elétricas nas duas células a jusante, os neurônios 1 e 5 (abaixo).

Redes Neurais Baseadas em Neurônios Reais

Inteligência artificial cerebral não é uma ideia nova. As chamadas redes neurais, que imitam a estrutura básica do cérebro, foram extremamente populares nos anos 80. Mas na época, o campo não tinha o poder computacional e os dados de treinamento que os algoritmos precisavam para se tornar realmente eficazes. Todas as milhões de fotos de gatos rotuladas da Internet ainda não estavam disponíveis, afinal de contas. E embora as redes neurais tenham desfrutado de um grande renascimento —os programas de reconhecimento de voz e rosto que rapidamente se tornaram parte de nossas vidas diárias são baseados em algoritmos de redes neurais, como AlphaGo, o computador que recentemente derrotou o melhor jogador Go do mundo  — regras que as redes neurais artificiais usam para alterar suas conexões são quase certamente diferentes daquelas empregadas pelo cérebro. As redes neurais contemporâneas "são baseadas no que sabíamos sobre o cérebro nos anos 60", disse Terry Sejnowski, neurocientista computacional do Instituto Salk, em San Diego, que desenvolveu os primeiros algoritmos de redes neurais com Geoffrey Hinton, cientista da Universidade de Toronto. "Nosso conhecimento de como o cérebro está organizado está explodindo." Por exemplo, as redes neurais de hoje são compostas por uma arquitetura de feed-forward, na qual as informações fluem da entrada para a saída por meio de uma série de camadas. Cada camada é treinada para reconhecer determinados recursos, como um olho ou um bigode. Essa análise é então avançada, com cada camada sucessiva executando cálculos cada vez mais complexos nos dados. Desta forma, o programa finalmente reconhece uma série de pixels coloridos como um gato. Mas esta estrutura de feed-forward deixa de fora um componente vital do sistema biológico: feedback, tanto dentro de camadas individuais e de camadas de ordem superior para as de ordem inferior. No cérebro real, os neurônios de uma camada do córtex estão conectados aos seus vizinhos, bem como aos neurônios nas camadas acima e abaixo deles, criando uma intricada rede de loops. “As conexões de feedback são uma parte incrivelmente importante das redes corticais”, disse Sejnowski. "Há tantas conexões feedback quanto conexões feed-forward." 
Os neurocientistas ainda não entendem precisamente o que esses feedback estão fazendo, embora saibam que são importantes para nossa capacidade de direcionar nossa atenção. Eles nos ajudam a ouvir uma voz ao telefone enquanto sintonizamos os sons da cidade que nos distraem, por exemplo. Parte do apelo da teoria de análise por síntese é que ela fornece uma razão para todas essas conexões recorrentes. Eles ajudam o cérebro a comparar suas previsões com a realidade. Os pesquisadores de Microns pretendem decifrar as regras que governam os ciclos de feedback —como quais células esses loops se conectam, o que desencadeia sua atividade e como essa atividade afeta a saída do circuito— então traduzem essas regras em um algoritmo. “O que falta em uma máquina agora é imaginação e introspecção. Acredito que o circuito de feedback nos permite imaginar e introspectar em muitos níveis diferentes”, disse Tai Sing Lee. Talvez os circuitos de feedback um dia dotem as máquinas de características que consideramos exclusivamente humanas. “Se você pudesse implementar [circuitos de feedback] em uma rede profunda, você poderia ir de uma rede que tivesse uma reação automática —dar entrada e obter saída - para uma que fosse mais reflexiva, que pudesse começar a pensar em entradas e testes hipóteses ”, disse Sejnowski, que atua como conselheiro da Iniciativa BRAIN de US $100 milhões do Presidente Obama, da qual o projeto Microns faz parte.

Pistas para a Consciência

Como todos os programas da IARPA, o projeto Microns é de alto risco. As tecnologias que os pesquisadores precisam para o mapeamento em larga escala da atividade e da fiação neuronal existem, mas ninguém as aplicou nessa escala antes. Um desafio será lidar com as enormes quantidades de dados que a pesquisa produz —1 a 2 petabytes de dados por milímetro de cubo de cérebro. As equipes provavelmente precisarão desenvolver novas ferramentas de aprendizado de máquina para analisar todos esses dados, um loop de feedback irônico próprio. Também não está claro se as lições aprendidas de um pequeno pedaço do cérebro serão ilustrativas dos maiores talentos do cérebro. "O cérebro não é apenas um pedaço do córtex", disse Sejnowski. "O cérebro é centenas de sistemas especializados para diferentes funções."O córtex em si é composto de unidades repetitivas que parecem mais ou menos as mesmas. Mas outras partes do cérebro podem agir de maneira bem diferente. O aprendizado por reforço empregado no algoritmo AlphaGo, por exemplo, está relacionado a processos que ocorrem nos gânglios da base, parte do cérebro envolvido no vício. "Se você quer AI que vai além do simples reconhecimento de padrões, vai precisar de muitas partes diferentes", disse Sejnowksi. Caso o projeto seja bem-sucedido, no entanto, ele fará mais do que analisar dados de inteligência. Um algoritmo bem-sucedido revelará verdades importantes sobre como o cérebro dá sentido ao mundo. Em particular, ajudará a confirmar que o cérebro realmente opera por meio de análise por síntese —que compara suas próprias previsões sobre o mundo com os dados recebidos que passam por nossos sentidos. Revelará que um ingrediente-chave na receita da consciência é uma mistura sempre mutável de imaginação e percepção. "É a imaginação que nos permite prever eventos futuros e usar isso para guiar nossas ações", disse Tai Sing Lee. Ao construir máquinas que pensam, esses pesquisadores esperam revelar os segredos do próprio pensamento.

tradução de: Mapping the Brain to Build Better Machines