Motion Illusions Generated Using Predictive Neural Networks Also Fool Humans

Este artigo apresenta o modelo generativo EIGen, que utiliza redes neurais preditivas para criar ilusões de movimento que enganam humanos, apoiando a hipótese de que tais ilusões resultam da percepção das previsões do cérebro em vez da entrada visual bruta e destacando o valor de estudar falhas motivadas em sistemas artificiais.

O essencial

Imagine que o seu cérebro é como um chef de cozinha muito experiente. Em vez de apenas cozinhar o que você vê na hora, ele adora tentar adivinhar o que vai acontecer no próximo segundo. Ele usa o passado para prever o futuro, o que é ótimo para sobreviver (se você vê um leão se aproximando, seu cérebro já avisa: "Corra!").

Mas, às vezes, esse "chef" fica tão confiante em suas previsões que ele alucina. É aí que entram as ilusões de movimento.

Aqui está o resumo do artigo, traduzido para uma linguagem simples e cheia de analogias:

1. O Grande Mistério: Por que imagens paradas parecem se mexer?

Você já viu aquelas imagens de "cobras girando" ou "padrões que parecem fluir" que, na verdade, são apenas fotos estáticas?

• A teoria antiga: Talvez seja porque nossos olhos tremem ou porque as cores brilham de um jeito estranho.
• A teoria deste artigo: O seu cérebro está tão focado em prever o movimento que, quando vê um padrão que parece com algo que costuma se mover, ele ignora a realidade (que é parada) e diz: "Ah, isso está se movendo!". É como se o cérebro dissesse: "Eu sei que vai chover amanhã, então vou levar o guarda-chuva mesmo sem nuvens".

2. A Ideia Genial: "Falhar como um Humano"

Os autores (Lana e Eiji) têm uma ideia maluca, mas brilhante: Para criar uma inteligência artificial (IA) que pense como nós, ela precisa falhar da mesma maneira que nós falhamos.

• A analogia do teste de direção: Imagine que você quer treinar um robô para dirigir como um humano. Se o robô nunca derrapa, nunca erra a curva e nunca se assusta com um gato na rua, ele não é muito parecido com um humano. Mas, se o robô também se assusta com o gato e faz uma curva errada em uma situação específica, talvez ele tenha aprendido a "intuição" humana.
• O objetivo: Eles queriam criar uma IA que, ao olhar para uma imagem estática, também "alucinasse" movimento, exatamente como nós fazemos.

3. A Máquina de Ilusões (EIGen)

Eles criaram um robô chamado EIGen (o "Gerador de Ilusões Evolutivo"). Pense nele como um artista cego que aprende por tentativa e erro:

1. O Artista (Gerador): Ele usa um algoritmo evolutivo (como a seleção natural) para criar milhares de desenhos estranhos, com círculos e padrões.
2. O Crítico (Avaliador): Ele tem um "cérebro" de IA treinado para prever vídeos. Esse cérebro olha para o desenho do artista e diz: "Eu prevejo que isso vai girar para a direita!".
3. O Teste: Se o desenho é estático, mas o cérebro da IA "vê" movimento, o desenho ganha pontos.
4. A Evolução: Os desenhos que fazem o cérebro da IA "alucinar" mais movimento são escolhidos, misturados e melhorados para a próxima rodada.

Com o tempo, o EIGen aprendeu a criar desenhos que enganam o cérebro da IA.

4. O Grande Experimento: A IA Engana Humanos?

Aqui está a parte mágica. Eles pegaram os desenhos que a IA criou (que enganaram a IA) e mostraram para 293 pessoas reais.

• O Resultado: As pessoas reais também viram movimento!
• A Conclusão: Como a IA e os humanos "caíram na mesma armadilha" ao olhar para os mesmos desenhos, isso prova que ambos usam o mesmo mecanismo interno: a Previsão. O cérebro humano e o cérebro da IA estão tentando prever o futuro e, às vezes, essa previsão cria uma ilusão.

5. O Que Aprendemos?

• Ilusão é um efeito colateral: A ilusão de movimento não é um defeito do sistema visual, é um "bug" que acontece porque o sistema é muito bom em prever o futuro. É o preço que pagamos por sermos rápidos e eficientes.
• IA e Cérebro são parecidos: Quando uma IA falha da mesma forma que um humano (vendo movimento onde não existe), é um sinal forte de que ela está usando princípios de funcionamento semelhantes aos nossos.
• O "Chef" não é perfeito: Às vezes, o cérebro (e a IA) preferem acreditar na sua própria previsão do que no que os olhos realmente veem.

Em resumo:
Os autores criaram um robô que aprendeu a pintar quadros que "enganam" o cérebro de outro robô. Quando mostraram esses quadros para humanos, descobriram que os humanos também foram enganados. Isso nos diz que, no fundo, nosso cérebro e a inteligência artificial estão tentando adivinhar o futuro da mesma maneira, e é essa tentativa que faz as imagens paradas parecerem dançar.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Motion Illusions Generated Using Predictive Neural Networks Also Fool Humans", apresentado em português:

1. O Problema e o Contexto

O artigo aborda a questão fundamental de por que certas imagens estáticas são percebidas como se estivessem em movimento (ilusão de movimento). Embora as ilusões visuais sejam populares e amplamente estudadas, não há um consenso definitivo sobre os mecanismos causais subjacentes.

As teorias existentes sugerem fatores como movimentos oculares (sacadas), sensibilidade assíncrona à luminância ou variações estáticas de ilusões de movimento dinâmico. No entanto, a hipótese do Código Preditivo (Predictive Coding) oferece uma explicação causal mais robusta: o cérebro prevê o ambiente e minimiza erros entre suas previsões e a realidade. Quando um padrão estático compartilha propriedades com "bons preditores" de movimento, o cérebro pode suprimir a entrada sensorial real e "ver" o movimento previsto, gerando a ilusão.

O objetivo do trabalho é validar essa hipótese criando um sistema artificial que não apenas simule a percepção humana, mas que também falhe da mesma maneira que o sistema biológico (gerando ilusões), demonstrando que ambos compartilham princípios de funcionamento fundamentais.

2. Metodologia: A Abordagem de "Percepção Artificial"

Os autores propõem uma abordagem de quatro passos chamada "Percepção Artificial", focada em replicar falhas biológicas em sistemas artificiais:

1. Documentar uma falha no sistema biológico (a percepção de movimento ilusório).
2. Replicar a transição de falha para sucesso em um sistema artificial.
3. Documentar novas falhas no sistema artificial (gerar novas ilusões).
4. Verificar se essas novas falhas artificiais se replicam no sistema biológico (testar em humanos).

Para isso, foi desenvolvido o EIGen (Evolutionary Illusion GENerator), um modelo generativo composto por dois módulos principais:

• Módulo Avaliador (Evaluator): Baseado em uma Rede Neural Preditiva (PredNet) pré-treinada no conjunto de dados First Person Interaction (FPSI). A rede recebe uma sequência de 20 quadros de uma imagem estática repetida e tenta prever o próximo quadro. Se a rede prever movimento (rotação ou expansão) onde não há, isso é registrado como uma "falha" (ilusão). A direção e velocidade do movimento previsto são calculadas usando o fluxo óptico (método de Lucas-Kanade).
• Módulo Gerador (Generator): Utiliza Redes de Produção de Padrões Compostos (CPPNs) otimizadas pelo algoritmo evolutivo NEAT (NeuroEvolution of Augmenting Topologies). O objetivo é evoluir imagens que maximizem a "falha" na rede preditiva.

Função de Aptidão (Fitness Function):
O algoritmo evolui imagens baseadas em uma função de aptidão heurística que busca:

• Muitos vetores de movimento (fontes de ilusão).
• Vetores de movimento grandes (intensidade da ilusão).
• Alinhamento de orientação e sentido entre vizinhos (consenso na previsão).
• Contraste de sentido entre alguns vizinhos (diferença de previsão, como em círculos concêntricos com padrões alternados).

A estrutura das imagens geradas é restrita a círculos com faixas concêntricas de padrões repetidos e invertidos (semelhante à estrutura da ilusão "Rotating Snakes").

3. Contribuições Chave

• Geração de Novas Ilusões: O EIGen conseguiu gerar visualmente novas ilusões de movimento que não foram criadas manualmente por humanos.
• Redescoberta de Ilusões Clássicas: O sistema evoluiu independentemente para soluções que replicam ilusões conhecidas, como a ilusão de Fraser-Wilcox e a ilusão "Medaka" (escola de peixes), validando a convergência entre a lógica artificial e a biológica.
• Validação Biológica: O estudo coletou dados de 293 participantes humanos para testar as ilusões geradas pela IA, confirmando que as "falhas" da rede neural também enganam o cérebro humano.
• Evidência para o Código Preditivo: O fato de um sistema puramente baseado em previsão de quadros futuros gerar ilusões que funcionam em humanos reforça a teoria de que a percepção de movimento ilusório é um subproduto da previsão cerebral.

4. Resultados

• Desempenho das Imagens:
  • As ilusões geradas pelo modelo em preto e branco foram as mais eficazes, com a maioria dos participantes percebendo movimento rotacional.
  • As ilusões em cor geradas pelo modelo foram significativamente mais fracas, com pouca ou nenhuma percepção de movimento.
  • A ilusão clássica "Rotating Snakes" (criada por humanos) permaneceu a mais forte, superando todas as ilusões geradas pela IA.
• Correlação Humano-AI:
  • Houve uma correlação positiva entre a pontuação de aptidão da IA e a percepção humana, embora a função de aptidão da IA não capture totalmente a nuance da percepção humana.
  • Cerca de 1/3 dos participantes perceberam algum grau de movimento ilusório em quase todas as imagens geradas pela IA (exceto o controle e a imagem "Medaka" específica).
  • A maioria dos participantes descreveu o movimento percebido como rotacional, mesmo quando a rede preditiva previa movimento radial (expansão/contração), sugerindo uma tendência humana a interpretar certos padrões como rotação.
• Falhas do Modelo: O modelo às vezes gera vetores de movimento que não resultam em ilusão perceptível para humanos, indicando que a função de aptidão atual é uma aproximação (ad hoc) e não perfeita.

5. Significado e Conclusão

O artigo demonstra que a Percepção Artificial é uma ferramenta válida para investigar a cognição. Ao criar um sistema que falha da mesma forma que os humanos (gerando ilusões de movimento a partir de entradas estáticas), os autores fornecem fortes evidências de que:

1. O Código Preditivo é um mecanismo central na percepção de movimento ilusório.
2. Redes neurais preditivas compartilham características funcionais (e não apenas superficiais) com o sistema visual humano.
3. O estudo de "falhas motivadas" (onde sistemas artificiais falham como biológicos) é um caminho promissor para a Inteligência Artificial e a Vida Artificial, permitindo entender sistemas complexos através de seus erros, e não apenas de seus sucessos.

Em suma, a ilusão de movimento não é um bug do sistema visual, mas uma consequência direta de sua arquitetura preditiva eficiente, que pode ser replicada e estudada através de modelos computacionais evolutivos.