Curiosity shapes brain-like architectures and functions
Este artigo demonstra que combinar a curiosidade semelhante à de um lactente com restrições biofísicas semelhantes às do cérebro é suficiente para impulsionar a emergência de arquiteturas neuronais complexas e habilidades cognitivas, como a generalização composicional, em redes neurais artificiais.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
A mente humana é um lugar de possibilidades infinitas. A partir de um punhado de blocos de construção simples, podemos construir pensamentos infinitos, planejar futuros distantes e dar sentido a um mundo que nunca para de mudar. Por mais de um século, cientistas mapearam os comportamentos e os circuitos cerebrais que permitem que isso aconteça, mas um mistério fundamental permanece: como um sistema feito de partes simples se torna uma mente capaz de tamanha complexidade profunda? Uma ideia de longa data sugere que o cérebro não vem pré-programado com todas as respostas. Em vez disso, ele pode se auto-organizar, moldando-se através da interação de limites biológicos e das experiências que acumula ao longo do tempo. No entanto, testar essa teoria em um cérebro humano vivo é impossível; não podemos remover a curiosidade de uma criança ou rearranjar a fiação de seu céreio para ver o que acontece. Para resolver esse quebra-cabeça, os pesquisadores recorreram a um tipo diferente de laboratório: a simulação computacional. Ao construir cérebros artificiais que seguem regras específicas, os cientistas podem observar a complexidade emergir da simplicidade, oferecendo uma janela para como nossas próprias mentes podem ter tomado forma.
Em um novo estudo, pesquisadores buscaram verificar se dois ingredientes específicos eram suficientes para construir uma máquina semelhante a uma mente. Eles pegaram uma população de redes neurais artificiais — programas de computador projetados para imitar a forma como os neurônios se conectam — e lhes deram dois traços humanos. O primeiro foi uma forma de curiosidade, modelada de acordo com a maneira como os bebês exploram o mundo. O segundo foi um conjunto de restrições físicas, imitando os custos biológicos que os cérebros reais enfrentam, como a energia necessária para construir conexões longas entre partes distantes do cérebro. Os pesquisadores queriam saber se esses dois fatores, trabalhando juntos, poderiam fazer com que as redes artificiais desenvolvessem as mesmas estruturas e habilidades complexas observadas nos cérebros humanos.
Para capturar a essência da curiosidade, a equipe primeiro estudou 275 bebês, com idades entre oito e quinze meses. Eles observaram como os bebês olhavam para padrões visuais em uma tela, notando exatamente quando decidiam desviar o olhar. Os pesquisadores descobriram que os bebês não olhavam aleatoriamente. Em vez disso, eles se comportavam como forrageadores em busca de comida, mas sua "comida" era nova informação. Os bebês permaneciam engajados com um padrão enquanto este lhes ensinasse algo novo. No momento em que o padrão deixava de oferecer novos insights, e seu aprendizado desacelerava, eles se desengajavam e seguiam adiante. Esse comportamento se ajusta a um princípio da ecologia conhecido como teorema do valor marginal, que prevê que um agente deve deixar um recurso quando seu retorno local cai abaixo do retorno médio disponível no ambiente. Os pesquisadores traduziram essa regra em um algoritmo computacional, permitindo que suas redes artificiais decidissem quando mudar de tarefa com base em quanto estavam aprendendo naquele momento.
O segundo ingrediente envolvia o layout físico das redes. Cérebros reais não são apenas um saco de neurônios; eles estão compactados em um crânio onde conexões longas são caras para construir e manter. Para imitar isso, os pesquisadores colocaram suas redes artificiais em um espaço virtual que correspondia à geometria real do cérebro humano. Eles penalizaram as redes por criar conexões de longa distância, forçando-as a serem eficientes, assim como a evolução forçou o cérebro humano a ser. Eles então treinaram essas redes em uma bateria de vinte tarefas cognitivas diferentes, variando de jogos simples de correspondência a desafios complexos de tomada de decisão. As redes eram livres para escolher qual tarefa praticar a seguir, guiadas por seu algoritmo de curiosidade, enquanto eram limitadas por seus custos de fiação física.
Os resultados foram impressionantes. As redes que combinaram curiosidade com restrições físicas não apenas aprenderam as tarefas; elas desenvolveram estruturas internas que se pareciam notavelmente com o cérebro humano. Suas conexões se organizaram em módulos distintos, muito parecidos com as regiões especializadas do cérebro humano, e formaram um "clube rico" de hubs altamente conectados, uma característica crítica para a comunicação eficiente na mente humana. Essas redes também seguiram um caminho de desenvolvimento que espelha o crescimento humano. Assim como os cérebros humanos passam por uma explosão rápida de conexões na primeira infância, seguida por uma fase de poda lenta e cuidadosa que continua até a idade adulta, essas redes artificiais mostraram uma subida e descida semelhantes na densidade de conexões. As redes que melhor correspondiam à estrutura do cérebro humano também mostraram o padrão mais humano de desempenho cognitivo, melhorando conforme "envelheciam" e depois declinando gradualmente, tal como as habilidades humanas fazem ao longo de uma vida.
Talvez o mais importante seja que essas redes humanoides exibiram uma marca do pensamento humano complexo: a capacidade de recombinar o que haviam aprendido. Os pesquisadores testaram isso congelando as conexões internas das redes e pedindo que resolvessem novos problemas que eram misturas das tarefas antigas. Por exemplo, se uma rede tivesse aprendido a evitar uma distração e aprendido a tomar uma decisão, ela poderia resolver instantaneamente uma nova tarefa que exigisse ambas as coisas? As redes impulsionadas pela curiosidade e pelas restrições físicas resolveram essas novas combinações rapidamente. Elas não precisaram reaprender o básico; elas simplesmente recombinaram as ferramentas internas que já haviam construído. Em contraste, redes que aprenderam sem curiosidade, ou sem as restrições físicas, tiveram dificuldade em fazer essas conexões.
O estudo sugere que a curiosidade não é meramente um subproduto de ter um cérebro complexo; é um motor que ajuda a construir essa complexidade. Ao buscar ativamente novas informações e parar quando estas não são mais úteis, um agente molda sua própria arquitetura interna. Quando essa curiosidade é combinada com os limites físicos de um sistema biológico, o resultado é uma estrutura capaz de um pensamento flexível e humano. As descobertas oferecem uma nova perspectiva sobre como a mente emerge, sugerindo que o caminho para a cognição complexa não é sobre construir sistemas maiores ou mais poderosos, mas sobre permitir que restrições simples e exploração ativa se desenrolem ao longo do tempo. Essa abordagem fornece um framework testável para entender como a interação entre biologia e experiência cria a gama ilimitada de pensamentos que definem a experiência humana.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.