As redes neurais artificiais geralmente são moldadas por engenheiros: os projetistas decidem como a força da conexão muda à medida que a rede aprende com os dados e o feedback. Um novo estudo do MIT argumenta que esta abordagem orientada pelo designer, por mais poderosa que seja, pode nos dizer pouco sobre como o cérebro realmente aprende – e demonstra uma alternativa na qual as redes se organizam.
Em um artigo publicado em 9 de outubro no Proceedings of the National Academy of Sciences (PNAS), cientistas do Instituto McGovern de Pesquisa do Cérebro do MIT e do Centro K. Lisa Yang de Neurociência Computacional Integrativa (ICoN) mostram que uma rede neural artificial pode construir sua própria maquinaria de aprendizagem. Partindo de conexões aleatórias e seguindo apenas regras locais simples sobre como e quando as conexões deveriam mudar, a rede se transformou em um sistema eficaz de processamento de informações. Para mais contexto sobre esta história, confira nossa atualizações de inteligência artificial.
Por que a plausibilidade biológica é importante
“A tecnologia atual de IA está funcionando muito bem, mas não usa necessariamente um algoritmo de aprendizagem usado pelo cérebro”, disse Qianli Liao, pós-doutorado do K. Lisa Yang ICoN Center nos laboratórios dos professores do MIT Tomaso Poggio e Mark Harnett, e co-primeiro autor do artigo ao lado do cientista pesquisador do MIT Liu Ziyin e do estudante de pós-graduação Yulu Gan.
A distinção é importante para os neurocientistas que desejam usar modelos de IA como janelas para o cérebro. O aprendizado de máquina moderno depende da retropropagação, um algoritmo que a maioria dos neurocientistas considera improvável de existir em circuitos neurais biológicos. “O cérebro não tem um designer ou arquiteto externo”, disse Liao. "O cérebro tem que se organizar. E precisamos saber como regras simples farão o cérebro se organizar."
O argumento central da equipa é que o valor de uma rede como modelo do cérebro deve ser julgado pela medida em que esta consegue organizar-se - não apenas as suas ligações, mas a maquinaria que ajusta essas ligações.
Como funciona a rede auto-organizada
Os pesquisadores construíram redes cuja estrutura começa como múltiplas camadas de unidades semelhantes a neurônios interconectadas aleatoriamente. Dentro de cada camada, cada unidade é regida pelas mesmas regras simples sobre como as conexões devem ser ajustadas. “Eles simplesmente interagem entre si usando essa regra e desenvolvem algum tipo de comportamento”, explicou Liao.
As regras são do tipo que os neurocientistas acreditam que religam os circuitos cerebrais durante a aprendizagem – incluindo o princípio clássico de que “neurônios que disparam juntos se conectam”, o que significa que a ativação simultânea fortalece a conexão entre dois neurônios.
Conforme a rede aprendeu, os motivos de automontagem surgiram de acordo com essas regras simples e serviram como blocos de construção para circuitos funcionais. Esses motivos passaram a se reorganizar usando uma estratégia de otimização semelhante à descida gradiente – o processo de ajuste baseado em erros incorporado na maior parte do aprendizado de máquina moderno – mas decorrente da própria dinâmica local da rede, em vez de um algoritmo imposto externamente.
Desempenho comparável a redes padrão
O teste crucial era se esse sistema auto-organizado poderia realmente aprender. Poderia: a equipe mostrou que uma rede auto-organizada governada por essas regras locais aprendeu a reconhecer padrões e classificar imagens, atuando em um nível semelhante às redes projetadas convencionalmente treinadas por meio de retropropagação.
O autor sênior, Tomaso Poggio, enquadrou o resultado como uma ponte potencial entre dois campos que há muito perseguem os mesmos mecanismos em direções opostas. Se os motivos sinápticos propostos pela equipe fossem os que o cérebro usa para realizar o que a retropropagação faz com as redes artificiais, observou ele, os pesquisadores teriam "uma forte conexão no nível dos mecanismos fundamentais entre redes artificiais e naturais - entre máquinas e cérebros".
De interfaces cérebro-computador a uma IA melhor
As implicações ocorrem em ambas as direções. Para a neurociência, compreender as regras simples pelas quais os circuitos se auto-organizam poderia esclarecer como funciona a aprendizagem – e como ela se desintegra. Liao aponta as interfaces cérebro-computador, que visam restaurar a comunicação para pessoas que perderam a capacidade linguística ou que permitem que pacientes paralisados controlem membros protéticos, como um campo onde conhecer essas regras é essencial. “Nada disso pode funcionar sem conhecer as regras por trás das interações neurônio-neurônio”, disse ele. "Isso não é possível apenas projetando um circuito que funcione muito bem." O mesmo conhecimento poderia informar terapias para condições em que as regras de aprendizagem são perturbadas pelo envelhecimento ou pela doença.
Para o aprendizado de máquina, as descobertas sugerem um espaço de design subexplorado. Liao adverte que uma rede auto-organizada não aprende necessariamente da mesma forma que o cérebro – mas ele enquadra a auto-organização como um ponto de partida crítico. “A auto-organização é a primeira estrutura de alto nível”, disse ele. "Quando estivermos bem com a auto-organização como medida, poderemos conversar sobre o próximo passo." O principal objetivo do grupo é compreender o cérebro, mas o conhecimento poderá, em última análise, ajudar os engenheiros a construir redes com melhor desempenho ou que se comportem de maneira mais humana.
Há também uma questão em aberto sobre granularidade. As regras que remodelam as conexões neurais à medida que um animal aprende podem diferir entre as regiões do cérebro e podem mudar à medida que o cérebro amadurece – uma possibilidade que os pesquisadores dizem que os neurocientistas devem mapear antes que modelos de regras simples possam ser combinados com circuitos biológicos específicos. Esse mapeamento, por sua vez, poderia revelar onde e como o mecanismo de aprendizagem é perturbado pelo envelhecimento ou pela doença, informando estratégias de prevenção, bem como terapias.
O estudo, do Instituto McGovern de Pesquisa do Cérebro e do Centro K. Lisa Yang ICoN, foi coberto pelo MIT News em 13 de outubro de 2026.
---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
