Uma nova linha de pesquisa em inteligência artificial indica que a chave para aproximar máquinas do comportamento neural humano pode estar menos na quantidade de dados e mais na forma como esses sistemas são construídos. Um estudo recém-publicado na Nature Machine Intelligence pela Universidade Johns Hopkins mostrou que modelos projetados com estruturas inspiradas na organização do cérebro são capazes de exibir padrões semelhantes aos de humanos e primatas antes mesmo de qualquer fase de treinamento.
A conclusão desafia o paradigma dominante da IA moderna, que aposta em modelos gigantescos alimentados por bilhões de exemplos e treinados em supercomputadores de alto custo energético. Para o pesquisador Mick Bonner, professor de ciências cognitivas e autor principal do trabalho, esse caminho contrasta com o aprendizado natural: “Humanos aprendem a ver com pouquíssimos dados”, afirma. Segundo ele, arquiteturas mais biológicas oferecem às máquinas um “ponto de partida vantajoso”.
++ Esta garra de robô da NASA agarra rochas impossíveis em gravidade zero
Arquitetura como protagonista
Para avaliar essa hipótese, o grupo comparou três estruturas tradicionalmente usadas em IA — transformers, redes totalmente conectadas e redes convolucionais — criando múltiplas variações a partir de cada uma delas. Os modelos, ainda não treinados, foram expostos a imagens de objetos, pessoas e animais enquanto os pesquisadores analisavam como suas respostas se aproximavam da atividade neural registrada em cérebros de humanos e primatas diante dos mesmos estímulos.
O resultado chamou atenção: transformers e redes densas mantiveram comportamento pouco alterado mesmo quando aumentadas em escala, enquanto versões modificadas de redes convolucionais apresentaram padrões muito mais próximos das respostas biológicas.
Redes convolucionais saem na frente
Segundo o estudo, essas redes convolucionais não treinadas chegaram a rivalizar o desempenho de modelos tradicionais que dependem de milhões de imagens para aprender. A descoberta reforça a ideia de que o desenho estrutural das redes pode ser mais determinante — e mais eficiente — do que a simples ampliação de dados.
Além do impacto científico, o achado tem implicações práticas importantes: ao reduzir a necessidade de datasets colossais e treinos prolongados, a abordagem pode diminuir custos bilionários de treinamento e o alto consumo energético do setor, temas frequentes no debate sobre sustentabilidade da IA.
++ A NASA certa vez lançou um traje especial vazio em órbita e deixou que ele derivasse pelo espaço
Próximos passos
A equipe agora avança no desenvolvimento de algoritmos de aprendizagem inspirados em processos biológicos, buscando estabelecer um novo modelo de deep learning que una arquitetura neural mais realista e métodos de treinamento mais econômicos e eficientes.
Se confirmado em estudos futuros, esse caminho pode redefinir a forma como sistemas inteligentes são construídos — aproximando-os não apenas dos resultados do cérebro humano, mas também de seus princípios fundamentais.
Não deixe de nos seguir no Instagram para mais notícias da Pardal Tech
