A inteligência artificial pode estar no limiar de uma era de aprendizado mais eficiente. Pesquisadores da Johns Hopkins University descobriram que designs inspirados no cérebro humano permitem à IA mimetizar a atividade cerebral sem vastos volumes de dados de treinamento, desafiando o paradigma atual de desenvolvimento.
Esta revelação, publicada na Nature Machine Intelligence, sugere uma mudança fundamental na forma como sistemas de inteligência artificial são concebidos. Em vez de depender de meses de treinamento intensivo, enormes conjuntos de dados e vasta capacidade computacional, a pesquisa destaca o valor de partir de uma arquitetura fundamentalmente inspirada na biologia.
O foco na arquitetura como ponto de partida vantajoso para o treinamento de IA contrasta com a abordagem predominante. Atualmente, a indústria investe bilhões de dólares em poder de processamento e armazenamento de dados, enquanto o cérebro humano aprende a interpretar o mundo com uma fração ínfima de informações.
Repensando a abordagem de dados massivos no treinamento de IA
Mick Bonner, professor assistente de ciência cognitiva na Johns Hopkins University e autor principal do estudo, critica a estratégia atual. Ele observa que o campo da IA tem se movido na direção de “jogar um monte de dados nos modelos e construir recursos computacionais do tamanho de pequenas cidades”, um método que exige gastos exorbitantes.
Bonner argumenta que a evolução pode ter convergido para o design cerebral por uma boa razão, e que arquiteturas mais semelhantes ao cérebro conferem aos sistemas de IA um ponto de partida muito vantajoso. A equipe buscou testar se a arquitetura por si só poderia oferecer um início mais humano para a IA, sem a necessidade de treinamento em larga escala.
A pesquisa comparou três tipos principais de designs de redes neurais: transformadores, redes totalmente conectadas e redes neurais convolucionais. Os cientistas ajustaram repetidamente esses designs para criar dezenas de redes neurais artificiais diferentes, nenhuma delas previamente treinada.
Em seguida, os sistemas não treinados foram expostos a imagens de objetos, pessoas e animais. A atividade interna dessas IAs foi então comparada com as respostas cerebrais de humanos e primatas não-humanos que visualizavam as mesmas imagens, fornecendo um comparativo biológico direto para a eficácia do design.
Arquiteturas convolucionais: um caminho mais rápido e eficiente
Os resultados mostraram que, enquanto o aumento do número de neurônios artificiais em transformadores e redes totalmente conectadas produzia pouca mudança significativa, ajustes semelhantes nas redes neurais convolucionais resultaram em padrões de atividade que se assemelhavam mais aos observados no cérebro humano. Essas descobertas foram detalhadas no estudo publicado pela Nature Machine Intelligence em 2025.
De acordo com os pesquisadores, os modelos convolucionais não treinados tiveram desempenho comparável ao de sistemas de IA tradicionais, que normalmente exigem exposição a milhões ou até bilhões de imagens. Isso indica que a arquitetura desempenha um papel maior na formação de comportamentos semelhantes aos cerebrais do que se pensava anteriormente.
Bonner destaca a implicação: “Se o treinamento em dados massivos é realmente o fator crucial, então não deveria haver como chegar a sistemas de IA semelhantes ao cérebro apenas por modificações arquitetônicas.” Ele conclui que “começar com o projeto certo, e talvez incorporar outros insights da biologia, pode acelerar dramaticamente o aprendizado em sistemas de IA.”
A equipe agora explora métodos de aprendizado simples inspirados na biologia, visando uma nova geração de estruturas de aprendizado profundo. O objetivo é tornar os sistemas de IA mais rápidos, eficientes e menos dependentes de vastos conjuntos de dados, o que promete reduzir custos e o consumo de energia associado ao treinamento de IA atual, conforme informações do portal ScienceDaily.
Essa nova perspectiva abre caminho para uma inteligência artificial mais sustentável e acessível, onde a inteligência não é medida apenas pela quantidade de dados processados, mas pela elegância e eficiência de seu design, aproximando-a cada vez mais da complexidade e adaptabilidade do cérebro humano.
