Todas as horas que você passou no Facebook interagindo com seus amigos podem ter trazido benefícios para o seu cérebro. Uma pesquisa conduzida por professores da University College Londom apontou que quanto maior o número de amigos na rede social, mais densa é a massa cinzenta do cérebro.
Entretanto, a pesquisa não revelou se a utilização da rede social provoca esse desenvolvimento ou se, de maneira oposta, pessoas com massa cinzenta mais densa têm maior facilidade em interagir socialmente com outras pessoas.
O estudo levou em consideração um grupo de 165 adultos. Entre os entrevistados com maior número de amigos, uma das características observadas foi a maior densidade de massa cinzenta em áreas responsáveis pela memória e socialização.
Apesar dos resultados, Geraint Rees, diretor do UCL Institute of Cognitive Neuroscience, diz que ainda é muito cedo para afirmar que as duas características estão diretamente ligadas. “O que temos aqui é uma constatação empírica utilizando os dados que conseguimos. Precisamos nos aprofundar nas pesquisas para verificar a real conexão entre eles”, finaliza.
Alguns cientístas acreditam que o melhor modelo para a computação seja o cérebro humano, para desenvolver máquinas capazes de aprender com a experiência.
A humanidade sempre desenvolveu máquinas para nos auxiliar. Elas aperfeiçoam nossa potência ou velocidade, reduzindo o tempo de trabalho ou aumentando nossa força. São poucas as máquinas que fazem o que o ser humano não faz, mas todas fazem o que fazemos de uma forma muito mais eficaz.
Recentemente, principalmente a partir da Terceira Revolução Industrial, com o desenvolvimento de computadores e a implantação de sistemas informatizamos no trabalho, muitos pesquisadores vêm desenvolvendo máquinas para nos ajudar a pensar melhor. Conseguimos até agora, com bastante eficácia, melhorar nossa força, nosso rendimento, nossa velocidade, mas mal arranhamos a capacidade de melhorar nossa inteligência. Isso acontece principalmente porque mal conhecemos como ela funciona.
Muitas pessoas defendem que a inteligência é fruto do pensamento lógico e desenvolveram vários sistemas lógicos diferentes, culminando na criação dos computadores. Outras pessoas defendem que a inteligência humana é fruto de como nosso cérebro é organizado. Esse grupo desenvolveu, na década de 1940 e 1950, a teoria das Redes Neurais.
Essas redes eram tão promissoras, que vários pesquisadores acharam que isso não daria certo ou esse modelo nunca alcançaria as previsões feitas até então. Durante mais de 20 anos, as pesquisas sobre redes neurais caíram em descrédito e mais ênfase foi dada à computação lógica conhecida e utilizada atualmente.
Porém, de um tempo para cá, principalmente devido ao avanço das neurociências, as pesquisas sobre redes neurais foram retomadas e muita coisa foi desenvolvida. Existem pesquisas, por exemplo, para o desenvolvimento de neurocomputadores. Para se entender melhor o que são as Redes Neurais e como seria os computadores baseados nelas, vale à pena conhecer como funcionam os neurônios.
O Comportamento dos Neurônios
Os neurônios são as células que formam o nosso cérebro. Elas são compostas basicamente por três partes: os dentritos, que captam informações ou do ambiente ou de outras células, o corpo celular ou Soma, responsável pelo processamento das informações, e um axônio, para distribuir a informação processada para outros neurônios ou células do corpo. Só que uma célula dificilmente trabalha sozinha. Quanto mais células trabalharem em conjunto, mais elas podem processar e mais eficaz torna-se o trabalho. Logo, para o melhor rendimento do sistema são necessários muitos neurônios.
Dos Neurônios às Redes Neurais
Foi pensando em como os neurônios trabalham que pesquisadores desenvolveram neurônios artificiais. Cada um tem dois ou mais receptores de entrada, responsáveis por perceberem um determinado tipo de sinal. Eles também possuem um corpo de processadores, responsável por um sistema de feedback que modifica sua própria programação dependendo dos dados de entrada e saída. Finalmente, eles possuem uma saída binária para apresentar a resposta “Sim” ou “Não”, dependendo do resultado do processamento.
Um neurônio artificial é capaz de um único processamento. Cada entrada recebe somente um tipo de sinal ou informação. Como um neurônio pode possuir várias entradas, então ele pode perceber diferentes sinais. Porém, ligar vários neurônios similares em rede, faz com que o sistema consiga processar mais informações e oferecer mais resultados.
Por exemplo, é possível criar um sistema para identificação de bananas e maças. Para tal, cria-se neurônios sensíveis a cor e forma. Os de cor percebem o amarelo e o vermelho. Os de forma percebem o redondo e o comprido. Cada neurônio, então, possui quatro entradas, uma para cada informação.
Para obter um melhor rendimento do sistema, cria-se uma rede em camadas: uma primeira camada com quatro neurônios (um para cada sinal de entrada), uma segunda camada oculta de processamento com três neurônios e uma camada de saída com dois neurônios, um para avisar quando é uma maça e outro para avisar quando é uma banana.
O segredo não está na arquitetura dessa rede, mas na forma como ela processa: Redes Neurais não rodam programas, elas aprendem!
O aprendizado das Redes Neurais
Não existe uma programação pré-definida dos neurônios artificiais, como existem nas portas lógicas utilizadas nos circuitos computacionais. Ao invés disso, eles possuem um sistema de feedback que modifica sua programação. Cada informação processada gera um peso, dependendo do resultado. Se for um acerto, ela ganha um ponto, se for um erro, ela perde meio ponto.
Dessa forma, a rede neural do exemplo acima testa várias vezes a percepção do objeto. A cada acerto, os neurônios envolvidos no processamento ganham um ponto e aquela rede é reforçada. A cada erro, esses neurônios perdem meio ponto. Dessa forma, o sistema cria a rotina de seguir o caminho com mais pontos sempre. Quanto mais tentativas, mais aprimorado fica o sistema, chegando, ao final de um processo de aprendizado, a executar tarefas quase sem erro algum.
A grande vantagem disso é que para executar tarefas, uma rede neural não precisa guardar instruções de comando e executá-las de forma lógica, como num computador tradicional. Ao invés disso, a rede aprende o que é preciso ser feito e executa a função. Dessa forma, uma mesma rede, se ela for capacitada com os neurônios necessários para tal, é capaz de executar várias funções diferentes, independente de espaço de memória.
Isso porque em uma mesma rede é possível criar várias regras diferentes. No exemplo acima, podemos ainda ensinar a rede a detectar bolas amarelas ou bastões vermelhos, utilizando os mesmos neurônios e as mesmas regras. A diferença é q precisaríamos capacitá-las com neurônios de saída extras para cada nova informação que queremos dela e outros neurônios ocultos para facilitar o processamento. Mas isso não implica em criarmos novas regras ou novas programações, somente em ensinar o sistema e executar novas funções utilizando a mesma rede existente.
Em sistemas mais elaborados, uma rede neural consegue aprender qualquer função que uma pessoa possa saber e não há limites para a quantidade de informação que ela possa processar.
Inteligência Artificial (IA)
As redes neurais são principalmente utilizadas para criar sistemas de inteligência artificial. Os computadores tradicionais podem fazer isso de forma simulada, mas sua principal função é seguir regras ou comandos oferecidos pelo usuário. Assim, a inteligência artificial gerada por computadores tradicionais são simulações de inteligência real, ou seja, apresentam respostas segundo regras e comandos de um programa pré-estabelecido.
Acontece que a verdadeira inteligência não é a capacidade de seguir regras, mas sim a capacidade de resolver problemas. Mais inteligente é o sistema que consegue resolver problemas diferentes de forma eficaz. Baseado nisso, temos então duas formas diferentes de inteligência artificial, ou IA, a simbólica e a conexionista.
A IA simbólica simula o comportamento inteligente. Ela é baseada em uma programação que indica quais respostas devem ser dadas diante de determinados comandos. Essa IA é a utilizada em programas “inteligentes”, como corretores ortográficos ou simuladores dos mais variados. A questão é que esses programas dificilmente aprendem coisas novas, somente se você incluir novas programações. Essa é a IA mais comum.
A IA conexionista simula a estrutura do cérebro, pois acredita-se que a inteligência está na forma de processar informação e não na informação processada. Como o sistema do cérebro é inteligente, usa-se tal modelo para desenvolver IA. Assim, os sistemas de IA baseados em redes neurais conseguem aprender com seus erros e executar diferentes processos, independente de instruções.
As Redes Neurais e o Perceptron
Não só pensando nisso, mas principalmente tentando desenvolver melhores formas de inteligência artificial, alguns pesquisadores começaram a estudar o funcionamento dos neurônios. Em especial, Frank Rosenblatt pesquisou a estrutura da retina humana. Ela é composta por vários neurônios sensoriais, responsáveis por perceber as cores e as formas. Cada um desses neurônios transmite uma resposta em rede para vários outros neurônios que então enviam suas informações para o cérebro para finalmente processá-las e transformá-las em imagens. Essa é a base de funcionamento dos neurônios artificiais, que levaram ao desenvolvimento do Perceptron.
O Perceptron foi à primeira máquina criada para processamento de informação feita sobre o sistema de redes neurais. Ele foi o primeiro sistema de processamento pequeno o suficiente para ser usado por uma pessoa, diferente dos computadores da época que ocupavam salas enormes com seus processadores. Ele foi considerada por muitos como o pai do computador pessoal.
Atualmente, o Perceptron é conhecido como a forma de processamento de informação baseado em redes neurais. Ele é construído com neurônios artificiais, formando redes de processamento. Uma rede dessas é chamada de Perceptron.
Diferenças entre Computador e Perceptron
A melhor forma de compreender a singularidade desse sistema é compará-lo ao computador. Talvez a característica mais marcante de um Perceptron seja que ele não executa programas, mas os aprende. Em um computador, instala-se instruções de comando que formam um programa. Em um perceptron, treina-o para executá-los. As informações não são gravadas, mas aprendidas.
Um computador funciona a partir da execução de operações lógicas, rodando programas que podem
er reduzidos à combinação de procedimentos de lógica booleana. Por sua vez, um perceptron é capaz de processos não-lógicos, comparações e transformações, pois seus sistema não é condicionado a um funcionamento lógico e linear.
Ao mesmo tempo, um perceptron é capaz de múltiplos processamentos e testes de hipóteses em paralelo, enquanto computadores funcionam com um processamento em cada circuito de cada vez. Isso faz com que a velocidade de processamento do perceptron seja muito maior do que a de um computador tradicional.
Finalmente, um computador está preso à sua programação. Ele só executa aquilo que foi programado. Enquanto isso, um perceptron pode perceber novas possibilidades, aprender com as tentativas e erros e apresentar novos resultados.
Conclusão
Sabe-se que nenhuma máquina é capaz de superar a inteligência humana. Muitas são capazes de vários processamentos por segundo, de calcular inúmeras possibilidades, mas nenhum computador é capaz de aprender com seus erros. Já os perceptrons nos mostram que podemos construir máquinas realmente inteligentes, capazes de aprender, de errar, de melhorar e principalmente, que não são presos a programações que podem falhar. O que limita uma máquina dessas é sua própria experiência.
Aliado a isso e ao uso de nanotecnologia, podemos esperar grandes avanços nos computadores e na forma como entendemos a mente humanao. O que virá disso tudo, só o futuro pode dizer.
Pesquisadores israelenses desenvolveram um tênis para ajudar quem precisa “reaprender” a caminhar com as próprias pernas. O Step of Mind é um dispositivo feito para alterar as orientações do solo a todo o momento, de forma que o cérebro seja exercitado e recupere habilidades antes conhecidas.
A pesquisa para a criação do aparelho levou 15 anos e foi conduzida pela neurofisiologista Simona Bar Haim. Ela explica que “o dispositivo não reabilita músculos, mas sim restaura áreas afetadas do cérebro. Quando você anda, não sabe o próximo passo, e o cérebro pergunta: vou andar em terreno acidentado, elevado, grama, areia? Os pistões do sapato criam um ambiente feito para a recuperação do cérebro, ensinando-o novamente como andar”.
O tênis é equipado com baterias, sensores e sistemas de memória, que ajudam no processo de modificação do solo. Bar Haim insere dados no Step of Mind e cria exercícios caóticos, específicos para a necessidade de cada paciente. Após o uso, a pesquisadora analisa os resultados, modificando a simetria e retrabalhando o cérebro.
O foco da pesquisa são pessoas com problemas crônicos que possuem dificuldade de aprendizado na hora de caminhar, como quem teve derrame, desenvolveu paralisia ou foi afetado por um acidente. Um pacote com 25 sessões custa 1.800 dólares (cerca de 2.800 reais).
Em longo prazo, Simona Bar Haim pretende fabricar outros tênis, para que os pacientes possam treinar em casa (com custo de cerca de 900 dólares). Para maiores informações, basta acessar o site do Step of Mind (em inglês).
O projeto já saiu do papel e está em fase de testes. Utilizando um capacete especial, o ciclista emite ondas cerebrais, que são convertidas em comandos.
Um protótipo de bicicleta foi criado em uma parceria das empresas Toyota e Parlee. O grande diferencial desse modelo é que, para trocar as marchas, o ciclista usa apenas o pensamento. Um capacete especial lê as ondas cerebrais e converte-as em comandos para o meio de transporte.
Testes estão sendo realizados com a bicicleta do futuro (Fonte da imagem: Divulgação)
Para usar a bicicleta do futuro, é preciso treinar o cérebro. Com a ajuda de um aplicativo para o iPhone, no qual é preciso mover um cubo para cima e para baixo, o ciclista testa e aprende a controlar as suas ondas cerebrais. O capacete que acompanha esse protótipo possui sensores especiais que são capazes de transformar o pensamento em ação e mudar a marcha para cima ou para baixo.
Sensores no capacete permitem que o usuário mude a marcha utilizando apenas o pensamento (Fonte da imagem: Divulgação)
O projeto está em fase de testes ainda e não tem previsão de chegar ao mercado, mas já conta com outros diferenciais, além do modo incomum de trocar as marchas. O corpo da bicicleta, por exemplo, é feito em fibra de carbono e foi desenvolvido para ter uma aerodinâmica mais eficiente.
Engenheiro da Universidade de Michigan usa modelo baseado em cérebros de gatos para construir computador do futuro.
O cérebro é um dos órgãos mais complexos do nosso corpo e, por isso, é um dos que mais reserva mistérios a ser desvendados. Por causa dele temos uma capacidade incrível para armazenar e processar informações, de maneira muito mais rápida que qualquer computador.
Algo ainda mais incrível proporcionado por essa máquina espetacular é o aprendizado, a capacidade que temos de aprender com experiências passadas e tomar decisões com base nesse conhecimento adquirido.
E não é apenas o cérebro humano que conquista lugar nas pesquisas científicas. Agora, um engenheiro da Universidade de Michigan pretende construir um supercomputador baseando-se no modelo de funcionado do cérebro de gatos.
Wei Lu, que concluiu seu doutorado pelo Departamento de Engenharia Mecânica e Aeroespacial da Universidade de Princeton, desenvolveu um dispositivo eletrônico que “imita” o comportamento dos cérebros de gatos, possibilitando que, algum dia, os computadores possam aprender e reconhecer informações de maneira semelhante à dos humanos. “Nós estamos construindo um computador da mesma maneira que a natureza constrói um cérebro”, afirma Lu.
Os microchips de hoje usam transistores para amplificar e interromper sinais elétricos. Você pode pensar nesses transistores como pequenos interruptores que podem estar ligados ou desligados e, dessa forma, representarem dados na forma de dígitos binários ou bits (0 e 1).
Os dispositivos nos quais os pesquisadores de Michigan estão trabalhando usam uma nova forma de transistores, chamados de “memristors”.
Pelo nome talvez você já tenha deduzido a grande novidade por trás da invenção: capacidade de memória, de armazenar informações passadas. Dessa forma, ao interromper a voltagem do dispositivo, o memristor ainda “se lembrará” das propriedades dos sinais elétricos que passaram por ele.
É possível fazer uma comparação entre os memristors e as sinapses, junções usadas pelos neurônios para comunicação. São as sinapses que possibilitam que os neurônios formem circuitos dentro do nosso sistema nervoso e, por isso, elas são essenciais para a “computação” realizada pelo cérebro.
Se analisarmos um computador normal, perceberemos que os dispositivos que cuidam da lógica e da memória estão separados, localizados em partes diferentes do circuito. Como resultado disso, o computador trabalha de maneira linear, passo a passo. E executando processos dessa forma, ele demora mais e, por consequência, gasta mais energia.
Já o cérebro trabalha diferente, realizando muitas operações em paralelo ou simultaneamente. Isso faz com que uma pessoa ou um gato possa reconhecer um rosto quase que instantaneamente, por exemplo.
Aplicação prática
O que Lu e outros pesquisadores da Universidade de Michigan estão fazendo é usar um memristor para ligar dois circuitos eletrônicos, assim como uma sinapse liga dois neurônios. O fortalecimento da conexão entre neurônios, estimulados um em relação ao outro, é o que os cientistas acreditam ser a base do aprendizado e da memória nos cérebros de mamíferos. Ao imitar isso em um modelo computacional, o sistema torna-se capaz de memorizar e de aprender processos.
Os pesquisadores descobriram ser possível alterar a duração e a sequência da voltagem aplicada ao sistema para aumentar ou diminuir gradualmente o nível de sua condutividade elétrica. De acordo com Lu, mudanças similares acontecem na condutividade das sinapses, em nossos cérebros, e é isso que possibilita a memória de longo termo.
Com o modelo de supercomputador proposto pelos pesquisadores, seria possível que esse “cérebro eletrônico” calculasse rapidamente o caminho mais curto entre um ponto e outro e pudesse recalcular quase que instantaneamente caso algo modificasse o cenário.
Lu acredita que um projeto desses seria especialmente interessante para o Departamento de Defesa dos Estados Unidos, que poderiam adotar o sistema para armas, robôs e veículos não tripulados.
Dessa forma, quando algo atrapalhasse o caminho de um desses robôs ou veículos, por exemplo, eles não precisariam enviar novas imagens para o centro de operações e esperar por novos comandos emitidos pelos militares. Os robôs seriam capazes de tomar suas próprias decisões.
Hoje já temos supercomputadores que podem ser comparados ao cérebro de um gato. O Dawn, localizado no Lawrence Livermore National Laboratory, possui mais 140 mil unidades de processamento e 144 TB de memória principal.
Apesar dos números impressionantes, o Dawn é capaz de realizar tarefas cerca de 83 vezes mais devagar que o cérebro de um gato. Por isso, Lu acredita que a meta de construir um supercomputador tão rápido quanto o cérebro desse animal seja realista.
O próximo passo do pesquisador é construir um sistema maior, com centenas de neurônios e sinapses artificiais e, com isso, o grupo espera um dia chegar a construir supercomputadores com o tamanho de computadores comuns.
Memristors: a fronteira final?
Ao que parece esse também não é o único uso previsto para os memristors. Pesquisadores da Hewlett-Packard publicaram há pouco tempo um artigo que mostra que os transistores com memória também são capazes de realizar computação, possibilitando que funções lógicas sejam executadas nos locais onde as informações são armazenadas.
Se tudo continuar como previsto, o foco de desenvolvimento da indústria pode mudar. Talvez, no futuro, não estejamos focados no poder de processamento de um sistema, mas sim na eficiência de sua computação.
