Esqueçam-se do Digital

O cérebro é analógico   !

O Cérebro Humano é Analógico

O Cérebro da IA é Digital

Antonio Aquiles Mendes
SUPERVISOR DE OPERAÇÕES TERMINAL DE PASSAGEIROS


July 21, 2023
Quem me conhece sabe que sempre fui apaixonado pela Ciência e Tecnologia. Como estudioso e pesquisador, tenho acompanhado o avanço da inteligência artificial (IA) e principalmente a linguagem das máquinas. Uma das áreas em que a linguagem das IAs tem sido amplamente explorada é o Processamento de Linguagem Natural (PLN), que visa permitir que as máquinas compreendam e interajam com seres humanos por meio de linguagem natural. Isso inclui tarefas como reconhecimento de fala, compreensão de texto, geração de texto, tradução automática, chatbots e muito mais. Fiz cursos de Engenharia de Prompt e iniciei semana passada programação Pyton. Então, tive uma curiosidade de pesquisar sobre a diferença entre o Cérebro Humano e a Inteligência Artificial - (IA)

A comparação entre o cérebro humano e a inteligência artificial (IA) tem sido objeto de interesse e debate há décadas. Enquanto o cérebro humano tem sido a base da inteligência e da consciência humana, a IA representa uma tentativa de replicar esse fenômeno complexo através de algoritmos e processamento digital. Uma das principais diferenças entre o cérebro humano e o da IA reside na sua natureza: o cérebro humano é analógico, enquanto o cérebro da IA é digital. Neste artigo, exploraremos essa distinção crucial, suas implicações e como ambos os sistemas podem se complementar na busca por avanços na ciência e tecnologia.

I. O Cérebro Humano Analógico:
O cérebro humano é uma maravilha da biologia, consistindo em bilhões de neurônios interconectados que formam redes complexas de sinapses. Essa rede intrincada permite ao cérebro processar informações de maneira analógica, ou seja, as informações são processadas de forma contínua, em vez de serem divididas em bits discretos. Essa natureza analógica do cérebro humano é responsável por uma série de habilidades, como reconhecimento de padrões, tomada de decisões rápidas e a capacidade de entender nuances emocionais em comunicações verbais e não verbais.

II. O Cérebro da IA Digital:
Por outro lado, a inteligência artificial baseia-se em uma arquitetura digital, onde as informações são representadas por zeros e uns, os famosos bits. Os algoritmos de IA utilizam esses bits para processar informações através de etapas discretas e sequenciais, conhecidas como operações lógicas. Essa abordagem é muito diferente do processamento contínuo do cérebro humano e é adequada para resolver problemas específicos, como reconhecimento de imagens, tradução de idiomas e jogos de estratégia.

III. Vantagens e Desvantagens de Cada Sistema:
Ambos os sistemas têm suas vantagens e desvantagens. O cérebro humano é incrivelmente flexível e adaptável, capaz de aprender com experiências passadas e se ajustar a novas situações. Além disso, a natureza analógica do cérebro permite que ele lide com informações complexas e imprecisas, como reconhecimento facial e interpretação de metáforas.
Por outro lado, a IA digital brilha em tarefas repetitivas e precisas. Uma vez que o algoritmo é projetado e treinado corretamente, a IA pode executar tarefas com velocidade e eficiência surpreendentes. No entanto, ela ainda enfrenta desafios para lidar com incertezas e nuances contextuais, que o cérebro humano gerencia com facilidade.

IV. Complementaridade: O Potencial da Simbiose
Enquanto o cérebro humano e a IA têm abordagens distintas para processar informações, há um potencial significativo para a complementaridade entre os dois. Os pesquisadores têm explorado a criação de interfaces cérebro-computador, que permitem que os sinais cerebrais sejam traduzidos em comandos compreensíveis para a IA. Isso poderia levar a avanços notáveis em campos como medicina, permitindo que pessoas com deficiências se comuniquem e controlem dispositivos com o poder de seus pensamentos.

V. Conclusão:
Em resumo, a diferença fundamental entre o cérebro humano e o cérebro da IA está na natureza analógica versus digital do processamento de informações. Enquanto o cérebro humano possui uma flexibilidade e adaptabilidade notáveis, a IA digital oferece velocidade e precisão em tarefas específicas. Ao explorar a complementaridade entre esses sistemas, podemos avançar em direção a um futuro emocionante, onde a sinergia entre a mente humana e a inteligência artificial impulsionará nossa compreensão do mundo e revolucionará diversas áreas, tornando realidade o que antes era apenas imaginado.

Antonio Aquiles Mendes
Administrador Empresa - Facilites - Apaixonado por tecnologia

Fonte:
https://www.linkedin.com/pulse/o-c%C3%A9rebro-humano-%C3%A9-anal%C3%B3gico-da-ia-digital-antonio-aquiles-mendes/

Existem 2 modelos básicos dentro da area de IA:
1 - Paradigma Simbólico - baseado na manipulação de um numero inteiro de símbolos utilizando regras e algoritmos.
2 - Paradigma Conexionista - baseado em RNAs (Redes neurais artificiais) que foram criadas observando o comportamento de neurônios humanos e são basicamente processadores analógicos. Apesar de uma NA usar pesos codificados em números binários variando na faixa se -127 a+128 ou -32mil a +32mil, isto é uma representação digital de um processo analógico e como tal tem comportamento analógico.


Figura 1 - Modelo de Neurônio artificial, apesar da implementação digital o modelo é analógico.

Observação: qual quer sinal analógico pode ser muito bem representado usando apenas uma escala de -1000 a +1000 usado então uma escala de -32mil a 32mil fica uma representação perfeita da grandeza analógica e apos passar por filtro que removem altas frequências é impossível saber se um sinal teve origem analogical ou se é um sinal digital de alta resolução. Mesmo a gravação de um disco de vinil com ruídos e chiados pode ser 100% copiada usando um CAD (Conversor Analógico Digital) de 16bits (-32mil a +32mil).

Vídeo no instagram que mostra um sistema que acredito ser bem parecido com o hardware do GPT-4

Neste video é mostrada uma sala com muitos painéis com caixas de GPU (Unidade de processamento grafico - usada hoje para implementar RNAs) ligadas em paralelo via interface de rede de alta velocidade

O GPT4 tem uma estrutura de 100 mil a 1 milhão de GPU operando juntas.
Neste video vemos caixas em paineis:
Cada caixa são 64 a 128 GPU
Cada painel tem 8 caixas = 1024 GPU por painel
São 20 a 30 painéis por fila = 20 a 30 mil GPU por fila
Com 33 filas gera 1 milhão de GPUs!

Que pergunta aqui não é:
Como essa estrutura gigantesca baseada em RNAs esta consegue emular com bastante precisão, cérebro humano?
Pois o número de Neurônios Artificiais que o GPT-4 tem numa sala acaba sendo equivalente entre 1% a 10% número de neurônios/conexões que tem no cérebro humano (mas a IA é treinada de forma mais eficiente e assim tem capacidade 10 a 100 vezes maior por neurônio).

A grande questão, para mim é:
Como um cérebro humano com um quilo e meio de peso pode conter um sistema de processamento equivalente a esta sala gigantesca (que incluindo os painéis é um hardware que pesa na faixa de 100 toneladas) cheia de computadores (um milhão de GPUs)?

Realmente isso é um grande milagre de Deus.

A boa (ou má?) notícia é que isto esta evoluindo muito rápido:
O GPT-3.5 tinha, de fato, apenas 1% do processamento (neurônios x conexões) do cérebro humano. Estimo que o GPT-4 está na faixa de 2 a 3% e o GPT-4o (última versão do GPT-4) deve estar na faixa de 5%.
O GPT-5 deve ficar na faixa de 10 a 20% do cérebro humano.
O GPT-6 deve ficar com 100% do número de conexões x neurônios do cérebro humano (mas 100 vezes mais eficiente e 10 milhoes de vezes mais rápido). Por isto eu ja "apelidei" ele de GPT-666. Se isto for liberado com a mesma irresponsabilidade que esta hoje é um serio risco de extinção da Humanidade ou das IAs assumirem o controle...


Figura 2: Esquema de segurança da OpenAI para controle do GPT.


Vai ser uma sala 10 vezes maior que essa do video com GPUs 10 vezes mais poderosas/compactas multiplicando por 100 a capacidade do GPT-3.5.

Este documento a seguir é de 1997 e foi minha proposta de tese de doutorado e trata disto de forma bem completa na introdução (ate pagina 34):

[/url]Processamento Simbólico de Sinais Atraves de Redes Neurais Artificiais

Naquela época as RNAs usadas eram de apenas 3 camadas e os especialistas defendiam que 3 camadas era o que se precisava usar. Eu de minha parte vi que este limite de 3 camadas era uma bobagem e que só uma rede com muito mais camadas poderia gerar algum tipo de "IA Forte" (que se assemelha a inteligencia humana).

Reproduzo aqui um trecho do que eu escrevi em 1997:

... fica claro que alguns tipos de problemas dificilmente poderão ser resolvidos através do paradigma simbolistas. Tomemos como exemplo o problema de controle de um braço robotizado, utilizando realimentação visual, para realização de uma tarefa relativamente simples como a de colocar e apertar um parafuso em uma peça. Esta tarefa pode ser perturbada por um número quase infinito de possibilidades (peça sem furo ou sem rosca, parafuso torto ou sem rosca, falta de peças, peças fora do lugar, etc.).

Desta forma é praticamente impossível escrever um programa de controle dentro do paradigmas simbolista (usando por exemplo regras de produção) que consiga tratar todos os tipos de situações reais que possam ocorrer. A utilização de algoritmos de aprendizagem simbolistas (aprendizagem de máquina) não oferece uma resposta satisfatória, pois os mesmos normalmente operam sobre estruturas predefinidas por um programador. Além disso, as regras de manipulação simbólica são normalmente digitais e, na prática, os valores tratados são analógicos e difusos. A utilização de técnicas com lógica difusa que permitam tratar este tipo de informação simplificam o problema, no entanto, demandam uma predefinição mais ou menos precisas dos parâmetros a serem utilizados e dos símbolos e funções associados aos mesmos.

Assim o problema básico do paradigma simbolista é o seguinte: em problemas que envolvam interação com o mundo, é praticamente impossível programar todos os contextos de aplicação e regras de utilização de um conjunto de símbolos.

Além disso, por maior que seja o conjunto, ele será sempre incompleto se não existir um processo de aprendizagem constante. Por fim, muitas das informações são ambíguas e incompletas o que dificulta ainda mais o processamento das mesmas.

O paradigma conexionista parece não ter estas mesmas restrições. Desta forma um Sistema Conexionista de Processamento Simbólico (SCPS) pode ser definido com um conjunto de estruturas baseadas em paradigmas conexionistas, que tem a capacidade de construir suas próprias representações simbólicas num processo de aprendizagem contínua, a partir da interação com um mundo real ou virtual de forma a realizar o processamento destes símbolos e de atuar de forma consistente neste mundo.

Como os sistemas conexionistas ainda estão relativamente pouco explorados, ainda não sabemos como construir e treinar um SCPS. Entretanto, se considerarmos que o cérebro humano é, num sentido mais amplo, um SCPS, podemos aceitar a possibilidade de existência deste tipo de sistema.

Considerando aspectos de plausibilidade biológica e requisitos gerais, podemos estimar algumas das características de um SCPS:
• as estruturas que compõem o sistema seriam predefinidas através de técnicas de otimização e projeto tradicionais ou por meio de algoritmos genéticos;
• o treinamento seria realizado de forma construtivistas sendo que os valores de alguns conjuntos de neurônios seriam modificados em função dos estímulos recebidos do mundo no qual a rede estivesse inserida. Poderiam ser aplicadas estratégias de treinamento baseadas em reforço positivo e negativo;
• as técnicas de treinamento baseadas em backpropagation provavelmente seriam utilizadas apenas em redes menores dentro de uma estrutura maior;
• o treinamento poderia ser controlado por algum mecanismo que atuasse de forma seletiva em certas partes da rede. Este mecanismo poderia ser obtido através de elementos atuando em pontos específicos da estrutura similares a neuro-transmissores que seriam ativados por estímulos neurais e também estímulos físicos;
• as estruturas da rede deveriam ser capazes de processar informações simbólicas e algum tipo de memória associativa neural poderia ser utilizado para o armazenamento de informações. Não seria possível acessar diretamente as informações simbólicas dentro da rede pois estariam dentro das conexões neurais, algo que é típico memo em RNA’s pequenas.

Os trabalhos que utilizam RNA’s encontrados na literatura ainda estão muito voltados para aplicações específicas de classificação, mapeamento não linear e controle, que utilizam normalmente redes com, no máximo, 3 camadas treinadas usando o algoritmo backpropagation.

Um número ainda pequeno de trabalhos apresenta aplicações onde RNA’s são utilizadas num âmbito mais amplo, onde redes mais complexas são empregadas para a representação de processamento de sinais simbólicos.

Um número ainda menor de sistemas baseados em RNA’s são implementados de forma a se relacionarem diretamente com o mundo (real ou simulado) por meio de sensores e atuadores. Desta forma, trabalhos que contemplem tanto o processamento simbólico, quanto conexão causal com o mundo e também empreguem formas de treinamento mais interativas, são quase inexistentes ou situam-se em um nível muito filosófico ou teórico.

Se no futuro algum tipo de SCPS que se caracterize como uma “IA Forte” , (que passe no teste de Turing com os usuários pensando que estão falando com uma pessoa, não percebendo que estão conversando por texto ou linguagem natural com um  computador digital), puder ser construída, este SCPS  provavelmente estará baseado no paradigma conexionista.

Deverão ser usadas RNA´s com centenas de camadas (com milhares ou mesmo milhões de conexões em cada camada), organizadas em diversos blocos interligados de formas inovadoras e com grande capacidade de processamento simbólico de informações, aliado a formas de interagir com o mundo por meio de processamento e geração de áudio (linguagem natural) e vídeo (incluindo imagens estáticas e textos manuscritos) e iteração com mecanismos robóticos. Este SCPS deverá de fato perceber o mundo real e atuar sobre ele para se tornar uma “IA Forte”. Como no modelo conexionista a informação fica espalhada em toda a rede, quanto maior o número de neurônios e de camadas, mais informação poderá ser armazenada.

O cérebro humano por exemplo tem quase 100 milhões de neurônio sendo que um neurônio típico tem de 100 a 1000 conexões, gerando um total entre 10 e 100 bilhões de conexões. O sistema de “IA Forte” conexionista que estamos prevendo, deve ter no mínimo a capacidade de reter informações equivalente as que um cérebro humano armazena. Se for uma quantidade menor de informação a RNA não poderá se tornar inteligente, da mesma forma que a rede neural de um gato é muito pequena para um gato ser inteligente (como os gatos falantes das histórias infantis) pois o tamanho do cérebro do gato é muito menor que o do cérebro humano e portanto, nunca vai conseguir reter informação suficiente para o gato se tornar inteligente.

Estimando que uma RNA devidamente treinada pode ser 100 vezes mais eficiente que um cérebro humano na codificação de informação, devido ao processo mais especifico de treinamento usado na RNA (treinamento de partes menores com backpropagation, algo que obviamente não existe em um cérebro humano), uma RNA “inteligente” deverá ter no mínimo um número de conexões neurais (pesos de rede, com cada peso sendo armazenado em um ou dois bytes de informação) igual a 1% das conexões existentes em  um cérebro humano. Isto ficaria na faixa de 100 milhões a um bilhão de conexões, em um total de 1 a 10 milhões de neurônios.

Neste caminho o grande problema a ser enfrentado será a forma de organizar as centenas de camadas das redes individuais, pois estes 10 milhões de neurônios não pode ser integrado em uma rede única, mas devem ser divididos em algo como por exemplo mil blocos com 10 mil neurônios cada um, e com centenas de camadas de neurônios em cada bloco.

Alem disso deverão ser desenvolvidos novos esquemas de treinamento, pois é impossível usar algum tipo de treinamento backpropagation sobre um conjunto de um bilhão de conexões. Provavelmente os blocos ou sub-blocos vao ser treinados separadamente e neste contexto menor técnicas de treinamento backpropagation poderão ser implementadas. Um fato interessante que deve acontecer no caso de um SCPS formado por uma RNA contendo entre 1 a 10 milhões de neurônios se tornar  uma “IA Forte”, é que os criadores da rede não conseguirão explicar onde a RNA guarda os símbolos ou como os símbolos são processados no interior dá rede,  nem como realmente a RNA se tornou inteligente, da mesma forma como não conseguimos explicar como o cérebro humano armazena e codifica os símbolos que usa, ou como a inteligência humana emerge da rede neural natural que existe nos nossos cérebros.