A eficiência faz a diferença entre os neurônios biológicos e suas contrapartes artificiais


Imagem por macrovetor no Freepik

O aprendizado de máquina fez grandes progressos, mas, como esta série explicou, não tem muito em comum com o funcionamento do seu cérebro. A parte 8 da série explora uma única faceta dos neurônios biológicos que, até agora, os manteve muito à frente de seus equivalentes artificiais: sua eficiência.

Seu cérebro contém cerca de 86 bilhões de neurônios, que são compactados em um volume de pouco mais de um litro. Embora o aprendizado de máquina possa fazer muitas coisas que o cérebro humano não pode, o cérebro é capaz de realizar reconhecimento de fala contínuo, interpretação visual e uma série de outras coisas, enquanto dissipa cerca de 12 watts. Em comparação, meu laptop consome cerca de 65 watts e meu desktop consome mais de 200 watts, e nenhum deles é capaz de executar as enormes redes de ML que estão em uso hoje.

Como o cérebro atinge sua notável eficiência? Atribuo isso a três fatores principais:

  1. O cérebro é físico e químico, e não eletrônico.
  2. Os neurônios do cérebro são muito lentos.
  3. Os neurônios só precisam de energia quando estão disparando picos.

Embora possamos usar instrumentos eletrônicos para medir tensões em neurônios, seu funcionamento fundamental é químico. Os íons migram de um lado da membrana para o outro e as moléculas iônicas mudam de orientação. Isso é fundamentalmente diferente de um computador, onde os elétrons se movem e a carga que eles representam se move na velocidade da luz. Obviamente, as moléculas no cérebro não requerem nenhuma energia externa quando estão apenas sentadas lá e a quantidade de energia necessária para um íon de sódio (por exemplo) se mover de um lado de uma membrana para o outro é minúscula.

Como mencionei em um artigo anterior desta série, os neurônios explodem a uma frequência máxima de 250 Hz e os sinais neurais viajam silenciosamente a 2 m/s. Se diminuíssemos a velocidade de nossos processadores para uma taxa semelhante, eles também dissipariam muito menos energia, mas nunca tão pouco quanto seus equivalentes biológicos.

A diferença real, no entanto, é que os neurônios requerem energia insignificante, exceto quando disparam. Além disso, eles não atiram com muita frequência. Tomando a energia total do cérebro e dividindo-a pela energia necessária para disparar calculada via química, pode-se concluir que os neurônios disparam em média uma vez a cada dois segundos. É óbvio que processos contínuos como visão e audição precisam trabalhar mais ou menos constantemente usando mais energia. Portanto, para obter uma média, temos de concluir que vastas porções dos neurônios no cérebro raramente disparam. Portanto, um neurônio que representa uma memória específica (sua avó, por exemplo) provavelmente só dispara quando você pensa em sua avó.

Mas há outra maneira de pensar sobre isso. Uma CPU usa uma certa quantidade de energia quando está funcionando em alta velocidade (não ociosa ou inativa) e usa essa quantidade de energia independentemente dos dados que está processando. Adicionar dois números, por exemplo, 0 + 0, requer essencialmente a mesma energia que adicionar 12 345 + 67 890. Os neurónios são diferentes.

Essa distinção foi a origem do movimento da computação neuromórfica. No Brain Simulator, o processamento é necessário apenas para os neurônios que disparam, portanto, um processador de desktop pode lidar com até 2,5 bilhões de sinapses por segundo. Os chips neuromórficos aproveitam esse efeito para produzir resultados de IA com radicalmente menos poder do que os processos convencionais de aprendizado de máquina.

Embora os sistemas neuromórficos tenham se movido para arquiteturas mais semelhantes ao cérebro, eles geralmente ainda usam o algoritmo de retropropagação de ML, que não é neuromórfico.

“O último artigo desta série irá resumir as muitas razões pelas quais o aprendizado de máquina não é como o seu cérebro, juntamente com algumas semelhanças.”

Charles Simon é um empreendedor e desenvolvedor de software reconhecido nacionalmente e CEO da FutureAI. Simon é o autor de Will the Computers Revolt?: Preparing for the Future of Artificial Intelligence, e o desenvolvedor do Brain Simulator II, uma plataforma de software de pesquisa AGI. Para maiores informações, visite aqui.