Escrito pela Equipe Científica Qubic
Imagine um edifício com trinta pessoas. Saber quantas existem adiciona pouco. O que realmente explica o que está acontecendo é quem depende de quem, quem é filho, pai, esposa, marido, quem coordena o edifício, quem é o presidente da comunidade, quem é o porteiro, o entregador, o proprietário ou o inquilino. A dinâmica do grupo não está no número, mas na estrutura das relações. É a essência do cérebro social que somos.
No cérebro, o conectoma (https://en.wikipedia.org/wiki/Connectome) é semelhante ao exemplo anterior: uma descrição completa daquela estrutura dinâmica. A chave não é o mapa, mas entender que tipo de dinâmicas podem emergir dele quando é ativado. Na construção, o que acontece quando o filho de uma família se muda para outra cidade, quando um casal se separa e os apartamentos ficam disponíveis, quando o presidente muda, quando novos vizinhos chegam. Para entender isso biologicamente, os cientistas mapeiam o conectoma de organismos mais simples que Homo sapiens. Neste artigo recente, eles analisam o conectoma da mosca da fruta: Drosophila melanogaster (https://www.nature.com/articles/s41586-024-07558-y).
A ideia subjacente é profunda: em sistemas biológicos, parte da inteligência não é aprendida; já está contida na arquitetura. Este conceito, conhecido como fortes priors arquiteturais (https://www.nature.com/articles/s41467-019-11786-6), desafia o paradigma predominante da IA que depende exclusivamente da aprendizagem a partir de dados.
O Conectoma Completo do Cérebro da Mosca da Fruta: Um Marco no Mapeamento de Circuitos Neurais
O conectoma completo do cérebro da mosca, mais de 125.000 neurônios e cerca de 50 milhões de sinapses, não é apenas uma realização técnica, mas uma nova unidade computacional de análise (Shiu et al., 2024). Pela primeira vez, podemos estudar um sistema nervoso completo como um gráfico funcional quase fechado. O projeto FlyWire, um consórcio liderado por Princeton com mais de 200 pesquisadores de 127 instituições, tornou este conectoma de cérebro completo possível através de uma combinação de segmentação assistida por IA, ciência cidadã e revisão por especialistas.
Modelo de Rede Neural de Espigamento: Como a Conectividade Impulsiona a Computação Sensorimotora
Em cima desse gráfico, os autores constroem um modelo muito simples. Eles constroem uma rede de neurônios (tipo de integração e disparo com vazamento: https://neuronaldynamics.epfl.ch/online/Ch1.S3.html) onde a atividade se propaga de acordo com a conectividade sináptica e o tipo de neurotransmissor (Gerstner et al., 2014; Shiu et al., 2024). Nenhum treinamento é necessário. A rede neural de espigamento não “aprende” no sentido clássico, mas executa o que sua estrutura permite. Semelhante ao exemplo de construção, onde as funções e conexões entre membros da comunidade orientam e pré-configuram seus comportamentos.
O modelo criado pelos pesquisadores é capaz de prever transformações sensorimotoras completas. Se ativarem neurônios gustativos, isso lhes permite antecipar quais neurônios motores serão ativados, e essas previsões são validadas experimentalmente usando uma técnica conhecida como optogenética (Shiu et al., 2024). Ou seja, a função emerge diretamente da arquitetura. Ou seja, manipulando como a mosca coleta e constrói estímulos relacionados ao gosto, eles podem saber como ela reagirá. A conectividade não é apenas um suporte; também é computação (Bargmann & Marder, 2013).
Priors Arquiteturais: Inteligência Codificada Antes que o Aprendizado Comece
Na biologia, os cérebros não começam vazios. Um organismo nasce com circuitos organizados que permitem comportamentos funcionais desde o início. Em sistemas simples como C. elegans ou outros insetos, grande parte da dinâmica funcional é diretamente condicionada pela conectividade (Winding et al., 2023; Scheffer & Meinertzhagen, 2021). Quando um conectoma completo é reconstruído, padrões recorrentes aparecem. Esses são ciclos de feedback, circuitos inibitórios competitivos, caminhos sensorimotores altamente direcionados. Esses padrões não são devido à aprendizagem em tempo real, mas a processos evolutivos que, por assim dizer, “codificaram” soluções em sua própria estrutura.
No aprendizado profundo, no entanto, as redes começam com parâmetros inicializados arbitrariamente e a inteligência, ou melhor, sua aparência, emerge através da otimização com grandes volumes de dados (LeCun, Bengio, & Hinton, 2015). A arquitetura introduz vieses, mas através do treinamento eles são gradualmente suavizados até certo ponto, puramente através da escalabilidade computacional.
O conectoma da mosca da fruta sugere outra possibilidade: parte da inteligência pode residir na estrutura mesmo antes da aprendizagem. Isso abre um paradigma alternativo para a inteligência artificial inspirada no cérebro, uma vez que arquiteturas que já contêm propriedades computacionais úteis aumentam o papel da aprendizagem. Essa abordagem foi formulada como o uso de fortes priors arquiteturais ou abordagens baseadas em conectoma (Zador, 2019).
Eficiência Energética na Computação Neural: Por Que a Arquitetura do Cérebro Importa
Há também um argumento físico que reforça essa ideia: eficiência. O cérebro de uma mosca realiza tarefas complexas com um consumo de energia muito baixo. Isso sugere que a eficiência não depende do número de parâmetros, mas de como os circuitos neurais estão organizados (Laughlin & Sejnowski, 2003). Conectomas nos permitem estudar precisamente essa organização de forma explícita. Esse princípio está no coração do crescente campo da computação neuromórfica, que busca construir hardware e algoritmos que imitam a notável eficiência energética do cérebro.
Limitações do Conectoma da Drosophila: Por Que um Diagrama de Fiação Cerebral Não É Suficiente
O artigo ganhou alguma visibilidade recente, mas é importante fundamentá-lo adequadamente.
O conectoma da mosca não permite a previsão completa do comportamento. Permite a previsão bastante precisa de algumas transformações sensorimotoras locais, como quais neurônios são ativados ou quais nós são necessários para uma resposta, mas não constitui uma teoria completa do comportamento. O trabalho em si reconhece limitações claras, uma vez que o modelo não incorpora adequadamente a neuromodulação, estados internos, sinalização extrasináptica ou atividade basal sustentada, e é baseado em suposições altamente simplificadas, como uma taxa de disparo basal nula, isto é, sem atividade espontânea, muito diferente do comportamento biológico real onde o cérebro está ativo o tempo todo (Shiu et al., 2024). Aqui, o conectoma descreve mais uma estrutura de possibilidades, mas não a dinâmica completa do sistema. A mesma rede pode produzir comportamentos diferentes dependendo do estado interno, do histórico anterior ou do contexto. Essa ideia está bem estabelecida: a conectividade restringe as dinâmicas, mas não a determina completamente (Marder & Bucher, 2007; Bargmann, 2012). Em sua comunidade residencial, os relacionamentos marcam uma alta probabilidade de funções e comportamentos, mas não os fixam. Se um evento inesperado ocorre, como uma festa, uma reunião ou uma queda de energia, as pessoas agirão de acordo com o contexto, não apenas com base em seu conectoma estrutural. O artigo enfatizou que “um conectoma não é suficiente” para entender um cérebro (Scheffer & Meinertzhagen, 2021).
O Cérebro Humano: Além da Conectividade Estrutural
Essa limitação se torna ainda mais clara se considerarmos o caso humano. Mesmo que tivéssemos um conectoma humano completo, algo que não existe hoje e cuja disponibilidade é incerta, isso não seria suficiente para entender completamente o comportamento. Serviria para delimitar restrições estruturais, entender princípios organizacionais e melhorar modelos dinâmicos, mas o comportamento humano também depende de desenvolvimento, plasticidade, corpo, endocrinologia, linguagem, cultura e contexto social.
Estudos atuais que tentam prever comportamento a partir da conectividade cerebral mostram limitações claras, onde os tamanhos de efeito são modestos e fortemente dependentes do tamanho da amostra (Marek et al., 2022). Portanto, a ideia de que um conectoma humano nos permitiria "ler" completamente o comportamento seria uma superinterpretação.
Do Conectoma ao Neuraxon: A Abordagem de IA Inspirada no Cérebro do QUBIC
No Neuraxon, sabemos que a arquitetura contém computação, que suporta inteligência emergente e induz comportamentos prováveis. Mas também sabemos que isso não é suficiente, razão pela qual adicionamos dinâmicas internas ricas, neuromodulação e estado. O Neuraxon visa se posicionar nesse espaço. Ele introduz atividade endógena, neuromoduladores, múltiplas escalas temporais e plasticidade, tentando simular várias funções do cérebro humano, não apenas as estruturais. Como explorado em nossa análise profunda sobre redes neurais em IA e neurociência, a lacuna entre redes neurais biológicas e artificiais é precisamente o que o Neuraxon conecta.
Aigarth leva essa abordagem um passo adiante. O conectoma da mosca é um sistema fechado. Aigarth propõe sistemas onde a estrutura pode evoluir, as dinâmicas são contínuas e a função emerge sem treinamento explícito. Aqui, a inteligência não é apenas o resultado da otimização, mas uma propriedade de sistemas dinâmicos organizados (Friston, 2010).
Da Otimização à Organização: O Futuro da Inteligência Artificial
No geral, o conectoma da Drosophila não resolve o problema do comportamento, mas nos mostra a importância do ponto de partida e da estrutura inicial. Mostra-nos que uma parte significativa da inteligência reside na arquitetura. Mas entre arquitetura e comportamento ainda existem dinâmicas, estado, história e contexto.
Devemos passar da otimização (LLMs) para a organização (Aigarth). Acreditamos fortemente que essa é uma das mudanças mais relevantes no futuro da inteligência artificial. Mesmo uma mosca nos ajuda a defender essas ideias.
Explore a Academia de Inteligência Neuraxon Completa
A mosca da fruta provou que a inteligência começa com a arquitetura. O Neuraxon está construindo sobre esse princípio. Explore como a IA inspirada no cérebro está tomando forma no QUBIC, comece com a Academia de Inteligência Neuraxon.
NIA Volume 1: Por Que a Inteligência Não É Computada em Passos, Mas no Tempo— Explora por que a inteligência biológica opera em tempo contínuo em vez de passos computacionais discretos como os LLMs tradicionais.
NIA Volume 2: Dinâmicas Ternárias como um Modelo de Inteligência Viva — Explica dinâmicas ternárias e por que a lógica de três estados (excitatório, neutro, inibitório) é importante para modelar sistemas vivos.
NIA Volume 3: Neuromodulação e IA Inspirada no Cérebro — Aborda a neuromodulação e como a sinalização química do cérebro (dopamina, serotonina, acetilcolina, norepinefrina) inspira a arquitetura do Neuraxon.
NIA Volume 4: Redes Neurais em IA e Neurociência — Uma comparação profunda entre redes neurais biológicas, redes neurais artificiais e a abordagem de terceiro caminho do Neuraxon.
NIA Volume 5: Astrócitos e IA Inspirada no Cérebro — Explora como os astrócitos regulam a plasticidade sináptica através da sinapse tripartida, e como o Neuraxon incorpora a ativação astrocítica para abordar o dilema estabilidade-plasticidade, permitindo que a rede controle localmente quando, onde e quanto aprendizado ocorre.
Qubic é uma rede descentralizada e de código aberto para tecnologia experimental. Para saber mais, visite qubic.org. Junte-se à discussão no X, Discord e Telegram.
Referências
Bargmann, C. I. (2012). Além do conectoma: Como os neuromoduladores moldam os circuitos neurais. BioEssays, 34(6), 458–465.
Bargmann, C. I., & Marder, E. (2013). Do conectoma à função cerebral. Nature Methods, 10(6), 483–490.
Friston, K. (2010). O princípio da livre energia: Uma teoria unificada do cérebro? Nature Reviews Neuroscience, 11(2), 127–138.
Gerstner, W., Kistler, W. M., Naud, R., & Paninski, L. (2014). Dinâmicas neuronais. Cambridge University Press.
Laughlin, S. B., & Sejnowski, T. J. (2003). Comunicação em redes neuronais. Science, 301(5641), 1870–1874.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Aprendizado profundo. Nature, 521(7553), 436–444.
Marek, S., et al. (2022). Estudos de associação cerebral em larga escala reprodutíveis requerem milhares de indivíduos. Nature, 603, 654–660.
Marder, E., & Bucher, D. (2007). Compreendendo a dinâmica dos circuitos. Annual Review of Physiology, 69, 291–316.
Scheffer, L. K., & Meinertzhagen, I. A. (2021). Um conectoma não é suficiente. Journal of Experimental Biology, 224.
Shiu, P. K., Sterne, G. R., Spiller, N., et al. (2024). Um modelo computacional cerebral de Drosophila revela processamento sensorimotor. Nature.
Winding, M., et al. (2023). O conectoma de um cérebro de inseto. Science, 379.
Zador, A. M. (2019). Uma crítica ao aprendizado puro. Nature Communications, 10, 3770.
Fonte: https://qubic.org/blog-detail/fruit-fly-connectome-drosophila-brain-architecture-ai-qubic