Como o Cérebro Lida com Incerteza

Prévia do material em texto

1/5
Como o nosso cérebro lida com a incerteza?
“A incerteza não está nas coisas, mas na nossa cabeça.” Um estudo recente poderia confirmar
concretamente essa afirmação do matemático suíço Jacques Bernoulli.
Síntese para representar o grau de borrão
Somos diariamente confrontados com ambientes visuais complexos e um conjunto de estímulos
sensoriais para integrar antes de tomar uma decisão. O processamento de várias informações em
paralelo permite que nossos cérebros adaptem nosso comportamento a uma ampla gama de situações.
No entanto, a função neurobiológica subjacente ainda é pouco compreendida. Em um estudo publicado
em 23 de junho de 2023 na Nature Communications Biology, os cientistas usaram tecnologias
inovadoras para entender a atividade dos neurônios no córtex visual primário em resposta à
https://www.nature.com/articles/s42003-023-05042-3
2/5
apresentação de imagens que reproduzem situações de incerteza. Aconversou com Laurent Perrinet,
pesquisador em neurociência computacional da equipe do Institut de Neurosciences de la Timone
(CNRS/Aix-Marseille Université) e supervisor de tese de Hugo Ladret, primeiro autor do estudo.
Reproduzir em uma neurociência a complexidade do mundo em que vivemos, ao mesmo tempo em que
somos capazes de analisar os resultados de forma confiável, é um verdadeiro desafio. Laurent Perrinet
propôs usar imagens geradas por computador projetadas para reproduzir um contexto visual incerto.
Como as texturas visuais usadas para vestir objetos em videogames, essas imagens representam
padrões que são mais ou menos alongados na mesma orientação. Quando todos esses padrões estão
alinhados de acordo com a mesma orientação, é muito fácil adivinhar. Por outro lado, quando muitas
orientações são misturadas, a informação visual é muito menos clara e precisa.
Essas texturas possibilitam reproduzir as características das imagens naturais que enfrentamos no
nosso quotidiano. Embora às vezes possamos identificar alguns objetos muito bem, outros elementos
percebidos podem parecer mais vagos, mais incertos para nós. No uso dessas texturas, o problema é o
mesmo: às vezes há linhas cuja orientação é facilmente identificável, e às vezes há pontos dispersos
cuja organização precisa é pouco vista.
O uso dessas texturas é inovador. De fato, convencionalmente, os pesquisadores da neurociência
usaram formas bastante isoladas na estimulação de áreas visuais: um retângulo, um ponto, uma linha
móvel. “Ter imagens tão simples é prático para a análise. Mas essas formas isoladas não são
“ecológicas”. Precisamos então encontrar outra maneira de replicar nosso mundo mais complexo. Ainda
mais, já que o cérebro está adaptado para perceber imagens naturais muito ricas”, explica Laurent
Perrinet to Sciences and Avenir.
O cérebro é projetado para perceber ambos os objetos precisos: sua forma, direção, orientação,
contornos, cores ... mas também para entender situações mais incertas, a fim de interpretar o distúrbio e
o caos que perturbam nossas expectativas. As texturas sintéticas são uma forma de reproduzir as
imagens naturais que enfrentamos. Partindo de uma intuição teórica matemática, a equipe de Laurent
Perrinet primeiro se perguntou como o cérebro pode deixar espaço para a incerteza.
https://www.int.univ-amu.fr/
https://www.sciencesetavenir.fr/animaux/le-chimpanze-face-au-principe-d-incertitude_172119
3/5
Textures images de synthèse incertitude visuelle Crédit :
Hugo J. Ladret / Nature Communications Biology (2023) /
l’Institut de Neurosciences de la Timone (CNRS et Aix-
Marseille Université)
A. A. (es) Exemplo de texturas apresentadas durante os experimentos. A natureza incerta das imagens
está associada ao número de orientações misturadas em uma imagem expressa em graus, que pode ser
representada em um diagrama. Quanto mais estreita a curva do diagrama, mais semelhantes são as
orientações. Quanto mais o diagrama é espalhado ao longo do eixo horizontal, mais padrões diferentes
são misturados na imagem. Na esquerda, as texturas com a orientação mais facilmente distinguível. Na
direita, as imagens mais incertas.
B. (em (em) As texturas podem representar localmente as imagens naturais que enfrentamos
diariamente. Por exemplo, se fizermos um diagrama mostrando as distribuições da orientação de quatro
regiões em uma imagem natural (foto tirada por Hugo Ladret), vemos que existem regiões cuja
orientação dos padrões é precisa e regiões mais turvas.
Crédito ilustrativo: Hugo J. Ladret / Ciência da Computação Biologia (2023) / o Institut de Neurosciences
de la Timone (CNRS e Universidade Aix-Marseille)
Neurônios especializados na representação da imprecisão
Os cientistas registraram a atividade de 249 neurônios de gato anestesiados. Eles observaram a
resposta dos neurônios na área visual primária à apresentação de imagens mais ou menos precisas.
Eles observaram que havia dois tipos de respostas neuronais à incerteza.
Os neurônios “vulneráveis” que respondem apenas para uma determinada orientação. Eles são muito
sensíveis e vulneráveis a altos graus de borrão. E os neurônios “resistentes” que respondem aos
estímulos visuais, apesar da falta de precisão das informações visuais. Mesmo quando são
apresentadas texturas que não estão bem definidas, ou seja, cuja orientação não é distinguível, esses
neurônios continuam a responder.
4/5
Se uma pessoa é mostrada como texturas que estão entre as mais imprecisas na faixa de textura, a
partir de 30 graus de imprecisão, as pessoas estão enganadas e não encontram as linhas da textura.
Mas há, afinal, neurônios que respondem com precisão”, explica Laurent Perrinet.
"Eu aposto que você está no cérebro, há uma representação do
borrão"
Os pesquisadores queriam ir além da observação da atividade dos neurônios. Eles analisaram se, a
partir dessa atividade, foi possível reconstruir o tipo de textura apresentada em primeiro lugar. Eles
fizeram essa decodificação através de processos de aprendizado de máquina semelhantes aos usados
em aprendizado profundo. “Tudo começou a partir de discussões entre nós e uma aposta entre os
cientistas ‘aposto que você está no cérebro, há uma representação do borrão’”, diz o pesquisador.
O experimento é realizado de forma a entender a codificação da informação visual, baseada na atividade
dos neurônios, através de um estágio de "decodificação". Assim, três etapas podem ser definidas:
Encodificação: a informação de luz causada pela imagem é capturada pelos olhos.
Codificação: registrando a atividade dos neurônios que percebem essa informação.
Le décodage : la traduction de l’activité neuronale via un programme de Machine Learning pour
retrouver l’orientation des lignes sur l’image présentée à la première étape.
A la bonne surprise des scientifiques, cette étape de décodage fonctionne particulièrement bien : le
logiciel décodeur peut retrouver l’orientation des lignes de la texture présentée en premier lieu de
manière robuste et très proche de la réalité. Par ailleurs, lorsque l’image présentée était très brouillée, ils
ont observé que le décodage est un peu moins exact et apparaît avec un court délai. Mais, malgré le
flou, le décodage fonctionne tout de même étonnement bien.
Les résultats confirment que la population de neurones de l’aire visuelle primaire peut non seulement
retrouver l’orientation d’un objet, mais également interpréter si l’information est précise ou non. Le
cerveau est capable de se représenter les stimuli visuels imprécis et de distinguer à quel point une
information visuelle est certaine ou pas. "Pour un réseau de neurones, il est important de pouvoir
décrypter à la fois la nature d’une information mais également sa précision, cela pour participer à la prise
de décision. Le cerveau fonctionne sans relâche, avec des neurones qui travaillent en groupe pour
échanger et intégrer un ensemble d’informations, ce qui peut prendre du temps avant de prendre une
décision de manière consensuelle. D’où l’importance de l’incertitude pour donner plus ou moins de poids
à certaines informations, pour faciliter laprise de décision", expliqueLaurent Perrinet.
Le cerveau, une machine à prédire
"Le cerveau ne devrait pas être considéré comme un ordinateur mais comme une machine à prédire. Un
ensemble de cellules qui veulent notre bien et qui travaillent pour notre survie, en prenant des décisions
que l'on peut comprendre en utilisant un modèle probabiliste", illustre Laurent Perrinet. Selon lui, il serait
erroné de faire l’analogie entre le fonctionnement cérébral et celui d’un ordinateur qui fonctionne de
manière séquentielle. Lathéorie du "cerveau prédictif" propose que les cellules neuronales fonctionnent
en continu et en groupes, et ce, pour intégrer la multiplicité des informations sensorielles perçues, afin de
https://www.sciencesetavenir.fr/high-tech/intelligence-artificielle/qu-est-ce-que-l-intelligence-artificielle_137648
https://www.sciencesetavenir.fr/high-tech/intelligence-artificielle/il-existe-des-limites-intrinseques-aux-techniques-d-ia-actuelles_165076
5/5
prendre une décision. Pour que cette décision soit prise de la manière la plus fluide possible, malgré
l’imprécision liée à nos sens, il serait nécessaire que les neurones fassent de la prédiction.
"On voit actuellement une révolution technologique dans le Machine Learning sur l’utilisation des réseaux
profonds, ChatGPT etc... Ces technologies sont basées sur des réseaux de neurones qui permettent
d’obtenir des performances extraordinaires, mais qui n'égalent pas encore celles du cerveau. Ce dernier
consomme 5 à 20 Watts. Un GPU (Graphical Processing Unit, architecture alternative aux processeurs
communément utilisés dans le Deep Learning, ndlr) actuel c’est 600 Watts, et celui qui a battu le
champion du monde de Go c’est 20 Mégawatts !, poursuit le chercheur. C’est merveilleux qu’on puisse
aujourd’hui utiliser ces intelligences de deep learning en santé ou pour plein d’autres activités. Mais, je
pense qu’il faut garder en tête que ces technologies restent aujourd’hui très sensibles à des erreurs. Cela
ne semble pas être un problème si une technologie a pour simple tâche de distinguer un chat d’un chien.
En revanche, cela peut être dangereux si on utilise des IA en imagerie médicale et qu’une variabilité
dans les données reçues puisse influer sur la véracité du diagnostic. Si on désire que les IA aient
l’efficacité du cerveau, il faudrait inclure dans chaque nœud de ce réseau, en plus des valeurs, leurs
précisions. Au lieu d’utiliser les réseaux actuels qui vont fonctionner de manière analogique, on pourrait
mettre en place un fonctionnement probabiliste". Le chercheur souhaite donner une place à l'incertitude.
Exactement comme le fait notre cerveau.
https://www.sciencesetavenir.fr/high-tech/intelligence-artificielle/l-ia-et-l-humanite-cerveau-les-reseaux-de-neurones-sont-ils-plus-efficaces-que-le-cerveau-humain_137652
https://www.sciencesetavenir.fr/sante/cancer/une-ia-qui-decode-le-genome-d-une-tumeur-au-cerveau-pendant-l-operation-chirurgicale_172693
https://www.sciencesetavenir.fr/high-tech/intelligence-artificielle/des-ordinateurs-bases-sur-des-neurones-vivants-passera-t-on-bientot-de-l-intelligence-artificielle-ia-a-l-intelligence-organoide-io_169639