O que podemos aprender sobre a inteligência humana estudando como as máquinas “pensam”? Poderemos compreender-nos melhor se compreendermos melhor os sistemas de inteligência synthetic que estão a tornar-se uma parte mais significativa da nossa vida quotidiana?
Estas questões podem ser profundamente filosóficas, mas para Phillip Isola, encontrar as respostas tem tanto a ver com computação como com cogitação.
Isola, o recém-admitido professor associado do Departamento de Engenharia Elétrica e Ciência da Computação (EECS), estuda os mecanismos fundamentais envolvidos na inteligência humana a partir de uma perspectiva computacional.
Embora a compreensão da inteligência seja o objetivo geral, seu trabalho se concentra principalmente na visão computacional e no aprendizado de máquina. Isola está particularmente interessada em explorar como a inteligência emerge em modelos de IA, como esses modelos aprendem a representar o mundo ao seu redor e o que seus “cérebros” compartilham com os cérebros de seus criadores humanos.
“Vejo que todos os diferentes tipos de inteligência têm muitos pontos em comum e gostaria de compreender esses pontos em comum. O que é que todos os animais, humanos e IA têm em comum?” diz Isola, que também é membro do Laboratório de Ciência da Computação e Inteligência Synthetic (CSAIL).
Para Isola, uma melhor compreensão científica da inteligência que os agentes de IA possuem ajudará o mundo a integrá-los de forma segura e eficaz na sociedade, maximizando o seu potencial para beneficiar a humanidade.
Fazendo perguntas
Isola começou a refletir sobre questões científicas ainda jovem.
Enquanto crescia em São Francisco, ele e seu pai frequentemente faziam caminhadas ao longo da costa norte da Califórnia ou acampavam em torno de Level Reyes e nas colinas do condado de Marin.
Ele period fascinado pelos processos geológicos e muitas vezes se perguntava o que fazia o mundo pure funcionar. Na escola, Isola period movido por uma curiosidade insaciável e, embora gravitasse em torno de disciplinas técnicas como matemática e ciências, não havia limite para o que queria aprender.
Sem saber ao certo o que estudar na graduação na Universidade de Yale, Isola se interessou até descobrir as ciências cognitivas.
“Meu interesse anterior tinha sido pela natureza – como o mundo funciona. Mas então percebi que o cérebro period ainda mais interessante e mais complexo do que a formação dos planetas. Agora, eu queria saber o que nos motiva”, diz ele.
Ainda no primeiro ano, ele começou a trabalhar no laboratório de seu professor de ciências cognitivas e futuro mentor, Brian Scholl, membro do Departamento de Psicologia de Yale. Ele permaneceu naquele laboratório durante todo o seu período de graduação.
Depois de passar um ano sabático trabalhando com alguns amigos de infância em uma empresa independente de videogame, Isola estava pronta para mergulhar de volta no complexo mundo do cérebro humano. Ele se matriculou no programa de pós-graduação em ciências cerebrais e cognitivas do MIT.
“A pós-graduação foi onde senti que finalmente encontrei meu lugar. Tive muitas experiências ótimas em Yale e em outras fases da minha vida, mas quando cheguei ao MIT, percebi que esse period o trabalho que eu realmente amava e essas são as pessoas que pensam da mesma forma que eu”, diz ele.
Isola credita seu orientador de doutorado, Ted Adelson, professor de Ciência da Visão John e Dorothy Wilson, como uma grande influência em seu caminho futuro. Ele foi inspirado pelo foco de Adelson na compreensão dos princípios fundamentais, em vez de apenas buscar novos benchmarks de engenharia, que são testes formalizados usados para medir o desempenho de um sistema.
Uma perspectiva computacional
No MIT, a pesquisa de Isola desviou-se para a ciência da computação e a inteligência synthetic.
“Eu ainda adorava todas essas questões das ciências cognitivas, mas senti que poderia fazer mais progresso em algumas delas se abordasse elas de uma perspectiva puramente computacional”, diz ele.
Sua tese focou no agrupamento perceptual, que envolve os mecanismos que pessoas e máquinas usam para organizar partes discretas de uma imagem como um objeto único e coerente.
Se as máquinas puderem aprender agrupamentos perceptivos por conta própria, isso poderá permitir que os sistemas de IA reconheçam objetos sem intervenção humana. Esse tipo de aprendizagem autossupervisionada tem aplicações em áreas como veículos autônomos, imagens médicas, robótica e tradução automática de idiomas.
Depois de se formar no MIT, Isola concluiu um pós-doutorado na Universidade da Califórnia em Berkeley para ampliar suas perspectivas trabalhando em um laboratório focado exclusivamente em ciência da computação.
“Essa experiência ajudou meu trabalho a se tornar muito mais impactante porque aprendi a equilibrar a compreensão dos princípios abstratos e fundamentais da inteligência com a busca de alguns parâmetros de referência mais concretos”, lembra Isola.
Em Berkeley, ele desenvolveu estruturas de tradução de imagem para imagem, uma forma inicial de modelo generativo de IA que poderia transformar um esboço em uma imagem fotográfica, por exemplo, ou transformar uma foto em preto e branco em colorida.
Ele entrou no mercado de trabalho acadêmico e aceitou um cargo docente no MIT, mas Isola adiou por um ano para trabalhar em uma startup então pequena chamada OpenAI.
“Period uma organização sem fins lucrativos e gostei da missão idealista da época. Eles eram muito bons em aprendizagem por reforço e achei que esse parecia um tópico importante para aprender mais”, diz ele.
Ele gostava de trabalhar em um laboratório com muita liberdade científica, mas depois de um ano Isola estava pronto para retornar ao MIT e iniciar seu próprio grupo de pesquisa.
Estudando a inteligência semelhante à humana
Administrar um laboratório de pesquisa o atraiu instantaneamente.
“Eu realmente adoro o estágio inicial de uma ideia. Sinto que sou uma espécie de incubadora de startups onde sou constantemente capaz de fazer coisas novas e aprender coisas novas”, diz ele.
Com base no seu interesse pelas ciências cognitivas e no desejo de compreender o cérebro humano, o seu grupo estuda os cálculos fundamentais envolvidos na inteligência semelhante à humana que emerge nas máquinas.
Um foco principal é a aprendizagem de representação, ou a capacidade dos humanos e das máquinas de representar e perceber o mundo sensorial ao seu redor.
Em trabalhos recentes, ele e seus colaboradores observaram que os diversos tipos de modelos de aprendizado de máquina, de LLMs a modelos de visão computacional e modelos de áudio, parecem representar o mundo de maneiras semelhantes.
Esses modelos são projetados para realizar tarefas muito diferentes, mas há muitas semelhanças em suas arquiteturas. E à medida que crescem e são treinados com mais dados, as suas estruturas internas tornam-se mais parecidas.
Isto levou Isola e a sua equipa a introduzir a Hipótese da Representação Platónica (cujo nome deriva do filósofo grego Platão), que afirma que as representações que todos estes modelos aprendem estão a convergir para uma representação partilhada e subjacente da realidade.
“Linguagem, imagens, som – tudo isso são sombras diferentes na parede a partir das quais você pode inferir que existe algum tipo de processo físico subjacente – algum tipo de realidade causal – lá fora. Se você treinar modelos em todos esses diferentes tipos de dados, eles deverão convergir para esse modelo mundial no last”, diz Isola.
Uma área relacionada que sua equipe estuda é o aprendizado autossupervisionado. Isso envolve as maneiras pelas quais os modelos de IA aprendem a agrupar pixels relacionados em uma imagem ou palavras em uma frase sem ter exemplos rotulados para aprender.
Como os dados são caros e os rótulos são limitados, usar apenas dados rotulados para treinar modelos pode prejudicar as capacidades dos sistemas de IA. Com a aprendizagem auto-supervisionada, o objetivo é desenvolver modelos que possam criar por si próprios uma representação interna precisa do mundo.
“Se você conseguir criar uma boa representação do mundo, isso facilitará a resolução de problemas subsequente”, explica ele.
O foco da pesquisa de Isola é mais encontrar algo novo e surpreendente do que construir sistemas complexos que possam superar os mais recentes benchmarks de aprendizado de máquina.
Embora esta abordagem tenha produzido muito sucesso na descoberta de técnicas e arquitecturas inovadoras, significa que o trabalho por vezes carece de um objectivo last concreto, o que pode levar a desafios.
Por exemplo, manter uma equipe alinhada e o fluxo de financiamento pode ser difícil quando o laboratório está focado na busca de resultados inesperados, diz ele.
“Em certo sentido, estamos sempre trabalhando no escuro. É um trabalho de alto risco e alta recompensa. De vez em quando, encontramos algum núcleo de verdade que é novo e surpreendente”, diz ele.
Além de buscar conhecimento, Isola é apaixonada por transmitir conhecimento à próxima geração de cientistas e engenheiros. Entre seus cursos favoritos está o 6.7960 (Deep Studying), que ele e vários outros membros do corpo docente do MIT lançaram há quatro anos.
A turma teve um crescimento exponencial, de 30 alunos em sua oferta inicial para mais de 700 neste outono.
E embora a popularidade da IA signifique que não há escassez de estudantes interessados, a velocidade com que o campo se transfer pode tornar difícil separar o entusiasmo dos avanços verdadeiramente significativos.
“Eu digo aos alunos que eles têm que encarar tudo o que dizemos na aula com cautela. Talvez daqui a alguns anos possamos contar algo diferente. Estamos realmente no limite do conhecimento com este curso”, diz ele.
Mas Isola também enfatiza aos estudantes que, apesar de todo o entusiasmo em torno dos mais recentes modelos de IA, as máquinas inteligentes são muito mais simples do que a maioria das pessoas suspeita.
“A engenhosidade humana, a criatividade e as emoções – muitas pessoas acreditam que estas nunca poderão ser modeladas. Isso pode vir a ser verdade, mas penso que a inteligência é bastante simples quando a compreendemos”, diz ele.
Embora o seu trabalho atual se concentre em modelos de aprendizagem profunda, Isola ainda é fascinado pela complexidade do cérebro humano e continua a colaborar com investigadores que estudam ciências cognitivas.
Durante todo esse tempo, ele permaneceu cativado pela beleza do mundo pure que inspirou seu primeiro interesse pela ciência.
Embora atualmente tenha menos tempo para hobbies, Isola gosta de fazer caminhadas e mochila nas montanhas ou em Cape Cod, esquiar e andar de caiaque, ou encontrar lugares pitorescos para passar o tempo quando viaja para conferências científicas.
E embora anseie por explorar novas questões no seu laboratório no MIT, Isola não consegue deixar de contemplar como o papel das máquinas inteligentes poderá mudar o curso do seu trabalho.
Ele acredita que a inteligência synthetic geral (AGI), ou o ponto em que as máquinas podem aprender e aplicar os seus conhecimentos tão bem quanto os humanos, não está tão longe.
“Não acho que as IAs farão tudo por nós e iremos aproveitar a vida na praia. Acho que haverá essa coexistência entre máquinas inteligentes e humanos que ainda têm muito poder de ação e controle. Agora, estou pensando nas questões e aplicações interessantes quando isso acontecer. Como posso ajudar o mundo neste futuro pós-AGI? Ainda não tenho respostas, mas estou pensando nisso”, diz ele.