Quão bem as redes neurais artificiais espelham o sistema visual do cérebro? Um novo preprint sugere que a resposta depende de qual área cerebral e qual espécie você está observando. O estudo testou cinco regras de aprendizado contra fMRI humana e eletrofisiologia de macacos, descobrindo que as áreas visuais iniciais são mais alinhadas do que as áreas de ordem superior—e que um ResNet-50 pré-treinado supera modelos personalizados em áreas superiores.
A Pesquisa
Nils Leutenegger, um pesquisador cognitivo, comparou cinco regras de aprendizado—retropropagação (BP), alinhamento de feedback (FA), codificação preditiva (PC), plasticidade dependente de tempo de pico (STDP) e pesos aleatórios—entre espécies. Usando análise de similaridade representacional (RSA), ele mediu o alinhamento com V1/V2 de macacos (102–103 neurônios) e V4/IT (88–168 neurônios) de dois conjuntos de dados, e comparou com dados de fMRI humana de um estudo complementar.
Principais descobertas: todos os modelos mostraram maior alinhamento com o córtex visual inicial de macacos (V1/V2: rho = 0,15–0,30) do que com fMRI humana (rho = 0,01–0,08), provavelmente devido à maior relação sinal-ruído da eletrofisiologia. STDP e PC lideraram no alinhamento visual inicial (rho ~ 0,30 e 0,28, respectivamente). No entanto, no IT (córtex temporal inferior), as classificações entre espécies mostraram correlação zero (tau de Kendall = 0,00, p = 1,00), embora o estudo tivesse apenas cinco regras de aprendizado, limitando o poder para detectar qualquer coisa além de inversões exatas. Um ResNet-50 pré-treinado alcançou rho = 0,25 no IT, superando todas as condições de CNN personalizadas (rho = 0,07–0,14), sugerindo que o alinhamento do IT é limitado pela capacidade do modelo e pelos dados de treinamento, não apenas pela regra de aprendizado.
Uma correção de agosto de 2026 observou que um bug afetou os resultados de PC e STDP; após o reparo, o STDP ainda liderou em V1, mas o PC caiu para a linha de base. Os outros achados permaneceram inalterados.
Por Que Isso Importa
Essa comparação entre espécies é um passo raro em direção à validação de modelos de IA da visão contra cérebros biológicos. Mostra que o processamento visual inicial é bastante conservado entre as espécies, o que é uma boa notícia para o uso de IA na compreensão da visão de baixo nível. Mas o resultado nulo no IT destaca que a cognição de ordem superior ainda é mal capturada pelos modelos atuais de aprendizado profundo—a lacuna entre a visão artificial e a biológica continua grande.
Para os leitores, isso ressalta que a IA, embora impressionante, ainda tem um longo caminho a percorrer antes de imitar a complexidade total do cérebro. Também demonstra o valor de estudar múltiplas espécies para entender a cognição humana.
O Que Você Pode Fazer
- Desafie seu processamento visual: Experimente quebra-cabeças visuais ou jogos de treinamento cerebral que visam o reconhecimento de padrões.
- Aprenda sobre ciência cognitiva: Entenda como seu cérebro funciona lendo sobre pesquisas como esta.
- Faça um teste de QI gratuito: Meça suas próprias habilidades cognitivas para ver onde você está.
Fonte: arXiv q-bio.NC
Curioso sobre o seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou experimente 306 níveis de treinamento cerebral.