Modelos de IA com bilhões de parâmetros treinados em exames cerebrais não conseguem prever quão bem você pensa, enquanto uma medida estatística simples obtém sucesso — e sem qualquer GPU ou pré-treinamento. Essa é a descoberta de um novo estudo que revela um ponto cego fundamental nos modelos cerebrais mais avançados de hoje.
A pesquisa
Giovanni Marraffini e colegas do Instituto Nacional Francês de Pesquisa em Ciência e Tecnologia Digital (Inria) testaram três modelos de fundação cerebral (BFMs) de ponta — grandes sistemas de IA pré-treinados em dados de fMRI de milhares de pessoas. Eles avaliaram quão bem cada modelo podia prever o desempenho cognitivo individual, usando testes cognitivos padrão de grandes conjuntos de dados públicos como o Human Connectome Project.
O resultado foi surpreendente: todo BFM previu cognição pior do que uma regressão linear simples usando a matriz de conectividade funcional (FC) — uma matriz de ~80.000 números descrevendo correlações pareadas entre regiões cerebrais. Pior, modelos maiores tiveram desempenho inferior: a versão de 650 milhões de parâmetros do BrainLM teve desempenho inferior à sua contraparte de 111 milhões de parâmetros.
A equipe rastreou o problema ao que chamam de problema de alocação de variância. BFMs são treinados para reconstruir o sinal de fMRI com a maior precisão possível, o que significa que focam nos componentes de variância maiores e mais dominantes — mas estes são em grande parte ruído para a cognição. Crucialmente, os modelos destroem a co-assimetria de terceira ordem — uma medida estatística que captura relações assimétricas e não gaussianas entre regiões cerebrais — que se revela muito mais preditiva de cognição do que correlações comuns.
Para recuperar o que os BFMs perdem, os pesquisadores projetaram um pipeline linear simples: projetar o sinal de fMRI no subespaço que melhor preserva a co-assimetria, então calcular a FC nesse subespaço. Este método — sem exigir GPU e sem pré-treinamento — superou a FC bruta e todos os BFMs em todos os conjuntos de dados e parcelamentos cerebrais testados. Chegou até a igualar o desempenho máximo da passagem direta do BrainLM após ajuste fino direcionado.
Por que isso importa
Esta descoberta tem implicações profundas para como entendemos e medimos a inteligência. Os sinais cerebrais mais relevantes cognitivamente podem não ser os mais fortes ou óbvios — são padrões sutis de ordem superior que os modelos de IA convencionais ignoram. Para qualquer um interessado em suas próprias habilidades cognitivas, sugere que medidas simples e bem escolhidas podem ser mais informativas do que algoritmos complexos de caixa-preta.
Importante, o estudo revela que o gargalo na IA cerebral atual não é a arquitetura do modelo ou o tamanho, mas o próprio objetivo do pré-treinamento. Ao mudar o foco para estatísticas de terceira ordem, modelos futuros poderiam se tornar tanto mais simples quanto mais precisos.
O que você pode fazer
Embora você não possa extrair co-assimetria do seu cérebro em casa, pode apreciar que a cognição surge de interações complexas e não lineares. Engajar-se em atividades que desafiam seu cérebro — como quebra-cabeças, aprender novas habilidades ou treinamento cognitivo — pode fortalecer essas conexões sutis. E quando ouvir afirmações sobre IA prevendo inteligência, lembre-se de que às vezes menos é mais: a medida simples certa pode superar um modelo de bilhão de parâmetros.
Fonte: arXiv q-bio.NC
Curioso sobre seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou experimente 306 níveis de treinamento cerebral.
