Mundo
Cérebro e IA seguem caminhos diferentes para aprender, revela estudo com ressonância e MEG
Pesquisa liderada pela Meta AI e pela École Normale Supérieure mostra que, embora redes neurais e cérebro humano compartilhem padrões de representação visual, os mecanismos de aprendizado...
Por
Redação - 28/05/2026
Getty Images
Pesquisa liderada pela Meta AI e pela École Normale Supérieure mostra que, embora redes neurais e cérebro humano compartilhem padrões de representação visual, os mecanismos de aprendizado divergem profundamente — um resultado que desafia décadas de hipóteses sobre a plausibilidade biológica do “backpropagation”
Durante décadas, o algoritmo de “backpropagation” — o mecanismo matemático que permite às inteligências artificiais corrigirem seus próprios erros — foi tratado como uma possível pista para entender como o cérebro humano aprende. Agora, um estudo internacional publicado nesta quarta-feira (27), no repositório científico arXiv, coloca essa hipótese sob forte questionamento ao mostrar que, embora redes neurais artificiais e cérebro humano exibam representações visuais semelhantes, seus processos internos de aprendizado parecem operar de maneira radicalmente diferente.
A pesquisa, intitulada “Misalignment Between Backpropagation and the Hierarchy of Brain Responses to Images”, foi conduzida por cientistas da Meta AI e da École Normale Supérieure, sob liderança de Joséphine Raugel e Jean-Rémi King. O trabalho utilizou imagens cerebrais obtidas por ressonância magnética funcional de ultra-alta resolução (7 tesla) e registros magnetoencefalográficos (MEG) para comparar a atividade neural humana com os sinais internos de modelos avançados de visão computacional.
“O cérebro e as redes neurais compartilham conteúdos representacionais semelhantes, mas provavelmente dependem de mecanismos fundamentalmente distintos para aprender essas representações”, afirmam os autores.
O resultado toca um dos debates centrais da neurociência computacional contemporânea: será que o cérebro humano implementa algo equivalente ao algoritmo que impulsionou a revolução recente da inteligência artificial?
O algoritmo que transformou a IA
Criado formalmente em 1986 por Geoffrey Hinton, David Rumelhart e Ronald Williams, o backpropagation funciona como um sistema de correção hierárquica de erros. Após produzir uma resposta, a rede calcula o erro cometido e propaga esse sinal “de trás para frente” pelas camadas neurais artificiais, ajustando milhões — ou bilhões — de parâmetros matemáticos.
O mecanismo é considerado o coração do deep learning moderno. Mas sua plausibilidade biológica sempre foi controversa. O cérebro humano não possui conexões perfeitamente simétricas entre neurônios, condição matemática normalmente exigida pelo algoritmo tradicional.
Apesar disso, trabalhos anteriores haviam mostrado que as ativações “forward” — o fluxo inicial de processamento das redes neurais — se alinham surpreendentemente bem à hierarquia visual do córtex humano. Camadas iniciais de modelos artificiais tendem a corresponder a áreas cerebrais visuais primárias, enquanto camadas profundas se aproximam de regiões associativas superiores.
A nova pesquisa quis ir além: e os sinais de aprendizado? O cérebro reproduz algo parecido com os gradientes de erro usados pelas máquinas?
22,5 mil imagens e cérebros em alta resolução
Para responder à questão, os pesquisadores analisaram dois dos maiores bancos de neuroimagem do mundo. O primeiro, o THINGS-MEG, contém registros magnetoencefalográficos de quatro voluntários observando 22.500 imagens naturais pertencentes a 1.800 categorias de objetos.
O segundo, o Natural Scenes Dataset, reúne imagens de ressonância funcional de 7 tesla de oito indivíduos expostos a 10 mil cenas naturais diferentes.
Os cientistas compararam essas respostas neurais humanas ao comportamento do DINOv3, um modelo de visão computacional auto-supervisionado de última geração desenvolvido pela Meta AI. Diferentemente de sistemas treinados com rótulos humanos explícitos, o DINOv3 aprende padrões visuais tentando prever relações internas entre imagens — uma estratégia considerada mais próxima do aprendizado biológico.
Além do DINOv3, o estudo avaliou outras oito arquiteturas de IA, incluindo ResNet-50, ConvNeXt, CLIP, SigLIP2 e ViT-MAE.
Similaridade existe — mas a dinâmica é outra
Os resultados confirmaram que os sinais de “forward activation” das redes neurais seguem uma organização semelhante à do cérebro humano. Áreas visuais iniciais foram melhor previstas por camadas superficiais dos modelos, enquanto regiões associativas responderam melhor a camadas profundas.
Mas a surpresa veio ao analisar os gradientes de backpropagation.
Os pesquisadores descobriram que esses sinais também podem prever parte da atividade cerebral — especialmente em regiões visuais superiores e em estágios tardios do processamento neural.
Ainda assim, a organização espacial e temporal desses gradientes divergiu fortemente daquilo que seria esperado caso o cérebro implementasse um mecanismo biologicamente equivalente ao backpropagation.
No cérebro humano, os sinais não seguiram a sequência hierárquica top-down prevista pela teoria. Em vez disso, os gradientes artificiais apresentaram picos simultâneos de atividade, sem a progressão temporal ordenada observada no processamento cerebral.
“Esse atraso temporal simplesmente não apareceu”, escrevem os autores. “Os sinais de backpropagação atingem pico simultaneamente, contradizendo as previsões de implementações biologicamente plausíveis.”
Um cérebro mais eficiente que as máquinas
O estudo também identificou algo particularmente intrigante: mesmo após remover matematicamente os efeitos das ativações “forward”, os gradientes continuaram explicando uma parcela significativa da atividade neural humana.
Esse componente residual apareceu principalmente em regiões cerebrais associadas a integração multissensorial, memória e processamento semântico — áreas de alta complexidade cognitiva.
Segundo os pesquisadores, isso pode indicar a existência de mecanismos alternativos de aprendizado no cérebro, potencialmente mais eficientes do que os usados pelas máquinas atuais.
“O cérebro humano continua extraordinariamente mais eficiente em dados e energia do que redes neurais modernas”, observam os autores.
Hoje, grandes modelos de IA consomem quantidades massivas de energia elétrica e requerem trilhões de exemplos para alcançar desempenho comparável ao aprendizado humano em determinadas tarefas perceptivas. O cérebro, em contraste, opera com cerca de 20 watts — menos do que uma lâmpada doméstica.
O futuro da inteligência artificial pode estar no cérebro
Os autores sugerem que os resultados fortalecem hipóteses alternativas ao backpropagation clássico, incluindo modelos de “predictive coding”, aprendizagem hebbiana local e sistemas contrastivos biologicamente inspirados.
A conclusão tem implicações profundas tanto para a neurociência quanto para a engenharia de IA.
Se o cérebro alcança aprendizado eficiente sem depender do mesmo mecanismo utilizado pelas máquinas, então pode existir uma estratégia computacional ainda desconhecida — mais robusta, econômica e adaptável do que os algoritmos atuais.
“Compreender esse algoritmo biológico pode inspirar abordagens mais eficientes, robustas e generalizáveis para machine learning”, conclui o estudo.
Referência
Desalinhamento entre a retropropagação e a hierarquia das respostas cerebrais às imagens. Joséphine Raugel , Maximilian Seitzer , Marc Szafraniec , Huy V. Vo , Jérémy Rapin , Patrick Labatut , Piotr Bojanowski , Valentin Wyart , Jean-Rémi King. https://doi.org/10.48550/arXiv.2605.28693
