Brendan Lake é um cientista cognitivo e professor na Universidade de Nova York, onde investiga os princípios computacionais que possibilitam a aprendizagem e o raciocínio humanos, com o objetivo de construir inteligência artificial mais semelhante à humana. Sua pesquisa situa-se na interseção entre aprendizado de máquina, ciência cognitiva e inteligência artificial, concentrando-se em como as máquinas podem aprender com menos exemplos, generalizar de forma mais flexível e adquirir conceitos de maneiras que espelham a cognição humana. Lake é particularmente conhecido por seu trabalho em indução de programas probabilísticos, pelo desafio da "IA em Nível Humano" e por sua defesa da integração de insights da psicologia do desenvolvimento na pesquisa em IA.
Lake completou seus estudos de graduação na Universidade de Stanford, onde desenvolveu um interesse precoce tanto em ciência da computação quanto em psicologia. Em seguida, realizou estudos de pós-graduação no Instituto de Tecnologia de Massachusetts, obtendo um PhD em ciência cognitiva sob a supervisão de Joshua Tenenbaum. Sua pesquisa de doutorado centrou-se na modelagem da aprendizagem de conceitos humanos usando programas probabilísticos, um framework que trata conceitos como modelos generativos estruturados. Este trabalho culminou em vários artigos influentes que demonstraram como os humanos podem aprender conceitos complexos a partir de pouquíssimos exemplos, uma capacidade que os modelos padrão de aprendizado profundo da época não possuíam.
Início de Carreira e Posições Acadêmicas
Após concluir seu PhD, Lake ocupou posições de pós-doutorado no MIT e, posteriormente, na Universidade de Nova York, onde colaborou com pesquisadores dos departamentos de psicologia e ciência da computação. Em 2017, ingressou no corpo docente da NYU como professor assistente no Departamento de Psicologia e no Centro de Ciência de Dados. Foi promovido a professor associado em 2021 e a professor titular em 2024. Seu laboratório, o Laboratório de Computação e Cognição, foca na construção de modelos computacionais que capturam as habilidades de aprendizagem e raciocínio humanas, com ênfase em composicionalidade, causalidade e física intuitiva.
Lake também esteve afiliado ao Centro para Cérebros, Mentes e Máquinas (CBMM), um centro de pesquisa multi-institucional financiado pela Fundação Nacional de Ciência, que visa entender a inteligência combinando neurociência, ciência cognitiva e ciência da computação. Através do CBMM, ele trabalhou em estreita colaboração com colegas como Joshua Tenenbaum e Melanie Mitchell em projetos que exploram os limites dos sistemas atuais de IA.
Principais Contribuições de Pesquisa
Uma das contribuições mais citadas de Lake é o artigo de 2015 "Human-level concept learning through probabilistic program induction", publicado na Science, que introduziu o conjunto de dados Omniglot. Este conjunto consiste em 1.623 caracteres manuscritos de 50 sistemas de escrita diferentes, projetados para testar o aprendizado de uma única amostra. Lake e seus colegas mostraram que um modelo bayesiano de aprendizagem de programas poderia aprender um novo caractere a partir de um único exemplo e ter um desempenho tão bom quanto os humanos em tarefas de classificação, enquanto também gerava novas variações dos caracteres, semelhantes às humanas. Este trabalho destacou a importância do conhecimento estruturado e da composicionalidade, que muitas vezes estão ausentes em abordagens puramente conexionistas.
Em 2016, Lake coautorou um artigo amplamente discutido intitulado "Building machines that learn and think like people", com Joshua Tenenbaum e outros. O artigo argumentava que a IA deveria se basear mais fortemente na ciência cognitiva, enfatizando a necessidade de modelos que pudessem aprender modelos causais, usar física intuitiva e raciocinar sobre variáveis não observadas. Ele propôs um roteiro para combinar aprendizado profundo com modelos probabilísticos estruturados, um tema que Lake continuou a desenvolver em trabalhos subsequentes.
Lake também contribuiu para o estudo da física intuitiva e da psicologia intuitiva. Sua pesquisa explorou como os humanos fazem previsões sobre eventos físicos, como a estabilidade de torres de blocos, e como essas previsões podem ser modeladas usando abordagens baseadas em simulação. Ele publicou artigos sobre o papel da simulação física no julgamento humano, mostrando que as expectativas das pessoas se alinham de perto com as saídas de motores de física, sugerindo que o cérebro pode realizar simulações aproximadas.
O Desafio da IA em Nível Humano
Em 2022, Lake introduziu o desafio "IA em Nível Humano", um benchmark projetado para testar se os sistemas de IA podem alcançar desempenho de nível humano em uma bateria de tarefas cognitivas. O desafio inclui tarefas como aprendizagem de conceitos visuais, compreensão de linguagem e raciocínio social, baseadas em paradigmas da psicologia do desenvolvimento. Lake argumentou que os modelos atuais em larga escala, apesar de seu desempenho impressionante em tarefas restritas, falham em exibir a flexibilidade e robustez da cognição humana. O desafio foi adotado por vários grupos de pesquisa como alvo para avaliar o progresso em direção a uma IA mais geral.
Lake tem sido um crítico vocal da ideia de que apenas escalar modelos de redes neurais levará à inteligência de nível humano. Em palestras e artigos, ele apontou que mesmo grandes modelos de linguagem, como aqueles baseados na arquitetura Transformer (architecture), lutam com generalização composicional e raciocínio causal. Ele defende uma abordagem híbrida que combina aprendizado profundo com raciocínio simbólico e inferência probabilística, uma ideia que ganhou tração na comunidade mais ampla de IA.
Colaborações e Trabalho Interdisciplinar
Ao longo de sua carreira, Lake enfatizou a importância da colaboração interdisciplinar. Ele trabalhou com psicólogos do desenvolvimento para estudar como as crianças aprendem conceitos, com neurocientistas para entender a base neural da cognição e com cientistas da computação para desenvolver novos algoritmos. Suas colaborações se estenderam a pesquisadores do Google DeepMind, OpenAI e outros laboratórios líderes de IA, embora também tenha mantido uma perspectiva crítica sobre as limitações desses sistemas.
Lake atuou nos conselhos editoriais de vários periódicos, incluindo Cognitive Science e o Journal of Machine Learning Research. Ele também foi membro de comitês de programa de conferências importantes como NeurIPS, ICML e CogSci. Seu trabalho foi financiado por subsídios da Fundação Nacional de Ciência, da Agência de Projetos de Pesquisa Avançada de Defesa (DARPA) e da Fundação Simons.
Ensino e Mentoria
Na NYU, Lake ministra cursos sobre ciência cognitiva computacional e aprendizado de máquina. Seus cursos são conhecidos por seu rigor e por incentivar os alunos a pensar criticamente sobre as suposições subjacentes aos modelos de IA. Ele orientou numerosos estudantes de doutorado e pós-doutorandos, muitos dos quais seguiram para posições na academia e na indústria. Seu estilo de mentoria enfatiza a compreensão conceitual profunda e a disposição para questionar paradigmas dominantes.
Lake também tem sido ativo na divulgação pública, dando palestras em locais como o Aspen Ideas Festival e aparecendo em documentários sobre IA. Ele escreveu artigos de opinião para veículos populares, argumentando por uma abordagem mais cientificamente fundamentada para o desenvolvimento de IA. Seu engajamento público visa desmistificar a IA e destacar as lacunas entre os sistemas atuais e a inteligência humana.
Prêmios e Reconhecimento
Lake recebeu vários prêmios por sua pesquisa, incluindo o Prêmio de Modelagem Computacional da Sociedade de Ciência Cognitiva e a Bolsa de Pesquisa Sloan em Neurociência. Em 2020, foi nomeado Acadêmico Global CIFAR Azrieli no programa de Inteligência Artificial, que reconhece pesquisadores em início de carreira com potencial excepcional. Seus artigos foram citados dezenas de milhares de vezes, e ele é regularmente convidado para dar palestras principais em conferências internacionais.
Direções Atuais
A partir de 2025, a pesquisa de Lake continua a explorar como construir sistemas de IA que aprendem e pensam como pessoas. Seu trabalho recente focou no desenvolvimento de benchmarks para medir a generalização composicional, no estudo de como os humanos aprendem regras abstratas e na investigação do papel da linguagem na formação do pensamento. Ele também começou a explorar como insights da ciência cognitiva podem informar o design de sistemas de IA mais interpretáveis e confiáveis, um tópico de importância crescente à medida que a IA é implantada em domínios de alto risco.
Lake permanece otimista sobre o potencial da IA para beneficiar a sociedade, mas adverte contra o exagero das capacidades atuais. Ele argumenta que alcançar IA de nível humano exigirá uma compreensão mais profunda da cognição humana, não apenas mais dados e poder computacional. Sua visão é uma onde os sistemas de IA são construídos sobre princípios derivados da ciência cognitiva, levando a máquinas que podem aprender, raciocinar e interagir com o mundo de maneiras genuinamente inteligentes.
Publicações Selecionadas
Entre as publicações mais influentes de Lake estão:
- Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
- Lake, B. M., & Baroni, M. (2018). Generalization without systematicity: On the compositional skills of sequence-to-sequence recurrent networks. ICML.
- Lake, B. M. (2019). Compositional generalization through meta-sequence-to-sequence learning. NeurIPS.
Esses trabalhos moldaram debates sobre a natureza da generalização e o futuro da pesquisa em IA.
Impacto no Campo
A insistência de Lake em trazer a ciência cognitiva de volta à IA influenciou uma nova geração de pesquisadores. Suas críticas ao aprendizado profundo levaram muitos a reconsiderar as suposições por trás dos modelos em larga escala. Enquanto alguns descartaram suas visões como excessivamente pessimistas, outros as veem como uma correção necessária à tendência do campo de equiparar escala com inteligência. Seu trabalho sobre Omniglot tornou-se um benchmark padrão para aprendizado de poucas amostras, e suas ideias sobre programas probabilísticos inspiraram numerosos estudos de acompanhamento.
Em resumo, Brendan Lake se destaca como uma voz líder defendendo uma abordagem mais centrada no humano para a inteligência artificial. Ao unir ciência cognitiva e aprendizado de máquina, ele fez contribuições duradouras para ambos os campos e continua a desafiar a comunidade de IA a mirar mais alto do que mero reconhecimento de padrões.