Aprendizado de máquina não estruturado: Robôs aprendendo a aprender como humanos

Por mais que desejemos buscar estruturas lógicas para a inteligência, não há nenhuma certeza ou prova científica de que ela seja tão estruturada como acreditamos ser.
Como no processo evolutivo, onde caos e ordem convivem de forma sábia, vejo uma lacuna na área de pesquisa relacionada ao nosso cérebro e mente, tipicamente relacionada ao foco em modelos baseados unicamente em ordem.
Mas se estamos pesquisando Inteligência Artificial, porque nos prendemos tanto à ordem e aos modelos que supostamente seriam os de nosso cérebro?
Ou ainda, o que nos liga tanto ao que vemos apenas, sem abrir espaços ao que não vemos, nem que seja para considerar eles pequenas peças do caos?
Para essa abertura e visão, em se tratando de inteligência, proponho um novo conceito: o da inteligência não estruturada, que procurarei explicar melhor aqui.
Penso que um dos principais motivos do longo inverno da AI foi que nos aprofundamos ao máximo, criando arquiteturas focadas em paradigmas existentes, com pouco investimento em novas tecnologias e padrões, como o próprio aprendizado de máquina.
Mas será que, nessa nova onda de AI, não estamos repetindo o mesmo erro?
Se sim, considero o principal erro o foco excessivo em arquiteturas de redes neurais artificiais, como se essa fosse a solução para resolver problemas complexos de aprendizado no padrão humano, ou até mesmo a principal porta para uma inteligência artificial genérica, com capacidade de análise semântica e de pensar.
E uma possível solução para evitarmos a mesma histórica de insucesso do passado, talvez seja a de enfrentarmos problemas de alta complexidade de aprendizado do mundo real de forma coletiva e colaborativa, como por exemplo, criar sistemas de AI capazes de ensinar a aprenderem por elas próprias, como nós humanos.
Por exemplo, acredito ser muito improvável que os modelos baseados em aprendizado supervisionado possam fazer isso, pelo menos de forma isolada, já que dependem de dados rotulados dos próprios humanos.
Então, a arquitetura que me parece mais lógica para problemas assim é justamente a híbrida, onde temos os mais variados tipos de aprendizado, e, principalmente, um elo com a AI do passado, que chamo de elo perdido, em relação aos sistemas especialistas, baseados em regras, mas com capacidade de inferência, que na prática significava capacidade de criar regras próprias a partir de dados ou fatos passados.
Na verdade, antes de nascermos, já estamos aprendendo de uma forma híbrida, com dados rotulados e não rotulados, pela própria natureza, e todos seus mecanismos de evolução.
Você pode considerar que não lembra de nenhum dado rotulado importante quando era bebê ou criança, mas sua mente e cérebro fizeram um trabalho de descoberta para resolver os quebra-cabeças que exigiam algum rótulo para seguir em frente, como seguem os sistemas de aprendizado não supervisionado baseados em AI.
Então, podemos pensar em uma arquitetura similar, para as máquinas, onde a base de todas inferências seja o aprendizado supervisionado, mas com capacidade de rotular todo e qualquer dado que assim não esteja feito, por humanos, ou outras máquinas.

E, até mesmo, de criticar os rótulos já existentes.
Na verdade estamos falando de aprendizado de máquina -- não supervisionado -- para gerar rótulos para o aprendizado de máquina -- supervisionado --.
Como fazemos permanentemente, em um processo de sobrevivência, buscando atribuir rótulos de forma consciente ou inconsciente, para toda e qualquer necessidade de aprendizado.
Afinal, temos ao nosso lado a criatividade que nos permite fabricar rótulos, e que talvez seja o modelo que deveríamos investir mais fortemente, ao invés de aprofundar nossos estudos em paradigmas que não irão trazer sucesso de fato para a solução de reais problemas de alta complexidade e incerteza.
E a criatividade, no meu entender, é um dos elos essenciais para evoluirmos no entendimento e formalização de novos modelos de inteligência para as máquinas.