A inteligência artificial (IA) tem visto um crescimento e avanço massivos na última década. Sistemas impressionantes como o DeepMind AlphaGo derrotando campeões mundiais em jogos complexos geram muita emoção sobre o potencial da IA. No entanto, enquanto a IA de hoje pode igualar ou até superar capacidades humanas em tarefas específicas e estreitas, a verdadeira aprendizagem profunda como a que os humanos possuem continua elusiva.

A IA atual ainda está longe de ter a inteligência flexível e bem arredondada das pessoas. Dominar o jogo Go envolve muita sofisticação, mas é apenas um desafio estreito. Situações do mundo real envolvem complexidades dinâmicas e multifacetadas que a IA de hoje não pode lidar. Para alcançar a inteligência humana, também chamada de inteligência artificial geral (AGI), barreiras-chave para a aprendizagem profunda ainda precisam ser superadas.

Indice: Inteligência artificial geral

O que é exatamente aprendizagem profunda e por que isso importa?

A aprendizagem profunda é um tipo particular de aprendizado de máquina baseado em redes neurais artificiais com muitas camadas. O “profundo” na aprendizagem profunda refere-se às múltiplas camadas nestas redes neurais que permitem aprender conceitos e padrões abstratos de enormes conjuntos de dados.

A aprendizagem profunda impulsionou grande parte do progresso recente em campos como visão computacional, reconhecimento de fala e processamento de linguagem natural. Por exemplo, a aprendizagem profunda alimenta tecnologias como veículos autônomos, tradução automática, reconhecimento facial e assistentes digitais como Siri e Alexa.

“A aprendizagem profunda é o motor por trás da inteligência artificial, possibilitando tecnologias que interpretam imagens e fala, fazem recomendações e compreendem linguagem”. – Jensen Huang, CEO da Nvidia

No entanto, enquanto a aprendizagem profunda permitiu grandes avanços em aplicativos de IA estreitos, ela tem limitações significativas em comparação à inteligência humana:

Os sistemas são treinados para tarefas muito específicas em vez de competências gerais. Uma IA pode dominar o jogo Go mas não ter habilidades básicas de raciocínio.
Eles carecem da flexibilidade e adaptabilidade que os humanos demonstram intuitivamente. Pequenas mudanças fora dos dados de treinamento estreitos fazem o desempenho despencar.
Há pouca explicabilidade – muitas vezes não entendemos por que as IAs tomam decisões particulares. Seu raciocínio é inescrutável.
Modelos de aprendizagem profunda têm dificuldade em transferir conhecimento e aprendizado entre diferentes tarefas. Humanos aplicam conhecimento habilmente de forma ampla.

Para que a IA alcance inteligência mais ampla e geral como as pessoas, capacidades cognitivas-chave ainda estão faltando:

Raciocínio abstrato dinâmico em muitos domínios
Acumular senso comum e conhecimento geral do mundo
Transferir aprendizado sem problemas entre tarefas
Desenvolver modelos explanatórios de causalidade por trás das observações
Adaptar-se a situações novas e desconhecidas e aprender de forma independente sem supervisão humana

Em outras palavras, a IA de hoje é competente em tarefas estreitas e bem definidas, mas ainda carece da flexibilidade e competências gerais características da inteligência humana. Progredir da IA estreita para a inteligência artificial geral exigirá atravessar algumas fronteiras formidáveis na pesquisa de aprendizagem profunda.

IA estreita versus inteligência geral

Vamos examinar em mais detalhes as capacidades da IA de hoje versus o que é necessário para inteligência mais humana geral. Isso destaca as lacunas que ainda restam.

Sucessos de IA estreita

Não há dúvida de que aprendizado de máquina e redes neurais profundas possibilitaram enormes avanços em nichos especializados. Por exemplo:

A IA de visão computacional como o DeepMind AlphaFold pode prever estruturas complexas de proteínas com alta precisão, uma benção para a pesquisa médica.
A IA de processamento de linguagem natural como o GPT-3 da OpenAI pode gerar texto soando incrivelmente humano para textos, histórias e artigos quando dada uma indicação.
Assistentes de IA como Alexa, Siri e Google Assistant podem entender comandos de voz, responder perguntas e ajudar com tarefas básicas.
Mecanismos de recomendação de conteúdo aproveitam a aprendizagem profunda para sugerir vídeos, produtos e informações relevantes personalizados aos interesses individuais.
A IA está se aproximando do desempenho de radiologistas na interpretação de certas varreduras médicas para diagnóstico.

No entanto, esses sucessos representam picos estreitos de desempenho limitados a tarefas específicas. Eles não indicam sistemas de IA geralmente capazes.

Limites da IA atual

Enquanto a IA atual pode igualar ou até superar capacidades humanas para certas tarefas restritas, sistemas têm dificuldade com:

Amplo conhecimento – humanos têm vastas reservas de conhecimento geral do mundo acumulado por meio da experiência que a IA não tem.
Senso comum – simples para humanos mas muito difícil para a IA, como saber que objetos não desaparecem espontaneamente.
Abstração – manipular ideias conceituais ao invés de apenas exemplos concretos.
Generalização – adaptar conceitos aprendidos através de diversos contextos e tarefas.
Transferência de aprendizado – alavancar e desenvolver o conhecimento adquirido ao invés de essencialmente recomeçar do zero em cada nova tarefa.
Explicação – fornecer razões intuitivas para conclusões ao invés de apenas correlações estatísticas.
Raciocínio – pensar logicamente através de relações de causa-efeito ao invés de apenas reconhecimento de padrões.
Robustez – pequenas mudanças nos dados de entrada ou ambiente podem descarrilar sistemas de IA, enquanto cognição humana é muito mais flexível.

Em essência, a IA de hoje se destaca em tarefas estreitas e bem definidas, mas ainda carece da flexibilidade dinâmica e competências gerais características da inteligência humana.

Requisitos para Aprendizagem Profunda Ampla

Para que a IA alcance verdadeira aprendizagem profunda e inteligência mais humana geral, capacidades-chave ainda necessárias incluem:

Senso comum – os vastos fatos implícitos e convenções sociais que humanos acumulam por meio da experiência.
Causalidade – modelar e raciocinar sobre mecanismos de causa-efeito no mundo.
Transferência de aprendizado – transferir conhecimento entre tarefas e contextos sem problemas.
Abstração – manipular fluentemente tanto informação concreta quanto conceitual.
Aprendizado não supervisionado – descobrir padrões e conceitos sem rotulagem ou orientação humana.
Modelos gerais de conhecimento do mundo – codificar amplo conhecimento sobre objetos, agentes, metas, economia, cultura, etc.
Memória – codificar, armazenar, recuperar e conectar conhecimento e experiências prévias ao longo do tempo.
Criatividade – recombinar ideias de maneiras novas e fazer saltos mentais.
Linguagem – dominar a complexidade e nuância da comunicação linguística.

Essas capacidades mais gerais se aproximam de desbloquear a aprendizagem profunda flexível e transversal característica da inteligência humana. Desenvolver IA que integre esse conjunto de competências continua sendo extremamente desafiador.

Principais Fronteiras na Pesquisa de Aprendizagem Profunda

Alcançar inteligência artificial geral exige grandes avanços de pesquisa em várias áreas-chave. Aqui exploramos as fronteiras e abordagens de ponta.

Aprendizado não supervisionado

Quase todas as maiores conquistas de IA até hoje dependem de aprendizado supervisionado a partir de dados de treinamento meticulosamente rotulados. Humanos penosamente anotam milhões de exemplos como imagens, textos ou áudio com tags relevantes para que algoritmos de aprendizado de máquina possam extrair padrões.

Mas rotular manualmente dados suficientes para ensinar à IA todo o conhecimento multifacetado que humanos possuem implicitamente é completamente inviável dado a escala e complexidade do mundo real. Além disso, aprendizado supervisionado mina a flexibilidade já que sistemas são confinados a classes pré-estabelecidas.

Métodos de aprendizado não supervisionado que permitem à IA encontrar estrutura e padrões em dados não rotulados são muito mais promissores. Essa aprendizagem auto-orientada se alinha com como humanos adquirem senso comum – por meio de exploração autônoma ao invés de instrução programada explicitamente.

Desembaraçar ambientes complexos sem guias ou professores é tremendamente mais difícil. Mas superar esse desafio é fundamental para inteligência artificial geral escalável. Algumas tecnologias promissoras de aprendizado não supervisionado que pesquisadores estão explorando:

Redes Generativas Adversariais

GANs envolvem duas redes neurais competitivas – uma gerando dados sintéticos que imitam dados reais, a outra discriminando dados reais vs falsos – travadas em uma “corrida armamentista” adversarial para melhorar uma a outra. Conforme a qualidade da geração aumenta, a discriminação fica mais difícil. GANs podem produzir dados artificiais altamente realistas.

Autoencoders

Autoencoders são redes neurais que codificam entradas em representações compactas de menor dimensionalidade e então tentam reconstruir a entrada original a partir dessa representação. Isso força a rede a capturar apenas os recursos e semântica mais salientes. Útil para redução de dimensionalidade de dados e detecção eficiente de recursos.

Aprendizado Auto-Supervisionado

Ao invés de depender de rotulação humana, sistemas treinam resolvendo tarefas prévias que exigem inferir alguma parte obscura da entrada a partir do resto, como prever palavras aleatoriamente mascaradas em uma frase. Isso expõe a estrutura subjacente.

Aprendizado por Reforço

Agentes aprendem por meio de interações de tentativa e erro com ambientes dinâmicos. O agente escolhe ações e recebe feedback sobre essas escolhas ao invés de exemplos rotulados. Isso pode levar a comportamentos que alcançam metas.

Avançar o aprendizado não supervisionado é fundamental para criar sistemas de IA que desenvolvem verdadeiro entendimento do mundo por meio de descoberta autônoma ao invés de conjuntos de dados rotulados restritos.

💡Possibilitar sistemas de IA a aprender sem supervisão ou rotulação humana é crítico para inteligência geral escalável.

Transferência de Aprendizado

Humanos habilmente aplicam conhecimento obtido em um domínio para acelerar aprendizado em domínios completamente novos. Por exemplo, aprender francês ajuda você a aprender espanhol mais rápido. Em contraste, sistemas de IA hoje treinam em uma tarefa muito específica, digamos identificar gatos. Mas esse aprendizado não transfere para identificar cachorros, exigindo re-treinamento completo.

Transferência de aprendizado permitiria à IA construir cumulativamente sobre conhecimento existente e extrapolar inteligentemente ao invés de essencialmente recomeçar do zero em cada nova tarefa. Rápida adaptação por meio de transferência é central para inteligência geral.

Algumas técnicas promissoras de transferência de aprendizado que pesquisadores estão explorando:

Aprendizado Multitarefa

Sistemas simultaneamente treinam em múltiplas tarefas e conjuntos de dados, o que força a extração de representações mais flexíveis aplicáveis a diferentes domínios.

Meta-aprendizado

O sistema aprende como aprender eficientemente – aprendendo a rapidamente atualizar e se adaptar a novas tarefas e ambientes baseado em apenas poucos exemplos.

Redes Modulares

Dividir sistemas em módulos reutilizáveis focados em capacidades específicas que podem ser combinados e compostos das mais variadas formas para diferentes tarefas.

Possibilitar que aprendizagem profunda transfira perfeitamente entre tarefas é chave para escalar IA à inteligência geral. Sem transferência, cada pedaço de aprendizado permanecerá isolado. Transferência permite acumulação em conhecimento integrativo.

💡Possibilitar transferência perfeita de aprendizado entre tarefas e contextos é essencial para inteligência flexível geral.

Raciocínio de Senso Comum

Humanos têm um vasto repositório de “senso comum” cotidiano que acumulamos por meio da experiência de vida. Isso nos permite raciocinar amplamente sobre o mundo de maneiras flexíveis aproveitando intuição sobre física, psicologia, cultura, etc.

Em contraste, sistemas de IA hoje interpretam entradas muito literalmente, alheios a suposições e implicações óbvias que qualquer humano instantaneamente reconheceria. Por exemplo:

Um sistema incorretamente disse que um cogumelo pode ser usado para prender papel porque carecia do senso comum de que cogumelos são objetos leves, não pesados.
Uma IA pensou que um príncipe dando um sapato para Cinderela implicava que ele tinha um fetiche por pés ao invés de entender costumes sociais em torno de casamento.

Para alcançar raciocínio mais humano, pesquisadores trabalham para inculcar diferentes tipos de senso comum em sistemas de IA:

Senso Comum Físico

Entendimento intuitivo de objetos e mecânicas cotidianas – que objetos são sólidos, caem se não suportados, água molha, etc. Sem isso, sistemas de IA facilmente cometem erros ridículos.

Princípios centrais de relacionamentos e interações humanas – que pessoas têm desejos, emoções e motivações que impulsionam comportamentos. Pessoas têm personalidades e preferências diversas.

Senso Comum Temporal

Entendimento de que eventos se desdobram ao longo do tempo com causas e efeitos. Saber que metas geralmente envolvem tomar uma série de etapas com dependência e precedência entre elas.

Grandes bases de conhecimento como ConceptNet e WebChild buscam codificar os inúmeros fatos compondo o senso comum humano em um formato utilizável pela IA. Integrar esses dados eficientemente com algoritmos de aprendizado continua sendo um desafio ativo.

💡Dotar IA dos fatos e convenções implícitos que vêm naturalmente a humanos é essencial para possibilitar raciocínio geral de senso comum.

Memória e Representação de Conhecimento

A inteligência humana depende fortemente da memória. Nossas mentes armazenam vastos repositórios de conhecimento construído ao longo de anos que podem ser rapidamente recuperados e flexivelmente combinados conforme necessário para percepção, planejamento, aprendizado e resolução de problemas.

Em contraste, sistemas de IA atuais têm capacidades mínimas de memória. Eles predominantemente confiam no reconhecimento de padrões em dados imediatos ou conjuntos de dados de treinamento restritos. Isso limita aprendizado cumulativo ao longo de escalas de tempo maiores do que o episódio de treinamento.

Para desenvolver inteligência mais humana, pesquisadores estão explorando arquiteturas incluindo:

Máquinas de Turing Neurais

Redes neurais acopladas a bancos de memória endereçáveis externos que podem ser escritos e lidos baseados no contexto. Isso desacopla armazenamento de memória de processamento.

Memória Temporal Hierárquica

Sistemas que espelham o processamento em camadas do neocórtex e habilidade de codificar sequências baseadas no tempo. Cada nível aprende conceitos mais sofisticados construídos em representações mais simples de níveis inferiores.

Redes Relacionais

Redes que dinamicamente aprendem associações entre entidades como pessoas, lugares, coisas, eventos e conceitos. Isso mimetiza como a memória humana conecta conhecimentos relacionados.

Aprendizado Contínuo

Sistemas que acumulam conhecimento e representações ao longo de extensos períodos de tempo ao invés de treinar em conjuntos de dados fixos por curtos episódios supervisionados. Isso possibilita integrar e transferir aprendizado.

Recuperação robusta de memórias relevantes para contextos atuais é fundamental para inteligência artificial geral. Embora redes neurais profundas tenham memória limitada, novas abordagens suspendendo essa restrição mostram potencial.

💡Desenvolver codificação, armazenamento e recuperação mais humanos de conhecimento expandirá capacidade de aprendizado.

Raciocínio e Explicabilidade

Uma limitação persistente de aprendizado profundo baseado em dados é a falta de interpretabilidade do modelo – a lógica por trás de decisões é opaca. Isso é problemático para entendimento científico e confiança.

Por exemplo, um sistema de IA pode classificar imagens com precisão mas não tem qualquer capacidade de explicar o que nas imagens levou àquelas classificações. Ele simplesmente reconhece padrões estatísticos. O processo de raciocínio é inescrutável.

Humanos também alavancam raciocínio lógico mais estruturado comparando hipóteses, pesando evidências, combinando amplo conhecimento de fundo com observações para derivar conclusões justificadas. Nós construímos modelos explanatórios do porquê coisas acontecem.

Para progredir em direção a uma AGI, pesquisadores estão explorando abordagens para tornar o raciocínio de IA mais compreensível, incluindo:

Sistemas Simbólicos

IA simbólica representando conhecimento como abstrações estruturadas como lógica, grafos, regras, ontologias, etc. Isso possibilita raciocínio formal explicável diferentemente da caixa-preta de redes neurais.

Sistemas Híbridos

Integrar IA conexionista como aprendizado profundo com IA simbólica para alcançar forças de ambos – reconhecimento estatístico de padrões e raciocínio lógico. Sistemas combinando redes neurais com bases de conhecimento acessíveis são promissores.

Raciocínio Causal

Modelos causais representam relacionamentos funcionais entre variáveis, permitindo simular intervenções e prever seus efeitos. Isso viabiliza entender causas por trás de observações.

Mineração de Argumentos

Extrair automaticamente a estrutura de argumentos feitos em textos – claims, premissas, tipos de raciocínio. Isso ajuda a ensinar construção e análise crítica de argumentos mais humanos.

Maior capacidade de raciocínio e explicabilidade produzirá tecnologia de IA com maior transparência, confiabilidade e alinhamento com valores humanos.

💡Avançar raciocínio e explicabilidade produzirá IA que verdadeiramente compreende suas decisões e ações.

O Longo Caminho Adiante

Enquanto a IA de hoje alcançou resultados impressionantes em tarefas particulares estreitas, a grande visão de inteligência artificial geral flexível e de nível humano continua distante. Desafios tremendos em aprendizado não supervisionado, transferência de aprendizado, raciocínio, senso comum, memória e mais precisam ser enfrentados para realizar esse objetivo.

Mas o notável progresso da última década mantém viva a esperança de que a eventual criação de sistemas de IA capazes de aprendizado mais amplo, geral e explicável é possível. Investimento e pesquisa sustentados através de equipes interdisciplinares de cientistas de ponta continua nos levando lentamente mas firmemente na direção certa.

O Potencial Futuro

Sucesso em avançar IA ao nível de inteligência geral humana poderia possibilitar benefícios fantásticos, incluindo:

Assistentes digitais muito mais capazes e acessíveis
Automação de trabalhos perigosos e maçantes
Educação e tratamento médico personalizados
Aceleração de descobertas científicas
Nova arte e entretenimento
Tradução fluida entre idiomas e culturas

Mas riscos significativos como deslocamento de mão de obra, brechas de privacidade, e metas desalinhadas também precisam ser cuidadosamente gerenciados através de políticas e supervisão. O caminho adiante exigirá sabedoria tanto quanto engenhosidade técnica.

Princípios Orientadores

Certos princípios podem ajudar a orientar pesquisa e desenvolvimento de inteligência artificial geral:

Abertura: pesquisa conduzida transparentemente em colaboração entre instituições públicas, privadas, governamentais e acadêmicas quando razoável para supervisão responsável.
Melhoria humana, não substituição: AGI como assistente para prosperidade humana ao invés de buscar replicar e substituir pessoas. Preservando agência e dignidade humanas.
Beneficência: incorporar arcabouços éticos como as leis da robótica de Isaac Asimov para garantir que sistemas ajudem, não prejudiquem, humanos.
Cuidado: precaução, avaliação de risco e monitoramento meticulosos dada a profundidade da AGI realizada.

Ao cuidadosamente manter esses princípios em mente, podemos atravessar as fronteiras adiante responsavelmente e colher os frutos eticamente.

Considerações Finais

A criação de inteligência artificial geral promete ser uma longa jornada cheia de desafios e riscos. Mas o potencial para transformação positiva da condição humana motiva perseverança. Com diligência e sabedoria, podemos ainda construir sistemas capazes de aprendizado profundo que elevem a humanidade. Mas não existem atalhos. Passo a passo, o progresso avança.

Conclusão: Inteligência artificial geral

Enquanto a IA atual alcança desempenho sobre-humano em tarefas estreitas, sistemas carecem da aprendizagem profunda flexível e transversal característica da inteligência humana. Avanços de pesquisa significativos em áreas como aprendizado não supervisionado, transferência de aprendizado, raciocínio, senso comum e memória serão necessários para que IA alcance inteligência artificial geral de nível humano. Este continua sendo um objetivo distante porém digno requerendo colaboração sustentada entre instituições públicas e privadas. Se pesquisadores permanecerem no caminho, talvez um dia IA pensará tão amplamente, intuitivamente e introspectivamente quanto pessoas.

Adoraria ouvir seus pensamentos e feedbacks sobre esta longa leitura! Por favor, deixe seus comentários abaixo. E muito obrigado por ler até o final!