A armadilha de turing: a promessa e o perigo da inteligência artificial semelhante aos humanos

Tempo de leitura: 23 minutes

Loading

Em 1950, Alan Turing propôs o “jogo da imitação” como o teste definitivo para determinar se uma máquina era inteligente: uma máquina poderia imitar um humano tão bem que suas respostas às perguntas seriam indistinguíveis das de um ser humano. Desde então, criar inteligência que corresponda à inteligência humana tem sido implicitamente ou explicitamente o objetivo de milhares de pesquisadores, engenheiros e empreendedores e empresas. Os benefícios da inteligência artificial semelhante aos humanos (HLAI) incluem aumento da produtividade, mais lazer e, talvez o mais profundo, uma melhor compreensão de nossas próprias mentes.

Mas nem todos os tipos de IA são semelhantes aos humanos – na verdade, muitos dos sistemas mais poderosos são muito diferentes dos humanos – e um foco excessivo no desenvolvimento e implantação de HLAI pode nos levar a uma armadilha. À medida que as máquinas se tornam melhores substitutas para o trabalho humano, os trabalhadores perdem poder de barganha econômica e política e se tornam cada vez mais dependentes daqueles que controlam a tecnologia. Em contraste, quando a IA é voltada para aumentar os humanos em vez de imitá-los, os humanos retêm o poder de insistir em uma parte do valor criado. Além disso, o aumento cria novas capacidades e novos produtos e serviços, gerando, em última análise, muito mais valor do que apenas a IA semelhante aos humanos. Embora ambos os tipos de IA possam ser extremamente benéficos, atualmente existem incentivos excessivos para automação em vez de aumento entre tecnólogos, executivos de negócios e formuladores de políticas.

Alan Turing estava longe de ser o primeiro a imaginar máquinas semelhantes aos humanos. Segundo a lenda, há 3.500 anos, Dédalo construiu estátuas humanoides tão realistas que se moviam e falavam sozinhas. Quase todas as culturas têm suas próprias histórias de máquinas semelhantes aos humanos, desde o homem de couro de Yanshi descrito no antigo texto chinês Liezi até o bronze Talos da Argonáutica e o gigantesco Mokkerkalfe de argila da mitologia nórdica. A palavra robô apareceu pela primeira vez na influente peça de Karel Čapek, Rossum’s Universal Robots, e deriva da palavra tcheca robota, que significa servidão ou trabalho. Na verdade, nos primeiros rascunhos de sua peça, Čapek os chamava de labori até que seu irmão Josef sugeriu substituir a palavra por robô.

É claro que uma coisa é contar histórias sobre máquinas humanoides. É outra coisa criar robôs que realizam trabalhos reais. Apesar das inspiradoras histórias de nossos ancestrais, somos a primeira geração a construir e implantar robôs de verdade em grande quantidade. Dezenas de empresas estão trabalhando em robôs tão semelhantes aos humanos, se não mais, como os descritos nos textos antigos. Pode-se dizer que a tecnologia avançou o suficiente para se tornar indistinguível da mitologia.

Os avanços na robótica não dependem apenas de mãos e pernas mecânicas mais habilidosas, olhos e ouvidos sintéticos mais perceptivos, mas também de inteligência artificial cada vez mais semelhante aos humanos. Sistemas poderosos de IA estão ultrapassando limites-chave: igualando-se aos humanos em um número crescente de tarefas fundamentais, como reconhecimento de imagens e reconhecimento de fala, com aplicações em veículos autônomos, diagnóstico médico, gerenciamento de estoque e recomendações de produtos. A IA está aparecendo em mais e mais produtos e processos.

Essas descobertas são ao mesmo tempo fascinantes e estimulantes. Elas também têm implicações econômicas profundas. Assim como tecnologias de propósito geral anteriores, como a máquina a vapor e a eletricidade, catalisaram uma reestruturação da economia, nossa própria economia está cada vez mais sendo transformada pela IA. Um bom argumento pode ser feito de que a IA é a mais geral de todas as tecnologias de propósito geral: afinal, se conseguirmos resolver o enigma da inteligência, isso nos ajudaria a resolver muitos dos outros problemas do mundo. E estamos fazendo progressos notáveis. Na próxima década, a inteligência das máquinas se tornará cada vez mais poderosa e onipresente. Podemos esperar a criação de riqueza recorde como resultado.

Replicar as capacidades humanas é valioso não apenas por seu potencial prático de reduzir a necessidade de mão de obra humana, mas também porque pode nos ajudar a construir formas de inteligência mais robustas e flexíveis. Enquanto as tecnologias específicas de domínio podem frequentemente progredir rapidamente em tarefas restritas, elas falham quando surgem problemas inesperados ou circunstâncias incomuns. É aí que a inteligência semelhante aos humanos se destaca. Além disso, a HLAI pode nos ajudar a entender mais sobre nós mesmos. Apreciamos e compreendemos melhor a mente humana quando trabalhamos para criar uma artificial.

Vamos analisar mais de perto como a HLAI pode levar a um realinhamento do poder econômico e político.

Os efeitos distributivos da IA dependem se ela é usada principalmente para aumentar o trabalho humano ou automatizá-lo e substituí-lo. Quando a IA aumenta as capacidades humanas, permitindo que as pessoas façam coisas que nunca puderam antes, humanos e máquinas são complementares. A complementaridade implica que as pessoas permanecem indispensáveis para a criação de valor e mantêm poder de barganha nos mercados de trabalho e na tomada de decisões políticas. Em contraste, quando a IA replica e automatiza as capacidades humanas existentes, as máquinas se tornam melhores substitutas para o trabalho humano e os trabalhadores perdem poder de barganha econômica e política. Empreendedores e executivos que têm acesso a máquinas com capacidades que replicam as dos humanos para uma determinada tarefa podem e muitas vezes substituirão humanos nessas tarefas. Uma economia totalmente automatizada poderia, em princípio, ser estruturada para redistribuir amplamente os benefícios da produção, mesmo para aqueles que não são mais estritamente necessários para a criação de valor. No entanto, os beneficiários estariam em uma posição fraca de barganha para impedir uma mudança na distribuição que os deixasse com pouco ou nada. Eles dependeriam de forma precária das decisões daqueles que controlam a tecnologia. Isso abre a porta para uma maior concentração de riqueza e poder.

Isso destaca a promessa e o perigo de alcançar a HLAI: construir máquinas projetadas para passar no Teste de Turing e em outras métricas mais sofisticadas de inteligência semelhante aos humanos. Por um lado, é um caminho para uma riqueza sem precedentes, maior lazer, inteligência robusta e até mesmo uma melhor compreensão de nós mesmos. Por outro lado, se a HLAI levar as máquinas a automatizar em vez de aumentar o trabalho humano, cria o risco de concentrar riqueza e poder. E com essa concentração vem o perigo de ficar preso em um equilíbrio onde aqueles sem poder não têm como melhorar seus resultados, uma situação que chamo de Armadilha de Turing.

O grande desafio da era que se aproxima será colher os benefícios sem precedentes da IA, incluindo suas manifestações semelhantes às humanas, ao mesmo tempo em que evita a Armadilha de Turing. Ter sucesso nessa tarefa requer uma compreensão de como o progresso tecnológico afeta a produtividade e a desigualdade, por que a Armadilha de Turing é tão tentadora para diferentes grupos e uma visão de como podemos fazer melhor.

O pioneiro da IA, Nils Nilsson, observou que “atingir uma IA verdadeiramente no nível humano necessariamente implicaria que a maioria das tarefas que os humanos realizam por pagamento poderia ser automatizada”. No mesmo artigo, ele pediu um esforço concentrado para criar essas máquinas, escrevendo que “atingir IA no nível humano ou ‘IA forte’ permanece como o objetivo final para alguns pesquisadores” e contrastou isso com a “IA fraca”, que busca “construir máquinas que ajudem os humanos”. Não é surpresa, considerando esses termos, que o trabalho em direção à “IA forte” atraiu muitas das mentes mais brilhantes e talentosas para a busca de – implicitamente ou explicitamente – automatizar completamente o trabalho humano, em vez de auxiliar ou aumentá-lo.

Para os propósitos deste ensaio, em vez de IA forte versus IA fraca, vamos usar os termos automação versus aumento. Além disso, usarei HLAI para significar inteligência artificial semelhante à humana e não inteligência artificial em nível humano, porque esta última sugere erroneamente que a inteligência está em uma única dimensão e talvez até que os humanos estejam no ápice dessa métrica. Na realidade, a inteligência é multidimensional: uma calculadora de bolso dos anos 1970 supera o humano mais inteligente em alguns aspectos (como multiplicação), assim como um chimpanzé (memória de curto prazo). Ao mesmo tempo, máquinas e animais são inferiores à inteligência humana em inúmeras outras dimensões. O termo “inteligência artificial geral” (AGI) é frequentemente usado como sinônimo de HLAI. No entanto, levado ao pé da letra, é a união de todos os tipos de inteligências, capaz de resolver tipos de problemas que podem ser resolvidos por qualquer humano, animal ou máquina existente. Isso sugere que a AGI não é semelhante aos humanos.

A boa notícia é que tanto a automação quanto o aumento podem impulsionar a produtividade do trabalho: ou seja, a relação entre o valor agregado produzido e as horas trabalhadas. À medida que a produtividade aumenta, também aumentam a renda média e o padrão de vida, assim como nossas capacidades para enfrentar desafios, desde as mudanças climáticas e a pobreza até a saúde e a longevidade. Matematicamente, se o trabalho humano usado para uma determinada produção diminui em direção a zero, a produtividade do trabalho cresceria para o infinito.

A má notícia é que nenhuma lei econômica garante que todos compartilharão esse crescimento. Embora os modelos pioneiros de crescimento econômico assumissem que a mudança tecnológica era neutra, na prática a mudança tecnológica pode ajudar ou prejudicar desproporcionalmente alguns grupos, mesmo que seja benéfica em média.

Em particular, a forma como os benefícios da tecnologia são distribuídos depende em grande parte de como a tecnologia é implantada e das regras e normas econômicas que governam a alocação de equilíbrio de bens, serviços e rendas. Quando as tecnologias automatizam o trabalho humano, tendem a reduzir o valor marginal das contribuições dos trabalhadores e mais ganhos vão para os proprietários, empreendedores, inventores e arquitetos dos novos sistemas. Em contraste, quando as tecnologias aumentam as capacidades humanas, mais ganhos vão para os trabalhadores humanos.

Uma falácia comum é presumir que todas ou a maioria das inovações que aumentam a produtividade pertencem à primeira categoria: automação. No entanto, a segunda categoria, aumento, tem sido muito mais importante ao longo da maior parte dos últimos dois séculos. Uma métrica disso é o valor econômico de uma hora de trabalho humano. Seu preço de mercado medido pelos salários médios cresceu mais de dez vezes desde 1820. Um empreendedor está disposto a pagar muito mais por um trabalhador cujas capacidades são ampliadas por uma escavadeira do que por alguém que só pode trabalhar com uma pá, quanto mais com as mãos nuas.

Em muitos casos, não apenas os salários, mas também o emprego crescem com a introdução de novas tecnologias. Com a invenção dos motores a jato, a produtividade dos pilotos (em milhas de passageiros por hora de piloto) aumentou imensamente. Em vez de reduzir o número de pilotos empregados, a tecnologia estimulou tanto a demanda por viagens aéreas que o número de pilotos cresceu. Embora esse padrão seja reconfortante, o desempenho passado não garante resultados futuros. As tecnologias modernas – e, mais importante, as que estão em desenvolvimento – são diferentes daquelas que foram importantes no passado.

Nos últimos anos, temos visto evidências crescentes de que não apenas a parcela do trabalho na economia está diminuindo, mas até mesmo entre os trabalhadores, alguns grupos estão começando a ficar ainda mais para trás. Nos últimos quarenta anos, o número de milionários e bilionários cresceu, mas os salários médios reais para os americanos com apenas educação de ensino médio caíram. Embora muitos fenômenos tenham contribuído para isso, incluindo novos padrões de comércio global, as mudanças na implantação da tecnologia são a maior explicação.

Se o capital na forma de IA puder realizar mais tarefas, aqueles com ativos, talentos ou habilidades únicas que não são facilmente substituídos pela tecnologia tendem a se beneficiar de maneira desproporcional. O resultado tem sido uma maior concentração de riqueza.

Em última análise, o foco em uma IA mais semelhante ao humano pode tornar a tecnologia um substituto melhor para muitos trabalhadores, reduzindo seus salários de mercado, mesmo que amplifique o poder de mercado de poucos. Isso gerou um medo crescente de que a IA e avanços relacionados levarão a uma crescente classe de pessoas inempregáveis ou de “produto marginal zero”.

Um mercado irrestrito provavelmente criará incentivos socialmente excessivos para inovações que automatizam o trabalho humano e produzirá incentivos fracos para tecnologias que aumentam os seres humanos. O primeiro teorema fundamental do bem-estar econômico afirma que, sob um conjunto específico de condições, os preços de mercado levam a um resultado pareto otimizado: ou seja, um em que ninguém pode ficar melhor sem prejudicar outra pessoa. No entanto, o teorema não se sustenta quando há inovações que alteram o conjunto de possibilidades de produção ou externalidades que afetam pessoas que não fazem parte do mercado.

Tanto as inovações quanto as externalidades são de importância central para os efeitos econômicos da IA, uma vez que a IA não é apenas uma inovação em si, mas também aquela que desencadeia cascatas de inovações complementares, desde novos produtos até novos sistemas de produção. Além disso, os efeitos da IA, principalmente no trabalho, estão repletos de externalidades. Quando um trabalhador perde oportunidades de ganhar renda com o trabalho, os custos vão além do recém-desempregado para afetar muitos outros em sua comunidade e na sociedade em geral. Com o desaparecimento das oportunidades, muitas vezes surgem o alcoolismo, crime e abuso de opioides. Recentemente, os Estados Unidos experimentaram o primeiro declínio na expectativa de vida em sua história registrada, resultado do aumento das mortes por suicídio, overdose de drogas e alcoolismo, o que os economistas Anne Case e Angus Deaton chamam de “mortes por desespero”.

Essa espiral de marginalização pode crescer porque a concentração de poder econômico frequentemente gera concentração de poder político. Nas palavras atribuídas a Louis Brandeis: “Podemos ter democracia ou podemos ter riqueza concentrada nas mãos de poucos, mas não podemos ter os dois.” Em contraste, quando os seres humanos são indispensáveis para a criação de valor, o poder econômico tende a ser mais descentralizado. Historicamente, a maior parte do conhecimento economicamente valioso – o que o economista Simon Kuznets chamou de “conhecimento útil” – residia nos cérebros humanos. Mas nenhum cérebro humano pode conter nem mesmo uma pequena fração do conhecimento útil necessário para administrar até mesmo um negócio de médio porte, muito menos uma indústria ou economia inteira, então o conhecimento tinha que ser distribuído e descentralizado. A descentralização do conhecimento útil, por sua vez, descentraliza o poder econômico e político.

Ao contrário de ativos não humanos, como propriedades e maquinário, grande parte do conhecimento de uma pessoa é inalienável, tanto no sentido prático de que nenhuma pessoa pode saber tudo o que outra pessoa sabe quanto no sentido legal de que sua propriedade não pode ser legalmente transferida. Em contraste, quando o conhecimento se torna codificado e digitalizado, pode ser possuído, transferido e concentrado com muita facilidade. Assim, quando o conhecimento passa de humanos para máquinas, abre-se a possibilidade de concentração de poder. Quando os historiadores olharem para as duas primeiras décadas do século XXI, notarão o impressionante crescimento na digitalização e codificação de informações e conhecimento. Paralelamente, os modelos de aprendizado de máquina estão se tornando maiores, com centenas de bilhões de parâmetros, usando mais dados e obtendo resultados mais precisos.

De forma mais formal, a teoria dos contratos incompletos mostra como a propriedade de ativos-chave proporciona poder de barganha nas relações entre agentes econômicos (como empregadores e empregados ou proprietários de empresas e subcontratados). Na medida em que uma pessoa controla um ativo indispensável (como conhecimento útil) necessário para criar e entregar os produtos e serviços de uma empresa, essa pessoa pode exigir não apenas uma renda mais alta, mas também uma voz na tomada de decisões. Quando o conhecimento útil está inalienavelmente trancado nos cérebros humanos, o poder que ele confere também está. Mas quando se torna alienável, permite uma maior concentração de tomada de decisão e poder.

Os riscos da Armadilha de Turing são amplificados porque três grupos de pessoas – tecnólogos, empresários e formuladores de políticas – acham-no atraente. Tecnólogos procuraram replicar a inteligência humana por décadas para enfrentar o desafio recorrente do que os computadores não podiam fazer. A invenção dos computadores e o nascimento do termo “cérebro eletrônico” foram o combustível mais recente para a batalha contínua entre tecnólogos e filósofos humanistas. Os filósofos propuseram uma longa lista de capacidades humanas comuns e elevadas que os computadores nunca seriam capazes de fazer. Nenhuma máquina poderia jogar damas, dominar o xadrez, ler palavras impressas, reconhecer a fala, traduzir entre idiomas humanos, distinguir imagens, subir escadas, ganhar no Jeopardy ou Go, escrever poemas e assim por diante.

Para os professores, é tentador atribuir tais projetos aos seus alunos de pós-graduação. Elaborar desafios que sejam novos, úteis e alcançáveis pode ser tão difícil quanto resolvê-los. Em vez de especificar uma tarefa que nem humanos nem máquinas tenham feito antes, por que não pedir à equipe de pesquisa para projetar uma máquina que replica uma capacidade humana existente? Diferentemente de objetivos mais ambiciosos, a replicação tem uma prova de existência de que tais tarefas são, em princípio, viáveis e úteis. Embora o apelo dos sistemas semelhantes aos humanos seja claro, a realidade paradoxal é que a IAHL (Inteligência Artificial Semelhante à Humana) pode ser mais difícil e menos valiosa do que sistemas que alcançam desempenho super-humano.

Em 1988, o desenvolvedor de robótica Hans Moravec observou que “é comparativamente fácil fazer com que os computadores exibam desempenho de nível adulto em testes de inteligência ou jogando damas, e difícil ou impossível dar-lhes as habilidades de uma criança de um ano no que diz respeito à percepção e mobilidade.” Mas eu argumentaria que, em muitos domínios, Moravec não foi ambicioso o suficiente. Muitas vezes é comparativamente mais fácil para uma máquina alcançar desempenho super-humano em novos domínios do que igualar os humanos comuns nas tarefas que eles realizam regularmente.

Os humanos evoluíram ao longo de milhões de anos para serem capazes de confortar um bebê, navegar por uma floresta cheia de obstáculos ou colher o mirtilo mais maduro de um arbusto, tarefas que são difíceis, senão impossíveis, para as máquinas atuais. Mas as máquinas se destacam quando se trata de enxergar raios-X, gravar milhões de transistores em um fragmento de silício ou vasculhar bilhões de páginas da web para encontrar a mais relevante. Imagine quão fraca e limitada seria nossa tecnologia se os engenheiros do passado tivessem como objetivo apenas replicar os níveis humanos de percepção, atuação e cognição.

Aumentar os humanos com tecnologia abre uma fronteira infinita de novas habilidades e oportunidades. O conjunto de tarefas que os humanos e as máquinas podem fazer juntos é, sem dúvida, muito maior do que aquelas que os humanos podem fazer sozinhos. (Veja a Figura 1 abaixo.) As máquinas podem perceber coisas imperceptíveis aos humanos, podem agir sobre objetos de maneiras que nenhum humano pode e podem compreender coisas que são incompreensíveis para o cérebro humano. Como disse Demis Hassabis, CEO da Deepmind, o sistema de IA “não joga como um humano e não joga como um programa. Joga de uma terceira maneira, quase alienígena… é como xadrez de outra dimensão.” O cientista da computação Jonathan Schaeffer explica a fonte de sua superioridade: “Estou absolutamente convencido de que é porque não aprendeu com os humanos.”Mais fundamentalmente, inventar ferramentas que aumentem o processo de invenção em si promete expandir não apenas nossas habilidades coletivas, mas acelerar a taxa de expansão dessas habilidades.

E quanto aos empresários? Eles frequentemente descobrem que substituir a mão de obra humana por maquinário é a inovação mais acessível. A abordagem mais simples é implementar a automação plug-and-play: trocar uma peça de maquinário por cada tarefa que um humano está fazendo atualmente. Essa mentalidade reduz a necessidade de mudanças mais radicais nos processos de negócios. A automação em nível de tarefa reduz a necessidade de entender interdependências sutis e cria testes A-B fáceis, concentrando-se em uma tarefa conhecida com melhoria de desempenho facilmente mensurável.

Da mesma forma, como os custos trabalhistas são o maior item do orçamento de quase todas as empresas, a automação de empregos é uma estratégia popular para os gerentes. Reduzir custos – que pode ser um esforço coordenado internamente – geralmente é mais fácil do que expandir mercados. Além disso, muitos investidores preferem modelos de negócios “escaláveis”, que geralmente é um sinônimo para um negócio que pode crescer sem contratar e as complexidades que isso acarreta.

Mas aqui, novamente, quando os empresários se concentram na automação, muitas vezes se propõem a realizar uma tarefa que é menos ambiciosa e mais difícil do que precisa ser. Para entender os limites da automação orientada à substituição, considere um experimento mental. E se o nosso velho amigo Dédalo tivesse à sua disposição uma equipe extremamente talentosa de engenheiros 3.500 anos atrás e tivesse, de alguma forma, construído máquinas semelhantes a humanos que automatizassem completamente todas as tarefas relacionadas ao trabalho que seus colegas gregos estavam fazendo.

• Pastorear ovelhas? Automatizado.

• Fazer cerâmica de barro? Automatizado.

• Tecer túnicas? Automatizado.

• Consertar carroças puxadas por cavalos? Automatizado.

• Sangria de vítimas de doenças? Automatizado.

A boa notícia é que a produtividade do trabalho aumentaria, liberando os antigos gregos para uma vida de lazer. A má notícia é que seus padrões de vida e resultados de saúde não chegariam nem perto de igualar aos nossos. Afinal, há apenas um valor limitado que se pode obter de potes de barro e carroças puxadas por cavalos, mesmo com quantidades ilimitadas e preços zero.

Em contraste, a maior parte do valor que nossa economia criou desde os tempos antigos vem de novos bens e serviços que nem mesmo os reis dos antigos impérios possuíam, e não de versões mais baratas de bens existentes. Por sua vez, inúmeras novas tarefas são necessárias: atualmente, 60% das pessoas estão empregadas em ocupações que não existiam em 1940. Em suma, automatizar o trabalho acaba liberando menos valor do que aumentá-lo para criar algo novo.

Ao mesmo tempo, automatizar um trabalho inteiro é extremamente difícil. A maioria dos trabalhos envolve muitas tarefas que são extremamente desafiadoras de automatizar, mesmo com as tecnologias mais inteligentes. Por exemplo, a IA pode ser capaz de ler mamografias melhor do que um radiologista humano, mas não pode fazer as outras vinte e seis tarefas associadas ao trabalho, de acordo com o O-NET, como confortar um paciente preocupado ou coordenar um plano de cuidados com outros médicos. Meu trabalho com Tom Mitchell e Daniel Rock sobre a adequação para aprendizado de máquina encontrou muitas ocupações nas quais as máquinas poderiam contribuir com algumas tarefas, mas zero ocupações entre 950 nas quais o aprendizado de máquina poderia fazer 100% das tarefas necessárias.

O mesmo princípio se aplica aos sistemas de produção mais complexos que envolvem várias pessoas trabalhando juntas. Para ser bem-sucedido, as empresas geralmente precisam adotar uma nova tecnologia como parte de um sistema de mudanças organizacionais mutuamente reforçadores.

Considere outro experimento mental: imagine se Jeff Bezos tivesse “automatizado” livrarias existentes simplesmente substituindo todos os caixas humanos por caixas-robôs. Isso poderia ter reduzido um pouco os custos, mas o impacto total teria sido limitado. Em vez disso, a Amazon reinventou o conceito de livraria, combinando humanos e máquinas de uma maneira inovadora. Como resultado, eles oferecem uma seleção de produtos muito maior, classificações, avaliações e conselhos, além de permitir acesso ao varejo 24 horas por dia, 7 dias por semana, no conforto da casa dos clientes. O poder da tecnologia não estava em automatizar o trabalho dos humanos no conceito existente de livraria, mas em reinventar e aumentar a forma como os clientes encontram, avaliam, compram e recebem livros e, por sua vez, outros produtos de varejo.

Terceiro, os formuladores de políticas também têm frequentemente inclinado o campo de jogo em favor da automação do trabalho humano, em vez de aumentá-lo. Por exemplo, o código tributário dos EUA atualmente incentiva o investimento em capital em detrimento do investimento em mão de obra por meio de taxas efetivas de impostos muito mais altas sobre o trabalho do que sobre instalações e equipamentos.

Considere um terceiro experimento mental: duas potenciais empresas usam a IA para gerar um bilhão de dólares em lucros. Se uma delas alcançar isso ao aumentar e empregar mil trabalhadores, a empresa deverá impostos corporativos e sobre folha de pagamento, enquanto os funcionários pagarão imposto de renda, impostos sobre folha de pagamento e outros impostos. Se o segundo negócio não tiver funcionários, o governo pode cobrar os mesmos impostos corporativos, mas não os impostos sobre folha de pagamento e nem os impostos pagos pelos trabalhadores. Como resultado, o segundo modelo de negócio paga muito menos em impostos totais.

Essa disparidade é ampliada porque o código tributário trata a renda do trabalho de maneira mais rigorosa do que a renda do capital. Em 1986, as alíquotas máximas de impostos sobre a renda do capital e do trabalho foram igualadas nos Estados Unidos, mas desde então, mudanças sucessivas criaram uma grande disparidade, com as alíquotas marginais federais máximas de impostos sobre a renda do trabalho em 2021 de 37%, enquanto os ganhos de capital de longo prazo têm uma variedade de regras favoráveis, incluindo uma alíquota de imposto estatutária mais baixa de 20%, o adiamento de impostos até que os ganhos de capital sejam realizados, e a regra de “step-up basis” que redefine os ganhos de capital para zero, eliminando os impostos associados quando os ativos são herdados.

A primeira regra da política tributária é simples: você tende a obter menos do que você tributa. Assim, um código tributário que trata a renda que utiliza trabalho de maneira menos favorável do que a renda derivada do capital favorecerá a automação em vez da ampliação. Desfazer esse desequilíbrio levaria a incentivos mais equilibrados. De fato, dado as externalidades positivas de uma prosperidade mais amplamente compartilhada, poderia ser feito um caso para tratar a renda salarial de maneira mais favorável do que a renda do capital, por exemplo, expandindo o crédito tributário de renda obtida (earned income tax credit).

Em resumo, os riscos da Armadilha de Turing são aumentados não apenas por um grupo em nossa sociedade, mas pelos incentivos desalinhados de tecnólogos, empresários e formuladores de políticas.

Os tecnólogos são atraídos pela ideia de replicar a inteligência humana, muitas vezes negligenciando a possibilidade de criar sistemas que possam complementar e expandir as habilidades humanas. Os empresários frequentemente se concentram em automatizar tarefas e substituir trabalhadores em vez de encontrar maneiras inovadoras de combinar humanos e máquinas para criar novos produtos e serviços. Os formuladores de políticas, por sua vez, muitas vezes criam incentivos fiscais e regulatórios que favorecem a automação em detrimento da ampliação.

Para evitar a Armadilha de Turing, é importante que todos os envolvidos reconheçam e busquem alinhar seus incentivos. Tecnólogos devem se concentrar em desenvolver tecnologias que melhorem as habilidades humanas e expandam nossas capacidades em vez de simplesmente replicá-las. Empresários devem repensar seus modelos de negócios para aproveitar ao máximo a combinação de humanos e máquinas, criando valor adicional. Os formuladores de políticas devem garantir que os incentivos fiscais e regulatórios apoiem o desenvolvimento de tecnologias e práticas empresariais que promovam a ampliação e a criação de empregos.

Ao trabalhar juntos para enfrentar os riscos da Armadilha de Turing, tecnólogos, empresários e formuladores de políticas podem ajudar a garantir que as tecnologias emergentes, como a IA, sejam usadas para melhorar a vida das pessoas e criar uma sociedade mais próspera e justa.

O futuro não está pré-determinado. Controlamos até que ponto a IA expande as oportunidades humanas por meio do aumento ou substitui os humanos através da automação. Podemos trabalhar em desafios que são fáceis para as máquinas e difíceis para os humanos, em vez de difíceis para as máquinas e fáceis para os humanos. A primeira opção oferece a oportunidade de crescer e compartilhar o bolo econômico, aumentando a força de trabalho com ferramentas e plataformas. A segunda opção arrisca dividir o bolo econômico entre um número cada vez menor de pessoas, criando automação que desloca cada vez mais tipos de trabalhadores.

Embora ambas as abordagens possam e de fato contribuam para o progresso, muitos tecnólogos, empresários e formuladores de políticas têm favorecido a substituição. Além disso, a tendência de uma maior concentração de poder tecnológico e econômico gerar uma maior concentração de poder político corre o risco de aprisionar uma maioria impotente em um equilíbrio infeliz: a Armadilha de Turing.

A reação contra o livre comércio oferece uma história de advertência. Economistas têm argumentado há muito tempo que o livre comércio e a globalização tendem a aumentar o tamanho do “bolo” econômico por meio do poder da vantagem comparativa e da especialização. Eles também reconheceram que as forças de mercado por si só não garantem que todas as pessoas em todos os países saiam ganhando. Então, eles propuseram um grande acordo: maximizar o livre comércio para maximizar a criação de riqueza e, em seguida, distribuir os benefícios de maneira ampla para compensar quaisquer ocupações, indústrias e regiões prejudicadas. Isso não funcionou como esperavam. À medida que os vencedores econômicos ganhavam poder, eles renegavam a segunda parte do acordo, deixando muitos trabalhadores em situação pior do que antes. O resultado ajudou a alimentar uma reação populista que levou a tarifas de importação e outras barreiras ao livre comércio. Os economistas lamentaram.

Algumas das mesmas dinâmicas já estão em andamento com a IA. Cada vez mais americanos e, de fato, trabalhadores de todo o mundo, acreditam que, embora a tecnologia possa estar criando uma nova classe bilionária, ela não está funcionando para eles. Quanto mais a tecnologia for usada para substituir em vez de aumentar o trabalho, pior será a disparidade e maior o ressentimento que alimenta instintos e ações políticas destrutivas. Mais fundamentalmente, o imperativo moral de tratar as pessoas como fins e não apenas como meios, exige que todos compartilhem os ganhos da automação.

A solução não é desacelerar a tecnologia, mas sim eliminar ou reverter os excessivos incentivos à automação em detrimento da ampliação. Em conjunto, devemos construir instituições políticas e econômicas sólidas diante do crescente poder da IA. Podemos reverter a crescente reação contra a tecnologia criando um tipo de sociedade próspera que inspire descobertas, aumente os padrões de vida e ofereça inclusão política para todos. Redirecionando nossos esforços, podemos evitar a Armadilha de Turing e criar prosperidade para muitos, não apenas para poucos.

Autor: Erik Brynjolfsson
Artigo original: http://bit.ly/3ZmWeT9
Director Stanford Digital Economy Lab

Nota do autor
As ideias centrais deste ensaio foram inspiradas por uma série de conversas com James Manyika e Andrew McAfee. Agradeço os valiosos comentários e sugestões sobre este trabalho de Matt Beane, Seth Benzell, Katya Klinova, Alena Kykalova, Gary Marcus, Andrea Meyer e Dana Meyer, mas eles não devem ser responsabilizados por eventuais erros ou opiniões no ensaio.

Erik Brynjolfsson é professor Jerry Yang e Akiko Yamazaki e bolsista sênior no Stanford Institute for Human-Centered AI e diretor do Stanford Digital Economy Lab. Ele também é Ralph Landau Senior Fellow no Stanford Institute for Economic Policy Research e professor por cortesia na Graduate School of Business e no Department of Economics da Stanford University e pesquisador associado no National Bureau of Economic Research. Ele é autor ou coautor de sete livros, incluindo (com Andrew McAfee): Machine, Platform, Crowd: Harnessing Our Digital Future (2017), The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies (2014) e Race Against the Machine: How the Digital Revolution Is Accelerating Innovation, Driving Productivity, and Irreversibly Transforming Employment and the Economy (2011) e (com Adam Saunders): Wired for Innovation: How Information Technology Is Reshaping the Economy (2009).

Referências

1 Alan Turing (October 1950), “Computing Machinery and Intelligence”, Mind, LIX (236): 433– 460, doi:10.1093/mind/LIX.236.433. An earlier articulation of this test comes from Descartes in The Discourse, in which he wrote,

“If there were machines which bore a resemblance to our bodies and imitated our actions as closely as possible for all practical purposes, we should still have two very certain means of recognizing that they were not real men. The first is that they could never use words, or put together signs, as we do in order to declare our thoughts to others. . . . Secondly, even though some machines might do some things as well as we do them, or perhaps even better, they would inevitably fail in others, which would reveal that they are acting not from understanding.”

2 Carolyn Price, “Plato, Opinions and the Statues of Daedalus,” OpenLearn, updated June 19, 2019, https://www.open.edu/openlearn/history-the-arts/philosophy/plato-opinions-and-thestatues-daedalus; and Andrew Stewart, “The Archaic Period,” Perseus Digital Library, http://www.perseus.tufts.edu/hopper/text?doc=Perseus:text:1999.04.0008:part=2:chapter=1&hig hlight=daedalus.

3 “The Origin of the Word ‘Robot,’” Science Friday, April 22, 2011, https://www.sciencefriday.com/segments/the-origin-of-the-word-robot/.

4 Millions of people are now working alongside robots. For a recent survey on the diffusion of robots, AI, and other advanced technologies in the United States, see Nikolas Zolas, Zachary Kroff, Erik Brynjolfsson, et al., “Advanced Technologies Adoption and Use by U.S. Firms: Evidence from the Annual Business Survey,” NBER Working Paper No. 28290 (Cambridge, Mass.: National Bureau of Economic Research, 2020).

5 Apologies to Arthur C. Clarke.

6 See, for example, Daniel Zhang, Saurabh Mishra, Erik Brynjolfsson, et al., “The AI Index 2021 Annual Report,” arXiv preprint arXiv:2103.06312 (Ithaca, N.Y.: Cornell University, 2021), esp. chap. 2. In regard to image recognition, see, for instance, the success of image recognition systems in Olga Russakovsky, Jia Deng, Hao Su, et al., “Imagenet Large Scale Visual Recognition Challenge,” International Journal of Computer Vision 115 (3) (2015): 211–252.

7 Erik Brynjolfsson and Andrew McAfee, “The Business of Artificial Intelligence,” Harvard Business Review (2017): 3–11.

8 See for example, Hubert Dreyfus, What Computers Can’t Do (Cambridge, Mass.: MIT Press, 1972), Nils J. Nilsson, “Human-Level Artificial Intelligence? Be Serious!” AI Magazine 26 (4) (2005): 68; and Gary Marcus, Francesca Rossi, and Manuela Veloso, “Beyond the Turing Test,” AI Magazine 37 (1) (2016): 3–4.

9 Nilsson, “Human-Level Artificial Intelligence?” 68.

10 John Searle was the first to use the terms strong AI and weak AI, writing that with weak AI, “the principal value of the computer . . . is that it gives us a very powerful tool,” while strong AI “really is a mind.” Ed Feigenbaum has argued that creating such intelligence is the “manifest destiny” of computer science. (John R. Searle. 1980. Minds, Brains, and Programs. Behavioral and Brain Sciences 3(3): 417–57.

11 If working hours fall fast enough, it is theoretically possible, though empirically unlikely, that living standards could fall even as productivity rises.

12 However, as discussed below, this does not necessarily mean living standards would rise without bound.

13 See, for example, Robert M. Solow, “A Contribution to the Theory of Economic Growth,” The Quarterly Journal of Economics 70 (1) (1956): 65–94.

15 See for example Daron Acemoglu, “Directed Technical Change,” Review of Economic Studies 69 (4) (2002): 781–809.

16 See, for instance, Erik Brynjolfsson and Andrew McAfee, Race Against the Machine: How the Digital Revolution Is Accelerating Innovation, Driving Productivity, and Irreversibly Transforming Employment and the Economy (Lexington, Mass.: Digital Frontier Press, 2011); and Daron Acemoglu and Pascual Restrepo, “The Race Between Machine and Man: Implications of Technology for Growth, Factor Shares, and Employment,” American Economic Review 108 (6) (2018): 1488–1542.

17 For instance, the real wage of a building laborer in Great Britain is estimated to have grown from sixteen times the amount needed for subsistence in 1820 to 167 times that level by the year 2000, according to Jan Luiten Van Zanden, Joerg Baten, Marco Mira d’Ercole, et al., eds., How Was Life? Global Well-Being since 1820 (Paris: OECD Publishing, 2014).

18 For instance, a majority of aircraft on US Navy aircraft carriers are likely to be unmmaned. See Oriana Pawlyk, “Future Navy Carriers Could Have More Drones Than Manned Aircraft, Admiral Says”, Military.com, March 30, 2021. “

19 Loukas Karabarbounis and Brent Neiman, “The Global Decline of the Labor Share,” The Quarterly Journal of Economics 129 (1) (2014): 61–103; and David Autor, “Work of the Past, Work of the Future,” NBER Working Paper No. 25588 (Cambridge, Mass.: National Bureau of Economic Research, 2019). For a broader survey, see Morgan R. Frank, David Autor, James E. Bessen, et al., “Toward Understanding the Impact of Artificial Intelligence on Labor,” Proceedings of the National Academy of Sciences 116 (14) (2019): 6531–6539.

20 Daron Acemoglu and David Autor, “Skills, Tasks and Technologies: Implications for Employment and Earnings,” Handbook of Labor Economics 4 (2011): 1043–1171.

21 Seth G. Benzell and Erik Brynjolfsson, “Digital Abundance and Scarce Architects: Implications for Wages, Interest Rates, and Growth,” NBER Working Paper No. 25585 (Cambridge, Mass.: National Bureau of Economic Research, 2021).

22 Prasanna Tambe, Lorin Hitt, Daniel Rock, and Erik Brynjolfsson, “Digital Capital and Superstar Firms,” Hutchins Center Working Paper #73 (Washington, D.C.: Hutchins Center at Brookings, 2021), https://www.brookings.edu/research/digital-capital- and-superstar-firms.

23 There is some evidence that capital is already becoming an increasingly good substitute for labor. See, for instance, the discussion in Michael Knoblach and Fabian Stöckl, “What Determines the Elasticity of Substitution between Capital and Labor? A Literature Review,” Journal of Economic Surveys 34 (4) (2020): 852.

24 See, for example, Tyler Cowen, Average Is Over: Powering America beyond the Age of the Great Stagnation (New York: Penguin, 2013). Or more provocatively, Yuval Noah Harari, “The Rise of the Useless Class,” Ted Talk, February 24, 2017, https://ideas.ted.com/the-rise-of-theuseless- class/.

25 Erik Brynjolfsson and Andrew McAfee, “Artificial Intelligence, for Real,” Harvard Business Review, August 7, 2017.

26 Robert D. Putnam, Our Kids: The American Dream in Crisis (New York: Simon and Schuster, 2016) describes the negative effects of joblessness, while Anne Case and Angus Deaton, Deaths of Despair and the Future of Capitalism (Princeton, N.J.: Princeton University Press, 2021) documents the sharp decline in life expectancy among many of the same people.

27 Simon Smith Kuznets, Economic Growth and Structure: Selected Essays (New York: W. W. Norton & Co., 1965).

28 Friedrich August Hayek, “The Use of Knowledge in Society,” The American Economic Review 35 (4) (1945): 519–530.

29 Erik Brynjolfsson, “Information Assets, Technology and Organization,” Management Science 40 (12) (1994): 1645–1662, https:// doi.org/10.1287/mnsc.40.12.1645.

30 For instance, in the year 2000, an estimated 85 billion (mostly analog) photos were taken, but by 2020, that had grown nearly twenty-fold to 1.4 trillion (almost all digital) photos.

31 Andrew Ng, “What Data Scientists Should Know about Deep Learning,” speech presented at Extract Data Conference, November 24, 2015, https://www.slideshare.net/ExtractConf/andrewng- chief-scientist-at-baidu (accessed September 9, 2021).

32 Sanford J. Grossman and Oliver D. Hart, “The Costs and Benefits of Ownership: A Theory of Vertical and Lateral Integration,” Journal of Political Economy 94 (4) (1986): 691–719; and Oliver D. Hart and John Moore, “Property Rights and the Nature of the Firm,” Journal of Political Economy 98 (6) (1990): 1119–1158.

33 Erik Brynjolfsson and Andrew Ng, “Big AI Can Centralize Decisionmaking and Power. And That’s a Problem,” MILA-UNESCO Working Paper (Montreal: MILA-UNESCO, 2021).

34 “Simon Electronic Brain–Complete History of the Simon Computer,” History Computer, January 4, 2021, https://history-computer.com/simon-electronic-brain-complete-history-of-thesimon- computer/.

35 Hans Moravec (1988), Mind Children, Harvard University Press

37 Richard Waters, “Techmate: How AI Rewrote the Rules of Chess,” Financial Times, January 12, 2018.

38 Matt Beane and Erik Brynjolfsson, “Working with Robots in a Post-Pandemic World,” MIT Sloan Management Review 62 (1) (2020): 1–5.

39 Timothy Bresnahan and Robert J. Gordon, “Introduction,” The Economics of New Goods (Chicago: University of Chicago Press, 1996).

40 David Autor, Anna Salomons, and Bryan Seegmiller, “New Frontiers: The Origins and Content of New Work, 1940–2018,” NBER Preprint, July 26, 2021.

41 David Killock, “AI Outperforms Radiologists in Mammographic Screening,” Nature Reviews Clinical Oncology 17 (134) (2020), https://doi.org/10.1038/s41571-020-0329-7.

42 Erik Brynjolfsson, Tom Mitchell, and Daniel Rock, “What Can Machines Learn, and What Does It Mean for Occupations and the Economy?” AEA Papers and Proceedings (2018): 43–47.

43 Erik Brynjolfsson, Daniel Rock, and Prasanna Tambe, “How Will Machine Learning Transform the Labor Market?” Governance in an Emerging New World (619) (2019), https://www.hoover.org/research/how-will-machine-learning-transform-labor-market.

44 Paul Milgrom and John Roberts, “The Economics of Modern Manufacturing: Technology, Strategy, and Organization,” American Economic Review 80 (3) (1990): 511–528.

45 See Daron Acemoglu, Andrea Manera, and Pascual Restrepo, “Does the U.S. Tax Code Favor Automation?” Brookings Papers on Economic Activity (Spring 2020); and Daron Acemoglu, ed., Redesigning AI (Cambridge, Mass.: MIT Press, 2021).

46 This reverses the classic result suggesting that taxes on capital should be lower than taxes on labor. Christophe Chamley, “Optimal Taxation of Capital Income in General Equilibrium with Infinite Lives,” Econometrica 54 (3) (1986): 607–622; and Kenneth L. Judd, “Redistributive Taxation in a Simple Perfect Foresight Model,” Journal of Public Economics 28 (1) (1985): 59– 83.

47 Tambe et al., “Digital Capital and Superstar Firms.”

48 Katherine S. Newman, Chutes and Ladders: Navigating the Low-Wage Labor Market (Cambridge, Mass.: Harvard University Press, 2006).

49 While the distinction between complements and substitutes is clear in economic theory, it can be trickier in practice. Part of the appeal of broad training and/or tax incentives, rather than specific technology mandates or prohibitions, is that they allow technologies, entrepreneurs, and, ultimately, the market to reward approaches that augment labor rather than replace it.

50 See David H. Autor, David Dorn, and Gordon H. Hanson, “The China Shock: Learning from Labor-Market Adjustment to Large Changes in Trade,” Annual Review of Economics 8 (2016): 205–240.

 

Fernando Giannini

Pesquisador de tecnologia aplicada à educação, arquiteto de objetos virtuais de aprendizagem, fissurado em livros de grandes educadores e viciado em games de todos os tipos. Conhecimentos aprimorados em cursos de grandes empresas de tecnologia, principalmente no Google Business Educational Center e Microsoft. Sócio-proprietário da Streamer, empresa que alia tecnologia e educação. Experiência de 18 anos produzindo e criando objetos de aprendizagem, cursos a distância, design educacional, interfaces para sistemas de aprendizagem. Gestor de equipe para projetos educacionais, no Ensino Básico, Médio e Ensino Superior. Nesse período de trabalho gerenciou equipes e desenvolveu as habilidades de liderança e gestão. Acredita na integração e aplicação prática dos conhecimentos para a realização de projetos inovadores, sólidos e sustentáveis a longo prazo. Um dos grandes sonhos realizados foi o lançamento do curso gratuito Mande Bem no ENEM que atingiu mais de 500 mil estudantes em todo o Brasil contribuindo para a Educação Brasileira.

Participe da nossa comunidade no Whatsapp sobre Educação e Tecnologia

0 comentários

Enviar um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados

As 5 melhores ferramentas de IA para professores

A inteligência artificial está se tornando rapidamente parte integrante de praticamente tudo o que fazemos, e a educação não é exceção. Ela pode realmente ser o animal de estimação dos professores, aumentando a interatividade no aprendizado e "reduzindo a carga de...

Escrita à Mão Aumenta Conexões Cerebrais

Como a escrita tradicional à mão está sendo progressivamente substituída por dispositivos digitais, é essencial investigar as implicações para o cérebro humano. A atividade elétrica cerebral foi registrada em 36 estudantes universitários enquanto eles escreviam à mão...

IA na Educação

O salto para uma nova era de inteligência artificial de máquina traz riscos e desafios, mas também muitas promessas No romance de ficção científica de Neal Stephenson, The Diamond Age (A Era do Diamante), de 1995, os leitores conhecem Nell, uma jovem que recebe um...

As 10 melhores ferramentas de IA para estudantes

A Inteligência Artificial (IA) tem se tornado cada vez mais predominante em vários setores, e a educação não é exceção. Com o rápido avanço da tecnologia, graças a empresas como a Open AI, as ferramentas de IA surgiram como recursos valiosos para os estudantes que...

Seis perguntas que ditarão o futuro da IA generativa

A IA generativa tomou o mundo de assalto em 2023. Seu futuro - e o nosso - será moldado pelo que fizermos a seguir. Foi uma pessoa desconhecida que me mostrou pela primeira vez o quão grande seria a mudança de vibração deste ano. Enquanto esperávamos juntas por um...

Tag Cloud

Posts Relacionados

IA na Educação

IA na Educação

O salto para uma nova era de inteligência artificial de máquina traz riscos e desafios, mas também muitas promessas No...

Receba a nossa newsletter

Fique por dentro e seja avisado dos novos conteúdos.

Publicações mais recentes