A breve história da inteligência artificial: O mundo mudou rapidamente – o que pode vir a seguir?

Tempo de leitura: 12 minutes

Loading

Apesar de sua história breve, os computadores e a IA mudaram fundamentalmente o que vemos, o que sabemos e o que fazemos. Poucas coisas são tão importantes para o futuro do mundo e de nossas próprias vidas quanto a continuidade dessa história.

Como chegamos até aqui?

Como o mundo mudou rapidamente fica evidente quando percebemos como até mesmo as tecnologias de computação relativamente recentes parecem antigas hoje em dia. Os telefones celulares dos anos 90 eram tijolos grandes com pequenas telas verdes. Duas décadas antes disso, os cartões perfurados eram a principal forma de armazenamento para computadores.

Em um curto período, os computadores evoluíram rapidamente e se tornaram uma parte tão integral de nossas vidas diárias que é fácil esquecer o quão recente é essa tecnologia. Os primeiros computadores digitais foram inventados há apenas cerca de oito décadas, conforme mostra a linha do tempo.

 

 

Desde os primeiros dias dessa história, alguns cientistas da computação têm se esforçado para criar máquinas tão inteligentes quanto os seres humanos. A próxima linha do tempo mostra alguns dos sistemas de inteligência artificial (IA) notáveis e descreve suas capacidades.

O primeiro sistema que menciono é o Theseus. Foi construído por Claude Shannon em 1950 e era um rato controlado remotamente que conseguia encontrar seu caminho para sair de um labirinto e se lembrar do percurso. Em sete décadas, as habilidades da inteligência artificial avançaram muito.

 

As capacidades de reconhecimento de linguagem e imagem dos sistemas de inteligência artificial agora são comparáveis às dos seres humanos.

As capacidades de reconhecimento de linguagem e imagem dos sistemas de inteligência artificial se desenvolveram muito rapidamente.

O gráfico mostra como chegamos a esse ponto, ampliando os últimos dois anos de desenvolvimento da IA. Os dados plotados derivam de uma série de testes nos quais o desempenho humano e da IA foram avaliados em cinco domínios diferentes, desde o reconhecimento de escrita à compreensão de linguagem.

Dentro de cada um dos cinco domínios, o desempenho inicial do sistema de IA é definido como -100, e o desempenho humano nesses testes é usado como uma linha de base, definida como zero. Isso significa que quando o desempenho do modelo ultrapassa a linha zero, é quando o sistema de IA marcou mais pontos no teste relevante do que os humanos que fizeram o mesmo teste.

As capacidades de reconhecimento de linguagem e imagem dos sistemas de inteligência artificial melhoraram rapidamente.

 

Apenas 10 anos atrás, nenhuma máquina conseguia fornecer de forma confiável o reconhecimento de linguagem ou imagem em um nível humano. No entanto, como o gráfico mostra, os sistemas de inteligência artificial se tornaram cada vez mais capazes e estão superando os humanos em testes em todos esses domínios.

Fora desses testes padronizados, o desempenho dessas IA é variado. Em alguns casos do mundo real, esses sistemas ainda têm um desempenho muito inferior ao dos humanos. Por outro lado, algumas implementações desses sistemas de IA já são tão baratas que estão disponíveis no telefone em seu bolso: o reconhecimento de imagem categoriza suas fotos e o reconhecimento de fala transcreve o que você ditou.

Do reconhecimento de imagem à geração de imagem

O gráfico anterior mostrou os avanços rápidos nas habilidades perceptivas da inteligência artificial. Os sistemas de IA também se tornaram muito mais capazes de gerar imagens.

Essa série de nove imagens mostra o desenvolvimento ao longo dos últimos nove anos. Nenhuma das pessoas nessas imagens existe; todas elas foram geradas por um sistema de IA.

Linha do tempo de imagens geradas por inteligência artificial.

A série começa com uma imagem de 2014 no canto superior esquerdo, uma imagem primitiva de um rosto pixelado em preto e branco. Conforme a primeira imagem na segunda linha mostra, apenas três anos depois, os sistemas de IA já eram capazes de gerar imagens que eram difíceis de diferenciar de uma fotografia.

 

Nos últimos anos, a capacidade dos sistemas de IA se tornou ainda mais impressionante. Enquanto os primeiros sistemas se concentravam em gerar imagens de rostos, esses modelos mais recentes ampliaram suas capacidades para a geração de imagens a partir de quase qualquer prompt de texto. A imagem no canto inferior direito mostra que até mesmo prompts mais desafiadores – como “Um Pomeranian está sentado no trono do Rei usando uma coroa. Dois soldados tigres estão em pé ao lado do trono” – são transformados em imagens fotorrealistas em questão de segundos.

O reconhecimento e produção de linguagem estão se desenvolvendo rapidamente

Assim como os avanços impressionantes das IA geradoras de imagens, também é notável o rápido desenvolvimento de sistemas que analisam e respondem à linguagem humana.

Mostradas na imagem estão exemplos de um sistema de IA desenvolvido pelo Google chamado PaLM. Nestes seis exemplos, o sistema foi solicitado a explicar seis piadas diferentes. A explicação no canto inferior direito é especialmente notável: a IA explica uma antipiada que tem como objetivo confundir especificamente o ouvinte.

Resultado do sistema de IA PaLM após ser solicitado a interpretar seis piadas diferentes.

 

IA’s que produzem linguagem entraram em nosso mundo de várias maneiras nos últimos anos. E-mails são auto completados, grandes quantidades de textos online são traduzidos, vídeos são transcritos automaticamente, crianças usam modelos de linguagem para fazer suas tarefas escolares, relatórios são gerados automaticamente e veículos de mídia publicam jornalismo gerado por IA.

Os sistemas de IA ainda não são capazes de produzir textos longos e coerentes. No futuro, veremos se os desenvolvimentos recentes diminuirão – ou até mesmo acabarão – ou se um dia leremos um romance best-seller escrito por uma IA.

Onde estamos agora: a IA está aqui

Esses avanços rápidos nas capacidades da IA tornaram possível utilizar máquinas em uma ampla gama de novos domínios:

Quando você reserva um voo, frequentemente é uma inteligência artificial, e não mais um humano, que decide o preço que você paga. Quando você chega ao aeroporto, é um sistema de IA que monitora o que você faz no local. E uma vez que você está no avião, um sistema de IA auxilia o piloto a levá-lo ao seu destino.

Sistemas de IA também determinam cada vez mais se você obtém um empréstimo, é elegível para assistência social ou é contratado para um determinado emprego. Eles também auxiliam na decisão de quem é liberado da prisão.

Vários governos estão adquirindo sistemas de armas autônomas para a guerra, e alguns estão usando sistemas de IA para vigilância e opressão.

Sistemas de IA ajudam a programar o software que você utiliza e a traduzir os textos que você lê. Assistentes virtuais, operados por reconhecimento de fala, entraram em muitas residências ao longo da última década. Agora, carros autônomos estão se tornando uma realidade.

Nos últimos anos, sistemas de IA ajudaram a avançar em alguns dos problemas mais difíceis da ciência.

Grandes AIs chamadas sistemas de recomendação determinam o que você vê nas redes sociais, quais produtos são mostrados a você em lojas online e o que é recomendado a você no YouTube. Cada vez mais, eles não apenas recomendam a mídia que consumimos, mas, com base em sua capacidade de gerar imagens e textos, também estão criando a mídia que consumimos.

A inteligência artificial não é mais uma tecnologia do futuro; a IA está aqui e grande parte do que é realidade agora teria parecido ficção científica até recentemente. É uma tecnologia que já nos impacta e a lista acima inclui apenas algumas de suas muitas aplicações.

A ampla gama de aplicações listadas deixa claro que esta é uma tecnologia muito geral que pode ser usada por pessoas para alcançar alguns objetivos extremamente bons – e também alguns extraordinariamente ruins. Para essas “tecnologias de uso duplo”, é importante que todos nós desenvolvamos uma compreensão do que está acontecendo e como queremos que a tecnologia seja usada.

Apenas duas décadas atrás, o mundo era muito diferente. O que a tecnologia de IA será capaz de fazer no futuro?

O que vem a seguir?

Os sistemas de IA que acabamos de considerar são o resultado de décadas de avanços constantes na tecnologia de IA.

O grande gráfico abaixo coloca essa história ao longo das últimas oito décadas em perspectiva. Ele é baseado no conjunto de dados produzido por Jaime Sevilla e colegas.

A ascensão da inteligência artificial ao longo das últimas 8 décadas: À medida que a computação de treinamento aumentou, os sistemas de IA se tornaram mais poderosos.

 

Cada pequeno círculo neste gráfico representa um sistema de IA. A posição do círculo no eixo horizontal indica quando o sistema de IA foi construído, e sua posição no eixo vertical mostra a quantidade de computação que foi usada para treinar o sistema de IA específico.

A computação de treinamento é medida em operações de ponto flutuante, ou FLOP, abreviação de Floating Point Operations. Um FLOP é equivalente a uma adição, subtração, multiplicação ou divisão de dois números decimais.

Todos os sistemas de IA que dependem de aprendizado de máquina precisam ser treinados, e nesses sistemas a computação de treinamento é um dos três fatores fundamentais que impulsionam as capacidades do sistema. Os outros dois fatores são os algoritmos e os dados de entrada usados para o treinamento. A visualização mostra que, à medida que a computação de treinamento aumentou, os sistemas de IA se tornaram cada vez mais poderosos.

A linha do tempo remonta à década de 1940, ao início dos computadores eletrônicos. O primeiro sistema de IA mostrado é o “Theseus”, o rato robótico de Claude Shannon de 1950 que mencionei no início. Em direção à outra extremidade da linha do tempo, encontram-se sistemas de IA como o DALL-E e o PaLM, cujas habilidades de produzir imagens fotorrealistas e interpretar e gerar linguagem acabamos de ver. Eles estão entre os sistemas de IA que utilizaram a maior quantidade de computação de treinamento até o momento.

A computação de treinamento é representada em uma escala logarítmica, de modo que a cada linha do grid representa um aumento de 100 vezes. Essa perspectiva de longo prazo mostra um aumento contínuo. Pelas primeiras seis décadas, a computação de treinamento aumentou de acordo com a Lei de Moore, dobrando aproximadamente a cada 20 meses. Desde cerca de 2010, esse crescimento exponencial acelerou ainda mais, para um tempo de duplicação de apenas cerca de 6 meses. Isso é uma taxa de crescimento surpreendentemente rápida.

Os tempos de duplicação rápidos resultaram em aumentos significativos. A computação de treinamento do PaLM foi de 2,5 bilhões de petaFLOP, mais de 5 milhões de vezes maior do que a do AlexNet, a IA com a maior computação de treinamento apenas 10 anos antes.

A escala aumentou de forma exponencial e acelerou substancialmente na última década. O que podemos aprender com esse desenvolvimento histórico para o futuro da IA?

Os pesquisadores de IA estudam essas tendências de longo prazo para ver o que é possível no futuro.

Talvez o estudo mais amplamente discutido desse tipo tenha sido publicado pela pesquisadora de IA Ajeya Cotra. Ela estudou o aumento na computação de treinamento para perguntar em que ponto no tempo a computação para treinar um sistema de IA poderia equivaler à do cérebro humano. A ideia é que nesse ponto, o sistema de IA teria capacidades equivalentes às de um cérebro humano. Em sua última atualização, Cotra estimou uma probabilidade de 50% de que essa “IA transformadora” seja desenvolvida até o ano de 2040, daqui a menos de duas décadas.

Em um artigo relacionado, discuto o que uma IA transformadora significaria para o mundo. Em resumo, a ideia é que um sistema de IA desse tipo seria poderoso o suficiente para levar o mundo a um “futuro qualitativamente diferente”. Isso poderia levar a uma mudança na escala das duas grandes transformações anteriores da história humana, as revoluções agrícola e industrial. Certamente representaria a mudança global mais importante em nossas vidas.

O trabalho de Cotra é particularmente relevante nesse contexto, pois ela baseou suas previsões no tipo de tendência histórica de longo prazo da computação de treinamento que acabamos de estudar. No entanto, vale ressaltar que outros previsores, que se baseiam em considerações diferentes, chegam a conclusões amplamente semelhantes. Como mostro em meu artigo sobre cronogramas de IA, muitos especialistas em IA acreditam que existe uma chance real de que a inteligência artificial de nível humano seja desenvolvida nas próximas décadas, e alguns acreditam que isso ocorrerá muito antes.

Construindo um recurso público para viabilizar a conversa pública necessária

Os computadores e a inteligência artificial têm mudado imensamente o nosso mundo, mas ainda estamos nos estágios iniciais dessa história. Por mais familiar que essa tecnologia pareça, é fácil esquecer que todas essas tecnologias com as quais interagimos são inovações muito recentes e que as mudanças mais profundas ainda estão por vir.

A inteligência artificial já mudou o que vemos, o que sabemos e o que fazemos. E isso apesar do fato de que essa tecnologia tem uma história breve.

Não há sinais de que essas tendências estejam atingindo qualquer limite em um futuro próximo. Pelo contrário, especialmente ao longo da última década, as tendências fundamentais aceleraram: os investimentos em tecnologia de IA aumentaram rapidamente e o tempo de duplicação da computação de treinamento diminuiu para apenas seis meses.

Todas as principais inovações tecnológicas levam a uma série de consequências positivas e negativas. Isso já é verdade para a inteligência artificial. À medida que essa tecnologia se torna cada vez mais poderosa, devemos esperar que seu impacto seja ainda maior.

Devido à importância da IA, todos nós devemos ser capazes de formar uma opinião sobre para onde essa tecnologia está indo e entender como esse desenvolvimento está mudando nosso mundo. Para esse fim, estamos construindo um repositório de métricas relacionadas à IA, que você pode encontrar em OurWorldinData.org/artificial-intelligence.

Ainda estamos nos estágios iniciais dessa história e grande parte do que se tornará possível ainda está por vir. Um desenvolvimento tecnológico tão poderoso deve estar no centro de nossa atenção. Poucas coisas podem ser tão importantes para como o futuro de nosso mundo – e o futuro de nossas vidas – se desdobrará.

 

Autor: Max Roser
Fonte: Our World In Data
Artigo Original:
https://bit.ly/3p46IdW

 

Notas de rodapé

  1. On the Theseus see Daniel Klein (2019) – Mighty mouse, Published in MIT Technology Review. And this video on YouTube of a presentation by its inventor Claude Shannon.
  2. The chart shows that the speed with which these AI technologies developed increased over time. Systems for which development was started early – handwriting and speech recognition – took more than a decade to approach human-level performance, while more recent AI developments led to systems that overtook humans in the span of only a few years. However one should not overstate this point. To some extent this is dependent on when the researchers started to compare machine and human performance. One could have started evaluating the system for language understanding much earlier and its development would appear much slower in this presentation of the data.
  3. Data from Kiela et al. (2021) – Dynabench: Rethinking Benchmarking in NLP. arXiv:2104.14337v1; https://doi.org/10.48550/arXiv.2104.14337
  4. Because these systems have become so powerful, the latest AI systems often don’t allow the user to generate images of human faces to prevent abuse.
  5. The relevant publications are the following:2014: Goodfellow et al: Generative Adversarial Networks2015: Radford, Metz, and Chintala: Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks

    2016: Liu and Tuzel: Coupled Generative Adversarial Networks

    2017: Karras et al: Progressive Growing of GANs for Improved Quality, Stability, and Variation

    2018: Karras, Laine, and Aila: A Style-Based Generator Architecture for Generative Adversarial Networks (StyleGAN from NVIDIA)

    2019: Karras et al: Analyzing and Improving the Image Quality of StyleGAN

    AI-generated faces generated by this technology can be found on thispersondoesnotexist.com.

    2020: Ho, Jain, and Abbeel: Denoising Diffusion Probabilistic Models

    2021: Ramesh et al: Zero-Shot Text-to-Image Generation (first DALL-E from OpenAI; blog post). See also Ramesh et al (2022) – Hierarchical Text-Conditional Image Generation with CLIP Latents (DALL-E 2 from OpenAI; blog post).

    2022: Saharia et al: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding (Google’s Imagen; blog post)

  6. From Chowdhery et al (2022) – PaLM: Scaling Language Modeling with Pathways. Published on arXiv on 7 Apr 2022.
  7. See the footnote on the title of the chart for the references and additional information.
  8. At some point in the future, training computation is expected to slow down to the exponential growth rate of Moore’s Law. Tamay Besiroglu, Lennart Heim and Jaime Sevilla of the Epoch team estimate in their report that the highest probability for this reversion occuring is in the early 2030s.
  9. The training computation of PaLM, developed in 2022, was 2,700,000,000 petaFLOP. The training computation of AlexNet, the AI with the largest training computation up to 2012, was 470 petaFLOP. 2,500,000,000 petaFLOP / 470 petaFLOP = 5,319,148.9. At the same time the amount of training computation required to achieve a given performance has been falling exponentially.The costs have also increased quickly. The cost to train PaLM is estimated to be in the range of $9–$23 million according to Lennart Heim, a researcher in the Epoch team. See: Lennart Heim (2022) – Estimating PaLM’s training cost.
  10. The data is taken from Jaime Sevilla, Lennart Heim, Anson Ho, Tamay Besiroglu, Marius Hobbhahn, Pablo Villalobos (2022) – Compute Trends Across Three eras of Machine Learning. Published in arXiv on March 9, 2022. See also their post on the Alignment Forum.The authors regularly update and extend their dataset, a very helpful service to the AI research community. At Our World in Data my colleague Charlie Giattino regularly updates the interactive version of this chart with the latest data made available by Sevilla and coauthors.See also these two related charts:

    Number of parameters in notable artificial intelligence systems

    Number of datapoints used to train notable artificial intelligence systems

  11. Scaling up the size of neural networks – in terms of the number of parameters and the amount of training data and computation – has led to surprising increases in the capabilities of AI systems. This realization motivated the “scaling hypothesis.” See Gwern Branwen (2020) – The Scaling Hypothesis⁠.
  12. Her research was announced in various places, including in the AI Alignment Forum here: Ajeya Cotra (2020) – Draft report on AI timelines. As far as I know the report itself always remained a ‘draft report’ and was published here on Google Docs.The cited estimate stems from Cotra’s Two-year update on my personal AI timelines, in which she shortened her median timeline by 10 years.Cotra emphasizes that there are substantial uncertainties around her estimates and therefore communicates her findings in a range of scenarios. She published her big study in 2020 and her median estimate at the time was that around the year 2050 there will be a 50%-probability that the computation required to train such a model may become affordable. In her “most conservative plausible”-scenario this point in time is pushed back to around the year 2090 and in her “most aggressive plausible”-scenario this point in time is reached in 2040.

    The same is true for most other forecasters: all emphasize the large uncertainty associated with any of their forecasts.

    It is worth emphasizing that the computation of the human brain is highly uncertain. See Joseph Carlsmith’s New Report on How Much Computational Power It Takes to Match the Human Brain from 2020.

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

Aprendendo com IA: espelhos sociais e intelectuais

Até recentemente, as interações humanas com máquinas antropomorfizadas (entidades não-humanas que são atribuídas características humanas) eram consideradas divertidas, mas não eram vistas como emocionalmente relevantes para a maioria das pessoas. Embora muitos se...

10 efeitos negativos do uso de celulares para as crianças

Crianças de todo o mundo (embora não todas) utilizam smartphones para diversas finalidades. Algumas passam horas conversando com amigos, enquanto outras se dedicam a jogar inúmeros jogos. A Internet é frequentemente considerada uma fonte de conhecimento para as...

Sistemas de tutoria inteligente

Adaptação da aprendizagem de acordo com o nível e ritmo do estudante Os sistemas de tutoria inteligente se baseiam na capacidade de adaptar a aprendizagem de acordo com o nível e o ritmo do estudante. Usando inteligência artificial e técnicas de aprendizado de...

Quanto custa manter a nuvem no céu para o meio ambiente?

À medida que a humanidade aumenta sua capacidade de intervir na natureza com o objetivo de satisfazer as necessidades e desejos crescentes, aparecem as tensões e conflitos quanto ao uso do espaço e dos recursos naturais. Quanto custa manter a nuvem no céu para o meio...

Competências essenciais na era digital

A proliferação da IA em muitos aspectos da vida humana - desde o lazer pessoal até o trabalho profissional, passando pelas decisões políticas globais - impõe uma questão complexa sobre como preparar as pessoas para um mundo interconectado e em rápida mudança, que está...

Educação digital para prevenir abusos sexuais online

Depois de participar de uma aula incrível com a professora Beatriz Lorencini e o Felipe, fui tirado da bolha onde costumo estar a maior parte do meu tempo se não o tempo todo. Quando percebi eu estava em choque por "não saber ou escolher não saber" que existem...

Tag Cloud

Posts Relacionados

[dgbm_blog_module posts_number=”4″ related_posts=”on” show_categories=”off” show_pagination=”off” item_in_desktop=”2″ equal_height=”on” image_size=”mid” author_background_color=”#ffffff” disabled_on=”off|off|on” module_class=”PostRelacionado” _builder_version=”4.16″ _module_preset=”default” title_font=”Montserrat||||||||” title_text_color=”#737373″ title_font_size=”19px” title_line_height=”25px” meta_text_color=”#666″ meta_font_size=”13px” content_font_size=”13px” content_line_height=”30px” author_text_color=”#666666″ custom_css_content_container=”display:flex;||flex-wrap:wrap;” custom_css_image-container=”padding-top:70%;||overflow:hidden;” custom_css_image=”position:absolute;||top:0;||left:0;||bottom:0;||right:0;||object-fit: cover;||height:100%;||width:100%;” custom_css_title=”padding:20px;||margin-top:0;||order:2;” custom_css_content=”padding:0 20px 20px;||order:3;” custom_css_post-meta-middle=”order:1;||padding:20px;||border-bottom:1px solid #dcdcdc;||border-top:1px solid #dcdcdc;” border_width_all_post_item=”0px” border_width_all_content=”0px” box_shadow_style_container=”preset1″ box_shadow_blur_container=”5px” box_shadow_spread_container=”1px” box_shadow_color_container=”rgba(0,0,0,0.1)” global_colors_info=”{}”][/dgbm_blog_module]

Receba a nossa newsletter

Fique por dentro e seja avisado dos novos conteúdos.

Publicações mais recentes