Com o burburinho atual em torno da inteligência artificial (IA), pode parecer que seja uma inovação recente. Na verdade, a IA existe há mais de 70 anos. Para entender a geração atual de ferramentas de IA e suas direções futuras, é útil saber como chegamos aqui. A história da IA: passado e futuro tem muito a ensinar.
Cada geração de ferramentas de IA aprimorou as anteriores, mas nenhuma caminha em direção à consciência.
O matemático e pioneiro da computação Alan Turing publicou um artigo em 1950 com a frase inicial: Proponho considerar a questão: ‘As máquinas podem pensar?.
Em seguida, ele propõe algo chamado jogo de imitação, hoje comumente chamado de teste de Turing, no qual uma máquina é considerada inteligente se não puder ser distinguida de um ser humano em uma conversa às cegas.
Cinco anos depois, foi publicado pela primeira vez o uso da expressão “inteligência artificial” em uma proposta para o Dartmouth Summer Research Project on Artificial Intelligence.
A partir desses primórdios, um ramo da IA que ficou conhecido como sistemas especializados foi desenvolvido a partir da década de 1960. Esses sistemas foram projetados para capturar o conhecimento humano em domínios especializados. Eles usavam representações explícitas de conhecimento e são, portanto, um exemplo do que chamamos de IA simbólica.
Houve muitos sucessos iniciais bem divulgados, incluindo sistemas para identificar moléculas orgânicas, diagnosticar infecções no sangue e prospectar minerais. Um dos exemplos mais chamativos foi um sistema chamado R1 que, em 1982, teria economizado US$ 25 milhões por ano para a Digital Equipment Corporation ao projetar configurações eficientes de seus sistemas de minicomputadores.
A principal vantagem dos sistemas especializados era que um especialista no assunto, sem nenhuma experiência em codificação, poderia, em princípio, criar e manter a base de conhecimento do computador. Um componente de software conhecido como mecanismo de inferência aplicava esse conhecimento para resolver novos problemas no domínio do assunto, com uma trilha de evidências que fornecia uma forma de explicação.
Esses sistemas estavam na moda na década de 1980, com as organizações clamando para criar seus próprios sistemas especializados, e continuam sendo uma parte útil da IA atualmente.
Chega o aprendizado de máquina
O cérebro humano contém cerca de 100 bilhões de células nervosas, ou neurônios, interconectados por uma estrutura ramificada. Enquanto os sistemas especialistas buscavam modelar o conhecimento humano, outro campo conhecido como conexionismo emergia, com o objetivo de modelar o cérebro humano de forma mais literal. Essa mudança marca um momento chave na história da IA: passado e futuro.
Em 1943, Warren McCulloch e Walter Pitts desenvolveram um modelo matemático para neurônios, onde cada um produzia uma saída binária dependendo de suas entradas.
Uma das primeiras implementações de neurônios conectados em computadores foi desenvolvida por Bernard Widrow e Ted Hoff em 1960.
Esses avanços eram interessantes, mas tinham utilidade prática limitada até 1986, quando foi criado um algoritmo de aprendizado para um modelo de software chamado perceptron multicamadas (MLP). Esse foi um marco no desenvolvimento da história da IA.
O MLP é um arranjo de normalmente três ou quatro camadas de neurônios simulados simples, em que cada camada é totalmente interconectada com a seguinte. O algoritmo de aprendizado do MLP foi um grande avanço. Ele possibilitou a primeira ferramenta prática capaz de aprender com um conjunto de exemplos (os dados de treinamento) e, em seguida, generalizar para que pudesse classificar dados de entrada não vistos anteriormente (os dados de teste).
Ele conseguiu essa façanha atribuindo pesos numéricos às conexões entre os neurônios e ajustando-os para obter a melhor classificação com os dados de treinamento, antes de ser implantado para classificar exemplos não vistos anteriormente.
O MLP pode lidar com uma ampla gama de aplicações práticas, desde que os dados sejam apresentados em um formato que ele possa usar. Um exemplo clássico foi o reconhecimento de caracteres manuscritos, mas somente se as imagens fossem pré-processadas para selecionar os principais recursos.
Modelos de IA mais recentes
Após o sucesso do MLP, começaram a surgir várias formas alternativas de redes neurais. Uma importante delas foi a rede neural convolucional (CNN), em 1998, que era semelhante ao MLP, exceto por suas camadas adicionais de neurônios para identificar os principais recursos de uma imagem, eliminando assim a necessidade de pré-processamento.
Tanto o MLP quanto a CNN eram modelos discriminativos, o que significa que eles podiam tomar uma decisão, normalmente classificando suas entradas para produzir uma interpretação, diagnóstico, previsão ou recomendação. Enquanto isso, estavam sendo desenvolvidos outros modelos de rede neural que eram generativos, o que significa que podiam criar algo novo, após serem treinados com um grande número de exemplos anteriores.
As redes neurais generativas podiam produzir texto, imagens ou música, bem como gerar novas sequências para auxiliar nas descobertas científicas.
Dois modelos de redes neurais generativas se destacaram: as redes generativas-adversariais (GANs) e as redes transformadoras. As GANs obtêm bons resultados porque são parcialmente “adversariais”, o que pode ser considerado como um crítico incorporado que exige melhor qualidade do componente “generativo”.
As redes transformadoras ganharam destaque por meio de modelos como o GPT4 (Generative Pre-trained Transformer 4) e sua versão baseada em texto, o ChatGPT. Esses modelos de linguagem grande (LLMs) foram treinados em enormes conjuntos de dados, extraídos da Internet. O feedback humano melhora ainda mais seu desempenho por meio do chamado aprendizado por reforço.
Além de produzir uma capacidade geradora impressionante, o vasto conjunto de treinamento fez com que essas redes não se limitassem mais a domínios estreitos e especializados, como seus antecessores, mas agora são generalizadas para abranger qualquer tópico.
Para onde a IA está?
As capacidades dos LLMs levaram a previsões terríveis de que a IA dominaria o mundo. Esse alarmismo é injustificado, na minha opinião. Embora os modelos atuais sejam evidentemente mais poderosos do que seus antecessores, a trajetória permanece firme em direção a uma maior capacidade, confiabilidade e precisão, e não a qualquer forma de consciência.
Como observou o professor Michael Wooldridge em seu depoimento à Câmara dos Lordes do Parlamento do Reino Unido em 2017, “o sonho hollywoodiano de máquinas conscientes não é iminente e, na verdade, não vejo nenhum caminho que nos leve até lá”. Sete anos depois, sua avaliação ainda é verdadeira.
Há muitas aplicações potenciais positivas e empolgantes para a IA, mas uma olhada na história mostra que o aprendizado de máquina não é a única ferramenta. A IA simbólica ainda tem uma função, pois permite a incorporação de fatos conhecidos, compreensão e perspectivas humanas.
Um carro sem motorista, por exemplo, pode receber as regras da estrada em vez de aprendê-las por exemplo. Um sistema de diagnóstico médico pode ser verificado com base no conhecimento médico para fornecer verificação e explicação dos resultados de um sistema de aprendizado de máquina.
O conhecimento social pode ser aplicado para filtrar resultados ofensivos ou tendenciosos. O futuro é promissor e envolverá o uso de uma série de técnicas de IA, incluindo algumas que já existem há muitos anos.
Autor: Adrian Hopgood
Fonte: The Conversation
Artigo original: https://bit.ly/4gd5yCD
