Última atualização: 5 de outubro de 2020

O próximo passo das máquinas inteligentes

Aprendizado automático atual das IAs gerativas de conteúdo

Os modelos gerativos de texto, imagens, vídeos e músicas baseiam-se em mecanismos semelhantes no sentido de que compartilham princípios comuns em sua arquitetura e aprendizado, apesar da diversidade de tipos de dados que processam.

No que diz respeito às IAs gerativas de texto, os modelos de linguagem de grande escala (LLM) são indiscutivelmente aplicações avançadas de aprendizado automático. Os LLM são pré-treinados em grandes quantidades de texto, o que lhes permite aprender as estruturas da linguagem, as relações entre as palavras e os contextos de uso. Em outras palavras, eles são capazes de prever a próxima palavra em uma frase de maneira notavelmente eficaz. Esses modelos são eficazes na geração de textos, tradução automática, chatbots, assistentes virtuais, mas não têm a capacidade de raciocinar para formar ideias ou julgamentos a fim de tomar decisões.

Qual é o futuro das Inteligências Artificiais?

As máquinas do futuro terão que aprender o Mundo Físico da mesma forma que os humanos e os animais. Assim, elas poderiam ser mais eficientes e aproximar-se da inteligência humana.

Os humanos e os animais desenvolvem uma compreensão intuitiva e contextualizada de seu ambiente através da observação e experiência. Eles gradualmente assimilam uma compreensão dos objetos, das forças e das relações causais. Por exemplo, uma criança aprende que os objetos caem quando ela os solta. Sem conhecer os efeitos da gravidade, ela pode adaptar seus comportamentos de acordo.

Ou seja, as máquinas precisarão não apenas detectar objetos, mas também entender seu comportamento em diferentes situações. Isso significa que elas precisarão interpretar dados sensoriais de maneira contextual, como um animal que sabe quando um barulho é ameaçador ou uma comida é apetitosa.

A compreensão do mundo físico permite adquirir uma memória persistente, saber planejar ações, atingir metas, em resumo, raciocinar. Embora os avanços da IA sejam impressionantes, ainda há muitos obstáculos a superar antes de poder falar em Inteligência Humana.

Os modelos em desenvolvimento, baseados na Inferência por Otimização, são uma abordagem promissora para simular a inteligência humana.

O que é a inferência por otimização?

A inferência é um conceito que permite tirar conclusões com base em observações. A inferência desempenha um papel crucial na tomada de decisões, no raciocínio e no aprendizado.

A otimização é encontrar a melhor solução possível para alcançar um objetivo específico. Quando otimizamos, buscamos o melhor compromisso entre diferentes critérios, como velocidade e precisão.

A Inferência por Otimização pode ser observada no desenvolvimento cognitivo das crianças, antes mesmo de começarem a falar. Por exemplo, um bebê que tenta puxar um brinquedo preso a um arco aprende rapidamente que puxar com mais força ou em uma direção diferente pode fazer o brinquedo se mover. A criança otimiza sua técnica observando os resultados de suas ações. A criança memoriza suas experiências anteriores com cada brinquedo e otimiza sua escolha com base no que lhe trouxe mais prazer ou interesse.

Processos de tomada de decisão do cérebro humano

O cérebro humano é frequentemente comparado a um Sistema de Otimização. Ele usa inferência por otimização para raciocinar, atualizando continuamente suas crenças com base em novas observações.

Quando uma pessoa toma uma decisão, ela avalia as diferentes opções disponíveis e tenta maximizar certos critérios, como bem-estar, satisfação ou benefício. Esse processo de tomada de decisão frequentemente envolve a avaliação de riscos e recompensas associados a cada escolha, diante da incerteza. Mas, em muitos casos, o cérebro utiliza heurísticas, atalhos aproximados, que são estratégias mentais ou regras práticas que permitem tomar decisões rapidamente sem a necessidade de uma análise exaustiva de todas as opções.

Assim, os humanos constroem sua compreensão da realidade com base na aprendizagem pela experiência com o modelo do mundo ao seu redor. Os indivíduos ajustam seus comportamentos integrando novos conhecimentos com base no que vivenciaram. Por exemplo, quando uma pessoa prepara uma nova receita, ela ajusta as quantidades de ingredientes com base no sabor obtido em testes anteriores.

A forma como os humanos raciocinam ainda está fora do alcance das IAs, em 2024

A inteligência humana está profundamente ligada a aspectos como emoção, autoconsciência, percepção do mundo e interação social. A forma como os humanos e os animais conseguem compreender seu ambiente, raciocinar com "bom senso" ou planejar ações complexas nos parece natural, mas ainda está fora do alcance da inteligência artificial, em 2024.

Os modelos de IA atuais não têm essa compreensão do mundo físico, o que limita sua capacidade de prever situações futuras. É essencial que as inteligências artificiais aprendam a partir de dados multimodais, entre os quais os vídeos desempenharão um papel crucial. No entanto, isso levanta desafios gigantescos em termos de dados e processamento de informações, mas é uma área de pesquisa em plena expansão, com muitas perspectivas e esperanças para o seu desenvolvimento futuro.

A inteligência geral artificial (AGI) exige uma combinação de dados massivos, aprendizados com interação no mundo real ou em simulações, e avanços em arquiteturas e algoritmos. O caminho para a AGI ainda é longo, mas ao se inspirar nos mecanismos cognitivos do cérebro, é provável que nos sistemas futuros surja uma inteligência comparável à dos humanos.