A IA fraca, também chamada de Narrow AI ou Artificial Narrow Intelligence (ANI), é treinada e concentrada na IA para a execução de tarefas específicas. A IA fraca impulsiona a maior parte da IA que nos cerca hoje. 'Narrow' (estreito) pode ser uma descrição mais precisa para esse tipo de IA, pois é tudo menos fraco; ela permite a criação de alguns aplicativos muito robustos, como o Siri da Apple, o Alexa da Amazon, o IBM Watson e veículos autônomos.

A IA forte é composta por Inteligência Artificial Geral (AGI) e Superinteligência Artificial (ASI). Inteligência geral artificial (AGI), ou IA geral, é uma forma teórica de IA onde uma máquina teria uma inteligência igual à dos humanos; ela teria uma consciência de autoconhecimento capaz de resolver problemas, aprender e planejar para o futuro. A Superinteligência artificial (ASI), também conhecida como superinteligência, superaria a inteligência e a capacidade do cérebro humano. Embora a IA forte ainda seja inteiramente teórica, sem exemplos práticos em uso atualmente, isso não significa que os pesquisadores de IA também não estejam explorando seu desenvolvimento. Enquanto isso, os melhores exemplos de ASI podem vir da ficção científica, como HAL, o assistente de computador super-humano e rebelado de 2001: Uma Odisseia no Espaço.

Como o deep learning e o aprendizado de máquina tendem a ser usados de forma intercambiável, vale a pena observar as nuances entre os dois. Conforme mencionado acima, tanto o deep learning quanto o aprendizado de máquina são subcampos da inteligência artificial, e o deep learning é, na verdade, um subcampo do aprendizado de máquina.

O deep learning é, na verdade, composto por redes neurais. O "Deep" (profundo) do deep learning refere-se a uma rede neural composta por mais de três camadas, que conteria as entradas e a saída, que pode ser considerada um algoritmo de deep learning. Isso geralmente é representado pelo diagrama abaixo.

A forma como o deep learning e o aprendizado de máquina diferem está na maneira como cada algoritmo aprende. O deep learning automatiza grande parte da parte de extração de recursos do processo, eliminando parte da intervenção humana manual necessária e permitindo o uso de conjuntos de dados maiores. Você pode pensar no deep learning como "aprendizado de máquina escalável" como observou Lex Fridman na mesma palestra do MIT acima. O aprendizado de máquina clássico, ou “não profundo”, depende mais da intervenção humana para aprender. Especialistas humanos determinam a hierarquia dos recursos para entender as diferenças entre as entradas de dados, geralmente exigindo dados mais estruturados para aprender.

O aprendizado de máquina "profundo" pode aproveitar conjuntos de dados rotulados, também conhecidos como aprendizado supervisionado, para informar seu algoritmo, mas não exige necessariamente um conjunto de dados rotulado. É capaz de ingerir dados não estruturados em sua forma bruta (como texto e imagens) e pode determinar automaticamente a hierarquia dos recursos que distinguem diferentes categorias de dados umas das outras. Diferentemente do aprendizado de máquina, não exige intervenção humana para processar dados, o que nos permite dimensionar o aprendizado de máquina de maneiras mais interessantes.

IA generativa refere-se a modelos de deep learning capazes de obter dados brutos, digamos, toda a Wikipedia ou as obras coletadas de Rembrandt, e “aprender” a gerar resultados estatisticamente prováveis quando solicitado. Em um nível elevado, os modelos generativos codificam uma
representação simplificada dos seus dados de treinamento e os extraem para criar um novo trabalho semelhante,
mas não idêntico aos dados originais.

Os modelos generativos têm sido utilizados há anos em estatísticas para analisar dados numéricos. O surgimento do deep learning, no entanto, tornou possível estendê-los a imagens, voz e outros tipos de dados complexos. Entre os modelos da primeira classe a alcançar esse feito cruzado estavam os autoencoders variacionais, ou VAEs, introduzidos em 2013. Os VAEs foram os primeiros modelos de deep learning a serem amplamente usados para gerar imagens e voz realistas.

Os VAEs abriram as comportas da represa da modelagem generativa profunda, facilitando
o uso de modelos em escala", afirma Akash Srivastava, especialista em IA generativa do Laboratório de IA MIT-IBM Watson.
”Grande parte do que consideramos como IA generativa hoje começou aqui”.

Exemplos iniciais de modelos, como GPT-3, BERT ou DALL-E 2, mostraram as possibilidades. O futuro são modelos treinados em um amplo conjunto de dados não rotulados que podem ser usados em diversas tarefas, com ajuste fino mínimo. Sistemas que executam tarefas específicas em um único domínio estão dando lugar a uma ampla IA que aprende de forma mais geral e funciona em todos os domínios e problemas. Modelos básicos, treinados em grandes conjuntos de dados não identificados e ajustados para uma variedade de aplicações, estão impulsionando essa mudança.

Quando se trata de IA generativa, prevê-se que os modelos de base vão acelerar
drasticamente a adoção da IA nas empresas. A redução dos requisitos de rotulagem tornará muito
mais fácil para as empresas mergulharem de cabeça e a automação altamente precisa e eficiente orientada por IA que possibilitam significará que muito mais empresas poderão implantar IA em uma variedade maior de situações de missão crítica. Para a IBM, a esperança é que o poder dos modelos básicos possa acabar sendo levado a todas as empresas em um ambiente de nuvem híbrida sem atrito.

Atualmente, há inúmeras aplicações reais de sistemas de IA. Abaixo estão alguns dos casos de uso mais comuns:

• Reconhecimento de voz: também conhecido como reconhecimento automático de voz (ASR), reconhecimento de voz por computador, ou voz-para-texto, é um recurso que usa processamento de linguagem natural (PNL) para processar a voz humana no formato escrito. Muitos dispositivos móveis incorporam reconhecimento de voz em seus sistemas para realizar pesquisas por voz, como o Siri, ou oferecem mais acessibilidade no envio mensagens de texto. 
• Atendimento ao cliente:  Os agentes virtuais on-line estão substituindo os agentes humanos na jornada do cliente. Respondem a perguntas frequentes (FAQs) sobre assuntos como envio, ou fornecem orientação personalizada, fazem vendas cruzadas de produtos ou oferecem sugestões de tamanhos para os usuários, mudando nossa forma de encarar o envolvimento do cliente em sites e plataformas de redes sociais. Alguns exemplos são bots de mensagens em sites de comércio eletrônico com agentes virtuais, aplicativos de mensagens, como o Slack e o Facebook Messenger e tarefas normalmente realizadas por assistentes virtuais e assistentes de voz.
• Computer Vision: essa tecnologia de IA permite que computadores e sistemas colham informações significativas de imagens digitais, vídeos e outras entradas visuais e, com base nessas entradas, podem agir. Essa capacidade de apresentar recomendações a distingue das tarefas de reconhecimento de imagem. Alimentada por redes neurais convolucionais, a Computer Vision tem aplicações em aplicação de etiquetas em fotos em redes sociais, imagens de radiologia na área da saúde e carros autônomos na indústria automotiva.  
• Mecanismos de recomendação: utilizando dados de comportamento de consumo passados, os algoritmos de IA podem ajudar a descobrir tendências de dados que podem ser usadas para desenvolver estratégias de venda cruzada mais eficazes. É utilizado para fazer recomendações complementares relevantes aos clientes durante o processo de checkout para varejistas on-line.
• Negociação automatizada de ações: projetada para otimizar carteiras de ações, as plataformas de negociação de alta frequência orientadas por IA realizam milhares ou até milhões de negociações por dia sem intervenção humana.

A ideia da "máquina que pensa" remonta à Grécia antiga. Mas desde o advento da computação eletrônica (e em relação a alguns dos tópicos discutidos neste artigo) eventos e marcos importantes na evolução da inteligência artificial incluem o seguinte:

• 1950: Alan Turing publica Computing Machinery and Intelligence. No artigo, Turing, famoso por quebrar o código ENIGMA dos nazistas durante a Segunda Guerra Mundial, propõe responder à pergunta "as máquinas pensam?" e apresenta o Teste de Turing para determinar se um computador pode demonstrar a mesma inteligência (ou os resultados da mesma inteligência) que um ser humano. O valor do teste de Turing tem sido debatido desde então.

• 1956: John McCarthy cunhou o termo "inteligência artificial" na primeira conferência de IA no Dartmouth College. (McCarthy inventaria a língua Lisp.) Mais tarde naquele ano, Allen Newell, J.C. Shaw e Herbert Simon criaram o Logic Theorist, o primeiro programa de software de IA em execução.

• 1967: Frank Rosenblatt constrói o Mark 1 Perceptron, o primeiro computador baseado em uma rede neural que “aprendeu” por tentativa e erro. Apenas um ano depois, Marvin Minsky e Seymour Papert publicam um livro intitulado Perceptrons, que se torna um trabalho marcante sobre redes neurais e, pelo menos por um tempo, um argumento contra futuros projetos de pesquisa de redes neurais.

• Década de 1980: redes neurais que usam um algoritmo de propagação retroativa para treinar a si mesmo tornam-se amplamente utilizadas em aplicações de IA.

• 1997: Deep Blue da IBM vence o então campeão mundial de xadrez Garry Kasparov, em uma partida de xadrez (e revanche).

• 2011: o IBM Watson derrota os campeões Ken Jennings e Brad Rutter no Jeopardy!

• 2015: O supercomputador Minwa da Baidu utiliza um tipo especial de rede neural profunda chamada rede neural convolucional para identificar e categorizar imagens com uma taxa de precisão maior do que a de um ser humano comum.

• 2016: O programa AlphaGo da DeepMind, alimentado por uma rede neural profunda, vence Lee Sodol, o campeão mundial de Go, em uma partida de cinco jogos. A vitória é significativa dado o grande número de movimentos possíveis no jogo (mais de 14,5 trilhões após apenas quatro movimentos!). Mais tarde, o Google comprou a DeepMind por US$ 400 milhões.

• 2023: o aumento de grandes modelos de linguagem, ou LLMs, como o ChatGPT, criará uma
  uma enorme mudança no desempenho da IA e seu potencial para gerar valor empresarial.
  Com essas novas práticas de IA generativa, os modelos de deep learning podem ser treinados previamente em
  grandes quantidades de dados brutos e não rotulados.