O futuro da IA: tendências que moldam os próximos 10 anos

Desde o início, a IA generativa (gen AI) tem evoluído. Já vimos desenvolvedores como OpenAI e Meta migrar de modelos grandes para incluir modelos menores e mais baratos, aprimorando modelos de IA para fazer o mesmo ou mais com menos. A engenharia de prompts está mudando à medida que modelos como o ChatGPT ficam mais inteligentes e mais capazes de entender as nuances da linguagem humana. Como os LLMs são treinados em informações mais específicas, podem apresentar conhecimento profundo para setores especializados, tornando-se agentes sempre disponíveis para ajudar a concluir tarefas.

A IA não é uma tecnologia passageira. Não é uma moda. Mais de 60 países já desenvolveram estratégias nacionais de IA para desfrutar dos benefícios dessa tecnologia enquanto mitigam riscos. Isso implica em investimentos substanciais em pesquisa e desenvolvimento, revisão e adaptação de padrões políticos e regulamentares relevantes, além de garantir que a tecnologia não desestabilize o mercado de trabalho justo nem prejudique a cooperação internacional.

Está cada vez mais fácil para humanos e máquinas se comunicarem, possibilitando que os usuários de IA façam mais com mais proficiência. A IA está projetada para adicionar R$ 4,4 trilhões à economia global por meio de exploração e otimização contínuas.

Entre hoje e 2034, a IA será parte integrante de diversos aspectos de nossas vidas pessoais e profissionais. Modelos de IA generativa, como o GPT-4, mostraram-se imensamente promissores no curto período em que estiveram disponíveis para consumo público, mas suas limitações também se tornaram bem conhecidas. Consequentemente, o futuro da IA está sendo definido por uma mudança em direção a modelos de larga escala de código aberto para experimentação e ao desenvolvimento de modelos menores e mais eficientes para estimular a facilidade de uso e facilitar um custo menor.

Iniciativas como o Llama 3.1, modelo de IA de código aberto com 400 bilhões de parâmetros, e o Mistral Large 2, lançado para fins de pesquisa, ilustram a tendência de promover a colaboração da comunidade em projetos de IA, mantendo os direitos comerciais. O crescente interesse em modelos menores levou à criação de modelos como o mini GPT 4o-mini de 11 bilhões de parâmetros, que é rápido e econômico. Não vai demorar muito até que haja um modelo adequado para incorporação em dispositivos como smartphones, especialmente porque o custo continua diminuindo.

Esse movimento reflete uma transição de modelos exclusivamente grandes e fechados para soluções de IA mais acessíveis e versáteis. Embora modelos menores ofereçam acessibilidade e eficiência, permanece uma demanda pública por sistemas de IA mais poderosos, indicando que provavelmente haverá uma abordagem equilibrada no desenvolvimento de IA para priorizar tanto a escalabilidade quanto a acessibilidade. Esses novos modelos entregam maior precisão com menos recursos, tornando-os ideais para empresas que precisam de criação de conteúdo sob medida ou capacidades avançadas de resolução de problemas.

A IA influenciou o desenvolvimento de várias tecnologias centrais. A IA desempenha um papel fundamental no avanço da visão computacional, possibilitando uma análise de imagem e vídeo mais precisa, essencial para tecnologias como veículos autônomos e diagnósticos médicos. No processamento de linguagem natural (PLN), a IA aprimora a capacidade das máquinas de compreender e gerar linguagem humana, melhorando as interfaces de comunicação e possibilitando ferramentas de tradução e análise de sentimentos mais sofisticadas.

A IA potencializa a análise preditiva e de big data processando e interpretando grandes volumes de dados para prever tendências e orientar decisões. Na robótica, o desenvolvimento de máquinas mais autônomas e adaptáveis simplifica tarefas como montagem, exploração e entrega de serviços. Além disso, as inovações orientadas por IA na Internet das Coisas (IoT) aprimoram a conectividade e a inteligência dos dispositivos, levando a casas, cidades e sistemas industriais mais inteligentes.

Veja a seguir alguns dos avanços em IA que podemos ver em dez anos:

O inexperiente campo da IA multimodal será exaustivamente testado e refinado até 2034. A IA unimodal concentra-se em um único tipo de dados, como PLN ou visão computacional. Por outro lado, a IA multimodal assemelha-se mais à forma como os humanos se comunicam entendendo dados por meio de recursos visuais, voz, expressões faciais e inflexões falantes. Essa tecnologia integrará texto, voz, imagens, vídeos e outros dados para criar interações mais intuitivas entre humanos e sistemas de computador. Ela tem o potencial de alimentar assistentes virtuais avançados e chatbots que entendem consultas complexas e podem gerar texto personalizado, recursos visuais ou tutoriais em vídeo em resposta.

A IA ficará ainda mais integrada nas esferas pessoais e profissionais, impulsionada por plataformas amigáveis que possibilitam que não especialistas utilizem IA para negócios, tarefas individuais, pesquisa e projetos criativos. Essas plataformas, semelhantes aos construtores de sites atuais, permitirão que empreendedores, educadores e pequenas empresas desenvolvam soluções de IA personalizadas sem a necessidade de expertise técnica avançada.

A IA e os microsserviços orientados por API permitirão que as empresas integrem funções avançadas de IA em seus sistemas existentes de forma modular. Essa abordagem acelerará o desenvolvimento de aplicações personalizadas sem a necessidade de ampla experiência em IA.

Para as empresas, a criação mais fácil de modelos significa ciclos de inovação mais rápidos, com ferramentas de IA personalizadas para cada função de negócios. Plataformas no-code e de pouco código permitirão que usuários não técnicos criem modelos de IA utilizando componentes de arrastar e soltar, módulos plug-and-play ou fluxos de trabalho guiados. Como muitas dessas plataformas serão baseadas em LLM, os usuários também podem consultar modelos de IA utilizando prompts.

As plataformas Auto-ML estão melhorando rápido, automatizando tarefas como processamento prévio de dados, seleção de características e ajuste de hiperparâmetros. Durante a próxima década, o Auto-ML ficará ainda mais fácil de usar e acessível, possibilitando que as pessoas criem modelos de IA de alto desempenho com rapidez, sem necessidade de conhecimento especializado. Os serviços de IA baseados na nuvem também darão às empresas modelos de IA predefinidos que poderão ser personalizados, integrados e escalados conforme a necessidade.

Para os entusiastas, ferramentas de IA acessíveis impulsionarão uma nova onda de inovação individual, possibilitando o desenvolvimento de aplicações de IA para projetos pessoais ou negócios paralelos.

O desenvolvimento de código aberto pode promover transparência, enquanto uma governança cuidadosa e diretrizes éticas podem ajudar a manter padrões elevados de segurança e construir confiança em processos impulsionados por IA. O auge dessa acessibilidade pode ser um assistente virtual multimodal totalmente controlado por voz, capaz de criar ativos visuais, textuais, de áudio ou vídeo sob demanda.

Embora altamente especulativo, se um sistema de inteligência geral artificial (AGI) surgir até 2034, poderemos presenciar o advento de sistemas de IA que possam gerar, organizar e refinar autonomamente seus próprios conjuntos de dados de treinamento, possibilitando autoaperfeiçoamento e adaptação sem intervenção humana.

À medida que a IA generativa se torna mais centralizada nas organizações, as empresas podem começar a oferecer seguro contra "alucinações de IA ". Apesar do treinamento extensivo, os modelos de IA podem produzir resultados incorretos ou enganosos. Esses erros geralmente decorrem de dados de treinamento insuficientes, suposições incorretas ou vieses nos dados de treinamento.

Esse seguro protegeria instituições financeiras, a indústria médica, a indústria jurídica e outras contra saídas inesperadas, imprecisas ou prejudiciais de IA. As seguradoras poderiam cobrir riscos financeiros e e reputação associados a esses erros de maneira semelhante ao que fazem com fraudes financeiras e vazamentos de dados.

A tomada de decisões e o modelo preditivo da IA avançarão a ponto de os sistemas de IA funcionarem como parceiros estratégicos de negócios, ajudando executivos a tomar decisões informadas e automatizar tarefas complexas. Esses sistemas de IA integrarão análise de dados em tempo real, consciência contextual e insights personalizados para oferecer recomendações sob medida, como planejamento financeiro e estratégias de alcance ao cliente, alinhadas aos objetivos de negócios.

A PLN aprimorada permite que a IA participe de conversas com a liderança, oferecendo conselhos com base em modelagem preditiva e planejamento de cenários. As empresas vão recorrer à IA para simular resultados potenciais, gerenciar a colaboração entre departamentos e ajustar estratégias a partir de aprendizado contínuo. Esses parceiros de IA permitirão que pequenas empresas cresçam mais rápido e funcionem com eficiências semelhantes às de grandes corporações.

Quantum AI, com as propriedades únicas dos qubits, pode quebrar as limitações da IA clássica ao resolver problemas antes insolúveis devido a restrições computacionais. Simulações complexas de materiais, ampla otimização da cadeia de suprimentos e conjuntos de dados exponencialmente maiores podem tornar-se viáveis em tempo real. Isso pode transformar campos de pesquisa científica, onde a IA ampliará os limites da descoberta em física, biologia e ciência climática ao modelar cenários que levariam milênios para serem processados por computadores clássicos.

Um grande obstáculo para avanço da IA tem sido o enorme tempo, energia e custo envolvidos no treinamento de modelos massivos, como grandes modelos de linguagem (LLMs) e neural networks. As exigências atuais de hardware estão se aproximando dos limites da infraestrutura de computação convencional e por isso a inovação se concentrará na melhoria do hardware ou na criação de arquiteturas totalmente novas. A computação quântica oferece um caminho promissor para a inovação em IA, pois pode reduzir drasticamente o tempo e os recursos necessários para treinar e executar grandes modelos de IA.

Os modelos bitnet utilizam parâmetros ternários, sistema de base-3 com 3 dígitos para representar informações. Esse método aborda o problema energético permitindo que a IA processe informações de maneira mais eficiente, baseando-se em múltiplos estados em vez de dados binários (0 e 1). Isso pode resultar em cálculos mais rápidos com menor consumo de energia.

Startups apoiadas pela Y Combinator e outras empresas estão investindo em hardware de silício especializado voltado para modelos bitnet, o que pode acelerar consideravelmente os tempos de treinamento de IA e reduzir os custos operacionais. Essa tendência sugere que sistemas de IA futuros combinarão computação quântica, modelos bitnet e hardware especializado para superar os limites computacionais.

As regulamentações e padrões éticos da IA terão que avançar consideravelmente para a onipresença da IA tornar-se uma realidade. Impulsionado por frameworks como a Lei de IA da UE, um desenvolvimento fundamental será a criação de sistemas rigorosos de gestão de riscos, classificando a IA em níveis de risco e impondo requisitos mais rigorosos para a IA de alto risco. Os modelos de IA, especialmente os generativos e de grande escala, podem precisar atender a padrões de transparência, robustez e cibersegurança. Esses frameworks provavelmente se expandirão globalmente, seguindo a Lei de IA da UE, que define padrões para os setores de saúde, finanças e infraestrutura crítica.

Considerações éticas moldarão as regulamentações, incluindo a proibição de sistemas que apresentam riscos inaceitáveis, como pontuação social e identificação biométrica remota em espaços públicos. Os sistemas de IA terão que incluir supervisão humana, proteger direitos fundamentais, lidar com questões como viés e imparcialidade e garantir uma implementação responsável.

A IA que antecipa proativamente as necessidades e toma decisões de forma autônoma provavelmente será parte essencial da vida pessoal e empresarial. A IA agêntica se refere a sistemas compostos por agentes especializados que operam de forma independente, cada um lidando com tarefas específicas. Esses agentes interagem com dados, sistemas e pessoas para concluir fluxos de trabalho de várias etapas, possibilitando que as empresas automatizem processos complexos, como suporte ao cliente ou diagnóstico de rede. Ao contrário dos grandes modelos monolíticos de linguagem (LLMs), a IA agêntica se adapta a ambientes em tempo real, utilizando algoritmos de tomada de decisão mais simples e ciclos de feedback para aprender e melhorar.

Uma das principais vantagens da IA agêntica é a divisão do trabalho entre o LLM, que lida com tarefas gerais, e os agentes específicos do domínio, que apresentam conhecimento profundo. Essa divisão ajuda a atenuar as limitações do LLM. Por exemplo, em uma empresa de telecomunicações, um LLM pode categorizar uma consulta do cliente, enquanto agentes especializados recuperam informações da conta, diagnosticam problemas e formulam uma solução em tempo real.

Até 2034, esses sistemas de IA agêntica podem se tornar fundamentais para gerenciar tudo, desde fluxos de trabalho empresariais até casas inteligentes. Sua capacidade de antecipar necessidades, tomar decisões e aprender com o ambiente de forma autônoma pode torná-los mais eficientes e econômicos, complementando os recursos gerais dos LLMs e aumentando a acessibilidade da IA em todos os setores.

À medida que os dados gerados por humanos se tornam escassos, as empresas já estão migrando para dados sintéticos, que são conjuntos de dados artificiais que imitam padrões do mundo real sem as mesmas limitações de recursos ou preocupações éticas. Essa abordagem se tornará o padrão para o treinamento de IA, aprimorando a precisão do modelo e promovendo a diversidade de dados. Os dados de treinamento de IA incluirão imagens de satélite, dados biométricos, registros de áudio e dados de sensores de IoT.

A ascensão de modelos personalizados será uma tendência fundamental em IA, com organizações utilizando conjuntos de dados proprietários para treinar IA adaptada às suas necessidades específicas. Esses modelos, projetados para geração de conteúdo, interação com clientes e otimização de processos, podem superar os LLMs de uso geral ao se alinharem estreitamente aos dados e contextos exclusivos da organização. As empresas investirão na garantia da qualidade dos dados para que tanto dados reais quanto sintéticos atendam a altos padrões de confiabilidade, precisão e diversidade, mantendo o desempenho da IA e a robustez ética.

O desafio da "IA sombra" (ferramentas de IA não autorizadas utilizadas por funcionários) levará as organizações a implementar uma governança de dados mais rigorosa, garantindo que somente sistemas de IA aprovados acessem dados sensíveis e proprietários.

A IA continua se desenvolvendo e várias ideias ambiciosas, conhecidas como "moonshot", estão surgindo para abordar as limitações atuais e expandir os limites do que a inteligência artificial pode alcançar. Um desses casos é a computação pós-Moore¹, que visa ir além da arquitetura von Neumann tradicional como GPUs e TPUs, que estão próximos de seus limites físicos e práticos.

Com os modelos de IA cada vez mais complexos e com uso cada vez mais intensivo de dados, são necessários novos paradigmas de computação. Inovações na computação neuromórfica², que imita a estrutura neural do cérebro humano, estão na vanguarda dessa transição. Além disso, a computação óptica³, que utiliza luz em vez de sinais elétricos para processar informações, oferece caminhos promissores para aprimorar a eficiência computacional e a escalabilidade.

Outro moonshot considerável é o desenvolvimento de uma Internet distribuída de IA⁴, ou IA federada, que prevê uma infraestrutura de IA distribuída e descentralizada. Diferentemente dos modelos tradicionais de IA centralizada que dependem de grandes data centers, a IA federada opera em vários dispositivos e locais, processando dados localmente para aumentar a privacidade e reduzir a latência.

Permitindo que smartphones, dispositivos IoT e nós de computação de edge colaborem e compartilhem insights sem transmitir dados brutos, a IA federada promove um ecossistema de IA mais seguro e escalável. As pesquisas atuais se concentram no desenvolvimento de algoritmos e protocolos eficientes para colaboração sem dificuldades entre modelos distribuídos, facilitando o aprendizado em tempo real enquanto mantêm altos padrões de integridade e privacidade de dados.

Outra área crucial de experimentação lida com as limitações inerentes ao mecanismo de atenção da arquitetura de transformação⁵. Os transformadores dependem de um mecanismo de atenção com uma janela de contexto para processar partes relevantes dos dados de entrada, como tokens anteriores em uma conversa. No entanto, à medida que a janela de contexto se expande para incorporar mais dados históricos, a complexidade computacional aumenta quadraticamente, tornando-a ineficiente e cara.

Para superar esse desafio, pesquisadores estão investigando abordagens como a linearização do mecanismo de atenção ou a adoção de técnicas de janela mais eficientes, possibilitando que transformers lidem com janelas de contexto maiores sem o aumento exponencial do uso de recursos computacionais. Esse progresso possibilitaria que os modelos de IA compreendessem melhor e incorporassem interações passadas em grande escala, levando a respostas mais coerentes e adequadas ao contexto.

Imagine começar o dia em 2034. Um assistente inteligente controlado por voz, conectado a cada aspecto da sua vida, dá as boas-vindas com o cardápio familiar da semana, adequado às preferências de todos. Ele vai informar a situação atual da sua despensa, fazendo o pedido de mantimentos quando necessário. Seu trajeto ao trabalho se torna automático, pois seu chofer virtual seleciona a rota mais eficiente, ajustando-se ao tráfego e às condições climáticas em tempo real.

No trabalho, um parceiro de IA filtra tarefas diárias e apresenta insights com práticas, ajuda com tarefas rotineiras e atua como um banco de dados de conhecimento dinâmico e proativo. No nível pessoal, a tecnologia integrada de IA pode criar entretenimento personalizado, gerando histórias, música ou artes visuais personalizadas de acordo com seus gostos. Se você quiser aprender algo, a IA pode apresentar tutoriais em vídeo adaptados ao seu estilo de aprendizado, integrando texto, imagens e voz.

À medida que a adoção da IA se espalha e a tecnologia evoluir, seu impacto nas operações globais será enorme. Veja a seguir algumas das principais implicações da tecnologia avançada de IA:

A IA terá um papel duplo na ação climática contribuindo simultaneamente para o aumento da demanda energética e servindo como ferramenta de mitigação. Os recursos computacionais necessários para treinar e implementar grandes modelos de IA aumentam consideravelmente o consumo de energia, exacerbando as emissões de carbono se as fontes de energia não forem sustentáveis. Por outro lado, a IA pode melhorar as iniciativas climáticas ao otimizar o uso de energia em diversos setores, aprimorar modelos e previsões climáticas e possibilitar soluções inovadoras para energia renovável, captura de carbono e monitoramento ambiental.

Na manufatura, os robôs impulsionados por IA podem executar tarefas complexas de montagem com precisão, aumentando as taxas de produção e reduzindo os defeitos. Na área da saúde, as ferramentas de diagnóstico automatizado ajudam os médicos a identificar doenças com mais precisão e rapidez. A automação de processos orientada por IA e o aprendizado de máquina em finanças, logística e experiência do cliente podem agilizar as operações, reduzir custos e melhorar a qualidade do serviço. Executando tarefas repetitivas, a IA possibilita que os trabalhadores humanos se concentrem em empreendimentos estratégicos e criativos, promovendo inovação e produtividade.

A ascensão da automação impulsionada por IA inevitavelmente levará à substituição de empregos, particularmente em setores que dependem fortemente de tarefas repetitivas e manuais. Funções como entrada de dados, trabalho em linhas de montagem e atendimento ao cliente de rotina podem sofrer reduções consideráveis enquanto máquinas e algoritmos assumem essas funções. No entanto, isso também criará oportunidades em desenvolvimento de IA, análise de dados e cibersegurança. A demanda por habilidades de manutenção, supervisão e governança ética de IA crescerá, proporcionando caminhos para a requalificação da força de trabalho.

A IA generativa facilitou a criação de deepfakes (áudio, vídeo e imagens realistas, mas falsos) utilizados para disseminar informações falsas e manipular a opinião pública. Isso representa desafios para a integridade da informação e a confiança na mídia. O enfrentamento dessa questão exige ferramentas avançadas de detecção, educação pública e possivelmente medidas legais para responsabilizar os criadores de deepfakes maliciosos.

As pessoas antropomorfizam a IA, formando vínculos emocionais e dinâmicas sociais complexas, como visto no Efeito ELIZA⁶ e outros companheiros de IA. Na próxima década, esses relacionamentos podem se tornar mais profundos, levantando questões psicológicas e éticas. A sociedade deve promover interações saudáveis com máquinas cada vez mais semelhantes a humanos e ajudar os indivíduos a discernir entre interações humanas genuínas e aquelas orientadas por IA.

À medida que o conteúdo gerado por IA domina a internet (estimado em cerca de 50% do material online), a disponibilidade de dados gerados por humanos diminui. Pesquisadores preveem que até 2026 os dados públicos para treinar grandes modelos de IA poderão se esgotar. Para resolver isso, a comunidade de IA está explorando a geração de dados sintéticos e novas fontes de dados, como dispositivos IoT e simulações, para diversificar os inputs de treinamento da IA. Essas estratégias são essenciais para sustentar os avanços em IA e garantir que os modelos continuem eficazes em um cenário digital cada vez mais saturado de dados.

Com o avanço da IA e o aumento do foco em modelos mais acessíveis, capazes de oferecer soluções sob medida para pessoas e organizações, a confiança e a segurança precisam ser mantidas como prioridades.

O watsonx.ai da IBM é um portfólio de produtos de IA para desenvolver, implementar e gerenciar soluções de IA que se alinham às tendências atuais em direção a ferramentas de IA mais seguras, acessíveis e versáteis.

O watsonx.ai integra recursos avançados de IA com a flexibilidade necessária para apoiar empresas de todos os setores, ajudando a garantir que elas aproveitem o poder da IA para um impacto real e não apenas para estarem na tendência. Priorizando facilidade de uso e eficiência, o watsonx.ai está preparado para se tornar um ativo indispensável para quem pretende usar IA na próxima década.