Preparando-se para a inteligência artificial geral com exemplos.

Imagine um mundo onde as máquinas não se limitam a tarefas pré-programadas, mas operam com autonomia e competência semelhantes às humanas. Um mundo onde mentes de computadores pilotam carros autônomos, mergulham em pesquisas científicas complexas, oferecem atendimento ao cliente e até mesmo exploram o desconhecido.

Esse é o potencial da inteligência artificial geral (AGI), uma tecnologia hipotética que pode estar preparada para revolucionar quase todos os aspectos da vida e do trabalho humanos. Embora a AGI ainda seja teórica, as organizações podem se antecipar à sua chegada ao construir uma infraestrutura de dados robusta e criar um ambiente colaborativo onde seres humanos e IA possam trabalhar juntos sem dificuldades.

A AGI, às vezes chamada de IA forte, é a versão de ficção científica da inteligência artificial (IA), onde a inteligência artificial de máquina alcança aprendizado, percepção e flexibilidade cognitiva de nível humano. Mas, ao contrário dos humanos, as AGIs não têm fadiga nem necessidades biológicas e podem aprender e processar informações constantemente em velocidades inimagináveis. A perspectiva de desenvolver mentes sintéticas capazes de aprender e resolver problemas complexos promete revolucionar e desestabilizar muitos setores, pois a inteligência das máquinas continua a assumir tarefas que antes eram consideradas exclusivas da inteligência e das habilidades cognitivas humanas.

Imagine um carro autônomo pilotado por uma AGI. Ele pode não apenas apanhar um passageiro no aeroporto e navegar por estradas desconhecidas, mas também adaptar sua conversa em tempo real. Pode responder a perguntas sobre a cultura e geografia locais, até mesmo personalizando-as com base nos interesses do passageiro. Pode sugerir um restaurante com base nas preferências e na popularidade atual. Se um passageiro já viajou com ele antes, o AGI pode usar conversas anteriores para personalizar ainda mais a experiência, até mesmo recomendando coisas que da qual ele gostou em uma viagem anterior.

Sistemas de IA como o LaMDA e GPT-3 se destacam na geração de texto com qualidade humana, na realização de tarefas específicas, na tradução de idiomas conforme a necessidade e na criação de diferentes tipos de conteúdo criativo. Embora essas tecnologias de grandes modelos de linguagem (LLM) possam parecer assim às vezes, é importante entender que elas não são as máquinas pensantes prometidas pela ficção científica. 

A realização desses feitos é atingida por meio de uma combinação de algoritmos sofisticados, processamento de linguagem natural (NLP) e princípios de ciência da computação. LLMs como o ChatGPT são treinados em grandes quantidades de dados de texto, o que lhes permite reconhecer padrões e relações estatísticas dentro da linguagem. As técnicas de NLP os ajudam a analisar as nuances da linguagem humana, incluindo gramática, sintaxe e contexto. Usando algoritmos complexos de IA e métodos de ciência da computação, esses sistemas de IA podem gerar textos semelhantes aos humanos, traduzir idiomas com precisão impressionante e produzir conteúdo criativo que imita diferentes estilos.

A IA de hoje, incluindo a IA generativa (IA gen), é frequentemente chamada de IA estreita e se destaca em analisar grandes conjuntos de dados para identificar padrões, aplicar automação aos fluxos de trabalho e gerar texto de qualidade humana. No entanto, esses sistemas carecem de compreensão genuína e não conseguem se adaptar a situações fora de seu treinamento. Essa lacuna destaca a vasta diferença entre a IA atual e o potencial da AGI.

Embora o progresso seja empolgante, o salto de uma IA fraca para uma AGI verdadeira é um desafio considerável. Os pesquisadores estão explorando ativamente a consciência artificial, a resolução de problemas gerais e o raciocínio de senso comum no âmbito das máquinas. Embora o cronograma para desenvolver uma verdadeira AGI permaneça incerto, uma organização pode preparar sua infraestrutura tecnológica para lidar com avanços futuros construindo hoje uma infraestrutura sólida que prioriza os dados. 

A natureza teórica da AGI torna difícil identificar a stack tecnológica exata da qual as organizações precisam. No entanto, se o desenvolvimento da AGI usar blocos de construção semelhantes aos da IA estreita, algumas ferramentas e tecnologias existentes provavelmente serão cruciais para adoção.

A natureza exata da inteligência geral na AGI continua sendo um assunto de debate entre os pesquisadores de IA. Alguns, como Goertzel e Pennachin , sugerem que a AGI possuiria autocompreensão e autocontrole. A Microsoft e a OpenAI afirmaram que os recursos do GPT-4 estão surpreendentemente próximos do desempenho de nível humano. A maioria dos especialistas o categoriza como um modelo de IA poderoso, mas estreito.

Os avanços atuais da IA demonstram recursos impressionantes em áreas específicas. Carros autônomos se destacam na navegação por estradas, e supercomputadores como o IBM Watson,  podem analisar grandes quantidades de dados. De qualquer forma, esses são exemplos de IA estreita. Esses sistemas se destacam em seus domínios específicos, mas não possuem as habilidades gerais de resolução de problemas imaginadas para a AGI.

De qualquer forma, dada a ampla gama de previsões para a chegada da AGI, entre 2030 e 2050 e além, é crucial gerenciar as expectativas e começar a usar o valor das aplicações atuais de IA. Embora os líderes tenham algumas reservas sobre os benefícios da IA atual, as organizações estão investindo ativamente na implementação de IA generativa, aumentando significativamente os orçamentos, expandindo os casos de uso e transferindo projetos da experimentação para produção.

De acordo com Andreessen Horowitz, em 2023, o gasto médio em interfaces de programação de aplicativos de modelos de base, auto-hospedagem e modelos de ajuste fino nas empresas entrevistadas atingiu R$ 7 milhões. Quase todos os entrevistados relataram resultados iniciais promissores de experimentos de IA generativa e planejaram aumentar seus gastos em 2024 para apoiar as cargas de trabalho de produção. Curiosamente, 2024 está testemunhando uma mudança no financiamento por meio de itens de linha de software, com menos líderes alocando orçamentos de fundos de inovação, sugerindo que a IA generativa está rapidamente se tornando uma tecnologia essencial. 

Em menor escala, algumas organizações estão realocando os orçamentos de IA generativa para reduzir o número de funcionários, especialmente no atendimento ao cliente. Uma organização relatou economizar aproximadamente US$ 6 por chamada atendida por seu sistema de atendimento ao cliente impulsionado por LLM, o que se traduz em uma redução de custos de 90%, uma justificativa significativa para o aumento do investimento em IA generativa.

Além da redução de custos, as organizações buscam formas tangíveis de medir o retorno sobre o investimento (ROI) da IA generativa, concentrando-se em fatores como geração de receita, redução de custos, ganhos de eficiência e melhorias de precisão, dependendo do caso de uso. Uma tendência-chave é a adoção de vários modelos em produção. Essa abordagem de vários modelos usa vários modelos de IA juntos para combinar seus pontos fortes e melhorar a produção geral. Essa abordagem também serve para personalizar soluções para casos de uso específicos, evitar o lock-in com fornecedor e aproveitar o rápido avanço na área.

46% dos entrevistados na pesquisa de 2024 mostraram preferência por modelos de código aberto. Embora o custo não tenha sido a principal motivação, ele reflete uma crença crescente de que o valor gerado pela IA generativa supera o preço. Isso ilustra que a mentalidade executiva reconhece cada vez mais que obter uma resposta precisa vale a pena. 

As empresas continuam interessadas em personalizar os modelos, mas com o surgimento de modelos de código aberto de alta qualidade, a maioria opta por não treinar LLMs a partir do zero. Em vez disso, elas estão usando geração aumentada de recuperação ou ajuste fino de modelos de código aberto para suas necessidades específicas.

A maioria (72%) das empresas que usa APIs para acesso a modelos usa modelos hospedados em seus provedores de serviços de nuvem. Além disso, aplicações que não dependem apenas de um LLM para geração de texto, mas que o integram a outras tecnologias para criar uma solução completa e repensar significativamente os fluxos de trabalho empresariais e o uso de dados proprietários, estão apresentando um sólido desempenho no mercado.

A Deloitte explorou o valor da produção criada pela IA generativa entre mais de 2.800 líderes empresariais. Aqui estão algumas áreas em que as organizações estão obtendo ROI:

• Texto (83%): a IA generativa ajuda a automatizar tarefas como elaboração de relatórios, sumarização de documentos e geração de textos de marketing.
• Código (62%): a IA generativa ajuda os desenvolvedores a escrever código de forma mais eficiente e com menos erros.
• Áudio (56%): centrais de atendimento de IA generativa com áudio realista auxilia clientes e funcionários.
• Imagem (55%): a IA generativa pode simular como um produto ficará na casa de um cliente ou reconstruir uma cena de acidente para avaliar os sinistros e a responsabilidade do seguro.
• Outras áreas potenciais: geração de vídeo (36%) e geração de modelos 3D (26%) podem criar materiais de marketing, renderizações virtuais e modelos de produtos.

A lacuna de habilidades no desenvolvimento da IA generativa é um obstáculo significativo. As startups que oferecem ferramentas que simplificam o desenvolvimento interno da IA generativa provavelmente terão uma adoção mais rápida devido à dificuldade de adquirir os talentos certos dentro das empresas.

Embora a AGI prometa uma autonomia de máquina muito além da IA generativa, mesmo os sistemas mais avançados ainda exigem o conhecimento especializado humano para funcionar de forma eficaz. Construir uma equipe interna com habilidades de IA, deep learning, aprendizado de máquina (ML) e ciência de dados é um movimento estratégico. Mais importante ainda, independentemente da força da IA (fraca ou forte), cientistas de dados, engenheiros de IA, cientistas da computação e especialistas em ML são essenciais para desenvolver e implementar esses sistemas.

Essas áreas de uso certamente evoluirão à medida que a tecnologia da IA avançar. No entanto, ao se concentrarem nessas áreas essenciais, as organizações podem se posicionar para usar o poder dos avanços da IA à medida que eles chegam.

Embora a IA tenha obtido avanços significativos nos últimos anos, para alcançar a verdadeira AGI, máquinas com inteligência de nível humano, ainda é necessário superar obstáculos significativos. Aqui estão sete habilidades críticas com as quais a IA atual luta e a AGI precisaria dominar:

1. Percepção visual: embora a visão computacional tenha superado obstáculos significativos em reconhecimento facial e detecção de objetos, ela está muito aquém dos recursos humanos. Os sistemas de IA atuais têm dificuldades com contexto, cores e compreensão de como reagir a objetos parcialmente ocultos. 

• Percepção de áudio: a IA fez progressos no reconhecimento de fala, mas não consegue entender de forma confiável sotaques, sarcasmo e outros tons de fala emocionais. Também tem dificuldade em filtrar ruídos de fundo sem importância e é desafiada a entender expressões não verbais, como soluços, gargalhadas ou mudanças de volume. 

• Habilidades motoras finas: é possível que o software da AGI funcione com hardware de robótica. Nesse caso, a AGI exigiria a capacidade de lidar com objetos frágeis, manipular ferramentas em ambientes do mundo real e ser capaz de se adaptar a novas tarefas físicas rapidamente. 

• Resolução de problemas: a IA fraca se destaca na resolução de problemas específicos e bem definidos, mas a AGI precisaria resolver problemas da mesma maneira que um ser humano, com raciocínio e pensamento crítico. A AGI precisaria lidar com incertezas e tomar decisões com informações incompletas. 

• Navegação: os carros autônomos demonstram habilidades impressionantes, mas a navegação semelhante à humana exige adaptação imediata a ambientes complexos. Os seres humanos podem navegar facilmente por ruas movimentadas, terrenos irregulares e ambientes em constante mudança. 

• Criatividade: embora a IA possa gerar formatos de texto criativos em algum grau, a verdadeira criatividade envolve originalidade e inovação. Criar novas ideias, conceitos ou soluções é uma característica da criatividade humana.

• Envolvimento social e emocional: a inteligência humana está profundamente interligada com nossas habilidades sociais e emocionais. A AGI precisaria reconhecer e entender emoções, incluindo interpretação de expressões faciais, linguagem corporal e tom de voz. Para responder adequadamente às emoções, a AGI precisa ajustar sua comunicação e seu comportamento com base no estado emocional de outras pessoas.

No entanto, após a AGI teórica alcançar o descrito acima para se tornar uma AGI real, suas aplicações potenciais são vastas. Aqui estão alguns exemplos de como a tecnologia AGI pode revolucionar vários setores:

Atendimento ao cliente

Imagine um sistema de atendimento ao cliente impulsionado por AGI. Ele acessaria vastos dados de clientes e os combinaria com análise em tempo real para oferecer um serviço eficiente e personalizado. Ao criar um perfil abrangente do cliente (dados demográficos, experiências passadas, necessidades e hábitos de compra), a AGI pode antecipar problemas, personalizar respostas, sugerir soluções e até prever perguntas de acompanhamento.

Exemplo: imagine a melhor experiência de atendimento ao cliente que você já teve. A AGI pode oferecer isso por meio de um sistema de percepção que prevê possíveis problemas, usa análise de tom para entender melhor o humor do cliente e possui uma memória aguçada que pode lembrar as minúcias mais específicas de resolução de casos. Ao entender as sutilezas da linguagem humana, a AGI pode ter conversas significativas, lidar com problemas complexos e navegar pelas etapas da resolução de problemas. Além disso, sua inteligência emocional permite que adapte a comunicação para ser empática e solidária, criando uma interação mais positiva para o cliente.

Inteligência de programação

Além da análise de código, a AGI compreende a lógica e o propósito das bases de código existentes, sugerindo melhorias e gerando novo código com base em especificações humanas. A AGI pode impulsionar a produtividade, ao fornecer um entendimento rígido da arquitetura, dependências e histórico de mudanças.

Exemplo: ao criar uma funcionalidade de comércio eletrônico, um programador diz à AGI: “Preciso de uma função para calcular os custos de envio com base na localização, peso e método”. A AGI analisa o código relevante, gera uma função de rascunho com comentários que explicam sua lógica e permite que o programador a avalie, otimize e integre.

Navegação, exploração e sistemas autônomos

Os carros autônomos e os sistemas autônomos atuais dependem fortemente de mapas e sensores pré-programados. A AGI não apenas perceberia seu ambiente; ela o compreenderia. Ela pode analisar dados em tempo real de câmeras, LiDAR e outros sensores para identificar objetos, avaliar riscos e prever mudanças ambientais, como eventos climáticos repentinos ou obstáculos inesperados. Ao contrário dos sistemas atuais com opções de resposta limitadas, a AGI pode tomar decisões complexas em tempo real.

Ela pode considerar vários fatores, como fluxo de tráfego, condições climáticas e até mesmo riscos potenciais além do alcance imediato dos sensores. Os sistemas alimentados por AGI não seriam limitados a rotas pré-programadas. Eles poderiam aprender com a experiência, se adaptar a novas situações e até mesmo explorar territórios desconhecidos. Imagine veículos de exploração autônomos navegando em sistemas complexos de cavernas ou drones auxiliando em missões de busca e salvamento em ambientes em constante mudança.

Exemplo: um carro autônomo impulsionado por AGI encontra um engarrafamento inesperado em sua rota habitual. Em vez de seguir rigidamente instruções pré-programadas, a AGI analisa dados de tráfego em tempo real de outros veículos conectados. Em seguida, identifica rotas alternativas, considerando fatores como distância, tempo estimado de viagem e perigos potenciais, como zonas de construção. Por fim, escolhe a rota mais eficiente e segura em tempo real, mantendo os passageiros informados e confortáveis durante toda o percurso.

Setor de saúde

A grande quantidade de dados médicos gerados atualmente permanece praticamente inexplorada. A AGI poderia analisar imagens médicas, registros de pacientes e dados genéticos para identificar padrões sutis que podem escapar da atenção humana. Ao analisar dados históricos e tendências médicas, a AGI pode prever o risco potencial específico de um paciente de desenvolver certas doenças. A AGI também poderia analisar a composição genética e o histórico médico de um paciente para adaptar os planos de tratamento. Essa abordagem personalizada poderia levar a terapias mais eficazes com menos efeitos colaterais.

Exemplo: um paciente se consulta com um médico com sintomas preocupantes. O médico carrega o histórico médico do paciente e os resultados de testes recentes em um sistema de análise médica baseado em AGI. A AGI analisa os dados e identifica uma mutação genética rara ligada a uma doença específica. Essas informações são fundamentais para o médico, pois permitem um diagnóstico mais direcionado e um plano de tratamento personalizado, podendo melhorar os resultados do paciente.

Educação

Imagine um tutor da AGI que não apresenta informações, mas personalize a jornada de aprendizado. A AGI pode analisar o desempenho, o estilo de aprendizagem e as lacunas de conhecimento de um aluno para criar um caminho de aprendizagem personalizado. Não trataria todos os alunos da mesma forma. A AGI pode ajustar o ritmo e a dificuldade do material em tempo real com base na compreensão do aluno. Tendo dificuldade com um conceito? A AGI fornece outras explicações e exemplos. Dominando um tópico? Pode introduzir material mais desafiador. A AGI pode ir além de palestras e livros didáticos. Ela pode criar simulações interativas, exercícios personalizados e até experiências de aprendizado gamificadas para manter os alunos engajados e motivados.

Exemplo: um aluno está enfrentando dificuldades com um conceito complexo de matemática. O tutor da AGI identifica a dificuldade e adapta sua abordagem. Em vez de uma palestra seca, ele apresenta o conceito visualmente com simulações interativas e o divide em etapas menores e mais gerenciáveis. O aluno pratica com exercícios personalizados que atendem às suas lacunas de conhecimento específicas, e a AGI fornece feedback e incentivo durante todo o processo.

Gerenciamento da fabricação e da cadeia de suprimentos

A AGI pode revolucionar a fabricação, otimizando cada etapa do processo. Ao analisar grandes quantidades de dados de sensores em toda a linha de produção para identificar gargalos, a AGI pode recomendar ajustes nas configurações da máquina e otimizar cronogramas de produção em tempo real para máxima eficiência. Analisar dados históricos e leituras de sensores pode ajudar a AGI a prever falhas de equipamentos antes de acontecerem. Essa abordagem proativa evitaria downtimes dispendiosos e ajudaria a garantir uma operação tranquila. Com a AGI gerenciando redes logísticas complexas em tempo real, ela pode otimizar rotas de entrega, prever possíveis atrasos e ajustar os níveis de inventário para ajudar a garantir a entrega no momento certo, minimizando o desperdício e os custos de armazenamento.

Exemplo: imagine que um sistema de AGI monitora uma linha de montagem de uma fábrica. Ele detecta uma leve vibração em uma máquina crítica, indicando possível desgaste. A AGI analisa dados históricos e prevê uma possível falha nas próximas 24 horas. Ela alerta a equipe de manutenção, que pode lidar com o problema de forma proativa antes que interrompa a produção. Isso permite uma operação tranquila e eficiente, evitando um downtime dispendioso.

Serviços financeiros

A AGI pode revolucionar a análise financeira ao ir além dos métodos tradicionais. A AGI pode analisar vastos conjuntos de dados que abrangem notícias financeiras, sentimentos nas redes sociais e até imagens de satélites para identificar tendências de mercado complexas e possíveis interrupções que podem passar despercebidas pelos analistas humanos. Existem startups e instituições financeiras já trabalhando e usando versões limitadas dessas tecnologias.

Ao ser capaz de processar grandes quantidades de dados históricos, a AGI pode criar modelos financeiros ainda mais precisos para avaliar riscos e tomar decisões de investimento mais informadas. A AGI pode desenvolver e executar algoritmos de negociação complexos, que levam em consideração dados de mercado, notícias em tempo real e sentimento nas redes sociais. No entanto, a supervisão humana continuaria sendo crucial para a tomada de decisões final e as considerações éticas.

Exemplo: um fundo de hedge usa um sistema de AGI para analisar os mercados financeiros. A AGI detecta uma mudança sutil no sentimento das redes sociais em relação a um setor específico e identifica uma possível desaceleração. Ela analisa dados históricos e artigos de notícias, confirmando uma possível correção do mercado. Com essas informações, o gestor do fundo pode tomar decisões informadas para ajustar seu portfólio e mitigar riscos.

Pesquisa e desenvolvimento

A AGI pode analisar vastos conjuntos de dados e literatura científica, formular novas hipóteses e projetar experimentos em escala sem precedentes, acelerando avanços científicos em vários campos. Imagine um parceiro científico que possa examinar dados e gerar ideias inovadoras, analisando vastos conjuntos de dados científicos e literatura para identificar padrões e conexões sutis que possam não ser percebidos pelos pesquisadores humanos. Isso poderia levar à formulação de hipóteses e caminhos de pesquisa totalmente novos.

Ao simular sistemas complexos e analisar grandes quantidades de dados, a AGI poderia projetar experimentos sofisticados em uma escala sem precedentes. Isso permitiria aos cientistas testar hipóteses com mais eficiência e explorar fronteiras de pesquisa anteriormente inimagináveis. A AGI pode trabalhar incansavelmente, ajudando pesquisadores a filtrar dados, gerenciar simulações complexas e sugerir novas direções de pesquisa. Essa colaboração aceleraria significativamente o ritmo dos avanços científicos.

Exemplo: uma equipe de astrofísicos está pesquisando a formação de estrelas no universo primordial. A AGI analisa vastos conjuntos de dados de telescópios e simulações. Ela identifica uma correlação anteriormente negligenciada entre a distribuição da matéria escura e a formação de aglomerados de estrelas. Com base nisso, a AGI propõe uma nova hipótese sobre a formação de estrelas e sugere uma série de simulações inovadoras para testar sua validade. Esse conhecimento recém-descoberto abre caminho para uma compreensão mais profunda das origens do universo.

A AGI seria uma tecnologia impactante que transformaria para sempre a forma como setores como o de saúde ou fabricação conduzem os negócios. Grandes empresas de tecnologia e laboratórios de pesquisa estão investindo recursos em seu desenvolvimento, com várias escolas de pensamento enfrentando o desafio de obter uma verdadeira inteligência de nível humano nas máquinas. Aqui estão algumas áreas principais de exploração:

1. IA simbólica: essa abordagem se concentra na construção de sistemas que manipulam símbolos e lógica para representar conhecimento e raciocínio. O objetivo é criar um sistema que possa entender e resolver problemas seguindo regras, semelhantes a como os seres humanos usam a lógica.

• IA conexionista (redes neurais artificiais): essa abordagem é inspirada na estrutura e função do cérebro humano. Ela envolve a criação de redes neurais artificiais com nós interconectados para aprender e processar informações com base em vastos dados.

• Consciência artificial: esse campo se aprofunda na imbuição de máquinas com experiência subjetiva e autoconsciência. É um conceito altamente teórico, mas pode ser um componente-chave da verdadeira inteligência.

• Emulação de todo o cérebro: essa abordagem ambiciosa visa criar uma simulação computacional detalhada de um cérebro biológico. A teoria é que a consciência e a inteligência podem surgir na simulação ao copiar a estrutura e a função do cérebro humano.

• IA incorporada e cognição incorporada: essa abordagem se concentra no papel do corpo físico de um agente e sua interação com o ambiente na formação da inteligência. A ideia é que a verdadeira inteligência requer que um agente tenha experiência e aprenda com o mundo por meio de um corpo físico.

O campo de pesquisa da AGI está em constante evolução. Essas são apenas algumas das abordagens que foram exploradas. Provavelmente, uma combinação dessas técnicas ou abordagens totalmente novas acabará levando à realização da AGI.

A AGI pode ainda ser ficção científica, mas as organizações podem se preparar para o futuro construindo uma estratégia de IA para os negócios com o IBM watsonx, um portfólio de produtos de IA que acelera o impacto da IA generativa nos fluxos de trabalho essenciais para aumentar a produtividade. Treine, valide, ajuste e implemente modelos de IA para ajudar a escalar e acelerar o impacto da IA com dados confiáveis em toda a sua empresa.