A  inteligência artificial (IA) forte, conhecida como inteligência artificial geral (AGI) ou IA geral, é uma forma teórica de IA usada para descrever uma parte da mentalidade do desenvolvimento de IA. Se os pesquisadores conseguirem desenvolver uma IA forte, a máquina exigiria uma inteligência igual a dos humanos, teria uma consciência própria com capacidade de resolver problemas, descobrir e planejar para o futuro.

A IA forte tem o propósito de criar máquinas inteligentes que não se distinguem da  mente humana. Porém, como uma criança, a máquina de IA teria que descobrir por meio de input e experiências, progredindo constantemente e aprimorando suas habilidades ao longo do tempo.

Enquanto os  pesquisadores de IA acadêmicos e do setor privado estão investindo na criação de inteligência artificial geral (AGI), ela existe hoje somente como um conceito e não como uma realidade tangível. Enquanto algumas pessoas, como Marvin Minsky, foram citados como sendo excessivamente otimistas sobre o que poderíamos realizar em algumas décadas no campo da IA, outros diriam que os sistemas de IA forte não podem nem ser desenvolvidos. Até que as métricas de sucesso, como inteligência e compreensão, sejam explicitamente definidas, eles estão corretos em acreditar nisso. Por enquanto, muitos usam o teste de Turing para avaliar a inteligência de um sistema de IA.

Teste de Turing

Alan Turing  desenvolveu o Teste de Turing  em 1950 e o apresentou em seu artigo, "Máquinas de computação e inteligência" (PDF, 566 KB) (link externo a IBM). Originalmente conhecido como Jogo da Imitação, o teste avalia se o comportamento de uma máquina pode ser diferenciado de um humano. Neste teste, existe uma pessoa conhecida como o "interrogador" que procura identificar uma diferença entre outputs gerados por computador e daqueles gerados por humanos através de uma série de perguntas. Se o interrogador não conseguir discernir de forma confiável as máquinas dos humanos, a máquina passa no teste. Porém, se o avaliador conseguir identificar corretamente as respostas humanas, isso elimina a classificação da máquina como inteligente.

Embora não haja um conjunto de diretrizes de avaliação para o Teste de Turing, Turing especificou que um avaliador humano tem apenas 70% de chance de prever corretamente uma conversa humana em relação a uma conversa gerada por computador após 5 minutos. O teste de Turing  deu início à aceitação geral em torno da ideia de  inteligência da máquina.

No entanto, o Teste de Turing original testa apenas um grupo de conhecimento técnico, output de texto ou xadrez, como exemplos. A IA forte  precisa executar diversas tarefas igualmente bem, levando ao desenvolvimento do Teste de Turing Estendido. Este teste avalia o desempenho textual, visual e auditivo da IA e o compara com o output gerado por humanos. Esta versão é usada na famosa competição do Prêmio Loebner, na qual um juiz humano adivinha se o output foi criado por um humano ou por um computador.

Argumento da sala chinesa (CRA)

O Argumento da sala chinesa foi criado por John Searle  em 1980. Em seu artigo, ele discute a definição de compreensão e pensamento, afirmando que os computadores jamais seriam capazes de fazer isso. Este trecho de seu artigo, do website de Stanford  (link externo a IBM), resume bem seu argumento,

"A computação é definida, em sua forma mais pura, formalmente ou sintaticamente, considerando que as mentes possuem conteúdo mental e semântico real, e não podemos passar do sintático ao semântico apenas com as operações sintáticas e nada mais…Um sistema, eu, por exemplo, não poderia adquirir um entendimento do chinês apenas seguindo os passos de um programa de computador que simulasse o comportamento de um falante do idioma chinês (p.17)".

O argumento da sala chinesa propõe o cenário a seguir:

Imagine uma pessoa, que não fala chinês, sentada em uma sala fechada. Na sala, encontra-se um livro com regras, frases e instruções da língua chinesa. Outra pessoa, que é fluente em chinês, envia notas por escrito em chinês para a sala. Com a ajuda do livro de frases do idioma, a pessoa dentro da sala pode selecionar a resposta adequada e devolvê-las para a pessoa fluente em chinês.

Embora a pessoa dentro da sala tenha conseguido fornecer a resposta certa usando o livro de frases do idioma, ele ou ela continuam sem saber falar ou entender chinês. Isso não passou de uma simulação de compreensão por meio de uma resposta ou declarações correspondentes com as respostas adequadas. Searle argumenta que a IA Forte  precisaria, de fato, uma mente para ter consciência e compreensão. O Argumento da sala chinesa mostra as falhas do Teste de Turing, demonstrando as diferenças nas definições de inteligência artificial.

A IA fraca, conhecida também como IA restrita, foca em desempenhar uma tarefa específica, como fornecer a resposta à dúvidas baseado no input do usuário ou no jogo de xadrez. Ela pode executar um tipo de tarefa, mas não ambas, considerando que a IA forte pode desempenhar diversas funções, eventualmente ensinando a si própria a resolver novos problemas. A IA fraca depende da interferência humana para definir os parâmetros de seus algoritmos de aprendizado e para oferecer dados de treinamento relevantes a fim de assegurar a precisão. Embora o input humano acelere a fase de crescimento da IA forte, ele não é necessário e, com o tempo, ela desenvolverá uma consciência parecida com a humana ao invés de simulá-la, como a IA fraca faz. Os carros autônomos e os assistentes virtuais, como a Siri, são exemplos de IA fraca.  

Embora não haja exemplos claros de inteligência artificial  forte,  o campo da IA está apresentando inovações constantemente.  Outra teoria de IA surgiu, conhecida como  superinteligência artificial (ASI), superinteligência ou super IA. Este tipo de IA supera a IA forte em  inteligência humana  e capacidade. No entanto, a super IA ainda é puramente especulativa, pois não temos exemplos de IA forte.

Dito isso, existem áreas em que a IA está desempenhando um papel mais importante, como:

• Segurança cibernética: a inteligência artificial  assumirá mais funções nas iniciativas de segurança cibernética das organizações, como a detecção de invasão, monitoramento, inteligência de ameaças, resposta a incidentes e análise de riscos.
• Entretenimento e criação de conteúdo:  os programas de ciência da computação  já estão cada vez melhores na produção de conteúdo, seja ele conteúdo autoral, poesia, vídeo ou até mesmo filmes. O aplicativo de IA de geração de texto GBT-3 da Open IA já está criando conteúdo quase impossível de distinguir da cópia que foi escrita por humanos.
• Reconhecimento e previsão de comportamento:  os algoritmos de previsão tornarão a IA mais forte, abrangendo desde aplicações em previsões meteorológicas e do mercado de ações e, ainda mais interessante, previsões sobre o comportamento humano. Isso também levanta questões sobre preconceitos implícitos e ética da IA. Alguns pesquisadores da comunidade de IA estão exigindo um conjunto de regras antidiscriminatórias, que é geralmente associado à hashtag #IAresponsável.

Os termos  inteligência artificial,  machine learning  e  deep learning  são frequentemente usados em contexto errado. Esses termos são usado geralmente para descrever a IA forte e, portanto, vale a pena definir brevemente cada um desses termos:

A definição de inteligência artificial por John McCarthy (link externo a IBM) é "a ciência e a engenharia para a criação de máquinas inteligentes, especialmente programas de computador inteligentes. Ela está relacionada à tarefa semelhante de usar computadores para entender a inteligência humana, mas a IA não precisa se limitar aos métodos biologicamente observáveis".

Machine learning é um subcampo da inteligência artificial. Os modelos clássicos (não profundos) de machine learning exigem mais intervenção humana para segmentar os dados em categorias (ou seja, por meio do aprendizado de recursos).

Deep learning é também um subcampo do machine learning, que tenta imitar a interconectividade do cérebro humano usando redes neurais. Suas redes neurais artificiais são constituídas por camadas de modelos, que identificam padrões dentro de um dado conjunto de dados. Elas usam um grande volume de dados de treinamento para descobrir com precisão, o que posteriormente demanda hardware mais potente, como GPUs ou TPUs. Os algoritmos de deep learning são mais fortemente associados à IA de nível humano.    

Para uma análise mais detalhada das diferenças de nuances entre essas  tecnologias, veja "IA vs. machine learning vs. deep learning vs. redes neurais: qual é a diferença?"

O deep learning pode lidar bem com  problemas complexos e, como resultado, é usado em muitas tecnologias emergentes e inovadoras atuais. Os algoritmos de deep learning têm sido aplicados diversas áreas. Veja alguns exemplos:

• Carros autônomos:  a Google e o Elon Musk nos mostraram que os carros autônomos  são possíveis. No entanto, os carros autônomos exigem mais dados de treinamento e testes devido às diversas atividades que devem realizar, como oferecer a direção certa ou identificar detritos na rodovia. À medida que a tecnologia amadurece, será necessário superar o obstáculo humano da adoção, pois as pesquisas indicam que muitos motoristas não estão dispostos a usar um.
• Reconhecimento de voz: o reconhecimento de voz, como chatbots de IA e agentes virtuais, é uma grande parte do processamento de linguagem natural.  O input de áudio é muito mais difícil de processar para uma IA, pois depende de muitos fatores, como o ruído de plano de fundo, dialetos, dificuldades de fala e outras influências. Isso pode dificultar demasiadamente para a IA a conversão do input em alguma informação que o computador poderá usar.
• Reconhecimento de padrões:  o uso de redes neurais profundas melhora o reconhecimento de padrões em várias áreas. Ao descobrir padrões de pontos de dados úteis, a IA pode filtrar informações relevantes, fazer correlações úteis e melhorar a eficiência da computação de big data que geralmente é ignorada pelos humanos.
• Programação de computador: a IA fraca  obteve algum sucesso na produção de texto significativo, levando a avanços na programação. Recentemente, a OpenAI lançou o GPT-3, um software livre que pode realmente escrever códigos e  programas de computador  simples com instruções muito limitadas, trazendo automação para o desenvolvimento de programas.
• Reconhecimento de imagem:  a categorização de imagens pode exigir muito tempo quando feita manualmente. No entanto, adaptações especiais de redes neurais profundas, como DenseNet, que conecta cada camada a todas as outras camadas da rede neural, tornaram o reconhecimento de imagem muito mais preciso.
• Recomendações contextuais:  os aplicativos de deep learning  podem considerar muito mais contexto ao fazer recomendações, incluindo padrões de  compreensão de linguagem  e previsões comportamentais.
• Verificação de fatos:  a Universidade de Waterloo lançou recentemente uma ferramenta que pode detectar notícias falsas, verificando as informações em artigos comparando-as com outras fontes de notícias.