O que é IA forte?

A IA forte visa criar máquinas inteligentes que são indistinguíveis da mente humana. Mas, assim como uma criança, a máquina de IA teria que aprender por meio de informações e experiências, progredindo e aprimorando constantemente suas habilidades ao longo do tempo.

Embora pesquisadores de IA tanto no setor acadêmico quanto no privado estejam investindo na criação de inteligência artificial geral (AGI), ela só existe hoje como um conceito teórico versus uma realidade tangível. Enquanto algumas pessoas, como Marvin Minsky, têm sido mencionadas como excessivamente otimistas sobre o que poderíamos realizar em algumas décadas no campo da IA, outros diriam que sistemas de IA fortes nem sequer podem ser desenvolvidos. Até que as medidas de sucesso, como inteligência e compreensão, sejam explicitamente definidas, essas pessoas estão corretas nessa crença. Por enquanto, muitos usam o teste de Turing para avaliar a inteligência de um sistema de IA.

Alan Turing desenvolveu o Teste de Turing em 1950 e o discutiu em seu artigo, "Computing Machinery and Intelligence". Originalmente conhecido como Jogo da Imitação, o teste avalia se o comportamento de uma máquina pode ser diferenciado do de um ser humano. Nesse teste, há uma pessoa conhecida como "interrogador", que busca identificar uma diferença entre uma produção gerada por computador e aquela gerada por um ser humano por meio de uma série de perguntas. Se o interrogador não puder discernir de forma confiável as máquinas dos participantes humanos, então a máquina terá passado no teste. No entanto, se o avaliador puder identificar as respostas humanas corretamente, isso eliminará a máquina de ser categorizada como inteligente.

Embora não haja diretrizes de avaliação definidas para o Teste de Turing, Turing especificou que um avaliador humano terá apenas 70% de chance de prever corretamente uma conversa gerada por humano versus gerada por computador após cinco minutos. O Teste de Turing introduziu aceitação geral em relação à ideia de inteligência de máquina.

No entanto, o Teste de Turing original testa apenas um conjunto de habilidades — saída de texto ou xadrez como exemplos. Uma IA forte precisa realizar uma variedade de tarefas igualmente bem, levando ao desenvolvimento do Teste de Turing Estendido. Esse teste avalia o desempenho textual, visual e auditivo da IA e o compara à produção gerada por humanos. Essa versão é usada na famosa competição do Prêmio Loebner, em que um juiz humano adivinha se a produção foi criada por um humano ou por um computador.

O argumento da Sala Chinesa foi criado por John Searle em 1980. Em seu artigo, ele discute a definição de entendimento e pensamento, afirmando que os computadores nunca seriam capazes de fazer isso. Este trecho de seu artigo, do site de Stanford, resume bem seu argumento:

"A computação é definida de forma puramente formal ou sintaticamente, enquanto as mentes têm conteúdos mentais ou semânticos reais, e não podemos passar da sintaxe para a semântica apenas tendo as operações sintáticas e nada mais... Um sistema, como eu, por exemplo, não adquiriria uma compreensão de chinês apenas seguindo as etapas de um programa de computador que simulou o comportamento de um falante de chinês (p. 17)."

O Argumento da Sala Chinesa propõe o seguinte cenário:

Imagine uma pessoa que não fala chinês sentada em uma sala fechada. Na sala, há um livro com regras, frases e instruções em chinês. Outra pessoa, que é fluente em chinês, passa bilhetes escritos em chinês para a sala. Com a ajuda do livro de frases do idioma, a pessoa dentro da sala pode selecionar a resposta apropriada e repassá-la ao falante de chinês.

Embora a pessoa dentro da sala tenha conseguido fornecer a resposta correta usando um livro de frases de idiomas, ela ainda não fala ou entende chinês; era apenas uma simulação de compreensão por meio de combinar perguntas ou declarações com respostas apropriadas. Searle argumenta que a IA forte exigiria uma mente real para ter consciência ou entendimento. O Argumento da Sala Chinesa ilustra as falhas no Teste de Turing, demonstrando diferenças nas definições de inteligência artificial.

A IA fraca, também conhecida como IA estreita, concentra-se na execução de uma tarefa específica, como responder a perguntas com base na entrada do usuário ou jogar xadrez. Ela pode executar um tipo de tarefa, mas não ambos, enquanto a IA forte pode executar uma variedade de funções, eventualmente aprendendo sozinha a resolver novos problemas. A IA fraca depende da interferência humana para definir os parâmetros dos seus algoritmos de aprendizado e fornecer os dados de treinamento relevantes para garantir a precisão. Embora a entrada humana acelere a fase de crescimento da IA forte, ela não é necessária e, com o tempo, desenvolve uma consciência semelhante à humana em vez de simulá-la, como a IA fraca. Carros autônomos e assistentes virtuais, como a Siri, são exemplos de IA fraca.

Embora não haja exemplos claros de uma inteligência artificial forte , o campo da IA está inovando rapidamente. Surgiu outra teoria de IA, conhecida como superinteligência artificial (ASI), superinteligência ou super IA. Esse tipo de IA supera a IA forte em inteligência e capacidade humanas . No entanto, a super IA ainda é puramente especulativa, pois ainda não obtivemos exemplos de IA forte.

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

• Cibersegurança:a inteligência artificial assumirá mais funções nas medidas de cibersegurança das organizações, incluindo detecção de violações, monitoramento, inteligência de ameaças, resposta a incidentes e análise de riscos.
  
  
• Entretenimento e criação de conteúdo: os programas de ciência da computação já estão ficando cada vez melhores na produção de conteúdo, seja redação, poesia, videogames ou até filmes. O aplicativo de IA de geração de texto GBT-3 da OpenAI já está criando conteúdo quase impossível de distinguir do texto escrito por seres humanos.
  
  
• Reconhecimento e previsão comportamentais: algoritmos de previsão tornarão a IA mais forte, abrangendo desde aplicações em previsões de tempo e mercado de ações até previsões, ainda mais interessantes, sobre o comportamento humano. Isso também levanta questões em torno de vieses implícitos e IA ética. Alguns pesquisadores de IA na comunidade de IA estão promovendo a adoção de um conjunto de regras antidiscriminatórias, que são frequentemente associadas à hashtag #responsibleAI.

Os termos inteligência artificial, aprendizado de máquina e deep learning são frequentemente usados no contexto errado. Esses termos são frequentemente usados para descrever a IA forte e, portanto, vale a pena definir cada termo brevemente:

Inteligência artificial, definida por John McCarthy, é "a ciência e engenharia de criar máquinas inteligentes, especialmente programas de computador inteligentes. Está relacionada à tarefa semelhante de usar computadores para entender a inteligência humana, mas a IA não precisa se limitar a métodos biologicamente observáveis".

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

O deep learning também é um subcampo do aprendizado de máquina, que tenta imitar a interconectividade do cérebro humano por meio de redes neurais. Suas redes neurais são compostas por camadas de modelos, que identificam padrões dentro de um determinado conjunto de dados. Elas aproveitam um alto volume de dados de treinamento para aprender com precisão, o que posteriormente exige hardware mais poderoso, como GPUs ou TPUs. Os algoritmos de deep learning estão mais fortemente associados à IA de nível humano.

Para saber mais sobre as diferenças sutis entre essas tecnologias, leia “AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference?”

O deep learning pode lidar bem com problemas complexos e, como resultado, é utilizado em muitas tecnologias inovadoras e emergentes hoje. Algoritmos de deep learning têm sido aplicados em uma variedade de campos. Aqui estão alguns exemplos:

• Carros autônomos: o Google e Elon Musk nos mostraram que carros autônomos são possíveis. No entanto, os carros autônomos exigem mais dados de treinamento e testes devido às várias atividades que precisam ser contabilizadas, como dar prioridade ou identificar detritos na estrada. À medida que a tecnologia amadurece, ela precisará superar o obstáculo humano da adoção, pois as pesquisas indicam que muitos motoristas não estão dispostos a usar um.
  
  
• Reconhecimento de fala: o reconhecimento de fala, como os chatbots IA e os agentes virtuais, são uma grande parte do processamento de linguagem natural. A entrada de áudio é muito mais difícil de ser processada por uma IA, pois muitos fatores, como ruído de fundo, dialetos, impedimentos de fala e outras influências, podem tornar muito mais difícil para a IA converter a entrada em algo com que o computador possa trabalhar.
  
  
• Reconhecimento de padrões: o uso de redes neurais melhora o reconhecimento de padrões em várias aplicações. Ao descobrir padrões de pontos de dados úteis, a IA pode filtrar informações irrelevantes, extrair correlações úteis e melhorar a eficiência da computação de big data, que normalmente podem ser negligenciadas pelos seres humanos.
  
  
• Programação de computadores: a IA fraca obteve algum sucesso na produção de textos significativos, levando a avanços na programação. Mais recentemente, a OpenAI lançou o GPT-3, um software de código aberto que pode escrever código e programas de computador simples com instruções muito limitadas, trazendo automação ao desenvolvimento de programas.
  
  
• Reconhecimento de imagens: a categorização de imagens pode ser muito demorada quando feita manualmente. No entanto, adaptações especiais de redes neurais profundas, como o DenseNet, que conecta cada camada a todas as outras camadas da rede neural, tornaram o reconhecimento de imagens muito mais preciso.
  
  
• Recomendações contextuais: os aplicativos de deep learning podem levar muito mais contexto em consideração ao fazer recomendações, incluindo padrões de compreensão de linguagem e previsões comportamentais.
  
  
• Verificação de fatos: a University of Waterloo lançou recentemente uma ferramenta que pode detectar notícias falsas verificando as informações em artigos e comparando-as com outras fontes de notícias.