O que é inteligência artificial geral (IA)? Definição, desafios e tendências

A inteligência geral artificial (AGI) capacita máquinas inteligentes para imitar tarefas humanas.

A inteligência geral artificial (AGI) é definida como a inteligência das máquinas que lhes permite compreender, aprender e realizar tarefas intelectuais como os humanos. AGI emula a mente e o comportamento humano para resolver qualquer tipo de problema complexo. Este artigo explica os fundamentos da AGI, os principais desafios envolvidos e as 10 principais tendências nos avanços da AGI.

O que é inteligência artificial geral?

A inteligência geral artificial (AGI) é a inteligência das máquinas que lhes permite compreender, aprender e realizar tarefas intelectuais como os humanos.

Com a AGI, as máquinas podem emular a mente e o comportamento humano para resolver qualquer tipo de problema complexo. Sendo projetado para ter conhecimento abrangente e capacidades de computação cognitiva, o desempenho dessas máquinas é indistinguível do dos humanos.

A AGI (também conhecida como IA forte ou IA profunda) é baseada na estrutura de IA da teoria da mente. Fundamentalmente, a teoria da IA ​​no nível da mente lida com máquinas de treinamento para aprender o comportamento humano e compreender os aspectos fundamentais da consciência. Com uma base de IA tão forte, a AGI pode planejar, aprender habilidades cognitivas, fazer julgamentos, lidar com situações incertas e integrar conhecimento prévio na tomada de decisões ou melhorar a precisão. A AGI facilita que as máquinas executem tarefas inovadoras, imaginativas e criativas.

Alcançar uma IA forte tem desafios significativos. Por exemplo, a Fujitsu construiu um dos supercomputadores mais rápidos, chamado KC computer. Embora o computador tenha quebrado a barreira dos dez petaflops, levou mais de 40 minutos para simular um único segundo de atividade neural, embaçando assim a visão para IA forte. No entanto, o futuro da inteligência artificial geral parece brilhante, pois a tecnologia pode ser usada para influenciar a sociedade em massa com sua capacidade de lidar com situações complexas, como uma crise econômica.

Várias abordagens foram experimentadas e testadas para alcançar a inteligência humana. Listadas abaixo estão algumas das principais abordagens para AGI.

1. A abordagem simbólica

A abordagem simbólica refere-se ao uso de redes lógicas (ou seja, declarações if-then) e símbolos para aprender e desenvolver uma base de conhecimento abrangente. Essa base de conhecimento é ampliada ainda mais pela manipulação desses símbolos que representam os aspectos essenciais do mundo físico. A abordagem imita os níveis mais elevados do pensamento de um cérebro humano.

Teoricamente, a abordagem simbólica pode executar lógica e pensamento de nível superior, mas, na realidade, ela falha no aprendizado de tarefas de nível inferior, como a percepção. Um exemplo adequado da abordagem simbólica é o projeto CYC iniciado por Douglas Lenat, da Cycorp, na década de 1980, para promover o trabalho em IA. O CYC possui uma vasta base de conhecimento, um sistema lógico e uma forte linguagem representacional.

2. A abordagem conexionista

A abordagem conexionista é uma abordagem subsimbólica que utiliza arquiteturas semelhantes ao cérebro humano (como redes neurais) para criar inteligência geral. A abordagem espera o surgimento de inteligência de nível superior a partir de sistemas subsimbólicos de nível inferior, como redes neurais, o que ainda está para acontecer. Sistemas de aprendizado profundo e redes neurais convolucionais, como o AlphaGo da DeepMind, são bons exemplos da abordagem conexionista.

3. A abordagem híbrida

A abordagem híbrida é uma mistura dos sistemas conexionistas e simbólicos. As arquiteturas que lideram a corrida AGI tendem a utilizar a abordagem híbrida, por exemplo, a arquitetura CogPrime. Ele representa tanto o conhecimento simbólico quanto o subsimbólico por meio de uma única representação de conhecimento, denominada AtomSpace. O famoso robô humanóide social Sophia foi criado pela Hanson Robotics e OpenCog com a ajuda do CogPrime, uma arquitetura neural.

4. Arquitetura de todo o organismo

Os especialistas acreditam que um sistema inteligente artificial geral real deve possuir um corpo físico e aprender com as interações físicas. Embora ainda não existam tais sistemas, o mais próximo é o de Sophia, um robô humanóide que imita gestos humanos e expressões faciais e se entrega a conversas sobre tópicos predefinidos.

Principais desafios para alcançar o estágio geral de IA

Embora a AGI ainda não tenha sido realizada, ela representa um mundo de possibilidades que pode revolucionar o campo da IA. Atualmente, a inteligência artificial geral é prejudicada por graves obstáculos e desafios que impedem seu progresso. Esses são os principais desafios para alcançar o estágio final da AGI.

1. Problemas em dominar capacidades semelhantes às humanas

Para alcançar a verdadeira inteligência de nível humano, a AGI precisa dominar algumas capacidades humanas, como:

  • Percepção sensorial: embora os sistemas de aprendizado profundo tenham se mostrado uma grande promessa no campo da visão computacional, os sistemas de IA carecem de recursos de percepção sensorial semelhantes aos humanos. Por exemplo, os sistemas de aprendizado profundo treinados ainda têm uma percepção de cores ruim. Isso é evidente em carros autônomos, pois, eles são facilmente enganados por pequenos pedaços de fita preta ou adesivos em uma placa vermelha de pare. Um caso semelhante é observado com a percepção do som. Os sistemas de IA atuais não podem perceber e replicar a percepção sonora humana distinta.
  • Habilidades motoras: os humanos podem facilmente retirar qualquer objeto de seus bolsos devido às nossas habilidades motoras finas. Um desenvolvimento recente aplicou o aprendizado por reforço ao ensinar uma mão robótica a resolver um cubo de Rubik. Embora a demonstração seja notável, ela revela os problemas envolvidos na programação de dedos robóticos em uma única mão para manipular objetos triviais, como chaves.
  • Compreensão da linguagem natural: humanos compartilham conhecimento por meio de livros, artigos, postagens em blogs e vídeos. Posteriormente, quando os humanos escrevem, eles tendem a assumir o conhecimento geral do leitor e, como tal, muita informação não é dita na escrita. Para começar, a IA atual precisa consumir abundância de informações de todas as fontes de conhecimento, o que é uma tarefa crítica. Se a IA não tiver a base do bom senso, será difícil para esses sistemas compreender situações e operar no mundo real.
  • Resolução de problemas: Considere um exemplo em que um robô doméstico precisa reconhecer que a lâmpada LED da casa está queimada e substituí-la por uma nova ou alertar alguém. Para realizar esta tarefa, o robô precisa ter bom senso como discutido acima ou deve conseguir simular todas as permutações e combinações que determinam possibilidades, plausibilidade e probabilidades. A IA de hoje carece de bom senso e capacidade de simulação.
  • Criatividade ao nível humano: os sistemas de IA podem melhorar sua inteligência por conta própria se entenderem a abundância de código que os humanos escreveram, identificar novos métodos que podem ser aprimorados e, subsequentemente, reescrever o código identificado. Embora as máquinas baseadas em IA tenham conseguido compor músicas e desenhar imagens, demonstrar criatividade ao nível humano para auto-otimização precisa de um avanço maior da IA.
  • Conexão social e emocional: para que os robôs habilitados para IA operem no mundo, a interação humana é inevitável. Como resultado, esses robôs precisarão entender humanos, expressões faciais e variações de tom para interpretar emoções reais. Considerando os desafios de percepção discutidos acima, os sistemas de IA capazes de empatia com uma conexão emocional parecem uma realidade distante a partir de agora.

2. Falta de protocolo de trabalho

Os sistemas de IA atuais carecem de um protocolo de trabalho que ajude os sistemas de inteligência artificial ou de rede de aprendizado de máquina a colaborar. Isso representa uma grave deficiência técnica ao implantar um sistema AGI completo. Os sistemas são, portanto, forçados a funcionar como modelos autônomos em ambientes fechados e isolados. Tal modo de operação não se alinha com o ambiente humano complexo e altamente social essencial para sistemas AGI.

3. As lacunas de comunicação reduzem a universalidade

Hoje, os sistemas de IA enfrentam um obstáculo de comunicação distinto. As lacunas de comunicação entre sistemas de IA diferentes atrapalham o compartilhamento de dados contínuo. Como consequência, o inter aprendizado de modelos de aprendizado de máquina está parado. Com o impacto na interaprendizagem, a IA pode não otimizar as tarefas atribuídas. Isso eventualmente reduz a universalidade do sistema geral de IA.

4. Falta de alinhamento do negócio

Para uma implementação apropriada de IA, os executivos de negócios precisam adotar uma abordagem estratégica, definindo objetivos, identificando KPIs e rastreando o ROI. Caso contrário, pode ser difícil avaliar os resultados trazidos pela IA e compará-los para medir o sucesso (ou fracasso) do investimento em IA.

A integração da IA ​​aos sistemas existentes é um processo complexo. Vários parâmetros, como necessidades de infraestrutura de dados, armazenamento de dados, rotulagem, alimentação dos dados no sistema e outros precisam ser considerados. Atualmente, as partes interessadas parecem estar no escuro sobre todos esses parâmetros operacionais da IA. Isso dificulta o desenvolvimento geral e a conquista das metas de negócios.

5. Falta de direção da AGI

Como as empresas geralmente lutam com o entendimento fundamental do sistema AGI, elas são forçadas a contratar uma equipe dedicada de especialistas em IA, o que pode ser um assunto caro. Além disso, as empresas não têm um plano e direção definidos baseados em IA para realizar suas operações de negócios. Isso torna a implementação de plataformas de IA cara e complexa. Esses fatores contribuem significativamente e atuam como obstáculos para a realização de um sistema AGI completo.

10 principais tendências recentes em avanços gerais de IA

À medida que os avanços da IA ​​ocupam o centro do palco em meio à pandemia do COVID-19, o desenvolvimento da inteligência semelhante à humana está progredindo mais rápido do que nunca. Embora um sistema AGI completo não seja uma realidade hoje, as tendências recentes em IA podem expandir o envelope AGI e acelerar seu desenvolvimento significativamente.

Aqui estão as 10 principais tendências de IA que podem impulsionar avanços em AGI.

1. Desenvolvimento de PNL

O processamento de linguagem natural (NLP) é uma tecnologia de IA que compreende a linguagem humana e reduz significativamente a necessidade de interagir com uma tela. Dispositivos habilitados para IA podem transformar linguagens humanas em códigos de computador usados ​​para executar aplicativos e programas.

Recentemente, a OpenAI lançou o GPT-3, a versão de PNL mais avançada até hoje. O GPT-3 usa mais de 175 bilhões de parâmetros para processar idiomas. Além disso, o OpenAI também está trabalhando no GPT-4 e espera-se que lide com cerca de 100 trilhões de parâmetros para processamento abrangente de linguagem. Com tais avanços de IA, o desenvolvimento de máquinas que podem interagir e se envolver com humanos de uma maneira tão boa quanto real é uma possibilidade definitiva.

2. Metaverso

O Metaverse tem prosperado à medida que empresas e indivíduos exploram tecnologias imersivas para trabalhar e interagir neste mundo virtual. De acordo com dados de novembro de 2021 do DappRadar, os usuários gastaram cerca de US$ 106 milhões para comprar propriedades virtuais no metaverso, com foco em terrenos digitais, iates de luxo e outros ativos. Considerando essa tendência, espera-se que IA e ML impulsionem o metaverso construindo um mundo virtual com chatbots virtuais de IA onde os usuários se sintam em casa.

3. Hiper automação

Vários setores utilizam as tecnologias de IA e ML para automatizar vários de seus processos, desde a automação de processos robóticos (RPA) até o gerenciamento inteligente de processos de negócios. A hiper automação adiciona uma camada adicional aos recursos avançados de automação, pois dimensiona as perspectivas de automação para as organizações. De acordo com uma previsão de abril de 2021 do Gartner, o mercado de hiper automação deve atingir US$ 600 bilhões até 2022.

4. Mais trabalhos de governança

O viés do algoritmo pode surgir da falta de governança do modelo. Aqui, espera-se que os especialistas em IA prestem mais atenção e garantam que os modelos de IA/ML não desenvolvam vieses ou tomem decisões ruins. Recentemente, em outubro de 2021, T witter admitiu que seu algoritmo desenvolveu um viés que favoreceu políticos e meios de comunicação de direita.

Em um incidente semelhante, a Amazon percebeu em 2015 que seu algoritmo para contratação de funcionários era tendencioso contra as mulheres. Isso porque o algoritmo examinava currículos dos últimos dez anos e, como a maioria deles eram homens, foi treinado para ser tendencioso contra as mulheres.

Exemplos como esses abrirão caminho para uma ascensão em cargos como chief AI officer, chief AI compliance officer e assim por diante. Com a rápida adoção de IA/ML, espera-se que essas instâncias aumentem em um futuro próximo.

5. Aumente a IA de baixo código ou sem código

Hoje, a demanda por engenheiros de IA qualificados é alta. As organizações estão continuamente procurando por engenheiros que possam desenvolver algoritmos e ferramentas de IA para atender às suas operações de negócios. As soluções de IA de baixo código e sem código podem resolver esse problema, oferecendo interfaces intuitivas que ajudam na criação de sistemas complexos.

Geralmente, as soluções de baixo código fornecem opções de arrastar e soltar, facilitando assim o processo de construção do aplicativo. Além disso, as tecnologias de NLP e modelagem de linguagem também podem ser usadas para fornecer instruções baseadas em voz para concluir tarefas complexas.

6. Aumento da força de trabalho

O medo de que a IA substitua os empregos humanos já existe há um bom tempo. Na verdade, as organizações parecem estar usando modelos AI/ML para coletar e analisar dados e obter insights que ajudam na tomada de decisões de negócios. As empresas devem ter funcionários e máquinas de IA trabalhando em conjunto nesse cenário.

Vários departamentos, incluindo vendas, marketing e atendimento ao cliente, já estão usando sistemas AI/ML para auxiliar suas operações. No entanto, isso não reduziu a dependência potencial de seres humanos. Na verdade, apenas aumentou a eficácia de tais departamentos. Espera-se que essa tendência só aumente daqui para frente.

7. Chatbots de IA conversacional 

Chatbots de conversação referem-se a assistentes virtuais habilitados para IA. Eles realizam conversas naturais e certas operações baseadas em regras, como responder a consultas ou redefinir senhas. Esses chatbots substituíram os agentes de suporte ao cliente, reduzindo consideravelmente os custos operacionais das empresas. Com o cenário de PNL em evolução, os chatbots de IA de conversação possivelmente revolucionarão o campo da AGI no futuro.

8. Mais foco na ética da IA

Os casos de uso de IA aumentaram significativamente nos setores verticais da indústria nos últimos tempos. Apesar dos benefícios das tecnologias de IA, os riscos potenciais da IA ​​não podem ser ignorados. Como resultado, o foco na ética da IA ​​aumentará nos próximos anos, pois as coisas podem virar de cabeça para baixo se essas tecnologias não forem usadas para o bem.

9. Processo de contratação baseado em IA

Como a pandemia já prejudicou o processo de contratação, espera-se que as empresas usem mais sistemas baseados em IA/ML à medida que o mundo virtual substitui o mundo físico convencional. Além disso, com o avanço das técnicas de modelagem de linguagem e um aumento na sofisticação dos chatbots de IA de conversação, espera-se que os empregadores usem ferramentas baseadas em IA para cuidar do processo de contratação.

10. A quantidade de IA

Embora um progresso considerável tenha sido feito no campo da IA ​​nos últimos anos, a IA quântica pode expandir ainda mais os limites da IA, pois os cálculos quânticos podem acelerar os algoritmos de ML e obter resultados em um tempo menor. A IA quântica pode neutralizar os obstáculos da AGI, pois pode ajudar a criar uma forte base de conhecimento, analisando grandes volumes de dados encontrados em livros, artigos, postagens de blog e outras fontes semelhantes em tempo mínimo.

Conclusão

A década em curso será extremamente crucial para o desenvolvimento de sistemas AGI. Especialistas acreditam haver 25% de chance de desenvolver IA de nível humano até 2030. Além disso, a inclinação crescente para processos robóticos e algoritmos de máquinas, com a recente explosão de dados e avanços da computação, oferecerá um terreno fértil para a proliferação de seres humanos. Plataformas de IA de nível superior. É apenas uma questão de tempo até que os sistemas AGI se tornem populares neste mundo altamente tecnológico.

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

1 × quatro =

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.