Quando poderemos conhecer as primeiras máquinas inteligentes

Quão perto estamos de viver em um mundo onde a inteligência humana é superada pelas máquinas? Ao longo da minha carreira, eu me envolvi regularmente em um experimento mental em que tento “pensar como o computador” para imaginar uma solução para um desafio ou oportunidade de programação. O abismo entre o raciocínio humano e o código do software sempre foi bastante claro.

Então, algumas semanas atrás, depois de conversar com o chatbot do LaMDA por vários meses, agora o “ex” engenheiro de IA do Google Blake Lemoine disse que achava que o LaMDA era senciente [subscription required]. Dois dias antes do anúncio de Lemoine, o pioneiro da IA ​​e cientista cognitivo Douglas Hofstadter, vencedor do Prêmio Pulitzer, escreveu um artigo dizendo [subscription required] que as redes neurais artificiais (a tecnologia de software por trás do LaMDA) não são conscientes. Ele também chegou a essa conclusão após uma série de conversas com outro poderoso chatbot de IA chamado GPT-3. Hofstadter terminou o artigo estimando que ainda estamos a décadas de distância da consciência da máquina.

Algumas semanas depois, Yann LeCun, cientista-chefe do laboratório de inteligência artificial (IA) da Meta e vencedor do Prêmio Turing de 2018, divulgou um artigo intitulado “Um caminho para a inteligência de máquina autônoma”. Ele compartilha no artigo uma arquitetura que vai além da consciência e da senciência para propor um caminho para programar uma IA com a capacidade de raciocinar e planejar como humanos. Os pesquisadores chamam isso de inteligência geral artificial ou AGI.

Acho que passaremos a considerar o artigo de LeCun com a mesma reverência que reservamos hoje ao artigo de Alan Turing de 1936 que descrevia a arquitetura do computador digital moderno. Aqui está o porquê.

Simulando ação usando um modelo de mundo

O primeiro avanço de LeCun é imaginar uma maneira de superar as limitações das IAs especializadas de hoje com seu conceito de “modelo mundial”. Isso é possível em parte pela invenção de uma arquitetura hierárquica para modelos preditivos que aprendem a representar o mundo em vários níveis de abstração e em várias escalas de tempo.

Com este modelo mundial, podemos prever possíveis estados futuros simulando sequências de ação. No artigo, ele observa: “Isso pode permitir o raciocínio por analogia, aplicando o modelo configurado para uma situação em outra situação”.

Um módulo configurador para impulsionar novos aprendizados

Isso nos leva à segunda grande inovação no artigo de LeCun. Como ele observa, “pode-se imaginar um modelo de mundo ‘genérico’ para o ambiente com uma pequena parte dos parâmetros sendo modulados pelo configurador para a tarefa em mãos”. Ele deixa em aberto a questão de como o configurador aprende a decompor uma tarefa complexa em uma sequência de subobjetivos. Mas é basicamente assim que a mente humana usa analogias.

Por exemplo, imagine se você acordasse esta manhã em um quarto de hotel e tivesse que operar o chuveiro no quarto pela primeira vez. As chances são de que você rapidamente dividiu a tarefa em uma série de submetas, baseando-se em analogias aprendidas ao operar outros chuveiros. Primeiro, determine como ligar a água usando a alça e, em seguida, confirme em qual direção girar a alça para tornar a água mais quente etc. Você pode ignorar a grande maioria dos pontos de dados na sala para se concentrar em apenas alguns que são relevantes a esses objetivos.

Uma vez iniciado, todo aprendizado de máquina inteligente é autoestudo

O terceiro grande avanço é o mais poderoso. A arquitetura do LeCun é executada em um paradigma de aprendizado autossupervisionado. Isso significa que a IA é capaz de aprender sozinha assistindo a vídeos, lendo texto, interagindo com humanos, processando dados de sensores ou processando qualquer outra fonte de entrada. A maioria das IAs hoje deve ser treinada com uma dieta de dados especialmente rotulados, preparados por treinadores humanos.

O DeepMind do Google acaba de lançar um banco de dados público produzido por sua AlphaFold AI. Ele contém a forma estimada de quase todas as 200 milhões de proteínas conhecidas pela ciência. Anteriormente, os pesquisadores levavam de 3 a 5 anos para prever a forma de apenas “uma” proteína experimentalmente. Os treinadores de IA da DeepMind e o AlphaFold terminaram quase 200 milhões na mesma janela de cinco anos.

O que significará quando uma IA puder planejar e raciocinar sozinha sem treinadores humanos? As principais tecnologias de IA atuais – aprendizado de máquina, automação de processos robóticos, chatbots – já estão transformando organizações em setores que variam de laboratórios de pesquisa farmacêutica a companhias de seguros.

Quando chegarem, seja em algumas décadas ou em alguns anos, as máquinas inteligentes apresentarão novas e vastas oportunidades e novos riscos surpreendentes.

Brian Mulconrey é vice-presidente sênior da Sureify Labs e futurista. Ele mora em Austin, Texas.