Não, não estou querendo dizer que não existam artefatos capazes de exibir comportamento inteligente, mas que não existe uma (coisa só que seja) Inteligência Artificial (IA). Explicar o porquê nos permite retornar à origem do termo e olhar além dele, além de discutirmos capacidades e riscos ligados a diferentes tipos de IA.
O termo foi criado no verão de 1956, em um encontro no Dartmouth College, nos EUA. O evento reuniu um conjunto estelar de cientistas, incluindo os prêmios Nobel de economia John Nash e Herbert Simon, e um dos fundadores da área de Redes Neurais Artificiais, o neuropsicólogo Warren McCulloch.
Esses vários cientistas eram associados a temas como “Estudos sobre Máquinas Pensantes”, Cibernética, e Teoria dos autômatos. Para criar unidade dentro dessa diversidade, um dos organizadores do evento, John McCarthy, propôs o termo “Inteligência Artificial”.
O termo não foi uma unanimidade. Herbert Simon, por exemplo, propusera o termo “Processamento Complexo de Informações” que, apesar de mais sóbrio, não teria o apelo do termo IA. O próprio McCarthy teria se arrependido, afinal o objetivo não deveria ser criar uma forma genuína (ao invés de artificial) de inteligência? De todo modo, o termo vingou e vem sendo usado por décadas em textos científicos, jornalísticos, ficcionais e, nos últimos anos, cada vez mais em conversas cotidianas.
Para além da discussão terminológica, o campo da IA é desde então marcado por uma diversidade de abordagens e visões. Por falar em campo, eu gosto muito de usar essa metáfora de um campo de futebol para explicar o vasto terreno da área (figura abaixo). Nesse campo, um dos lados é capitaneado por McCarthy, o outro por McCulloch. Eles representam visões diametralmente opostas para a IA.
O lado de McCarthy poderia ser chamado de IA baseada em Regras. Nele, inteligência é raciocino; é a capacidade de inferir informações a partir de conceitos e regras gerais aplicados a casos específicos. Exemplos de sistemas desse tipo incluem sistemas de navegação tipo Waze, de planejamento de processos industriais, de diagnostico médico, de alocação de aviões em portões em aeroportos, de gerenciamento de bancos de dados avançados.
Sistemas de busca como Wolfram Alpha e Google também usam várias técnicas desse tipo. Quais suas vantagens? A primeira é que precisamos de poucos dados. Na verdade, precisamos somente dos dados de um caso específico para raciocinarmos sobre ele.
Em um certo sentido, raciocinamos no varejo. Por exemplo, com o mapa completo de uma cidade, um ponto de origem e outro de destino, podemos inferir o trajeto mais curto entre eles independentemente dos dados sobre outras cidades e outros trajetos. Além disso, o raciocínio é sempre correto, previsível e explicável - investigando as regras podemos sempre em teoria explicar uma decisão do sistema.
Quais suas limitações? A principal delas é que o raciocínio é limitado pelas regras que conseguimos definir e, para vários problemas complexos, simplesmente não as conhecemos. Por exemplo, imagine como seria programar um conjunto de regras para reconhecer a voz de uma pessoa especifica?
No lado de McCulloch, inteligência é aprendizagem e, por isso, ele é chamado de Aprendizagem de Máquina. Ao invés de termos conceitos e regras explicitamente programados, temos uma estrutura genérica (tipicamente uma rede neural artificial) que quando alimentada por um conjunto de dados “aprende” a realizar uma determinada função como, por exemplo, reconhecer rostos e vozes, prever o risco de um empréstimo, decidir que ação tomar em uma dada situação.
Uma rede neural artificial é composta por uma infinidade de funções matemáticas alimentadas por parâmetros numéricos. Aprender (“treinar a rede”) nesse contexto é expô-la a uma variedade de dados acompanhados por sinais de feedback para calibrar esses parâmetros até que a rede comece a se comportar como desejado.
Nesse lado do campo, temos os sistemas de IA generativa como, por exemplo, Sora ou Midjourney, e, dentro desses, os grandes modelos de linguagem (em inglês, Large Language Models - LLMs), entre eles a família GPT da OpenAI.
Quais as vantagens dessa abordagem? A mais importante é que podemos usar esses sistemas para realizar tarefas que não fazemos ideia de como programar, ou seja, para as quais somos incapazes de formular explicitamente as regras necessárias. Aqui raciocinamos no atacado, tentando inferir informações sobre um caso específico a partir de padrões observados em outros casos.
E as desvantagens? Para funcionarem, esses sistemas tipicamente necessitam de uma enormidade de dados. Treiná-los e operá-los é, portanto, uma atividade extremamente cara, tanto do ponto de vista financeiro quanto energético (e, portanto, ecológico). Outra limitação fundamental é que não fazemos ideia do como o sistema toma suas decisões, ou seja, trocamos a flexibilidade dessas estruturas pela sua compreensão. Por fim, o raciocino no atacado da rede é sempre probabilístico, incerto, aproximativo.
Além da diversidade de técnicas, a área é marcada desde seu início também pela variedade de objetivos. Não existe uma resposta única para o que se almeja com IA: (1) simular a inteligência humana realizando tarefas especificas (por exemplo, jogar xadrez, traduzir textos, detectar objetos em imagens)? (2) criar um artefato que possua genuinamente uma inteligência generalizada como a humana ou até superior a ela (superinteligência)?
PROCESSOS COMPLEXOS
A inteligência humana também não é uma coisa só. Ela inclui processos muito diferentes e complexos incluindo a percepção de objetos e eventos no mundo, compreensão e geração de linguagem, raciocínio espacial e temporal, raciocínio logico, capacidade de abstração e raciocínio através de analogias, planejamento de atividades futuras.
Embasando tudo isso temos duas coisas fundamentais. A primeira é a metacognição, ou seja, a capacidade de pensar sobre o próprio pensamento, de refletir sobre qual é melhor estratégia para resolver um determinado problema, e de saber o que se sabe o que não se sabe.
A segunda é o chamado de raciocínio de senso comum. Ele nos permite inferir de forma automática e sem nos darmos contas, por exemplo, que: os objetos continuam existindo quando não estamos olhando para eles; se um evento A causa o evento B que causa o evento C então A causa C; eventos não podem causar coisas no passado. Tudo isso independentemente do que são esses objetos e eventos! Sem essas duas coisas não podemos nos adaptar a situações que nunca vimos e não podemos entender as consequências de muitas de nossas ações. Sem isso não podemos agir obedecendo regras sociais, legais e éticas e, portanto, resolver problemas de forma cooperativa combinando as nossas inteligências.
Todos os sistemas de IA bem-sucedidos que construímos até hoje (e em qualquer lado do nosso campo de futebol) são do tipo (1). Sistemas do tipo (2) estão ligados a ideia de Inteligência Artificial Generalizada.
Nos últimos anos, com o crescimento quase exponencial do interesse e do investimento em Inteligência Artificial, e com o debate publico sendo pautado por um discurso mais mercadológico que cientifico, estamos assistindo a uma constante redefinição de vários desses termos.
O termo “inteligência artificial” passou a ser usado para se referir a pedaços limitados do campo (redes neurais profundas? IA generativa? Grandes modelos de linguagem? ChatGPT?). De forma análoga, estamos assistindo também a redefinição do conceito de Inteligência Generalizada. Por exemplo, vez por outra, ouço alguém dizendo que sistemas como ChatGPT seriam um exemplo de inteligência generalizada, ou prevendo que estariam muito próximos a isso.
Não nos enganemos, esses são ainda sistemas do tipo (1): ChatGPT faz uma única coisa e com capacidade sobre-humana: prever o próximo item de dado (geralmente uma palavra) a partir de uma sequência de dados (geralmente uma sequência de palavras), e continuar fazendo isso recursivamente. A capacidade ainda é específica, é a linguagem humana que é geral por ser capaz de falar sobre qualquer coisa!
Uma inteligência generalizada deve ser capaz de: contemplar todas aquelas dimensões da inteligência; operar de forma adequada em uma enorme variedade de situações, inclusive em situações completamente diferentes das previamente experienciadas; integrar o raciocínio aproximado e incerto no atacado com o raciocínio exato e explicável no varejo, e saber quando usar cada um deles.
Minimamente, ela deve conhecer as suas limitações e saber do que sabe (ou seja, do que é factualmente verdade no mundo), do que não sabe, e do que sabe ser falso. Mesmo os mais avançados sistemas atuais falham sistematicamente em vários desses requisitos.
Tem uma frase atribuída ao psicólogo suíço Jean Piaget na qual ele definiria inteligência como “a capacidade de saber o que fazer quando não sabemos o que fazer”. Nesse sentido e, de forma generalizada, realmente não existe (ainda) uma inteligência artificial.
