Como a revolução da IA ​​nos ajuda a responder às questões mais fundamentais da filosofia? (Parte 2)

Quem eu sou? O que eu nasci para fazer? A revolução da IA ​​através dos olhos do especialista em tecnologia Kaifu-Lee, parte 2 irá ajudá-lo a continuar a descobrir as respostas para essas duas eternas questões humanas. Após o fracasso das duas primeiras ondas, como a IA continuou a se desenvolver e a decolar até agora? A IA hoje tem poder suficiente para dominar o mundo, como alguns prevêem?

• Como a revolução da IA ​​nos ajuda a responder às questões mais fundamentais da filosofia? (Parte 1)

Resumo da parte 1: mecanismos das duas primeiras ondas de inteligência artificial no mundo: sistemas baseados em regras de pensamento (primeira onda), modelos estatísticos e aprendizado de máquina (segunda onda)

PARTE 2: A terceira onda de Al e a reavaliação das verdadeiras capacidades da Al hoje.

A terceira onda de IA – uma explosão alimentada por hardware

Durante a primeira onda, eu (autor Kai-fu Lee) tive a sorte de conhecer o cientista da computação e psicólogo Roger Schank. Na verdade, um de seus alunos foi meu orientador durante o mestrado. As experiências acima levaram-me a acreditar que os sistemas especialistas não são escaláveis ​​e que os nossos cérebros podem não funcionar da forma que pensávamos que funcionariam. Percebi que, para simplificar o nosso processo de decisão, usamos "se, então, senão" como uma linguagem que os humanos entendem, mas os nossos cérebros são complexos, muito mais complicados do que isso.

Durante a segunda onda, durante meus estudos de tese e doutorado, li o trabalho de Judea Pearl sobre redes Bayesianas. Fui muito influenciado pelos principais cientistas da IBM, incluindo o Dr. Fred Jelinek, Peter Brown e Bob Mercer. Eles deixaram uma marca ao transformar os métodos estatísticos em mainstream, não apenas na fala, mas também na tradução automática (nas décadas de 80 e 90 do século XX). Devo-lhes muita gratidão. Ainda estamos presos, mas não é porque a tecnologia esteja errada. A verdade é que os métodos estatísticos são totalmente precisos.

No final dos anos 80, enquanto eu trabalhava em modelos ocultos de Markov na Carnegie Mellon, Geoff Hinton trabalhava em redes neurais que chamou de "redes neurais com atraso de tempo". Acredita-se que seja a primeira versão das redes neurais complexas que hoje são popularmente conhecidas como aprendizagem profunda, uma tecnologia dominante atualmente.

Mas por que a onda de aprendizado de máquina neural e estatístico ainda não decolou? Em retrospectiva, esta onda não teve nada a ver com tecnologia, a maior parte da tecnologia já tinha sido inventada. O problema é que não temos dados de treinamento suficientes. Nossos cérebros funcionam de uma maneira completamente diferente das máquinas de aprendizado profundo. Para inicializar máquinas de aprendizado profundo, precisamos alimentá-las com mais dados de treinamento em todos os níveis do que os humanos. Os humanos podem ver centenas de rostos antes de começarem a reconhecer pessoas, mas as redes neurais de aprendizagem profunda querem ver milhares de milhões de rostos para se tornarem proficientes no reconhecimento.

É claro que, quando se tornarem proficientes, serão melhores que os humanos. Isso foi predito. Mas, na altura, simplesmente não tínhamos dados de formação suficientes, nem capacidade computacional suficiente para levar estas tecnologias descobertas ao estado de vanguarda. O Google está começando a perceber que, para pesquisar, é necessário que muitas máquinas funcionem em paralelo. Então Jeff Dean (o cientista da computação que dirige a divisão de IA do Google) e outras pessoas do Google perceberam que, uma vez que você tivesse essas máquinas paralelas, seria possível fazer muito mais do que pesquisar. Você pode construir IA em cima deles. Para construir IA, você precisa de chips especiais especializados em fazê-lo bem. Então surgiram as GPUs da Nvidia e o Google construiu suas próprias TPUs. Esse é um avanço emocionante. Acontece que o Google escolheu a pesquisa, e a pesquisa precisava de servidores, e eles conseguiram Jeff Dean. Isso levou a arquiteturas de aprendizado massivamente paralelas baseadas em GPU ou TPU que podem aprender com muitos dados de uma única área (GPUs são processadores compostos de milhares de núcleos menores e de maior desempenho que podem processar muitas tarefas simultaneamente, em comparação com um CPU convencional com apenas alguns núcleos otimizados para processamento sequencial contínuo).

(Foto: Anand Tech)

Novas tecnologias evoluíram com base nas arquiteturas de aprendizado de máquina massivamente paralelas mencionadas acima, e essas arquiteturas são executadas em novas GPUs e aceleradores. Cada vez mais pessoas são capazes de treinar dispositivos para reconhecer rostos, reconhecer vozes, reconhecer imagens e aplicar IA para pesquisa e previsão. Há cada vez mais dados da Internet disponíveis. A Amazon usou esses dados para prever o que os clientes queriam comprar. O Google usa dados para prever em quais anúncios você provavelmente clicará e pelos quais pagará. A Microsoft também o usa. Na China, temos Tencent e Alibaba. Muitas aplicações nasceram baseadas em enormes quantidades de dados da Internet.

Ao mesmo tempo que a tecnologia progredia, Geoff Hinton, Yann LeCun e Yoshua Bengio eram três pessoas que continuaram a trabalhar em redes neurais, embora não fossem mais populares no início dos anos 2000. Na década de 80, esse trabalho é novo, e estatísticas inovadoras mostraram que estas redes não são escaláveis. Assim, as agências de financiamento abandonaram-nos, as conferências deixaram de aceitar pesquisas sobre eles, mas estes três investigadores continuaram com um pouco de financiamento para refinar e desenvolver algoritmos melhores. E então apareceram mais dados. Um avanço veio com a criação de novos algoritmos, outrora chamados de “redes neurais complexas” e hoje conhecidos como “aprendizado profundo”.

O conjunto de tecnologias derivadas dos três professores acima começou a proliferar na indústria de IA. Os sistemas de reconhecimento de voz concebidos por empresas líderes estão a conquistar as capacidades humanas, e o mesmo está a acontecer com as empresas de reconhecimento facial e de imagem. Há evidências de comércio eletrônico, identificação de usuário/falante sendo aplicada a dados da Internet, previsões mais altas para a Amazon, dando-lhes mais dinheiro; melhores previsões para o Facebook sobre como os feeds de notícias são classificados; Melhores resultados de pesquisa do Google. No final dos anos 2000, as redes neurais profundas começaram a se tornar populares no Google e explodiram em quase todos os lugares nos últimos 7 ou 8 anos. Nasceram mais estruturas, desenvolveram-se mais sistemas inteligentes. Claro, o evento que inflamou o mundo foi o AlphaGo derrotando o mestre Go Lee da Coreia e o mestre Ke da China por margens cada vez maiores. E mais recentemente, um novo estudo sugere que o AlphaGo pode ser treinado do zero sem o conhecimento humano.

Todos estes avanços fizeram com que o mundo soubesse que a IA é uma realidade neste momento. Tivemos algo na segunda onda, as redes neurais e os métodos estatísticos estavam corretos, simplesmente não tínhamos dados suficientes, não tínhamos poder de computação suficiente e não tínhamos progresso suficiente na pilha de tecnologia na época para fazer isso acontecer. Mas agora conseguimos.

A IA pode dominar a humanidade?

A IA está decolando em todos os lugares. Muitas novas escolas de pensamento surgiram. Há um grupo de pessoas que está começando a refletir sobre a nossa questão original: quem somos e por que existimos? Estas pessoas raciocinaram que, como a IA tem sido capaz de melhorar tão rapidamente nos últimos dois ou três anos, se aproveitarmos isso noutras áreas, teremos máquinas superinteligentes que podem ser inseridas nas nossas cabeças e tornar-se complementos humanos, ou eles serão maus e governarão a humanidade.

Eu só quero proibir esse tipo de pensamento. Só que isso não é exato. Não importa o quão avançada a IA esteja hoje ou pareça que a IA esteja fazendo coisas extraordinárias, como derrotar humanos em jogos de xadrez, reconhecimento de voz, reconhecimento facial, veículos autônomos, robôs industriais, a IA ainda será limitada das seguintes maneiras: IA (que chamamos de IA fraca) é um dispositivo que otimiza com base em muitos dados sobre uma área que aprende a fazer algo extremamente bem. É um robô vertical de tarefa única, mas só pode fazer uma coisa. Você não pode ensinar muitas coisas. Você não pode ensinar muitas áreas. Você não pode ensiná-lo a ter bom senso (bom senso, conhecimento comum, experiência, comportamento que a maioria de nós concorda ser certo ou errado). Você não pode dar emoção. Não tem autoconsciência, portanto não tem desejos, nem mesmo compreensão de como amar ou dominar um ser humano.

Toda essa conversa negativa é bobagem. Isso é muita imaginação. Estamos vendo a IA entrar em novas aplicações em áreas de rápido crescimento, mas é o rápido crescimento das aplicações que estão nas tecnologias maduras que temos. Esse crescimento terminará quando toda a tecnologia estiver desenvolvida. Então temos que esperar por novos avanços para novos avanços na IA. Mas não é possível prever novos progressos.

Se você olhar para a história da IA, verá que esse tipo de inovação em aprendizagem profunda só aconteceu uma vez. Apenas uma vez desde 1957, uma vez em 60 anos, tivemos um avanço. Você não pode prosseguir e prever que teremos um avanço no próximo ano e no mês seguinte ou no dia seguinte. Isso é muito rápido. O uso de aplicativos só está acontecendo agora. Isso é ótimo, mas a ideia de invenções rápidas é um conceito bobo. Na minha opinião, aqueles que fazem estas afirmações e aqueles que dizem que a unidade está à nossa frente estão completamente fora de sintonia com a actual situação industrial.

Hoje, só existe IA que se concentra em fazer uma coisa de cada vez, e é uma ótima ferramenta. É bom em criar valor. Substituirá muitos empregos humanos e alguns outros empregos humanos. É nisso que devemos pensar, não em uma IA grande e poderosa, uma máquina que é como um ser humano e pode pensar em muitos campos, e tem percepções comuns como os humanos. Afinal, não podemos prever isso com base no progresso atual.

Isso poderia acontecer algum dia, daqui a cem ou mil anos? Acho que tudo pode acontecer. Mas talvez devêssemos concentrar a nossa energia nas coisas aqui, hoje. E o que está aqui agora são supermáquinas otimizadas que podem fazer melhor que os humanos em trabalhos: seleção de estoque, concessão de empréstimos, suporte ao cliente, telemarketing, trabalho na linha de produção, suporte jurídico. A IA pode fazer essas coisas melhor do que os humanos. Eles estão assumindo e liberando nosso tempo livre, permitindo-nos fazer o que realmente amamos e fazemos de melhor. É a oportunidade de uma vida, não a perspectiva assustadora de os computadores se tornarem superinteligentes.

De acordo com VnReview

Ver mais:

• Curso online gratuito de inteligência artificial (IA) de universidades finlandesas
• 6 etapas para começar a aprender programação de inteligência artificial (IA)
• Cursos online sobre inteligência artificial (IA), certificação