Os projetos de Inteligência Geral Artificial (AGI ) sobre os quais vamos falar hoje são considerados menos ambiciosos do que qualquer IA forte. No entanto, alguns cientistas argumentam que os computadores nunca serão capazes de capturar as capacidades da inteligência humana.
Tanto partidários como adversários da ideia de computadores capazes de resolver qualquer problema intelectual sujeito a uma pessoa, há muitos argumentos em defesa de sua posição. Vamos descobrir quais argumentos cada lado traz e tentar descobrir se AGI tem uma chance agora e no futuro.
Este artigo é baseado em uma publicação recente do Professor Ragnar Fjelland, Por que a IA de propósito geral não será criada, mas iremos examinar mais do que apenas os contras.
Conhecimento silencioso
Como a inteligência humana é geral (ou seja, ela pode resolver quase todos os problemas intelectuais), a IA humanóide costuma ser chamada de inteligência artificial geral (AGI). Apesar de o AGI ter uma propriedade importante da inteligência humana, ainda pode ser considerado uma IA fraca. No entanto, difere da IA tradicional fraca, limitada a tarefas ou áreas específicas. Portanto, a IA tradicional fraca é às vezes chamada de inteligência artificial estreita (Artificial Narrow Intelligence, ANI).
A capacidade de usar algoritmos em velocidade tremenda é uma marca registrada do ANI, mas não o aproxima da inteligência natural. O matemático e físico Roger Penrose no famoso livro “The New Mind of the King. On Computers, Thinking, and the Laws of Physics ”, publicado em 1989, sugeriu que o pensamento humano é principalmente não-algorítmico e, portanto, não pode ser modelado usando um computador convencional como uma máquina de Turing.
Trinta anos antes de Penrose, o filósofo Hubert Dreyfus expressou pensamentos semelhantes em seu trabalho " Alquimia e Inteligência Artificial ". Ele também escreveu o livro What Computers Can't Do , no qual argumentou que o conhecimento humano está quase sempre implícito (não verbal) e não pode ser formulado em um programa de computador.
Em 1958, o físico, químico e filósofo Michael Polani formulou pela primeira vez o conceito de "conhecimento pessoal (ou implícito, tácito)". A maior parte do conhecimento que usamos em nossa vida diária é tácito - não sabemos quais regras aplicamos ao concluir uma tarefa. Como exemplo, Polanyi citou a natação e o ciclismo, quando todos os movimentos são realizados automaticamente.
O problema é que grande parte da experiência permanece taciturna. Por exemplo, muitos de nós somos especialistas em caminhar, mas se tentarmos formular exatamente como andamos, daremos uma descrição extremamente vaga do processo real.
Marcos de IA
Na década de 1980, os argumentos de Polanyi, Dreyfus e Penrose começaram a perder força - graças à descoberta de redes neurais que podiam aprender por conta própria, sem instruções externas explícitas.
Embora projetos de grande escala (por exemplo, o " Computador de Quinta Geração " do Japão , que começou em 1982 e prometia a criação de IA usando programação lógica paralela maciça) tenham falhado , historicamente apenas os sucessos são lembrados. Avanço mais notável da IA no final do século 20 demonstrado por especialistas da IBM. Em 1997, o Deep Blue derrotou o campeão mundial de xadrez Garry Kasparov em uma série de partidas.
O supercomputador IBM foi criado para resolver um problema específico em um tabuleiro de xadrez, e nem todos o viam como um sucesso de IA. No entanto, em 2011, o IBM Watson conquistou os humanos no programa Jeopardy! (na Rússia, o show é conhecido como "Own Game"). Contra o pano de fundo do Deep Blue, o Watson foi um passo colossal à frente - o sistema entendeu as consultas em linguagem natural e encontrou respostas em diferentes áreas do conhecimento.
Parecia que uma nova era de sistemas especialistas começaria muito em breve. A IBM estava planejando aproveitar o poder do computador na medicina. A ideia estava na superfície: se Watson tivesse acesso a toda a literatura médica, poderia oferecer melhor diagnóstico e tratamento do que qualquer médico. Nos anos seguintes, a IBM se envolveu em vários projetos médicos, mas obteve um sucesso modesto . Hoje os esforços da empresafocado no desenvolvimento de assistentes de IA que executam tarefas rotineiras.
Claro, não se pode deixar de dizer sobre a principal conquista dos desenvolvedores de IA hoje - o sistema AlphaGo, com o qual a desintegração final dos argumentos contra AGI está associada. AlphaGo mostrou que os computadores podem processar conhecimento tácito. A abordagem da DeepMind foi aplicada com sucesso no Atari Breakout, Space Invaders e StarCraft, mas descobriu-se que o sistema carece de flexibilidade e não pode se adaptar às mudanças no ambiente real. Como os problemas surgem em um mundo em constante mudança, o aprendizado por reforço profundo encontrou até agora poucas aplicações comerciais.
Causa e investigação
Nos últimos anos, os defensores da IA ganharam uma nova ferramenta poderosa - aplicando métodos matemáticos a grandes quantidades de dados para encontrar correlações e determinar probabilidades. Embora o big data não reflita a ambição de criar IA forte, seus proponentes argumentam que isso é desnecessário. No livro Viktor Mayer-Schoenberger e Kenneth Kuke "Big Data: uma revolução que mudará a forma como vivemos, trabalhamos e pensamos", diz que podemos não precisar desenvolver computadores para a inteligência humana - pelo contrário, podemos mudar nosso pensamento para se tornar como computadores.
Em big data, operamos com correlações, mas nem sempre entendemos onde está a causa e onde está o efeito. No livroPearl e Mackenzie Por quê? Uma nova ciência da causalidade ”, dizem os autores que, para criar IA real, um computador deve ser capaz de lidar com a causalidade. As máquinas podem representar relações causais de tal forma que obtenham rapidamente as informações de que precisam, respondam às perguntas corretamente e façam isso com a facilidade que até uma criança de três anos tem?
Mesmo as redes neurais têm algumas falhas aqui. Não sabemos realmente por que o sistema toma esta ou aquela decisão. Alguns anos atrás, uma equipe da Universidade de Washington desenvolveu um programa que treinava para distinguir entre husky e lobo. A tarefa é bastante difícil, pois os animais, como você pode ver na ilustração, são semelhantes entre si. Mas, apesar da complexidade, o sistema funcionou com 90% de precisão. Depois de analisar os resultados, a equipe percebeu que a rede neural funcionava tão bem apenas porque as imagens com os lobos eram em sua maioria neve.
E se…
O historiador Yuval Harari afirma que entre 70 mil e 30 mil anos atrás ocorreu uma revolução cognitiva no mundo, cuja marca registrada foi a capacidade de imaginar algo que não existe. Como exemplo, ele citou a mais antiga estatueta de marfim conhecida, "leão masculino" (ou "leoa"), encontrada na caverna Stadel na Alemanha. A figura tem corpo humano e cabeça de leão.
Pearl e McKenzie referem-se a Harari e acrescentam que a criação do homem-leão é a precursora da filosofia, da descoberta científica e da inovação tecnológica. O principal pré-requisito para essa criação foi a capacidade de fazer perguntas no formato: "O que acontece se eu fizer ...?", E respondê-las.
No entanto, os computadores com relações causais não estão indo bem. Como há 30 anos, os programas de aprendizado de máquina, incluindo programas de redes neurais profundas, operam quase inteiramente no modo associativo. Mas isto não é o suficiente. Para responder a questões causais, devemos ser capazes de intervir no mundo.
Segundo Ragnar Fjelland, a raiz do problema é que os computadores não têm um modelo de realidade, não podem mudar a realidade ao seu redor e não interagem com ela de forma alguma.
Impasse terminológico
O problema mais óbvio é que, de acordo com alguns especialistas, não podemos ter sucesso em uma determinada área sem entender as "regras do jogo". Ainda existem dificuldades até com a terminologia, e não sabemos o que exatamente chamar de inteligência artificial. Além disso, a compreensão da inteligência natural está longe de ser ideal - simplesmente não sabemos totalmente como o cérebro funciona.
Considere, por exemplo, o tálamo, que é responsável pela transmissão de informações sensoriais e motoras. Essa parte do cérebro foi descrita pela primeira vez pelo antigo médico romano Galeno. Em 2018, foi criado um atlas do tálamo : com base na histologia, foram isolados 26 núcleos talâmicos , que depois foram identificados na ressonância magnética. Esta é uma grande conquista científica, mas os cientistas presumem que existem mais de 80 núcleos no tálamo (o número exatonão instalado até agora).
Em On the Measure of Intelligence , François Schollet (pesquisador de IA do Google, criador da biblioteca de aprendizado profundo Keras e co-desenvolvedor da estrutura de aprendizado de máquina TensorFlow) aponta que, antes do consenso global sobre "o que é inteligência", tenta comparar diferentes sistemas inteligentes com inteligência humana condenado ao fracasso.
Sem métricas claras, é impossível registrar as conquistas e, conseqüentemente, determinar exatamente para onde se mover no desenvolvimento de sistemas de inteligência artificial. Mesmo o notório teste de Turing não pode se tornar um salva-vidas - sabemos sobre esse problema a partir do experimento mental com o "quarto chinês".
Presença como sinal de inteligência
A maioria dos proponentes do AGI (e IA forte) hoje segue os argumentos de Yuval Harari. Em 21 Lessons for the 21st Century, ele se refere à neurociência e economia comportamental, que supostamente mostrou que nossas decisões não são o resultado de "algum livre arbítrio misterioso", mas "o trabalho de bilhões de neurônios no cérebro calculando todas as probabilidades possíveis. antes de tomar uma decisão. "
Portanto, a IA pode fazer muitas coisas melhor do que os humanos. Como exemplos, o escritor cita dirigir em uma rua cheia de pedestres, emprestar para estranhos e negociar acordos comerciais - todos os quais exigem a capacidade de "avaliar corretamente as emoções e desejos de outras pessoas". O raciocínio é: "Se essas emoções e desejos nada mais são do que algoritmos bioquímicos, não há razão para que os computadores não possam decifrar esses algoritmos - e eles podem fazer muito melhor do que qualquer Homo sapiens."
Esta citação ecoa o pensamento de Francis Crick em The Amazing Hypothesis":" A hipótese surpreendente é que "Você", suas alegrias e tristezas, suas memórias e suas ambições, seu senso de identidade pessoal e livre arbítrio são na verdade nada mais do que o comportamento de um enorme acúmulo de células nervosas e associadas as moléculas. "
Há também uma opinião alternativa: mesmo as teorias mais abstratas são baseadas em nosso mundo cotidiano. O filósofo, fundador da fenomenologia Edmund Husserl cita a teoria da relatividade de Einstein, afirmando que ela depende dos "experimentos de Michelson" e sua confirmação por outros pesquisadores. Para conduzir esse tipo de experimento, os cientistas devem ser capazes de se mover, manusear instrumentos e se comunicar com os colegas.
Como observou Hubert Dreyfuss, somos seres corporais e sociais que vivem no mundo material e social. Para entender outra pessoa, você não precisa estudar a química de seu cérebro, ao contrário, você precisa estar na “pele” dessa pessoa, para entender seu mundo de vida.
Para ilustrar as declarações de Dreyfus, o escritor Theodore Rozzak sugeriuconduza um experimento mental. Imagine assistir a um psiquiatra trabalhando. Ele é um trabalhador esforçado, uma pessoa experiente e, obviamente, tem uma prática muito boa. A sala de espera está repleta de pacientes com vários transtornos emocionais e mentais: alguém está à beira da histeria, alguém é atormentado por pensamentos suicidas, outros sofrem de alucinações, alguns pacientes são atormentados pelos pesadelos mais graves e alguns se levam à loucura com o pensamento do que eles estão sendo vigiados por pessoas que os machucarão. O psiquiatra ouve atentamente cada um deles e faz o possível para ajudar, mas sem muito sucesso. Ao contrário, a condição dos pacientes parece apenas piorar, apesar dos esforços heróicos do psiquiatra.
Agora Rozzak nos pede para colocar a situação em um contexto mais amplo. O consultório do psiquiatra fica em um prédio localizado em Buchenwald, onde os pacientes são internos de campos de concentração. Algoritmos bioquímicos não nos ajudarão a entender os pacientes. O que é realmente necessário é o conhecimento do contexto mais amplo. Um exemplo simplesmente não faz sentido se não sabemos que o consultório do psiquiatra fica em um campo de concentração. Poucos podem se colocar no lugar de um prisioneiro na Alemanha nazista. Não somos capazes de compreender totalmente as pessoas em situações muito diferentes de nossa própria experiência. Mas ainda podemos entender algo, já que existimos no mesmo mundo com outras pessoas.
Os computadores, por sua vez, existem em seu próprio mundo de máquinas, o que explica, pelo menos parcialmente, os problemas que impedem o IBM Watson Health e o Alphabet DeepMind de resolver os problemas do mundo real. A IBM se depara com uma incompatibilidade fundamental entre como as máquinas aprendem e como os médicos trabalham. DeepMind descobriu que resolver os problemas de Go não os aproximou de responder a perguntas relacionadas à descoberta de uma cura para o câncer.
Conclusão: os computadores saem para o mundo
Não apenas os críticos da AGI conhecem os problemas. Pesquisadores de todo o mundo estão em busca de novas abordagens e já houve algum progresso na superação de barreiras.
Apesar do fato de que até mesmo um cão é mais inteligente do que o IBM Watson , de acordo com o teórico da IA Roger Shank, o futuro da medicina sem dúvida pertence aos sistemas de computador. O artigo, publicado em junho de 2020, demonstra o tremendo sucesso da Pharnext: na verdade, sua IA encontrou uma solução simples e acessível para os problemas da doença genética de Charcot-Marie-Tooth.
AI reuniu um incrível coquetel de três drogas aprovadas para aliviar a neuropatia sensorial motora hereditária. Se considerarmos um novo "remédio", o espanto é garantido: o primeiro componente é uma droga usada no tratamento do alcoolismo, o segundo atua nos receptores opioides e é usado no combate ao álcool e à dependência de opioides, o terceiro geralmente é um substituto do açúcar.
Depois de passar por milhões de opções, a IA escolheu exatamente essa combinação. E funcionou: experimentos em ratos e humanos mostraram conexões aumentadas entre nervos e músculos. É importante que o bem-estar dos pacientes melhorou e os efeitos colaterais foram insignificantes.
Falando sobre o problema da presença no mundo, vale citar orecentemente, na Universidade Técnica de Munique, um estudo ambicioso: um robô em um nível interconectado foi ensinado a perceber e agir no mundo real. O estudo faz parte de um projeto europeu de grande escala SELFCEPTION , que combina robótica e psicologia cognitiva para desenvolver máquinas mais exigentes.
Os pesquisadores decidiram fornecer aos robôs e agentes artificiais em geral a capacidade de perceber seus corpos da mesma forma que os humanos. O objetivo principal era melhorar a capacidade de interagir em face da incerteza. Eles tomaram como base a teoria da produção ativa do neurocientista Karl Friston, que veio à Rússia no ano passado com palestras (para os interessados no tema, recomendamos que procure em russo ouInglês ).
Segundo a teoria, o cérebro está constantemente fazendo previsões, comparando-as com as informações vindas dos sentidos e fazendo ajustes, reiniciando o ciclo. Por exemplo, se, no caminho para uma escada rolante, uma pessoa de repente encontra um engarrafamento no caminho, ela adapta seus movimentos de acordo.
Um algoritmo baseado no princípio de energia livre de Friston (uma formalização matemática de uma das teorias cerebrais preditivas) representa a percepção e a ação trabalhando em direção a um objetivo comum, que é reduzir o erro de previsão. Nesta abordagem, pela primeira vez para máquinas, os dados sensoriais correspondem melhor à previsão feita pelo modelo interno.
A longo prazo, esta pesquisa ajudará a desenvolver um AGI com adaptabilidade e interação humana. É com essa abordagem que o futuro da inteligência artificial está associado: se liberarmos a IA de servidores apertados para o mundo real, talvez um dia possamos ativar a autodescoberta em máquinas.