No ano passado, a inteligência artificial AlphaGo venceu o campeão mundial no jogo pela primeira vez. Esta vitória foi sem precedentes e inesperada dada a grande dificuldade do jogo de tabuleiro chinês. Embora a vitória de AlphaGo tenha sido definitivamente impressionante, esta IA, que venceu outros campeões de Go desde então, ainda é considerada um tipo "estreito" de IA - que só pode superar os humanos em um campo limitado de tarefas.
Portanto, embora dificilmente possamos vencer um computador no Go ou no xadrez sem recorrer à ajuda de outro computador, também não podemos ainda contar com eles para as tarefas rotineiras. AI não preparará chá para você nem programará MOT para seu carro.
Ao contrário disso, a IA é freqüentemente retratada na ficção científica como inteligência artificial "geral". Ou seja, inteligência artificial com o mesmo nível e variedade de um ser humano. Embora já tenhamos diferentes tipos de inteligência artificial que podem fazer tudo, desde diagnosticar doenças até dirigir nossos carros, ainda não fomos capazes de descobrir como integrá-los em um nível mais geral.
Na semana passada, os pesquisadores da DeepMind apresentaram vários artigos que afirmam lançar as bases para a inteligência artificial geral. Embora ainda não haja conclusões, os primeiros resultados são animadores: em algumas áreas, a IA já ultrapassou os humanos em habilidades.
O trabalho de ambos DeepMind enfoca o raciocínio relativo, uma capacidade cognitiva crítica que permite às pessoas fazer comparações entre diferentes objetos ou ideias. Por exemplo, para comparar qual objeto é maior ou menor, qual está à esquerda e qual está à direita. As pessoas usam o raciocínio relativo (ou relacional) sempre que tentam resolver um problema, mas os cientistas ainda precisam descobrir como dar à IA essa habilidade aparentemente simples.
Os cientistas da DeepMind escolheram duas rotas diferentes. Alguns treinaram uma rede neural - um tipo de arquitetura de IA modelada a partir do cérebro humano - usando um banco de dados de objetos 3D simples e estáticos chamados CLEVR. Outra rede neural foi ensinada a entender como um objeto bidimensional muda com o tempo.
No CLEVR, uma rede neural era representada por um conjunto de designs simples, como pirâmides, cubos e esferas. Os cientistas então fizeram perguntas à inteligência artificial em linguagem natural, como "um cubo é feito do mesmo material que um cilindro?" Surpreendentemente, a rede neural foi capaz de estimar corretamente os atributos relacionais do CLEVR em 95,5% dos casos, superando até mesmo um humano com sua precisão de 92,6% neste parâmetro.
No segundo teste, os pesquisadores da DeepMind criaram uma rede neural Visual Interaction Network (VIN) que foi treinada para prever os estados futuros de um objeto em vídeo, dependendo de seus movimentos anteriores. Para fazer isso, os cientistas primeiro alimentaram o VIN com três quadros de vídeo consecutivos, que a rede converteu em código. Nesse código, havia uma lista de vetores - a velocidade ou posição de um objeto - para cada objeto no quadro. O VIN foi então alimentado com uma sequência de outros códigos, que se combinaram para prever o código para o próximo quadro.
Vídeo promocional:
Para treinar o VIN, os cientistas usaram cinco tipos diferentes de sistemas físicos, nos quais objetos 2D se moviam contra o fundo de "imagens naturais" e colidiam com diferentes forças. Por exemplo, em um sistema físico, os objetos simulados interagiam uns com os outros de acordo com a lei da gravitação de Newton. Em outra, uma rede neural foi apresentada com bilhar e feita para prever a posição futura das bolas. De acordo com os cientistas, a rede VIN lidou com sucesso com a previsão do comportamento dos objetos no vídeo.
Este trabalho representa um passo importante em direção à IA geral, mas ainda há muito trabalho a ser feito antes que a inteligência artificial possa dominar o mundo. Além disso, o desempenho sobre-humano não implica inteligência sobre-humana.
Ainda não, de qualquer maneira.
ILYA KHEL
