Créditos da imagem: Curto News/BingAI

Por que a inteligência artificial geral (AGI) está além de Deep Learning

A recente onda de contratações de Sam Altman e a especulação sobre o revolucionário modelo Q* da OpenAI renovaram o interesse público nas possibilidades e riscos da inteligência artificial geral (AGI).

Inteligência Artificial Geral (AGI) poderia aprender e executar tarefas intelectuais comparáveis às dos humanos. Avanços rápidos em inteligência artificial, particularmente em deep learning, têm despertado otimismo e apreensão sobre o surgimento da AGI. Várias empresas, incluindo a OpenAI e a xAI de Elon Musk, têm como objetivo desenvolver AGI. Isso levanta a questão: Os desenvolvimentos atuais em IA estão levando em direção à AGI?

PUBLICIDADE

Limitações do aprendizado profundo

Deep learning, um método de aprendizado de máquina (ML) baseado em redes neurais artificiais, é usado no ChatGPT e em grande parte da IA contemporânea. Ele ganhou popularidade devido à sua capacidade de lidar com diferentes tipos de dados e sua reduzida necessidade de pré-processamento, entre outros benefícios. Muitos acreditam que o deep learning continuará a avançar e desempenhar um papel crucial na conquista da AGI.

No entanto, o deep learning tem limitações. Grandes conjuntos de dados e recursos computacionais caros são necessários para criar modelos que reflitam os dados de treinamento. Esses modelos derivam regras estatísticas que espelham fenômenos do mundo real. Essas regras são então aplicadas aos dados do mundo real para gerar respostas.

Portanto, os métodos de deep learning seguem uma lógica focada na previsão; eles re-derivam regras atualizadas quando novos fenômenos são observados. A sensibilidade dessas regras à incerteza do mundo natural as torna menos adequadas para realizar AGI.

PUBLICIDADE

O enigma do ‘e se’

Os humanos, os modelos para AGI, não criam regras exaustivas para ocorrências do mundo real. Os humanos geralmente interagem com o mundo percebendo-o em tempo real, confiando em representações existentes para entender a situação, o contexto e quaisquer outros fatores incidentais que possam influenciar decisões. Em vez de construir regras para cada novo fenômeno, nós reutilizamos regras existentes e as modificamos conforme necessário para tomada de decisão eficaz.

Por exemplo, se você estiver caminhando por uma trilha na floresta e encontrar um objeto cilíndrico no chão e desejar decidir seu próximo passo usando deep learning, será necessário reunir informações sobre diferentes características do objeto cilíndrico, categorizá-lo como uma possível ameaça (uma cobra) ou não ameaçador (uma corda) e agir com base nessa classificação.

Por outro lado, um humano provavelmente começaria a avaliar o objeto de uma distância, atualizando continuamente as informações e optando por uma decisão robusta extraída de uma “distribuição” de ações que se mostraram eficazes em situações análogas anteriores. Esta abordagem concentra-se em caracterizar ações alternativas em relação aos resultados desejados, em vez de prever o futuro – uma diferença sutil mas distinta.

PUBLICIDADE

Alcançar a AGI pode exigir a divergência de deduções preditivas para aprimorar uma capacidade indutiva de “e se…?” quando a previsão não é viável.

A tomada de decisões sob profunda incerteza é um caminho a seguir?

Métodos de tomada de decisão sob profunda incerteza (DMDU) como a Tomada de Decisão Robusta podem fornecer um quadro conceitual para realizar o raciocínio da AGI sobre escolhas. Métodos de DMDU analisam a vulnerabilidade de decisões alternativas potenciais em vários cenários futuros sem exigir re-treinamento constante em novos dados. Eles avaliam decisões identificando fatores críticos comuns entre aquelas ações que não atendem aos critérios de resultado predeterminados.

O objetivo é identificar decisões que demonstrem robustez – a capacidade de se sair bem em diversos futuros. Enquanto muitas abordagens de deep learning priorizam soluções otimizadas que podem falhar quando enfrentam desafios imprevistos (como sistemas de suprimento otimizados just-in-time fizeram diante do COVID-19), os métodos de DMDU valorizam alternativas robustas que podem trocar a otimalidade pela capacidade de alcançar resultados aceitáveis em muitos ambientes. Os métodos de DMDU oferecem um quadro conceitual valioso para o desenvolvimento de IA capaz de navegar pelas incertezas do mundo real.

PUBLICIDADE

Leia também:

Procurando uma ferramenta de Inteligência Artificial para facilitar a sua vida? Neste guIA, você navega por um catálogo de robôs movidos a IA e conhece suas funcionalidades. Confira a avaliação que a nossa equipe de jornalistas deu para elas!

Rolar para cima