O que é inteligência artificial geral?
Inteligência artificial geral (AGI) é um campo de pesquisa teórica de IA que tenta criar softwares com inteligência semelhante à humana e capacidade de autoensino. O objetivo é que o software seja capaz de realizar tarefas para as quais não é necessariamente treinado ou desenvolvido.
Todas as tecnologias atuais de inteligência artificial (IA) funcionam dentro de um conjunto de parâmetros predeterminados. Por exemplo, modelos de IA treinados em reconhecimento e geração de imagens não podem criar sites. A AGI é uma busca teórica para desenvolver sistemas de IA que possuem autocontrole autônomo, um grau razoável de autocompreensão e a capacidade de aprender novas habilidades. Ela pode resolver problemas complexos em ambientes e contextos que não lhe foram ensinados no momento de sua criação. A AGI com habilidades humanas continua sendo um conceito teórico e um objetivo de pesquisa.
Qual é a diferença entre a inteligência artificial comum e a inteligência artificial geral?
Pesquisadores em IA têm, ao longo de várias décadas, estabelecido marcos significativos que elevaram a inteligência das máquinas, alcançando em certas tarefas um patamar comparável à inteligência humana. Por exemplo, sistemas de IA que resumem textos empregam modelos de machine learning (ML) para extrair informações relevantes de documentos, gerando resumos compreensíveis. Assim, a inteligência artificial representa um campo da ciência da computação que permite que softwares executem tarefas inovadoras e complexas com uma performance equivalente à humana.
Por outro lado, um sistema de AGI é capaz de solucionar problemas em diversos campos, de forma similar a um ser humano, e sem necessidade de intervenção manual. Em vez de se limitar a um escopo específico, a AGI tem a capacidade de aprender por conta própria e resolver problemas para os quais nunca foi treinada. A AGI é, portanto, uma representação teórica de uma inteligência artificial completa que resolve tarefas complexas com habilidades cognitivas humanas generalizadas.
Há cientistas da computação que consideram a AGI como um programa computacional hipotético, dotado de compreensão e habilidades cognitivas humanas. De acordo com essas teorias, os sistemas de IA podem aprender a lidar com tarefas desconhecidas sem treinamento adicional. Em contrapartida, os sistemas de IA que utilizamos hoje precisam de um treinamento substancial antes de poderem lidar com tarefas relacionadas dentro do mesmo domínio. Como exemplo, é necessário ajustar um grande modelo de linguagem (LLM) pré-treinado com um conjunto de dados médicos para que atue de maneira consistente como um chatbot na área da saúde.
Comparação entre IA avançada e especializada
A Inteligência Artificial Avançada, ou AGI, é capaz de realizar tarefas com um nível de cognição humano, mesmo sem um treinamento específico para tal. Na ficção científica, essa IA Avançada é apresentada como uma máquina que pensa com uma compreensão humana, não se limitando a áreas de conhecimento específicas.
Por sua vez, a IA de função específica, ou Inteligência Artificial Especializada, opera dentro dos limites das suas especificações computacionais, algoritmos e tarefas para as quais foi desenvolvida. Por exemplo, os modelos anteriores de IA têm memória limitada e dependem apenas de dados em tempo real para tomar decisões. Até aplicações recentes de IA generativa, com uma memória mais aprimorada, são consideradas como IA especializada, pois não são adaptáveis a outros domínios.
Quais são as abordagens teóricas da pesquisa em inteligência artificial geral?
Alcançar a AGI exige um espectro mais amplo de tecnologias, dados e interconectividade do que o que impulsiona os modelos de IA atuais. Criatividade, percepção, aprendizado e memória são essenciais para criar uma IA que imite o comportamento humano complexo. Especialistas em IA propuseram vários métodos para conduzir a pesquisa de AGI.
Simbólico
A abordagem simbólica pressupõe que os sistemas de computador podem desenvolver AGI representando pensamentos humanos com redes lógicas em expansão. A rede lógica simboliza objetos físicos com uma lógica if-else, permitindo que o sistema de IA interprete ideias em um nível de pensamento mais alto. No entanto, a representação simbólica não pode replicar habilidades cognitivas sutis no nível inferior, como a percepção.
Conexionista
A abordagem conexionista (ou emergentista) se concentra na replicação da estrutura do cérebro humano com a arquitetura de rede neural. Os neurônios cerebrais podem alterar seus caminhos de transmissão à medida que os humanos interagem com estímulos externos. Os cientistas esperam que os modelos de IA que adotam essa abordagem sub-simbólica possam replicar a inteligência humana e demonstrar capacidades cognitivas de baixo nível. Grandes modelos de linguagem são um exemplo de IA que usa o método conexionista para entender linguagens naturais.
Universalistas
Os pesquisadores que adotam a abordagem universalista se concentram em abordar as complexidades da AGI no nível de cálculo. Eles tentam formular soluções teóricas que possam ser reutilizadas em sistemas práticos de AGI.
Arquitetura de todo o organismo
Toda a abordagem da arquitetura do organismo envolve a integração de modelos de IA com uma representação física do corpo humano. Os cientistas que apoiam essa teoria acreditam que a AGI só é possível quando o sistema aprende com as interações físicas.
Híbrida
A abordagem híbrida estuda métodos simbólicos e sub-simbólicos de representar pensamentos humanos para alcançar resultados além de uma única abordagem. Pesquisadores de IA podem tentar assimilar diferentes princípios e métodos conhecidos para desenvolver AGI.
Quais são as tecnologias que impulsionam a pesquisa em inteligência geral artificial?
A AGI continua sendo uma meta distante para os pesquisadores. Os esforços para construir sistemas AGI são contínuos e incentivados por desenvolvimentos emergentes. As seções a seguir descrevem as tecnologias emergentes.
Aprendizado profundo
O aprendizado profundo é uma disciplina de IA que se concentra no treinamento de redes neurais com várias camadas ocultas para extrair e entender relacionamentos complexos de dados brutos. Os especialistas em IA usam o aprendizado profundo para criar sistemas capazes de entender texto, áudio, imagens, vídeo e outros tipos de informações. Por exemplo, os desenvolvedores usam o Amazon SageMaker para criar modelos leves de aprendizado profundo para a Internet das Coisas (IoT) e dispositivos móveis.
IA generativa
A inteligência artificial generativa (IA generativa) é um subconjunto do aprendizado profundo em que um sistema de IA pode produzir conteúdo exclusivo e realista a partir do conhecimento aprendido. Os modelos de IA generativa treinam com conjuntos de dados massivos, o que permite que eles respondam a consultas humanas com texto, áudio ou imagens que naturalmente se assemelham a criações humanas. Por exemplo, LLMs da AI21 Labs, Anthropic, Cohere e Meta são algoritmos de IA generativa que as organizações podem usar para resolver tarefas complexas. As equipes de software usam o Amazon Bedrock para implantar esses modelos rapidamente na nuvem sem provisionar servidores.
NLP
O processamento de linguagem natural (PLN) é uma área da IA que possibilita aos sistemas computacionais compreender e produzir a linguagem humana. Os sistemas de PLN usam linguística computacional e tecnologias de machine learning para transformar dados de linguagem em representações simples chamadas tokens e entender sua relação contextual. Por exemplo, o Amazon Lex é um mecanismo de PLN que permite que organizações desenvolvam chatbots de IA conversacional .
Visão computacional
A visão computacional é uma tecnologia que permite que os sistemas extraiam, analisem e compreendam informações espaciais a partir de dados visuais. Os carros autônomos usam modelos de visão computacional para analisar os feeds em tempo real das câmeras e conduzir o veículo com segurança, longe de obstáculos. As tecnologias de aprendizado profundo permitem que os sistemas de visão computacional automatizem o reconhecimento, a classificação, o monitoramento e outras tarefas de processamento de imagens em grande escala. Por exemplo, engenheiros usam o Amazon Rekognition para automatizar a análise de imagens para vários aplicações de visão computacional.
Robótica
A robótica é uma disciplina de engenharia em que as organizações podem construir sistemas mecânicos que realizam manobras físicas automaticamente. Na AGI, os sistemas robóticos permitem que a inteligência da máquina se manifeste fisicamente. Isso é fundamental para introduzir as capacidades de percepção sensorial e manipulação física que os sistemas AGI exigem. Por exemplo, incorporar um braço robótico com AGI pode permitir que o braço sinta, agarre e descasque laranjas como os humanos. Ao pesquisar a AGI, as equipes de engenharia usam o AWS RoboMaker para simular sistemas robóticos virtualmente antes de montá-los.
Quais os desafios na pesquisa sobre inteligência geral artificial?
Cientistas da computação enfrentam diversos desafios no desenvolvimento da AGI, os quais abordaremos a seguir.
Estabelecimento de conexões
Os modelos de IA atuais estão limitados ao seu domínio específico e não fazem conexões entre domínios. Por outro lado, os humanos têm a habilidade de aplicar conhecimentos e experiências de um domínio a outro. Por exemplo, teorias educacionais são aplicadas no design de jogos para criar experiências de aprendizado mais envolventes. Os humanos também podem adaptar o que aprendem na educação teórica às situações da vida real. No entanto, os modelos de aprendizado profundo exigem treinamento extensivo com conjuntos de dados específicos para que trabalhem de forma confiável com dados desconhecidos.
Inteligência emocional
Os modelos de aprendizado profundo sugerem a viabilidade da existência de uma AGI, mas até o momento não foram capazes de emular a autêntica criatividade inerente aos humanos. A criatividade requer um aspecto emocional, algo que as arquiteturas de redes neurais ainda não conseguem reproduzir. Por exemplo, os humanos respondem a uma conversa com base no que sentem emocionalmente, mas os modelos de PLN geram um resultado com base nos conjuntos de dados e padrões linguísticos que foram treinados.
Percepção sensorial
Para que a AGI seja alcançada, é necessário que os sistemas de IA interajam fisicamente com o ambiente externo. Além das habilidades robóticas, o sistema deve perceber o mundo assim como os seres humanos. Serão necessários avanços substanciais para que as tecnologias computacionais atuais possam alcançar níveis de percepção comparáveis às habilidades humanas, como diferenciação de formas, cores, sabores, odores e sons.
Como a AWS pode ajudar em seus esforços de IA e AGI?
A AWS fornece serviços gerenciados de inteligência artificial que ajudam você a treinar, implantar e escalar aplicações de IA generativa. As organizações usam nossas ferramentas de IA e modelos fundamentais para inovar sistemas de IA com seus próprios dados para casos de uso personalizados.
- O Amazon Bedrock é um serviço totalmente gerenciado no qual os desenvolvedores podem usar chamadas de API para acessar os modelos de IA generativa que eles implantam. Você pode selecionar, personalizar, treinar e implantar modelos fundamentais líderes do setor no Bedrock para trabalhar com dados proprietários.
- O Amazon SageMaker Jumpstart ajuda as equipes de software a acelerar o desenvolvimento de IA criando, treinando e implantando modelos fundamentais em um hub de aprendizado de máquina.
- Use o Amazon Elastic Compute Cloud UltraClusters para potencializar seus workloads de IA generativas com GPUs de supercomputação para processar grandes conjuntos de dados com baixa latência.
Comece a usar o AGI inscrevendo-se em uma conta da AWS hoje mesmo
Próximas etapas na AWS
Obtenha acesso instantâneo ao nível gratuito da AWS.
