Fernando Alcoforado*
A leitura dos livros Artificial Intelligence de Jerry Kaplan (New York: Oxford University Press, 2016), Thinking Machines de Luke Dormehl (New York: Tarcher Perigee Book, 2017), Rise of the Robots de Martin Ford (New York: Basic Books, 2016) e Le mythe de la Singularité de Jean-Gabriel Ganascia (Paris: Éditions du Seuil, 2017) nos permitiu compreender a dimensão do avanço da inteligência artificial e de suas consequências para a humanidade que estão expostos nos parágrafos subsequentes.
Há muitas definições de inteligência artificial, mas muitas delas estão fortemente alinhadas com o conceito de criar programas de computador ou máquinas capazes de se comportar de forma inteligente como os seres humanos. Inteligência artificial (AI) é a capacidade de um computador digital ou um robô controlado por computador para executar tarefas comumente associadas a seres inteligentes. O termo é freqüentemente aplicado ao projeto de desenvolvimento de sistemas dotados dos processos intelectuais característicos dos humanos, como a capacidade de raciocinar, descobrir o significado, generalizar ou aprender com a experiência passada.
O que é Inteligência? Os psicólogos geralmente não caracterizam a inteligência humana apenas por uma característica, mas pela combinação de muitas habilidades diversas. A pesquisa em AI concentrou-se principalmente nos seguintes componentes da inteligência: aprendizagem, raciocínio, resolução de problemas, percepção e uso da linguagem. Quanto à aprendizagem, existem várias formas diferentes aplicadas à inteligência artificial. O mais simples é aprender por tentativa e erro. Por exemplo, um programa de computador simples para resolver problemas de jogo de xadrez O programa pode armazenar as soluções com a posição de uma das peças do xadrez, de modo que da próxima vez que o computador encontrar a mesma posição da mesma peça, ele lembraria as soluções adotadas. Esta simples memorização de itens e procedimentos individuais – conhecida como “rote learning” – é relativamente fácil de implementar em um computador. Mais desafiante é o problema de implementar o que é chamado de generalização. A generalização envolve a aplicação da experiência passada a situações novas análogas.
Raciocínio é a capacidade de extrair inferências adequadas à situação. As inferências são classificadas como dedutivas ou indutivas. Um exemplo de inferência dedutiva é o caso de acidentes anteriores que foram causados por falha em um componente do qual se deduz que o acidente foi causado pela falha deste componente. Na inferência dedutiva, a verdade das premissas garante a verdade da conclusão, enquanto que no caso indutivo a verdade da premissa presta apoio a conclusão sem dar uma garantia absoluta. O raciocínio indutivo é comum na ciência, onde os dados são coletados e os modelos tentativos são desenvolvidos para descrever e prever o comportamento futuro até que o aparecimento de dados anômalos forçe o modelo a ser revisado. O raciocínio dedutivo é comum em matemática e lógica, onde estruturas elaboradas de teoremas irrefutáveis são construídas a partir de um pequeno conjunto de axiomas e regras básicas.
A resolução de problemas, particularmente na inteligência artificial, pode ser caracterizada como uma busca sistemática através de uma série de possíveis ações para alcançar algum objetivo ou solução predefinida. Os métodos de resolução de problemas dividem-se em fins especiais e de propósito geral. Um método de propósito especial é feito sob medida para um problema específico e, muitas vezes, explora características muito específicas da situação em que o problema está embutido. Em contrapartida, um método de propósito geral é aplicável a uma grande variedade de problemas. Uma técnica de uso geral usada em AI é análise passo-a-passo ou incremental da diferença entre o estado atual e o objetivo final. O programa seleciona ações de uma lista de meios – no caso de um robô simples até atingir o objetivo.
Na percepção, o ambiente é escaneado por meio de vários órgãos sensoriais, reais ou artificiais, e a cena é decomposta em objetos separados em várias relações espaciais. A percepção é complicada porque o objeto pode parecer diferente dependendo do ângulo a partir do qual é visto, da direção e da intensidade da iluminação na cena e o objeto contrasta com o campo circundante. Atualmente, a percepção artificial é suficientemente avançada para permitir que sensores ópticos identifiquem indivíduos, veículos autônomos dirijam a velocidades moderadas na estrada aberta e robôs percorram edifícios coletando latas de refrigerante vazias. Um dos primeiros sistemas para integrar a percepção e a ação foi o FREDDY, um robô estacionário com um olho de televisão em movimento e uma mão de pinça, construída na Universidade de Edimburgo, na Escócia, durante o período 1966-73 sob a direção de Donald Michie. FREDDY foi capaz de reconhecer uma variedade de objetos e poderia ser instruído a montar artefatos simples, como um carro de brinquedo, de uma pilha aleatória de componentes.
Com relação ao uso da linguagem, é importante observar que uma linguagem é um sistema de sinais com significado por convenção. Nesse sentido, o idioma não precisa ser confinado à palavra falada. Os sinais de trânsito, por exemplo, formam uma minilíngua, sendo uma questão de convenção que {símbolo de perigo} significa “perigo à frente” em alguns países. Uma característica importante das linguagens humanas com os sinais de trânsito percepção é complicada pelo fato de que um objeto pode parecer diferente dependendo do ângulo – é a produtividade desses. Uma linguagem produtiva pode formular uma variedade ilimitada de frases. É relativamente fácil escrever programas de computador que parecem capazes, em contextos severamente restritos, responder com fluência em linguagem humana a perguntas e declarações. Embora nenhum desses programas realmente entenda a linguagem, eles podem, em princípio, chegar ao ponto em que seu domínio de uma linguagem é indistinguível daquele de um ser humano normal.
Desde o desenvolvimento do computador digital na década de 1940, foi demonstrado que os computadores podem ser programados para realizar tarefas muito complexas – como, por exemplo, descobrir provas para teoremas matemáticos ou jogar xadrez – com grande proficiência. Ainda assim, apesar dos progressos contínuos na velocidade e na capacidade de memória do processamento de computadores, ainda não existem programas que possam combinar a flexibilidade humana em domínios mais amplos ou em tarefas que exigem muito conhecimento diário. Por outro lado, alguns programas alcançaram os níveis de desempenho de especialistas e profissionais humanos na realização de certas tarefas específicas, de modo que a inteligência artificial neste sentido limitado é encontrada em aplicações tão diversas como, por exemplo, diagnóstico médico e reconhecimento de voz.
O aprendizado de máquina (machine learning) é um campo de ciência da computação que dá aos computadores a capacidade de aprender sem serem explicitamente programados. Arthur Samuel, um pioneiro norte-americano no campo de jogos de computador e inteligência artificial, cunhou o termo “Aprendizado de máquinas” em 1959, quando trabalhava na IBM. Evoluído a partir do estudo do reconhecimento de padrões e da teoria da aprendizagem computacional na inteligência artificial, o aprendizado de máquina explora o estudo e a construção de algoritmos que podem aprender e fazer previsões sobre os dados. Esses algoritmos superam seguindo instruções estritamente estáticas do programa fazendo previsões ou decisões baseadas em dados, através da construção de um modelo a partir de entradas de amostra. O aprendizado de máquina é empregado em uma variedade de tarefas de computação como a filtragem de e-mail, detecção de intrusos de rede ou iniciantes mal-intencionados que trabalham para uma violação de dados, reconhecimento óptico de caracteres aprendendo a classificação e visão por computador.
O aprendizado de máquina está intimamente relacionado com as estatísticas computacionais (e muitas vezes se sobrepõem), que também se concentra na criação de previsão através do uso de computadores. Tem fortes laços com a otimização matemática, que fornece métodos, teoria e domínios de aplicação ao campo.
Na análise de dados, o aprendizado de máquina é um método usado para conceber modelos e algoritmos complexos que se prestam à predição. Em uso comercial, isso é conhecido como análise preditiva. Esses modelos analíticos permitem que pesquisadores, cientistas de dados, engenheiros e analistas “produzam decisões e resultados confiáveis e repetíveis” e descobrem “insights ocultos” através da aprendizagem de relacionamentos históricos e tendências nos dados.
Em 1950, o cientista da computação britânico Alan Turing já especulava sobre o surgimento de máquinas pensantes (thinking machines) em sua obra “Computing Machinery and Intelligence”, e o termo “inteligência artificial” foi cunhado, em 1956, pelo cientista John McCarthy. Após alguns avanços significativos nos anos 1950 e 1960, quando foram criados laboratórios de inteligência artificial em Stanford e no Instituto de Tecnologia de Massachussets (MIT, na sigla em inglês), ficou claro que a tarefa de criar uma máquina assim seria mais difícil do que se pensava. Veio então o chamado “inverno da inteligência artificial”, um período sem grandes descobertas nesta área e com uma forte redução no financiamento de suas pesquisas.
Na década de 1990, a comunidade dedicada à inteligência artificial deixou de lado uma abordagem baseada na lógica, que envolvia criar regras para orientar um computador como agir, para uma abordagem estatística, usando bases de dados e pedindo para a máquina analisá-los e resolver problemas por conta própria. Especialistas acreditam que a inteligência das máquinas se equiparará à de humanos até 2050, graças a uma nova era na sua capacidade de aprendizado. Computadores já estão começando a assimilar informações a partir de dados coletados, da mesma forma que crianças aprendem com o mundo ao seu redor. Isso significa que estamos criando máquinas que podem ensinar a si mesmas a participar de jogos de computador – e ser muito boas neles – e também a se comunicar simulando a fala humana, como acontece com os smartphones e seus sistemas de assistentes virtuais.
A imediata consequência do progresso da inteligência artificial é o avanço do desemprego. Este efeito social negativo é inevitável porque resulta de forças econômicas que estão fora de controle. A inteligência artificial é positiva para o capitalista que faz uso dela porque passaria a enfrentar seus concorrentes de forma mais competitiva haja vista que proporcionaria, entre outras vantagens, o aumento de sua produtividade e a redução de seus custos. No entanto, seria, também, extremamente negativa para o capitalista porque tende a reduzir a renda à disposição da massa dos trabalhadores excluídos da produção contribuindo, desta forma, para a queda na demanda de produtos e serviços. A grande ameaça da inteligência artificial é a de que ela poderá conduzir à extinção da raça humana, segundo o cientista Stephen Hawking que publicou artigo abordando esta questão em 1º de maio de 2014 no jornal The Independent. Hawking afirma que as tecnologias se desenvolvem em um ritmo tão vertiginoso que elas se tornarão incontroláveis ao ponto de colocar a humanidade em perigo. Hawking conclui: hoje, haveria tempo de parar; amanhã seria tarde demais.
*Fernando Alcoforado, 78, membro da Academia Baiana de Educação e da Academia Brasileira Rotária de Letras – Seção da Bahia, engenheiro e doutor em Planejamento Territorial e Desenvolvimento Regional pela Universidade de Barcelona, professor universitário e consultor nas áreas de planejamento estratégico, planejamento empresarial, planejamento regional e planejamento de sistemas energéticos, é autor dos livros Globalização (Editora Nobel, São Paulo, 1997), De Collor a FHC- O Brasil e a Nova (Des)ordem Mundial (Editora Nobel, São Paulo, 1998), Um Projeto para o Brasil (Editora Nobel, São Paulo, 2000), Os condicionantes do desenvolvimento do Estado da Bahia (Tese de doutorado. Universidade de Barcelona,http://www.tesisenred.net/handle/10803/1944, 2003), Globalização e Desenvolvimento (Editora Nobel, São Paulo, 2006), Bahia- Desenvolvimento do Século XVI ao Século XX e Objetivos Estratégicos na Era Contemporânea (EGBA, Salvador, 2008), The Necessary Conditions of the Economic and Social Development- The Case of the State of Bahia (VDM Verlag Dr. Müller Aktiengesellschaft & Co. KG, Saarbrücken, Germany, 2010), Aquecimento Global e Catástrofe Planetária (Viena- Editora e Gráfica, Santa Cruz do Rio Pardo, São Paulo, 2010), Amazônia Sustentável- Para o progresso do Brasil e combate ao aquecimento global (Viena- Editora e Gráfica, Santa Cruz do Rio Pardo, São Paulo, 2011), Os Fatores Condicionantes do Desenvolvimento Econômico e Social (Editora CRV, Curitiba, 2012), Energia no Mundo e no Brasil- Energia e Mudança Climática Catastrófica no Século XXI (Editora CRV, Curitiba, 2015), As Grandes Revoluções Científicas, Econômicas e Sociais que Mudaram o Mundo (Editora CRV, Curitiba, 2016) e A Invenção de um novo Brasil (Editora CRV, Curitiba, 2017).
Site Title 