DeepMind Gato — Caminho Para a AGI Restrita
Não acreditamos que seja possível generalizar a IA a partir desses modelos atuais de Deep Neural Networks. Já dissemos anteriormente que a única coisa que há em comum entre a Inteligência Biológica (BI) e a IA é o núcleo da origem das redes neurais artificiais, inspirado na biologia, e como também já dissemos, as redes neurais artificiais evoluíram num sentido muito diferente de como realmente funcionam as redes neurais naturais.
Também já vimos que, apesar de 100 bilhões de dólares investidos ao longo de aproximadamente uma década no desenvolvimento de carros autônomos, a velha promessa de robô-táxis ainda não foi cumprida, e que sequer sabemos se isso será possível, pois muito provavelmente há algo cognitivo envolvido na pilotagem de veículos que não é atingível por esses tipos de redes neurais limitadas e restringidas à aproximação de função, ao reconhecimento de padrões, etc., ou seja: uma coisa bem diferente da inteligência biológica — sem deixar de reconhecer que a pesquisa e o desenvolvimento de carros autônomos colheram resultados incríveis, com destaque aos resultados obtidos pela Tesla.
Também já falamos a respeito do Paradoxo de Moravec: atividades extremamente complexas para humanos são facilmente realizadas por IA, enquanto coisas que até uma criança é capaz de fazer, ainda é impossível para uma IA realizar. E mais do que expor o paradoxo, tentamos explica-lo: ainda estamos descobrindo que tipo de computação é a cognição, porém o pouco que sabemos a respeito é suficiente para explicar que as profundidades das coisas envolvidas em simples ações e julgamentos humanos, coisas que até crianças fazem, são coisas realmente muito mais complexas do que projetar e treinar uma IA restrita para jogar Go (uma “inteligência” que não sabe que Go é um jogo, ou pior, que sequer sabe o que é um jogo).
Aliás, ainda há ceticismo em relação à HLAI (IA de Nível Humano), a exemplo das objeções de Roger Penrose e de outros autores que, apesar de se estribarem em raciocínios abstratos demais, impõem um problema extremamente difícil de ser resolvido pelas pesquisas positivas: será que realmente podemos traduzir algoritmicamente todos os potenciais humanos? Roger Penrose, por exemplo, afirma que o pensamento não é algorítmico. Entretanto, nós asseveramos nossas antíteses, inclusive demonstrando as entranhas dos empenhos na solução destes problemas; empenhos que já apresentam ao menos os esboços de tais sofisticações algorítmicas. Há muitos estudos e pesquisas positivas, sejam indutivas, sejam interdisciplinares, sejam inspiradas na engenharia reversa da mente, que estão lançando forte luz nessas complexas relações entre a ciência cognitiva, a neurociência, as ciências sociais, a ciência da computação, etc., e tais estudos e pesquisas demonstram duas coisas: 1) que não será nada fácil solucionar o problema, e; 2) que já estamos solucionando-o, ou ao menos muitos pesquisadores, empresas e instituições de ensino e pesquisa estão se empenhando, se concentrando e se comprometendo com muita seriedade na pesquisa e no desenvolvimento da Teoria da IA Geral.
Recentemente a DeepMind (subsidiária da Google e um dos pináculos da pesquisa da IA) apresentou uma arquitetura que, segundo seus autores e especialistas do ramo, além de ser outro marco histórico da pesquisa da IA realizado pela mesma empresa (o anterior foi o AlphaGo), a arquitetura Gato é, também, um marco importante na direção da IA Geral, ou IA de Nível Humano (HLAI).
Vamos direto ao ponto (parte 1):
Sim. Sem dúvida é um marco histórico e há algo muito positivo neste projeto da DeepMind: a sua arquitetura realmente é generalista. Ou seja, os autores demonstram um único modelo de sequência neural capaz de realizar múltiplas tarefas. Vamos tentar simplificar que isso significa e sua importância: chamamos de ANI (IA Restrita) cada uma dessas inteligências artificiais usadas para realizar tarefas bem específicas, e assim temos implementado a IA ao longo dos anos, a exemplo do próprio AlphaGo — o modelo citado anteriormente; o primeiro marco histórico da DeepMind —, desenvolvido e treinado especificamente para jogar go, ou seja, uma máquina arquitetada sobre o método de Reinforcement Learning e que venceu num evento histórico o melhor jogador do mundo do intuitivo e até criativo jogo de go. E assim se sucede com todas as outras coisas: reconhecimento facial, robótica, arte generativa, linguagem natural, enfim, temos diferentes inteligências artificiais, cada uma projetada para realizar tarefas específicas. Mas nesse marco histórico mais recente da DeepMind, na verdade recentíssimo, vemos algo inédito: um único modelo, um único conjunto de pesos, que pode realizar N tarefas ao mesmo tempo.
Vamos direto ao ponto (parte 2):
Não. Essa única “inteligência” que realizou mais de 600 tarefas simultaneamente, a exemplo de escrever textos, identificar imagens, movimentar braços robóticos, se movimentar em ambientes virtuais e jogar os jogos de Atari, ainda não sabe o que é um jogo. A objeção de Roger Penrose continua impondo um enorme desafio no sentido da generalização da IA, e acreditamos que algo importante, inerente àquele problema sobre qual computação é a cognição, está sendo totalmente ignorado: temos um tremendo desafio até alcançarmos tal sofisticação algorítmica capaz de realizar simples ações humanas como pensar, compreender intenções entre agentes, desenvolver intuição sobre a física do mundo, etc., etc., ou mesmo manifestar aspectos da generalidade da inteligência humana em tarefas mais específicas.
No entanto, na arquitetura Gato pode estar a chave para o conceito de Ben Goertzel de “AGI Restrita” (Narrow AGI), o que nos motivou a escrever este artigo um mês antes da publicação da DeepMind.
Como exemplifica Ben Goertzel:
Uma AGI Restrita de pesquisa médica seria capaz de analisar qualquer tipo de conjunto de dados biológicos ou médicos, ler qualquer artigo de pesquisa biológica ou médica, operar qualquer tipo de equipamento de laboratório biológico controlado por computador, projetar novos experimentos biológicos ou médicos, fazer novas hipóteses científicas, escrever documentos sobre suas conclusões — e geralmente fazem tudo o que um pesquisador médico humano realmente bem qualificado pode fazer, enquanto está no trabalho.
Ainda pairam dúvidas se tal realização, a Gato, pode englobar todas essas tarefas com a mesma profundidade do exemplo de Goertzel. Mas sem dúvida pode ser o caminho nessa direção.
Assim, acreditamos que ao invés de pensar num único modelo capaz de realizar tantas tarefas simultâneas em domínios diferentes, devemos pensar num único modelo englobando as diferentes tarefas dentro de um único domínio, agindo em sinergia a fim de obter um único objetivo ao invés de objetivos diferentes como vencer nesse jogo de Atari, naquele outro, reconhecer e classificar imagens, interagir em chats, mover braços mecânicos, etc. Portanto, acreditamos que a ideia de um único modelo capaz de analisar dados biomédicos, interpretar e sumarizar artigos de pesquisa biomédica, controlar computadores e equipamentos laboratoriais, projetar experimentos, desenvolver hipóteses e apresentar suas conclusões, requerem uma afinação muito drástica de modelos como a Gato.
Assim, por um lado temos convicção que essa realização não altera muito os enormes desafios inerentes à generalização da IA, e acreditamos que outros estudos, outras iniciativas e pesquisas estão avançando com muito mais profundidade no desenvolvimento da Teoria da IA Geral, pois tais empreendimentos científicos consideram as relações interdisciplinares entre a computação, a ciência cognitiva, as ciências sociais e a neurociência e, ao contrário da DeepMind, tais pesquisas não estão restringidas ao aperfeiçoamento da aprendizagem de máquina. Por outro lado, acreditamos que essa arquitetura, mais notadamente o avanço realizado no âmbito da aprendizagem de máquina, pode ser aperfeiçoada e aplicada no desenvolvimento de iniciativas como a pesquisa médica usada como exemplo por Ben Goertzel na explicação de seu conceito de Narrow AGI.
