O futuro não será feito por humanos ou máquinas sozinho - mas por ambos, trabalhando juntos. Tecnologias modeladas em como o cérebro humano funciona já estão aumentando as habilidades das pessoas, e só terá mais influência à medida que a sociedade se acostumar com essas máquinas cada vez mais capazes.

Os otimistas da tecnologia imaginaram um mundo com aumento da produtividade humana e da qualidade de vida, à medida que os sistemas de inteligência artificial assumem o controle da vida árdua e administrativa, beneficiando a todos. Pessimistas, por outro lado, alertaram que esses avanços podem ter um grande custo em empregos perdidos e vidas destruídas. E os criadores de medo temem que a IA possa eventualmente tornar os seres humanos obsoletos.

Contudo, as pessoas não são muito boas em imaginar o futuro. Nem a utopia nem o dia do Juízo Final são prováveis. No meu novo livro, "A revolução do aprendizado profundo, "meu objetivo era explicar o passado, presente e futuro desta área de rápido crescimento da ciência e tecnologia. Minha conclusão é que a IA tornará você mais inteligente, mas de maneiras que irão surpreendê-lo.

Reconhecendo padrões

O aprendizado profundo é a parte da IA ​​que mais progrediu na resolução de problemas complexos, como a identificação de objetos em imagens, reconhecer a fala de vários alto-falantes e processar o texto da maneira como as pessoas falam ou escrevem. O aprendizado profundo também se mostrou útil para identificar padrões nos conjuntos de dados cada vez maiores que estão sendo gerados a partir de sensores, dispositivos médicos e instrumentos científicos.

O objetivo dessa abordagem é encontrar maneiras de um computador representar a complexidade do mundo e generalizar a partir de experiências anteriores - mesmo que o que está acontecendo a seguir não seja exatamente o mesmo que aconteceu antes. Assim como uma pessoa pode identificar que um animal específico que ela nunca viu antes é na verdade um gato, algoritmos de aprendizado profundo podem identificar aspectos do que pode ser chamado de "gato" e extrair esses atributos de novas imagens de gatos.

Os métodos de aprendizagem profunda baseiam-se nos mesmos princípios que alimentam o cérebro humano. Por exemplo, o cérebro lida com muitos dados de vários tipos em muitas unidades de processamento ao mesmo tempo. Os neurônios têm muitas conexões entre si, e esses links se fortalecem ou enfraquecem dependendo de quanto são usados, estabelecendo associações entre entradas sensoriais e saídas conceituais.

A rede de aprendizagem profunda de maior sucesso é baseada na pesquisa da década de 1960 sobre a arquitetura do córtex visual, uma parte do cérebro que usamos para ver, e algoritmos de aprendizagem que foram inventados na década de 1980. Naquela época, os computadores ainda não eram rápidos o suficiente para resolver problemas do mundo real. Agora, no entanto, eles são.

Além disso, redes de aprendizagem foram colocadas umas sobre as outras, criando redes de conexões que se assemelham mais à hierarquia de camadas encontradas no córtex visual. Isso faz parte de uma convergência que ocorre entre a inteligência artificial e a biológica.

Aprendizagem profunda na vida real

O aprendizado profundo já está aumentando as capacidades humanas. Se você usa os serviços do Google para pesquisar na web, ou usar seus aplicativos para traduzir de um idioma para outro ou transformar a fala em texto, a tecnologia tornou você mais inteligente, ou mais eficaz. Recentemente, em uma viagem à China, um amigo falava inglês em seu telefone Android, que traduziu para o chinês falado para um motorista de táxi - assim como o tradutor universal em "Star Trek".

Estes e muitos outros sistemas já estão funcionando, ajudando você no seu dia a dia, mesmo que você não esteja ciente deles. Por exemplo, o aprendizado profundo está começando a assumir a leitura de imagens de raios-X e fotografias de lesões de pele para detecção de câncer. Em breve, seu médico local poderá detectar problemas que hoje são evidentes apenas para os melhores especialistas.

Mesmo quando você sabe que há uma máquina envolvida, você pode não entender a complexidade do que eles estão realmente fazendo:por trás da Alexa da Amazon está um bando de redes de aprendizagem profunda que reconhecem sua solicitação, peneire os dados para responder às suas perguntas e tomar medidas em seu nome.

Aprendizagem avançada

O aprendizado profundo tem sido altamente eficaz na resolução de problemas de reconhecimento de padrões, mas ir além disso requer outros sistemas cerebrais. Quando um animal é recompensado por uma ação, é mais provável que tome ações semelhantes no futuro. Os neurônios de dopamina nos gânglios da base do cérebro relatam a diferença entre as recompensas esperadas e recebidas, chamado de erro de previsão de recompensa, que é usado para mudar a força das conexões no cérebro que predizem recompensas futuras.

Combinando essa abordagem, chamado aprendizado por reforço, com deep learning pode dar aos computadores o poder de identificar possibilidades inesperadas. Ao reconhecer um padrão e, em seguida, responder a ele de uma forma que produza recompensas, as máquinas podem abordar comportamentos ao longo das linhas do que pode ser chamado de criatividade humana. Esta abordagem combinada é como a DeepMind desenvolveu um programa chamado AlphaGo, que em 2016 derrotou o grande mestre Lee Sedol e no ano seguinte venceu o campeão mundial de Go, Ke Jie.

Os jogos não são tão confusos quanto o mundo real, que está cheio de incertezas inconstantes. Massimo Vergassola da Universidade da Califórnia, San Diego, e recentemente usei o aprendizado por reforço para ensinar um planador em campo a voar como um pássaro em termas turbulentas. Sensores podem ser acoplados a pássaros reais para testar se eles usam os mesmos sinais e respondem da mesma maneira.

Apesar desses sucessos, os pesquisadores ainda não entendem completamente como o aprendizado profundo resolve esses problemas. Claro, também não sabemos como o cérebro os resolve.

Embora o funcionamento interno do cérebro possa permanecer indefinido, é apenas uma questão de tempo até que os pesquisadores desenvolvam uma teoria de aprendizado profundo. A diferença é que, ao estudar computadores, os pesquisadores têm acesso a todas as conexões e padrões de atividade da rede. O ritmo do progresso é rápido, with research papers appearing daily on arXiv. Surprising advances are eagerly anticipated this December at the Neural Information Processing Systems conference in Montreal, which sold out 8, 000 tickets in 11 minutes, leaving 9, 000 hopeful registrants on the waiting list.

There is a long way to go before computers achieve general human intelligence. The largest deep learning network today has only the power of a piece of human neural cortex the size of a rice grain. And we don't yet know how the brain dynamically organizes interactions between larger brain areas.

Nature already has that level of integration, creating large-scale brain systems capable of operating all aspects of the human body while pondering deep questions and completing complex tasks. Em última análise, autonomous systems may become as complex, joining the myriad living creatures on our planet.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.