O que é a inteligência artificial geral (AGI)?

A inteligência artificial geral (AGI) é um campo de pesquisa teórica em IA que busca criar softwares com inteligência semelhante à humana e com a habilidade de aprender por conta própria. O objetivo é que o software seja capaz de realizar tarefas para as quais não foi necessariamente treinado ou desenvolvido. 

Todas as tecnologias atuais de inteligência artificial funcionam dentro de um conjunto de parâmetros determinados previamente. Por exemplo, modelos de IA treinados em reconhecimento e geração de imagens não conseguem desenvolver sites. A AGI é uma iniciativa teórica para o desenvolvimento de sistemas de IA que detêm autocontrole autônomo, um nível razoável de autoconhecimento e a habilidade de adquirir novas competências. Ela é capaz de solucionar problemas complexos em ambientes e contextos para os quais não recebeu treinamento na época de sua criação. A AGI com capacidades humanas continua sendo um conceito teórico e uma meta de pesquisa.

Nas últimas décadas, pesquisadores de IA atingiram vários marcos que trouxeram avanços significativos à inteligência de máquina, até mesmo a níveis que imitam a inteligência humana em tarefas específicas. Por exemplo, ferramentas de resumo por IA usam modelos de machine learning (ML) para extrair pontos relevantes de documentos e criar um resumo de fácil compreensão. Dessa forma, a IA consiste em uma disciplina da ciência da computação que capacita o software a solucionar tarefas inéditas e complexas com uma performance equivalente ao ser humano. 

Em contrapartida, um sistema de AGI consegue solucionar problemas em vários domínios, tal como um ser humano, sem a necessidade de intervenção manual. Em vez de estar limitada a um escopo específico, a AGI consegue realizar o autoaprendizado e solucionar problemas para os quais jamais recebeu treinamento. A AGI é, portanto, uma representação teórica de uma inteligência artificial completa que resolve tarefas complexas com habilidades cognitivas humanas generalizadas. 

Alguns cientistas da computação acreditam que a AGI seja um programa computacional hipotético dotado de compreensão e capacidades cognitivas humanas. De acordo com essas teorias, os sistemas de IA conseguem aprender a lidar com tarefas pouco familiares sem a necessidade de treinamento adicional. Por outro lado, os sistemas de IA que usamos atualmente requerem um treinamento considerável antes de conseguirem executar tarefas relacionadas dentro de um mesmo domínio. Por exemplo, é necessário ajustar um grande modelo de linguagem (LLM) treinado previamente com conjuntos de dados médicos antes que ele possa operar de forma consistente como um chatbot para a área médica. 

Comparação entre IA de propósito geral e IA de propósito específico

A IA de propósito geral consiste na inteligência artificial completa, ou AGI, capaz de executar tarefas com níveis cognitivos similares aos humanos, mesmo com pouco conhecimento de base. A ficção científica frequentemente retrata a IA geral como uma máquina pensante dotada de compreensão humana e livre das limitações de domínios específicos. 

Em contrapartida, a IA de propósito específico ou IA restrita consiste em sistemas limitados às especificações computacionais, aos algoritmos e às tarefas específicas do projeto original. Por exemplo, os modelos de IA anteriores têm memórias limitadas e baseiam-se exclusivamente em dados em tempo real para a tomada de decisões. Até mesmo as novas aplicações de IA generativa, apesar da melhor retenção de memória, ainda são vistas como IA de propósito específico, visto que não podem ser adaptadas para outros domínios. 

A concretização da AGI exige um espectro mais amplo de tecnologias, dados e interconectividade do que o que alimenta os modelos de IA atualmente. A criatividade, a percepção, o aprendizado e a memória são essenciais para a criação de uma IA que imite o comportamento humano complexo. Os especialistas em IA propuseram diversos métodos para impulsionar a pesquisa de AGI. 

Simbólico

A abordagem simbólica pressupõe que sistemas computacionais podem desenvolver a AGI por meio da representação de pensamentos humanos com redes lógicas em expansão. A rede lógica simboliza objetos físicos com uma lógica “if-else”, o que permite ao sistema de IA a interpretação de ideias em um patamar de pensamento superior. Contudo, a representação simbólica é incapaz de realizar a replicação de habilidades cognitivas sutis de nível básico, como a percepção.

Conexionista

A abordagem conexionista, ou emergentista, concentra-se em replicar a estrutura do cérebro humano por meio de arquiteturas de redes neurais. Os neurônios cerebrais podem alterar seus caminhos de transmissão conforme os seres humanos interagem com estímulos externos. Os cientistas esperam que modelos de IA baseados nesta abordagem subsimbólica sejam capazes de replicar a inteligência humana e apresentar capacidades cognitivas de nível básico. Os grandes modelos de linguagem são um exemplo de IA que faz uso do método conexionista para a compreensão de linguagens naturais. 

Universalistas

Os pesquisadores que seguem a abordagem universalista concentram-se no tratamento das complexidades da AGI em nível computacional. Eles buscam a formulação de soluções teóricas passíveis de adaptação para sistemas práticos de AGI. 

Arquitetura do organismo como um todo

A abordagem da arquitetura do organismo como um todo envolve a integração de modelos de IA com uma representação física do corpo humano. Os cientistas que apoiam essa teoria acreditam que a IAG só é possível quando o sistema aprende com interações físicas. 

Híbrido

A abordagem híbrida estuda métodos simbólicos e subsimbólicos de representação do pensamento humano para alcançar resultados que vão além de uma única abordagem. Os pesquisadores de IA podem tentar assimilar diferentes princípios e métodos conhecidos para desenvolver a AGI.

A AGI continua sendo uma meta distante para os pesquisadores. As iniciativas para criar sistemas de AGI estão em andamento e são incentivadas por desenvolvimentos emergentes. As seções apresentadas a seguir descrevem tecnologias emergentes. 

Aprendizado profundo

O aprendizado profundo é uma disciplina de IA que se concentra no treinamento de redes neurais com vários níveis ocultos para extrair e compreender relacionamentos complexos de dados brutos. Os especialistas em IA usam o aprendizado profundo para desenvolver sistemas capazes de compreender textos, áudios, imagens, vídeos e outros tipos de informações. Por exemplo, os desenvolvedores usam o Amazon SageMaker para criar modelos de aprendizado profundo leves para a Internet das Coisas (IoT) e para os dispositivos móveis. 

IA generativa

A inteligência artificial generativa (IA generativa) é um subconjunto do aprendizado profundo no qual um sistema de IA pode gerar conteúdos únicos e realistas com base no conhecimento adquirido. Os modelos de IA generativa treinam com conjuntos de dados massivos, o que os possibilita responder a consultas humanas com texto, áudio ou recursos visuais que se assemelham naturalmente a criações humanas. Por exemplo, LLMs da AI21 Labs, da Anthropic, da Cohere e da 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 a necessidade de provisionar servidores. 

PLN

O processamento de linguagem natural (PLN) é uma vertente da IA que permite aos sistemas computacionais compreender e gerar linguagem humana. Os sistemas de NLP usam linguística computacional e tecnologias de machine learning para converter dados linguísticos em representações simples chamadas tokens e compreender sua relação contextual. Por exemplo, o Amazon Lex é um mecanismo de PLN que permite às organizações criar chatbots de IA conversacionais.  

Visão computacional

A visão computacional é uma tecnologia que permite aos sistemas extrair, analisar e compreender informações espaciais com base em dados visuais. Os carros autônomos usam modelos de visão computacional para analisar imagens em tempo real captadas por câmeras e navegar com segurança, desviando o veículo 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, os engenheiros usam o Amazon Rekognition para automatizar a análise de imagens para vários aplicações de visão computacional. 

Robótica

A robótica é uma disciplina da engenharia na qual as organizações podem desenvolver sistemas mecânicos que executam movimentos físicos automaticamente. Na AGI, os sistemas robóticos permitem que a inteligência da máquina se manifeste fisicamente. Isso é fundamental para introduzir as funcionalidades de percepção sensorial e de manipulação física que os sistemas de AGI exigem. Por exemplo, a incorporação de uma AGI em um braço robótico pode permitir que o braço sinta, agarre e descasque laranjas como os seres humanos fazem. Ao pesquisar sobre AGI, as equipes de engenharia usam o AWS RoboMaker para simular sistemas robóticos virtualmente antes de montá-los. 

Os cientistas da computação enfrentam alguns dos desafios apresentados a seguir ao desenvolver a AGI. 

Estabelecimento de conexões

Os modelos de IA atuais são limitados aos seus domínios específicos e não conseguem estabelecer conexões entre domínios. No entanto, os seres humanos podem aplicar o conhecimento e a experiência de um domínio a outro. Por exemplo, teorias educacionais são aplicadas ao projeto de jogos para a criação de experiências de aprendizagem envolventes. Os seres humanos também podem adaptar o que aprendem na educação teórica a situações da vida real. Entretanto, os modelos de aprendizado profundo requerem treinamento substancial com conjuntos de dados específicos para funcionarem de forma confiável com dados desconhecidos. 

Inteligência emocional

Os modelos de aprendizado profundo sugerem a possibilidade de uma IAG, mas ainda precisam demonstrar a criatividade autêntica inerente aos seres humanos. A criatividade requer pensamento emocional, algo que a arquitetura de redes neurais ainda não é capaz de replicar. Por exemplo, os seres humanos respondem a uma conversa baseando-se em suas percepções emocionais, mas modelos de PLN geram resultados de texto fundamentados nos conjuntos de dados e padrões linguísticos do treinamento. 

Percepção sensorial

A AGI requer que sistemas de IA tenham interação física com o meio externo. Além de capacidades robóticas, o sistema deve perceber o mundo como os humanos o percebem. As tecnologias computacionais atuais necessitam de maiores progressos para que sejam capazes de distinguir formas, cores, sabores, odores e sons com a mesma precisão que os seres humanos.  

A AWS fornece serviços gerenciados de inteligência artificial que auxiliam você a treinar, implantar e escalar aplicações de IA generativa. As organizações usam nossas ferramentas de IA e modelos de base para inovar em sistemas de IA com seus próprios dados para casos de uso personalizados.

• O Amazon Bedrock é um serviço totalmente gerenciado no qual desenvolvedores podem usar chamadas de API para acessar os modelos de IA generativa que eles implantam. É possível selecionar, personalizar, treinar e implantar modelos de base líderes do setor no Bedrock para trabalhar com dados proprietários. 
• O Amazon SageMaker Jumpstart ajuda equipes de software a acelerar o desenvolvimento de IA ao criar, treinar e implantar modelos de base em um hub de machine learning. 
• Use o Amazon Elastic Compute Cloud UltraClusters para potencializar as workloads de IA generativa com GPUs de supercomputação para o processamento de conjuntos de dados massivos com baixa latência.

Comece a usar a AGI ao se inscrever em uma conta da AWS hoje mesmo