No artigo seminal sobre IA, intitulado Computing Machinery and Intelligence, Alan Turing perguntou, famoso: “As máquinas podem pensar?” – ou, mais precisamente, as máquinas conseguem imitar com sucesso o pensamento?
70 anos depois, a resposta ainda é “não”, pois uma máquina não passou no teste de Turing.
Turing esclarece que ele está interessado em máquinas que “se destinam a realizar qualquer operação que possa ser feita por um computador humano”. Em outras palavras, ele está interessado em máquinas digitais complexas.
Porque a realização de uma máquina digital pensante é uma questão de evolução das máquinas, é motivo para começar no início da história da máquina.
Uma máquina é um dispositivo que funciona. Em termos de engenharia, trabalhar significa transferir energia de um objeto para outro. As máquinas permitem-nos aplicar mais força, e/ou fazê-lo com mais eficiência, resultando em mais trabalho.
Máquinas modernas – como o robô da Boston Dynamics acima, Atlas – usam centenas de peças, incluindo juntas hidráulicas, pistões, engrenagens, válvulas, e assim por diante para realizar tarefas complexas, tais como estabilização auto-corrigida, ou mesmo backflips.
Máquinas simples
No entanto, “máquinas simples” também se encaixam na nossa definição anterior, incluindo rodas, alavancas, roldanas, planos inclinados, cunhas e parafusos. Na verdade, todas as máquinas mecânicas são feitas de alguma combinação dessas seis máquinas simples.
Atlas não é apenas uma máquina mecânica, mas também digital.
Máquinas mecânicas simples têm milhões de anos de idade. Por exemplo, “ferramentas de corte de pedra são tão antigas quanto a sociedade humana”, e arqueólogos encontraram ferramentas de pedra “de 1,5 a 2 milhões de anos atrás”
Máquinas complexas
Combinações de máquinas simples poderiam ser usadas para fazer tudo desde um carrinho de mão a uma bicicleta até um robô mecânico.
De fato, os registros dos robôs mecânicos datam de mais de 3.000 anos atrás.
O texto taoísta Lieh-tzu, escrito no século V a.C., inclui um relato de um encontro muito anterior entre o Rei Mu da Dinastia Zhou (1023-957 a.C.) e um engenheiro chamado Yen Shi. Yen Shi apresentou ao rei um autómato mecânico em tamanho real, em forma humana:
“O rei olhou para a figura com espanto. Andou com passos rápidos, movendo a cabeça para cima e para baixo, para que qualquer um a tivesse tomado por um ser humano vivo. O artífice tocou seu queixo, e começou a cantar, perfeitamente em sintonia. Ele tocou sua mão, e começou a posar, mantendo o tempo perfeito… Quando a performance estava chegando ao fim, o robô piscou o olho e fez avanços para as damas presentes, e então o rei ficou incensado e teria mandado executar Yen Shi no local, se este último, com medo mortal, não tivesse imediatamente levado o robô aos pedaços para deixá-lo ver o que realmente era. E, de fato, acabou sendo apenas uma construção de couro, madeira, cola e verniz…”
O rei perguntou: “Pode ser que a habilidade humana esteja ao nível da do grande Autor da Natureza?”
Por outras palavras, a questão de Turing sobre se as máquinas podem imitar os humanos tem realmente milhares de anos.
Ao mesmo tempo, os cientistas gregos estavam a criar uma vasta gama de autómatos. Archytas (c. 428-347 BC) criou uma ave mecânica que podia voar cerca de 200 metros, descrita como um dispositivo voador artificial, movido a vapor, com a forma de uma ave.
“Archytas fez um modelo em madeira de uma pomba com tal engenhosidade mecânica e arte que voou”.
Alguns historiadores modernos acreditam que pode ter sido auxiliado pela suspensão de fios, mas em qualquer caso, foi uma clara tentativa de criar uma máquina.
Outro cientista grego, Daedalus, criou estátuas que se moviam:
“Dizia-se que Daedalus criou estátuas que eram tão realistas que podiam mover-se por si mesmas.”
O “primeiro relógio cuco” foi descrito no livro A Ascensão e Queda de Alexandria: Berço do Mundo Moderno (página 132):
“Em breve os relógios de Ctesibius foram abafados em torneiras e válvulas, controlando uma série de dispositivos desde sinos a fantoches a pombas mecânicas que cantavam para marcar a passagem de cada hora – o primeiro relógio de cuco!”
Atrás dos séculos, mais e mais engenhocas complexas foram usadas para criar autómatos, tais como máquinas movidas pelo vento.
Máquinas Mecânicas de Complexo Programável
Levou até ao século IX d.C. para a primeira máquina mecânica de complexo programável gravada:
“O desenho mais antigo conhecido de uma máquina programável é o tocador automático de flautas que foi descrito no século IX pelos irmãos Musa em Bagdad”
Este também foi descrito como “o instrumento que toca sozinho”. Um livro sobre estes dispositivos é guardado na Biblioteca do Vaticano.
Máquinas de Cálculo Mecânicas
Outro passo no longo caminho para a IA moderna foi a criação de calculadoras mecânicas.
A primeira calculadora mecânica foi construída por Wilhelm Schickard na primeira metade do século XVII, permitindo adição e multiplicação.
A próxima calculadora mecânica, construída por Blaise Pascal, também poderia realizar a subtração.
Estas máquinas inspiraram pensadores como Gottfried Wilhelm Leibniz a considerar a seguinte ideia:
“Se cada área da experiência humana pode ser compreendida através do pensamento matemático e se o pensamento é uma forma de cálculo e de cálculo pode ser mecanizado, então todas as questões sobre a realidade podem, em princípio, ser respondidas através de um cálculo executado por uma máquina.”
De muitas maneiras, isto é semelhante ao nosso conceito de Inteligência Geral Artificial de hoje.
A ideia de Leibniz era que uma caracteristica universalis, ou um programa lógico universal, poderia então responder a todas as perguntas sobre a realidade.
Máquinas de Cálculo Programáveis
Em 1833, Charles Babbage combinou a inovação do século IX das máquinas programáveis e a inovação do século XVII das máquinas de calcular para conceber um Motor Analítico: Uma máquina de calcular programável.
Babbage nunca conseguiu construir uma máquina completa, mas sua “técnica de cartões perfurados” foi mais tarde utilizada nas primeiras máquinas digitais.
Máquinas Digitais (Computadores)
A mudança dos computadores mecânicos para os digitais foi um salto enorme para chegarmos onde estamos hoje.
No final dos anos 30 a 40, vários computadores digitais surgiram, competindo para tomar o lugar como o “primeiro computador digital”
O ENIAC é amplamente considerado o primeiro computador digital, completando a construção em 1946, pois foi o primeiro que ficou totalmente funcional.
Outros computadores digitais incluíram o Colossus em 1943, que ajudou os quebradores de código britânicos a ler mensagens codificadas alemãs, e o computador ABC em 1942.
Progresso a partir daqui rapidamente acelerado, com avanços como o armazenamento de programas em memória, RAM, gráficos em tempo real e transistores sendo lançados em sucessão relativamente rápida.
Machine Learning
Finalmente, com o advento de máquinas digitais complexas, podemos abordar o assunto da aprendizagem de máquinas.
Como explorado no início, a ascensão das máquinas levou Alan Turing a perguntar, em 1950, “as máquinas podem pensar? Cinco anos depois, Dartmouth lançou um artigo seminal sobre IA, e os princípios fundamentais do campo permaneceram semelhantes desde então.
Em 1955, M.L. Minsky escreveu:
Uma “máquina pode ser ‘treinada’ por um processo de ‘tentativa e erro’ para adquirir uma das várias funções de input-output. Tal máquina, quando colocada em um ambiente apropriado e dado um critério de ‘sucesso’ ou ‘falha’ pode ser treinada para exibir um comportamento de ‘busca de objetivos’.”
Em outras palavras, algoritmos de aprendizagem de máquina constroem modelos matemáticos em “dados de treinamento” para tomar decisões, sem serem explicitamente programados para tomar essas decisões.
Essa é a diferença chave entre uma calculadora e a aprendizagem de máquina (ou IA): Uma calculadora, ou qualquer outra forma de autômatos, tem saída pré-determinada. A IA toma decisões probabilísticas em tempo real.
Uma máquina mecânica também tem limitações físicas muito mais estritas, em termos de quantos componentes da máquina (por exemplo, polias, alavancas, engrenagens) podem caber numa engenhoca, enquanto que a CPU de uma máquina digital moderna pode caber bilhões de transistores.
A verdadeira frase “aprendizagem da máquina” foi cunhada por Arthur Samuel em 1952, depois que ele desenvolveu um programa de computador para jogar damas usando a aprendizagem de damas.
Em 1957, Frank Rosenblatt criou o Mark I perceptron – um algoritmo de aprendizagem supervisionada de classificadores binários – com o propósito de reconhecimento de imagens.
Após apresentar seu trabalho à Marinha dos EUA em 1958, o The New York Times relatou:
O perceptron é “o embrião de um computador eletrônico que espera ser capaz de andar, falar, ver, escrever, reproduzir-se e ser consciente de sua existência”
Aven em 1958, os pesquisadores previam um dia de IA senciente.
Realizações posteriores incluíram redes neurais feedforward (como um perceptron, mas com múltiplas camadas), o algoritmo vizinho mais próximo em 67, retropropagação em computadores nos anos 70 (que agora é usado para treinar redes neurais profundas), impulsionando algoritmos no início dos anos 90, e LSTMs em 97.
Improvements Due to Data and Computing Power
No recente curso de inteligência artificial do pesquisador Andrew Ng, ele observa que não houve “quase nenhum progresso” em Inteligência Geral Artificial, mas que incrível progresso foi feito em “inteligência estreita” – funções input-output “que fazem uma coisa, como um alto-falante inteligente ou um carro que se dirige sozinho.”
A um alto nível, a IA ainda é sobre “aprender uma função que mapeia de x para y”.
Os incríveis avanços que vimos recentemente são principalmente devidos a uma explosão nos dados e na potência computacional, juntamente com dados melhores (de maior qualidade) e mais engenheiros de IA.
Mais dados e potência computacional aumentam naturalmente a precisão da maioria dos modelos de IA, especialmente em aprendizagem profunda.
A Democratização da IA
A par da evolução das arquiteturas de IA, do poder computacional e dos dados, a IA tomou recentemente um forte impulso na indústria, graças à proliferação de ferramentas de IA mais acessíveis.
A emergência de ferramentas que tornam as tecnologias mais acessíveis tem uma longa história. Por exemplo, a imprensa gráfica de Gutenberg democratizou o conhecimento no século XV.
Na era da Internet, ferramentas “sem código” como WordPress e Wix democratizaram a construção de sites.
Durante décadas após as propostas da IA nos anos 50, a IA foi em grande parte limitada à academia, sem ver muito uso prático.
Ferramentas como TensorFlow e Keras tornaram viável para mais empresas a implementação de IA, embora ainda sejam ferramentas tecnologicamente complicadas que requerem o uso de engenheiros de aprendizagem de máquinas altamente pagos.
Complicando esta questão de complexidade, uma escassez de profissionais de ciência de dados resulta em salários altíssimos para aqueles que podem criar sistemas de IA. Como resultado, grandes corporações como as FAANGs estão dominando grande parte da IA.
O surgimento de ferramentas de IA sem código como o Apteo reduz os custos iniciais, enquanto remove a necessidade de conhecimento técnico, permitindo uma IA verdadeiramente democratizada.
Sem código AI
Sem código AI ferramentas são o próximo passo lógico no caminho para democratizar a IA.
Os seres humanos fizeram ferramentas de corte de pedra há 2 milhões de anos para serem capazes de fazer mais trabalho do que com as mãos.
Hoje em dia, a IA torna-nos mais eficientes e pode fazer trabalho para nós, enquanto a IA sem código traz estes benefícios para todos.
Com o aumento das ferramentas de IA sem código, estamos a avançar para uma era de IA acessível.