More

    Principais cientistas da computação debatem os próximos passos para IA em 2021


    A década de 2010 foi enorme para a inteligência artificial, graças aos avanços no aprendizado profundo, um ramo da IA ​​que se tornou viável devido à crescente capacidade de coletar, armazenar e processar grandes quantidades de dados. Hoje, o aprendizado profundo não é apenas um tópico de pesquisa científica, mas também um componente-chave de muitas aplicações diárias.

    Mas uma década de pesquisa e aplicação deixou claro que, em seu estado atual, o aprendizado profundo não é a solução final para resolver o desafio sempre elusivo de criar IA em nível humano.

    O que precisamos para levar a IA para o próximo nível? Mais dados e redes neurais maiores? Novos algoritmos de aprendizado profundo? Outras abordagens além do aprendizado profundo?

    Este é um tópico que tem sido muito debatido na comunidade de IA e foi o foco de uma discussão online que Montreal.AI realizou na semana passada. Intitulado “Debate 2 da IA: Avançando na IA: uma abordagem interdisciplinar”, o debate contou com a presença de cientistas de várias origens e disciplinas.

    Inteligência artificial híbrida

    O cientista cognitivo Gary Marcus, que co-hospedou o debate, reiterou algumas das principais deficiências do aprendizado profundo, incluindo requisitos excessivos de dados, baixa capacidade de transferência de conhecimento para outros domínios, opacidade e falta de raciocínio e representação do conhecimento.

    Marcus, que é um crítico ferrenho das abordagens somente de aprendizado profundo, publicou um artigo no início de 2020 no qual sugeriu uma abordagem híbrida que combina algoritmos de aprendizado com software baseado em regras.

    Outros palestrantes também apontaram a inteligência artificial híbrida como uma possível solução para os desafios que o aprendizado profundo enfrenta.

    “Uma das principais questões é identificar os blocos de construção da IA ​​e como torná-la mais confiável, explicável e interpretável”, disse o cientista da computação Luis Lamb.

    Lamb, que é co-autor do livro Raciocínio Cognitivo Neural-Simbólico, propôs uma abordagem fundamental para IA neural-simbólica que é baseada na formalização lógica e no aprendizado de máquina.

    “Usamos a representação lógica e de conhecimento para representar o processo de raciocínio que [it] está integrado a sistemas de aprendizado de máquina para que possamos reformar o aprendizado neural de forma eficaz usando maquinário de aprendizado profundo ”, disse Lamb.

    Inspiração da evolução

    Fei-fei Li, professor de ciência da computação na Universidade de Stanford e ex-cientista-chefe de IA do Google Cloud, destacou que, na história da evolução, a visão tem sido um dos principais catalisadores para o surgimento da inteligência nos seres vivos. Da mesma forma, o trabalho com classificação de imagens e visão computacional ajudou a desencadear a revolução do aprendizado profundo na última década. Li é o criador do ImageNet, um conjunto de dados de milhões de imagens rotuladas usado para treinar e avaliar sistemas de visão computacional.

    “Como cientistas, nos perguntamos: qual é a próxima estrela do norte?” Li disse. “Há mais de um. Tenho sido extremamente inspirado pela evolução e desenvolvimento. ”

    Li apontou que a inteligência em humanos e animais emerge da percepção ativa e da interação com o mundo, uma propriedade que falta nos sistemas de IA atuais, que dependem de dados com curadoria e rotulados por humanos.

    “Há um ciclo fundamentalmente crítico entre percepção e atuação que impulsiona o aprendizado, a compreensão, o planejamento e o raciocínio. E esse loop pode ser melhor realizado quando nosso agente de IA pode ser incorporado, pode discar entre ações exploratórias e exploratórias, é multimodal, multitarefa, generalizável e, muitas vezes, social ”, disse ela.

    Em seu laboratório de Stanford, Li está atualmente trabalhando na construção de agentes interativos que usam percepção e atuação para entender o mundo.

    O pesquisador da OpenAI Ken Stanley também discutiu as lições aprendidas com a evolução. “Existem propriedades da evolução na natureza que são tão profundamente poderosas e não são explicadas algoritmicamente ainda porque não podemos criar fenômenos como o que foi criado na natureza”, disse Stanley. “Essas são propriedades que devemos continuar a perseguir e entender, e essas são propriedades não apenas na evolução, mas também em nós mesmos.”

    Aprendizagem por reforço

    O cientista da computação Richard Sutton apontou que, em grande parte, o trabalho com IA carece de uma “teoria computacional”, um termo cunhado pelo neurocientista David Marr, que é conhecido por seu trabalho sobre visão. A teoria computacional define qual objetivo um sistema de processamento de informações busca e por que busca esse objetivo.

    “Na neurociência, estamos perdendo um entendimento de alto nível do objetivo e dos propósitos da mente geral. Também é verdade na inteligência artificial – talvez mais surpreendentemente na IA. Há muito pouca teoria computacional no sentido de Marr em IA ”, disse Sutton. Sutton acrescentou que os livros muitas vezes definem IA simplesmente como “fazer com que as máquinas façam o que as pessoas fazem” e a maioria das conversas atuais sobre IA, incluindo o debate entre redes neurais e sistemas simbólicos, são “sobre como você consegue algo, como se já soubéssemos o que é é o que estamos tentando fazer. ”

    “Aprendizado por reforço é a primeira teoria computacional da inteligência”, disse Sutton, referindo-se ao ramo da IA ​​em que os agentes recebem as regras básicas de um ambiente e precisam descobrir maneiras de maximizar sua recompensa. “A aprendizagem por reforço é explícita sobre o objetivo, sobre o o que é e a porquês. Na aprendizagem por reforço, o objetivo é maximizar um sinal de recompensa arbitrário. Para isso, o agente deve calcular uma política, uma função de valor e um modelo gerador ”, disse Sutton.

    Ele acrescentou que o campo precisa desenvolver ainda mais uma teoria computacional de inteligência consensual e disse que o aprendizado por reforço é atualmente o candidato de destaque, embora ele tenha reconhecido que vale a pena explorar outros candidatos.

    Sutton é pioneira no aprendizado por reforço e autora de um livro didático seminal sobre o assunto. DeepMind, o laboratório de IA onde ele trabalha, está profundamente investido no “aprendizado por reforço profundo”, uma variação da técnica que integra redes neurais em técnicas básicas de aprendizado por reforço. Nos últimos anos, a DeepMind usou o aprendizado de reforço profundo para dominar jogos como Go, xadrez e StarCraft 2.

    Embora a aprendizagem por reforço tenha semelhanças impressionantes com os mecanismos de aprendizagem nos cérebros humanos e animais, ela também sofre dos mesmos desafios que atormentam a aprendizagem profunda. Os modelos de aprendizagem por reforço requerem treinamento extensivo para aprender as coisas mais simples e são rigidamente restritos ao domínio estreito em que são treinados. Por enquanto, o desenvolvimento de modelos de aprendizado por reforço profundo requer recursos de computação muito caros, o que torna as pesquisas na área limitadas a empresas com muitos recursos, como o Google, que possui a DeepMind, e a Microsoft, quase-proprietária da OpenAI.

    Integrando o conhecimento do mundo e o bom senso à IA

    O cientista da computação e vencedor do Prêmio Turing, Judea Pearl, mais conhecido por seu trabalho em redes bayesianas e inferência causal, enfatizou que os sistemas de IA precisam de conhecimento mundial e bom senso para fazer o uso mais eficiente dos dados que alimentam.

    “Acredito que devemos construir sistemas que combinem o conhecimento do mundo com os dados”, disse Pearl, acrescentando que os sistemas de IA baseados apenas na acumulação e processamento cego de grandes volumes de dados estão condenados ao fracasso.

    O conhecimento não surge dos dados, disse Pearl. Em vez disso, empregamos as estruturas inatas em nossos cérebros para interagir com o mundo e usamos os dados para interrogar e aprender com o mundo, como testemunhado em recém-nascidos, que aprendem muitas coisas sem serem explicitamente instruídos.

    “Esse tipo de estrutura deve ser implementado externamente aos dados. Mesmo se conseguirmos por algum milagre aprender essa estrutura a partir dos dados, ainda precisamos tê-la na forma que seja comunicável aos seres humanos ”, disse Pearl.

    O professor da Universidade de Washington, Yejin Choi, também destacou a importância do bom senso e os desafios que sua ausência apresenta aos sistemas de IA atuais, que se concentram em mapear dados de entrada para resultados.

    “Hoje sabemos como resolver um conjunto de dados sem resolver a tarefa subjacente com o aprendizado profundo”, disse Choi. “Isso se deve à diferença significativa entre IA e inteligência humana, especialmente o conhecimento do mundo. E o bom senso é uma das peças fundamentais que faltam. ”

    Choi também apontou que o espaço de raciocínio é infinito, e o raciocínio em si é uma tarefa generativa e muito diferente das tarefas de categorização para as quais os algoritmos de aprendizado profundo e benchmarks de avaliação são adequados. “Nunca enumeramos muito. Nós apenas raciocinamos rapidamente, e este será um dos desafios intelectuais fundamentais que podemos pensar no futuro ”, disse Choi.

    Mas como alcançamos o bom senso e o raciocínio em IA? Choi sugere uma ampla gama de áreas de pesquisa paralelas, incluindo a combinação de representações simbólicas e neurais, integrando conhecimento ao raciocínio e construindo referências que não são apenas categorização.

    Ainda não sabemos o caminho completo para o bom senso, disse Choi, acrescentando: “Mas uma coisa é certa é que não podemos simplesmente chegar lá tornando o edifício mais alto do mundo ainda mais alto. Portanto, GPT-4, -5 ou -6 pode não funcionar. ”

    VentureBeat

    A missão da VentureBeat é ser uma cidade quadrada digital para que os tomadores de decisões técnicas obtenham conhecimento sobre a tecnologia transformadora e façam transações. Nosso site oferece informações essenciais sobre tecnologias e estratégias de dados para orientá-lo à medida que lidera suas organizações. Convidamos você a se tornar um membro de nossa comunidade, para acessar:

    • informações atualizadas sobre os assuntos de seu interesse,
    • nossas newsletters
    • conteúdo líder de pensamento fechado e acesso com desconto a nossos eventos premiados, como o Transform
    • recursos de rede e muito mais.

    Torne-se um membro


    Artigos Recentes

    As lutas de transformação da IBM continuam com a receita de nuvem e IA caindo 4,5%

    Há alguns meses, na conferência Transform da CNBC, o CEO da IBM, Arvind Krishna, pintou o quadro de uma empresa em meio a...

    AirPods x AirPods Max

    A Apple já percorreu um longo caminho desde que incluiu pela primeira vez seus fones de ouvido redondos tradicionais na caixa do iPod...

    O ex-executivo da EA Peter Moore retorna aos jogos como vice-presidente sênior de esportes e entretenimento ao vivo da Unity

    Peter Moore deixou sua marca nos videogames como um dos chefes da Electronic Arts, Microsoft Xbox e Sega of America....

    Rival Peak reality show interativo atinge 22 milhões de visualizações

    O reality show interativo semelhante a um jogo Pico Rival se tornou um sucesso no Facebook, com mais de 22 milhões de visualizações...

    Artigos Relacionados

    DEIXE UMA RESPOSTA

    Por favor digite seu comentário!
    Por favor, digite seu nome aqui