De São Paulo, SP.

GAFAM é o acrônimo em inglês usado para se referir aos gigantes da tecnologia em geral e em particular, às cinco grandes dos EUA nascidas entre o fim do século XX e início do século XXI, que dominam o mundo digital: Google, Apple, Facebook, Amazon e Microsoft.

Ao longo dos últimos quinze anos convivemos com a presença dessas gigantes, cuja capitalização de mercado atinge a casa dos trilhões de US$ e alcançam bilhões de usuários mundo afora.

Essa turma - que redefiniu nossas vidas, a forma que trabalhamos e o próprio tecido social – reinou suprema, aparentemente, com nenhuma competição que os destronasse.

Passado o Covid-19 e fechadas as cortinas de 2022, surgiram distúrbios na força e evidentes sinais de fragilidade.

A capitalização de mercado do Facebook - ninguém se acostuma a chamá-lo de Meta - tomou um tombo: de US$ 1,07 trilhões para US$ 560 bilhões. A dependência que a Apple tem da China, onde suas plantas de baixo custo foram fincadas, virou uma verdadeira bomba relógio e o Google está na iminência de se tornar irrelevante da noite para o dia, com a súbita chegada de ferramentas de inteligência artificial.

Todo mundo pensou que essa galera tinha tudo sob controle, calmamente sugando o $$$ de todos os segmentos da economia, protegidos por uma impenetrável barreira de entrada, no entanto, esses gigantes podem estar chegando ao fim ...  

Google: um mecanismo de busca? Nana nina não!

Fundada em 1998 por Larry Page e Sergey Brin, durante um curso de PhD na Universidade de Stanford e reagrupada na holding chamada Alphabet, a empresa se tornou conhecida pelo “me pergunte qualquer coisa”, na Internet.

Famosa por seu home page totalmente branco com uma caixa de busca debaixo do logotipo, foi a primeira empesa a levar ao extremo um modelo de negócios totalmente baseado em anúncios, no qual os usuários são o produto e os verdadeiros clientes são companhias tentando vender qualquer coisa, de brinquedos sexuais a planos de previdência complementar.

O Google nunca se esforçou realmente para criar algo novo. Tentou imitar o pacote Office da Microsoft, só que online, criou o G-mail, mas seu core business permaneceu o mesmo: um mecanismo de busca

O Google, no entanto, é mais conhecido por ter lançado no mercado e matado centenas de produtos e serviços. Vão de TV, a radio, telefone celular, jogos, rede social etc. Os caras tentaram de tudo.  

Tem até uma página na Internet que faz um tributo aos 280 produtos e serviços mortos pelo Google. É a “Killed by Google” (morto pelo Google), link: aqui

Só que as coisas estão mudando – alô, fundos de pensão! Como você já deve ter visto à essa altura, o ChatGPT, oferecido gratuitamente na versão beta pela OpenAI, está causando marolas.

Essa incrível ferramenta de inteligência artificial fala com você via browser de Internet, responde suas perguntas, fornece um programa para seu website, cria roteiro de filmes, pede desculpas quando erra ...

O ChatGPT não está sozinho, é apenas uma das soluções precursoras de uma tecnologia que promete causar disruptura em um sem-número de negócios incumbentes.

Alerta vermelho no Google

Se a luz vermelha acendeu na Alphabet, não é porque eles não tenham visto a ameaça chegar. O Google é atualmente um dos maiores investidores em pesquisa de IA, machine learning e chatbots. Além disso, por trás do ChatGPT roda uma tecnologia desenvolvida pela divisão de pesquisas do próprio Google, chamada LaMDA – Language Model for Dialogue Applications.

O problema do Google não está no ChatGPT nem nas soluções derivadas da tecnologia de IA propriamente dita, mas sim no seu modelo de negócios.

O Google não está no negócio de te dar a melhor resposta possível para suas perguntas e pesquisas, o negócio deles é fazer você clicar num anúncio.

Se você perguntar qual a melhor TV com preço abaixo de R$ 1.000, eles precisam assegurar que você verá, no topo da lista de links, os anúncios pagos pelos clientes do Google.

Em 2016, quando o Google tentou lançar sua própria linha de smartphones para logo na sequência matar o produto, Ben Thompson – um analista americano de tecnologia e mídia, autor do newsletter/podcast Stratechery – escreveu:

Será que o Google está esquecendo que eles são uma empresa horizontal, cujo modelo de negócios é desenhado para maximizar o alcance, não para limitar? Não é que o Google esteja matando artificialmente seu próprio modelo horizontal de negócios, o seu modelo de negócios é que está sendo morto pela realidade de um mundo que a inteligência artificial vai dominar. Nesse mundo, não há espaço para anúncios, tornando ultrapassados tanto o modelo de negócios quanto o modelo de distribuição do Google.  Ambos precisam mudar, para o diferencial tecnológico da companhia se tornar um avanço.   

Quem paga? Quem ganha?

Estima-se que o Google processe algo em torno de oito bilhões de procuras por dia. O custo de rodar uma ferramenta de inteligência artificial baseada em deep leaning é pequeno, uns poucos centavos de dólar por pesquisa.

Se o ChatGPT substituísse o Google da noite para o dia, o custo do fornecedor local deles para processamento na nuvem seria na casa do bilhão de dólares. Se fosse funcionar como mecanismo de busca, o ChatGPT ou qualquer outra ferramenta de IA não seria lucrativo o suficiente.

Claro que isso vale para hoje, mas em tecnologia existem três palavrinhas mágicas: Lei de Moore. Dentro de uns dois, três anos, talvez o custo por pesquisa seja tão baixo que o modelo de negócios de um ChatGPT desses da vida se torne viável, quem sabe?

Há um problema mais complicado que pode dificultar o surgimento de uma nova geração de competidores do Google: uma batalha legal - que se avizinha – sobre como essas IA foram treinadas.  

Por mais abrangente que sejam hoje as pesquisas de inteligência artificial, vasculhar bilhões de fontes e paginas na Internet, filmes, livros, imagens, textos, para construir um banco de dados e treinar ferramentas de IA, ainda que na fronteira das questões legais, ainda é aceitável.

Mas no dia que a OpenAI (dona do ChatGPT) e as demais ferramentas de IA começarem a ser exploradas comercialmente, a coisa muda de figura. Para onde vai a receita se o ChatGPT oferecer uma resposta claramente baseada nos artigos da Gartner ou do New York Times e cobrar por isso?

O Google hoje faz um jogo de semântica dizendo que não produz conteúdo, apenas aponta | indica onde está esse conteúdo e ganha $$$ com esse serviço através de anúncios. Porém, ferramentas de IA não apontam para nada, elas leem, aprendem, digerem e cospem o resultado reformatado.

A batalha pela propriedade intelectual envolvendo uma grande e ampla quantidade de fontes diferentes de informação, promete ser épica.

Qual a lição para os fundos de pensão?

É de se perguntar por que todos parecem ter descoberto o ChatGPT de uma hora para outra e de repente estarmos questionando a sobrevivência do Google.

Empresas como a McKinsey estimam que as tecnologias baseadas em deep learning têm potencial para causar disruptura daqui a dez anos, não hoje.  De forma semelhante, você não verá empresas de consultoria como Mercer, AON e WTW prevendo que a existência dos fundos de pensão estará ameaçada nos próximos anos.

Todas as principais firmas de consultoria estão no negócio de assessorar grandes organizações e governos a evoluir. Elas ajudam os clientes a absorver, incorporar e aprimorar as inovações que estão na moda sem perturbar o status quo.

Não é surpresa, portanto, quando você pesquisa sobre assuntos como OpenAI, ChatGPT, Dall.E ou desaparecimento dos fundos de pensão, que você não encontre nada.

Porém, os disruptores das bigtechs e dos fundos de pensão não surgem de um dia para o outro. Eles já estão entre nós e vêm se preparando para isso há anos, só que fora do alcance do radar.

A OpenAI foi fundada em 2015 e seu primeiro modelo de ferramenta de IA foi colocado no mercado em 2018. O lento surgimento das disrupturas estava à plena vista de todos. O stacking de cryptomoedas que vem sendo usado como investimento de longo prazo, existe pelo menos desde 2017.

O que está colocando em perigo a existência do Google e dos fundos de pensão, pela primeira vez na história, é sua incapacidade de mudar seus modelos de negócios, de lançar uma nova linha de produtos, serviços e planos que compitam com os atuais.

Lembram da história da Kodak? Do Blockbuster? Da Xerox? …

Pois é, essa é a lição.

Por melhor que as soluções atuais funcionem, elas criam uma cultura de complacência que acabará comprometendo a continuidade do negócio. Todo negocio muda em algum momento no tempo e se não muda, é mudado.

Ao não se prepararem com antecedência, ao darem de ombros para medidas como a incorporação de membros profissionais e independentes em seus conselhos, o nível de incerteza vai aumentar tanto na cúpula dos fundos de pensão, que quando precisarem abandonar o modelo de negócios atual, será tarde demais.   

   

Grande abraço,

Eder.

Fonte: The year the GAFAMs could disappear. Episode 1, Google, escrito por Phillipe Medda

A HISTÓRIA DA INTELIGÊNCIA ARTIFICIAL: "ARS LONGA, VITA BREVIS"– PARTE 2

 

De São Paulo, SP.

________________________

TLDR – a impossibilidade de reproduzir o pensamento, portanto, a inteligência humana, com programas de computador, sofreu uma guinada em 1988 com o Projeto Candide da IBM que encontrou outro caminho para avançar, um caminho baseado na mineração de dados.

________________________

O que a aerodinâmica e o túnel de vento foram para a aviação, o computador é para o estudo do funcionamento da mente. O caos que acontece velozmente em nosso inconsciente, dentro do cérebro, pode ser desacelerado, rebobinado, pausado e até editado em um computador, diz Douglas Hofstadter.

No seu entendimento, essa é a grande oportunidade para o estudo da inteligência artificial. Partes de um programa podem ser isolados seletivamente, para se ver como funcionam fora do computador; os parâmetros podem ser alterados para se ver como a performance melhora ou piora.

Quando o computador nos surpreende – seja por ter feito algo extremamente criativo ou estúpido – podemos ver exatamente qual foi a razão.

“Sempre achei que a única forma do ser humano jamais conseguir entender integralmente a complexidade da nossa mente”, escreveu Hofstadter, “é modelando processos mentais no computador e aprendendo com esses modelos”, com suas falhas inevitáveis.

Daniel Dannet, que escreveu o livro The Mind em coautoria com Douglas Hofstadter diz que Hofstadter está sempre tentando ativamente construir uma teoria sobre o que realmente acontece no cérebro, por trás do pensamento.

A busca pela verdadeira inteligência artificial

Com um orçamento anual de meros US$ 100 mil, Hofstadter e seu pequeno grupo de cientistas tentam, diz ele, “primeiro, descobrir os segredos da criatividade e segundo, os segredos do inconsciente”.

Numa velha casa na Avenida North Fess, na cidade de Bloomington - Indiana, EUA, onde desenvolvem pesquisas, um aluno dedicado de mestrado leva de cinco a nove anos para transformar um processo mental, identificado e catalogado, em um programa de computador.

Todos os programas desenvolvidos têm a mesma estrutura básica – um conjunto de componentes e o estilo de um programa que Hofstadter escreveu em 1982, chamado Jumbo.

Jumbo foi criado para resolver aqueles quebra cabeças de palavras (caça-palavras) que vinham na seção de quadrinhos dos jornais e revistas impressas.

Hofstadter levou dois anos para desenvolvê-lo. Um programa para resolver caça-palavras é trivial, um bom programador leva uns cinco minutos para escrever, mas Hofstadter não estava interessado em resolver os quebra cabeças e sim em descobrir o que acontece quando o programa está resolvendo o desafio.

“Posso sentir na minha cabeça as letras sozinhas pulando de lá para cá, se aglomerando, formando pequenos grupos, sendo descartadas, trocando de lugar, formando novos grupos”, explica ele.

Hofstadter não trabalha com uma computação comum, mas sim com um tipo distinto, fluido, cuja arquitetura, logica e mecânica de programação são descritos em detalhe no livro “Fluid Concepts and Creative Analogies: Computer Models of the Fundamental Mechanisms of Thought”.

Quem lê o livro acha que Hofstadter ficou famoso com o livro errado – ele ganhou o Pulitzer em 1980 com Gödel, Escher, Bach: An Eternal Golden Braid (GED). Um comentário no The New York Times de 1995 diz: “O leitor de Fluid Concepts & Creative Analogies não pode deixar de suspeitar que aquele grupo da Universidade de Indiana está desenvolvendo algo grandioso”

Porém, poucas pessoas e mesmo admiradores de GED sabem desse outro livro ou dos programas que descreve. Talvez porque os programas criados por Hofstadter e sua equipe não tenham, quase que ostensivamente, nenhuma aplicação prática. Eles operam em um pequeno “micro domínio” e não há nenhuma tarefa que eles desempenhem melhor do que os humanos.  

O ponto de inflexão na busca das máquinas “inteligentes”

A era de progresso constante e sucesso comercial da inteligência artificial começou nos primórdios dos anos 90 e continua até nossos dias. Esse período sucedeu uma época em que o campo da IA quase foi morto.

A inteligência artificial se encontrava diante de um dilema.

Por um lado, o software que sabemos escrever é muito estruturado, os programas de computador são organizados como um exército bem administrado, com camadas de comando, cada camada transmitindo instruções para a próxima e subrotinas, que acionam subrotinas, que acionam subrotinas.

Por outro, o software que queremos escrever precisaria ser adaptável – uma hierarquia de regras como a dos softwares atuais parece simplesmente a ideia errada. Hofstadter certa vez resumiu a situação escrevendo: “Todo o esforço da inteligência artificial é, essencialmente, uma luta contra a rigidez dos computadores”.

A IA estava perdendo a batalha da mídia nos anos 80, com menos $$$ para pesquisas, influência decrescente, menos seminários e congressos, poucos artigos científicos e diminuição de espaço na mídia.  

Os sistemas especializados de computador, que deram impulso inicial ao setor na década de 80, estavam decepcionando por sua fragilidade, construídos em cima de uma abordagem limitada.

Veja o exemplo do que foi considerado na época, a busca pelo santo graal da IA: a tradução de uma língua para outra por máquinas. A abordagem padrão para atacar o problema foi colocar linguistas e tradutores numa sala e tentar converter toda aquela expertise em regras que seriam programadas em um software.

Esse caminho falhou por razões que qualquer estudante do ensino médio sabe bem: nenhum conjunto de regras jamais será capaz de descrever a língua humana. A linguagem humana escrita e falada é muito ampla, multiforme e fluida, para cada regra a ser obedecida, há uma exceção.     

Se a tradução de línguas por computadores - e a própria inteligência artificial - quisesse sobreviver como negócio comercial, teria que encontrar outro caminho ou melhor ainda, teria que encontrar um atalho .... e encontrou.

Em 1988 um projeto de tradução de línguas por máquinas da IBM, chamado Projeto Candide, começou admitindo que a abordagem baseada na identificação de regras demandaria um conhecimento profundo de como a linguagem é produzida, como a semântica, a sintaxe e a morfologia funcionam, como as palavras se juntam para formar sentenças e depois se combinam em parágrafos – sem falar que as palavras são meros condutores da linguagem.

Então, a IBM jogou no lixo essa abordagem e o que os desenvolvedores fizeram foi brilhante, mas tão simples que você mal acreditaria.

A técnica é chamada de “machine learning” – quem já não ouviu falar, né mesmo? O objetivo era fazer um dispositivo que partisse com o input de uma frase em inglês e “cuspisse” como output (saída) uma frase em francês – o ponto todo era: como fazer isso evitando a complexidade da mente humana?

Começaram com uma máquina bem simples, que apenas cuspia palavras em francês quando era alimentada aleatoriamente (sem nenhuma ordem) com uma palavra em inglês.

Imagine uma máquina com milhares de botões, alguns controlam configurações de caráter geral: dada uma palavra em inglês, quantas palavras em francês, em média, deveriam resultar (uma, duas, ...)? Os outros botões controlam configurações especificas: partindo da palavra jump (salto), qual a probabilidade da próxima palavra ser shot (tiro)?

A pergunta é: apenas girando esses botões de ajuste, será que você consegue fazer sua máquina converter inglês que faz sentido em francês que faz sentido?

Acontece que você consegue! Como se faz isso? Você alimenta a máquina com sentenças em inglês cujas traduções para o francês você já sabe – por exemplo, a Candide da IBM usou 2,2 milhões de pares de sentenças (um par tem uma sentença em inglês e sua sentença equivalente em francês), a maioria tirada de debates reais ocorridos no bilíngue parlamento Canadense.

Você entra na máquina com um par de cada vez. Primeiro entra com a parte em inglês e vê o que sai na parte em francês. Se a sentença em francês é diferente do que era esperado – i.e., diferente da tradução correta conhecida para o francês – a máquina precisa de calibração. Então você gira os botões e tenta novamente. Após um número suficiente de tentativas, alimentando, olhando o resultado, ajustando, alimentando de novo, olhando o resultado, ajustando, você terá uma ideia da sensibilidade dos botões de ajuste e será capaz de produzir a sentença correta em francês a partir da sua sentença em inglês.

Repetindo esse processo com milhões de pares de sentença, a máquina vai sendo gradualmente calibrada até o ponto em que você entra com uma sentença cuja tradução você não sabe e obtém um resultado razoável. A beleza da coisa é que você nunca precisou programar a máquina explicitamente, você nunca precisou saber por que os botões deveriam ser girados para um lado ou para o outro.

O Projeto Candide não inventou o machine learning, um conceito que remonta a década de 1960, mas nenhum teste com tradução por computadores havia sido bem-sucedido até então, ainda mais com um software tão simples funcionando adequadamente.

Como Adam Berger, um membro do projeto em seu relatório, escreveu: “... amplamente considerado um dos mais difíceis problemas no processamento de linguagem natural e em inteligência artificial em geral, porque a tradução perfeita parece ser impossível sem a compreensão do texto a ser traduzido”.

O fato de um programa como o Candide ter sido capaz de funcionar em paralelo com uma tradução perfeita, mostrou que a tradução de línguas por máquinas não requer compreensão – tudo que requer é um montão de textos bilíngues.

Isso se tornou a prova de conceito para a abordagem que conquistou a inteligência artificial

A base da era moderna de inteligência artificial: dados, dados, dados

O que a abordagem do Candide faz - e faz com espetacular eficiência - é converter um processo complexo num problema mais simples, o de encontrar milhares e milhares de exemplos daquele processo em ação.

Esse problema, diferente de imitar o processo real de funcionamento do cérebro e do pensamento, foi se tornando cada vez mais fácil de resolver, particularmente no final dos anos 80 e começo dos anos 90 quando a Internet explodiu e se tornou abrigo para físicos e nerds da computação.     

Não foi coincidência o ressurgimento da IA na década de 90 e não é à toa, também, que o Google é a maior empresa da Web. Nas palavras de Peter Norvig – Diretor de Pesquisas do Google – eles são o “maior sistema de IA do mundo”.

A inteligência artificial, nas palavras de Norvig, que escreveu AI: A Modern Approach junto com Stuart Russel, a inteligência artificial moderna é sobre “dados, dados, dados”, algo que o Google tem mais do que qualquer um no mundo.

Josh Estelle, um engenheiro de softwares do Google Translate que se baseia nos mesmos princípios do Candide e hoje é líder em sistemas de tradução de línguas por máquinas – explica: “o meio acadêmico desistiu daqueles algoritmos simples de machine learning que você aprende nas primeiras aulas de IA, porque não os considerava úteis, mas quando você sai do treinamento de 10.000 exemplos para o treinamento de 10 bilhões de exemplos, a coisa começa funcionar. Dados superam qualquer coisa”.

“Engenharia (de softwares) é o que conta num mundo em que a tradução é um exercício de mineração de dados em escala massiva”, ensina Josh.

O que faz a abordagem de machine learning tão espetacular é que ela varre do mapa o problema de primeira ordem, substituindo o desafio de entender o pensamento por engenharia, porcas e parafusos. Apesar do Google Translate capturar, em certo sentido, o produto da inteligencia humana, não é por si mesmo inteligente. É como uma enorme pedra de Rosetta, os hieróglifos calcificados de mentes que um dia viveram.

“Quando construímos o Watson, paramos e tentamos modelar a cognição humana”? Dave Ferruci, Líder da Equipe que construiu o computador Watson da IBM, faz uma pausa e responde enfaticamente: “Absolutamente, não”.

Watson é a plataforma de serviços cognitivos da IBM para negócios. A cognição consiste no processo que a mente humana utiliza para adquirir conhecimento a partir de informações recebidas.     

Para Ferruci a definição de inteligência em IA é simples: é aquilo que um programa consegue fazer. Deep Blue era inteligente porque conseguiu vencer Garry Kasparov. Candide é inteligente porque consegue traduzir línguas. “É inteligência artificial, certo? É quase o mesmo que dizer que é inteligência não-humana. Por que você deveria esperar que a ciência da inteligência artificial produzisse inteligência humana?”, pondera ele.

O futuro da inteligência artificial

Ferruci não é cego para a diferença. Ele costuma falar que enquanto Watson precisa de um espaço enorme, repleto de processadores e 20 toneladas de equipamentos de ar-condicionado, seu oponente (o cérebro humano) cabe numa caixa de sapato e roda por horas com um simples sanduiche de atum.

Quando termina de trabalhar, Watson precisa dissipar o calor e é mantido sem vida, num estágio burro, enquanto a outra “máquina” se levanta, bate um papo, toma um café, dança e pensa.  

“As realizações que esses sistemas estão alcançando, não passam de sombras – nem mesmo sombras – do que eles procuram imitar”, diz Ferruci. “Nós constantemente subestimamos o que acontece na mente humana – fizemos isso com a IA dos anos 50 e continuamos fazendo isso hoje”.

A pergunta que Hofstadter gostaria de fazer para Ferruci e para todo mundo que desenvolve IA atualmente é: Então porque vocês não vêm estudar (a mente humana)?

Ferruci responde: “Você consegue fazer um número limitado de coisas na sua vida. O trabalho de Hofstadter é inspirador, mas onde eu conseguiria chegar com ele? O que eu realmente gostaria de fazer é construir sistemas de computador que façam alguma coisa e não acho que o caminho mais curto para isso esteja nas teorias da cognição”.

Quase que como um eco, Peter Norvig do Google respondeu: “Eu acho que ele (Hofstadter) está atacando um problema extremamente difícil e eu optei por resolver um problema mais simples.

É insidioso, a maneira que você enxerga o sucesso pode te sufocar. Na medida que as máquinas vão ingerindo mais e mais dados, vamos nos permitindo ficar mais ignorantes. Ao invés de lutarmos de modo sincero contra nossos problemas mais difíceis, apenas nos plugamos a bilhões de exemplos deles.  

É mais ou menos como usar uma calculadora financeira para fazer o dever de casa no ensino médio – funciona que é uma maravilha, até o dia que você precisa realmente entender de cálculo e anuidades na faculdade.

Parece improvável que alimentar o Google Translator com 1 trilhão de documentos, ao invés de 10 bilhões, de repente vai fazer com que funcione no mesmo nível que um ser humano traduz. Isso vale para buscas, reconhecimento de imagem, planejar, ler, escrever ou desenhar ou qualquer outro problema para o qual seja preferível ter uma inteligência humana ao invés da inteligência de uma máquina.

Esse é um fato que Dave Ferruci, Josh Estelle e praticamente todo mundo que trabalha comercialmente com inteligência artificial, parece ter ciência, senão um ligeiro medo.

“Podemos traçar uma curva: na medida em que obtemos mais dados, quanto melhor fica o nosso sistema?”, pondera Peter Norvig. “E a resposta é, ainda está melhorando – mas estamos chegando no ponto em que obteremos menos benefícios (de ter mais dados) do que no passado”.   

Para James Marshall, ex-aluno de mestrado de Hofstadter, a coisa é simples: “No final, o caminho mais difícil será o único que te levará até o fim”

“Ars longa, vita brevis”, Hofstadter gosta de dizer. Ele não se importa com reconhecimento, apenas segue persistente em seu trabalho.

Vita brevis, ars longa (a vida é curta, a arte é longa) é um aforismo em latim atribuído ao filosofo grego Hipócrates, mas que foi popularizado pelo poeta romano Sêneca

Hofstadter menciona Einstein, diz que hipótese da teoria quântica da luz foi formulada em 1905, mas ninguém a aceitou até 1923.

“Nem uma vivalma”, conta Hofstadter. “Por 18 anos Einstein esteve completamente sozinho em sua crença sobre a existência de partículas de luz – ele deve ter se sentido muito solitário”.

O poder é solitário, dizem, mas a história da IA nos ensina que a sabedoria pode ser ainda mais.

Grande abraço,

Éder.

 

Fonte: The Man Who Would Teach Machines to Think, escrito por James Somers

A HISTÓRIA DA INTELIGÊNCIA ARTIFICIAL: O HOMEM QUE QUERIA ENSINAR AS MÁQUINAS A PENSAR – PARTE 1

 

De São Paulo, SP.

___________________________

TLDR – da origem acadêmica, que buscava entender o funcionamento da mente e explicar o pensamento, para o desenvolvimento de soluções com aplicações práticas, porque a inteligência artificial tem muito pouco a ver com inteligência.

____________________________

 

Douglas Hofstadter, junto com seus alunos de graduação da Universidade de Indiana, passou os últimos trinta anos escrevendo programas de computador que “pensam”, para tentar descobrir como nosso pensamento funciona.

Partiu de uma premissa simples: a mente é um software muito incomum, então, a melhor forma de entender como esse software funciona é você mesmo tentar escrevê-lo.

Ele diz que Inteligência Artificial é uma tentativa de entender a mente, talvez a melhor iniciativa nessa direção, mas tem muito pouco a ver com inteligência.

O interesse pelo pensamento

A ideia que mudou a vida de Hofstadter lhe ocorreu durante uma pausa ao longo do curso de PhD em física das partículas.

Desanimado com o encaminhamento da sua tese de doutorado na Universidade de Oregon e sentindo-se “profundamente perdido”, ele aproveitou as férias de 1972 para atravessar o país de carro.

Colocou as tralhas no seu Mercury 1956 e saiu em direção ao leste. Toda noite estacionava em algum lugar, perto de uma floresta ou de um lago, montava sua pequena barraca e lia sob a luz de uma lanterna.

Livre para divagar sobre qualquer assunto, escolheu refletir sobre o pensamento em si. Aos 14 anos Hofstadter se tornou obcecado pela relação entre mente e matéria, quando descobriu que sua irmã mais nova, Molly, não podia entender a linguagem - devido a algum dano neurológico causado no nascimento, porém, nunca diagnosticado.

Descrito em 1890 por William James, um dos pais da psicologia, como “uma das coisas mais misteriosas do mundo”: Como pode a consciência ser algo físico? Como pode algumas gramas de massa cinzenta dar origem aos pensamentos e ao nosso próprio eu?

Vagando de carro pelos EUA, Hofstadter pensou ter encontrado onde buscar a resposta. Entre todas as explicações possíveis, a resposta estaria no cerne da matemática, de se provar matematicamente o pensamento.

Inspirou-se no Austríaco Kurt Gödel, considerado o mais importante filosofo depois de Aristóteles, cuja teoria da incompletude de 1931 revolucionou a matemática e inspirou gênios como John von Newman – teoria dos jogos – e Alan Turing – precursor dos computadores.

A teoria da incompletude de Gödel usa a matemática para provar que a matemática não consegue ser sempre comprovada por meio de cálculos e que em qualquer sistema há afirmações que são verdadeiras, mas que não podem ser comprovadas. O que Hofstadter queria mostrar sobre consciência tinha a ver com aquele mesmo tipo de lógica.

Numa tarde ele se sentou e começou a esboçar o raciocínio numa carta para um amigo. Depois de escrever 30 páginas decidiu não enviar, queria deixar as ideias germinarem um pouco mais.

Sete anos depois, as ideias não apenas haviam germinado, mas se transformado num livro de quase 1.5 kg e 777 págs. chamado “Gödel, Escher, Bach: An Eternal Golden Braid” (em português: Gödel, Escher, Bach: um entrelaçamento de Gênios Brilhantes). Aos 35 anos e autor de primeira viagem, o livro escrito em1979 rendeu a Hofstadter o Prêmio Pulitzer de 1980.

GEB, como o livro ficou conhecido, causou sensação. Martin Gardner, colunista da Scientific American, de modo inusual devotou toda sua coluna de julho de 1979 para falar de um único livro, escreveu:

“A cada poucas décadas, um autor desconhecido surge com um livro de tal profundidade, clareza, abrangência, beleza, inteligência e originalidade, que é imediatamente reconhecido como o maior evento literário da época”

GED não foi apenas um livro influente, mas um livro do futuro. Começou a ser chamado de bíblia da inteligência artificial, um campo nascente na interseção da computação, ciência cognitiva, neurociência e psicologia. Hofstadter e sua busca por desvendar a “estrutura secreta de softwares de nossa mente”, influenciou toda uma geração de estudantes no campo da IA.  

A mudança de foco das pesquisas, alterou o rumo da IA

Então, a IA mudou, mas Hofstadter não mudou e acabou desparecendo.

GED surgiu num ponto de inflexão na história da IA, quando o financiamento da pesquisa básica de longo prazo estava secando nos EUA e o foco acadêmico estava se voltando para sistemas e soluções com aplicações práticas.

Em1969 o congresso americano aprovou a Emenda Mansfield, uma lei determinado que o departamento de defesa só desenvolvesse projetos de pesquisa avançada que tivessem uma “relação direta e clara com alguma função ou operação militar específica”. Ou seja, que tivesse algum benefício militar direto.

Em meados da década de 70 o governo estava se perguntando exatamente quais melhorias concretas na segurança nacional haviam sido obtidas após 10 anos e US$ 50 milhões investidos em estudos exploratórios em IA.

No começo dos nãos 80 a pressão atingiu o máximo e a IA - que havia começado com o objetivo de responder a famosa pergunta de Alan Turing: “Podem as máquinas pensar?” – começou a amadurecer ou mudar, dependendo do ponto de vista, transformando-se num subcampo da engenharia de softwares, voltada para aplicações reais.

Cada vez mais, os trabalhos passaram a ser desenvolvidos ao longo de horizontes de tempo curtos, frequentemente tendo um comprador específico em mente. Tanto no meio militar como no civil, os produtos focavam em nichos e sistemas especializados.

Em seu livro, Hofstadter clamava por uma abordagem de IA menos preocupada em solucionar problemas humanos de forma inteligente e mais voltada para o entendimento da inteligência humana.

Precisamente naquele momento, aquela abordagem havia produzido tão poucos frutos e começou a ser abandonada. Sua estrela foi se apagando rapidamente e os holofotes se desviaram para o novo imperativo: fazer as máquinas funcionarem de qualquer maneira possível, sem nenhuma preocupação com a plausibilidade psicológica.

Abandonar a inteligência foi o que fez a IA avançar

“Pouquíssimas pessoas estão interessadas em como a inteligência humana funciona”, diz Hofstadter. “É nisso que estamos interessados – no que é o pensamento?”

Veja o Deep Blue, o supercomputador da IBM que venceu Garry Kasparov no jogo de xadrez, venceu na força bruta. O que permitiu ao Deep Blue ganhar do melhor jogador do mundo foi sua capacidade de processamento. Era capaz de avaliar até 330 milhões de posições por segundo enquanto Kasparov podia avaliar apenas algumas dezenas antes de tomar uma decisão.

Mas para Hofstadter o que adianta realizar uma tarefa se a vitória não nos ensina nada? “Okay, Deep Blue joga xadrez muito bem – e daí?”, diz ele. “Isso nos diz alguma coisa sobre como nós jogamos xadrez? Não. Diz como Kasparov enxerga e entende um tabuleiro de xadrez? Também não”

Em 2011 escrevi sobre O custo cognitivo da expertise e os especialistas em previdência complementar. Leia o post se quiser saber por que é impossível qualquer computador replicar a habilidade dos grandes mestres de xadrez, sem entender o cérebro humano.

Uma solução de IA que não procurasse responder essas questões – por mais impressionante que fosse – seria um desvio para Hofstadter e ele não queria se envolver nessa malandragem. “Eu não quero estar envolvido em fazer o comportamento de um programa sofisticado se passar por inteligente, quando eu sei que não tem nada de inteligente nisso”, declarou ele.   

Do início dos anos 80 até nossos dias, o setor de IA saltou de algumas centenas de bilhões para trilhões de dólares. O valor de mercado da IBM aumentou para US$ 18 bilhões em 1997, depois que o Deep Blue venceu Kasparov. Quanto mais a IA se tornava uma disciplina de engenharia de softwares, mais resultados ia alcançando.

Hoje, com aplicações construídas a partir de bases técnicas que pouco ou nada tem a ver com o pensamento, a IA vive anos dourados. Suas soluções permeiam a indústria de máquinas pesadas, transporte, finanças. Funções básicas do Google usam IA, assim como as recomendações da Netflix, Siri, drones autônomos, carros autônomos etc.

“A tentativa do homem voar foi bem sucedida no momento que Santos Dumont e outros pararam de imitar os pássaros e começaram a aprender sobre aerodinâmica”, escreveram Stuart Russel e Peter Norvig no livro Artificial Intelligence: A Modern Approach.

A inteligência artificial começou a funcionar quando se livrou dos humanos como modelo e só avançou porque se livrou deles. A essência da analogia é:

Aviões não batem suas asas para voar; por que deveriam os computadores pensar?

Será que a abordagem atual, nos levará um dia à verdadeira IA?

Essa é a pergunta de US$ 1 milhão: será que a abordagem por trás de uma inteligência artificial baseada em big data e totalmente construída a partir de engenharia de softwares, mas que pouco tem a ver com o funcionamento da mente, nos levará até onde queremos chegar?

Como vamos criar um mecanismo de busca na Internet que entenda o que procura, se não sabemos como nós entendemos as coisas?

Talvez, como escreveram Russel e Norvig no capítulo final de seu livro, a IA se tornou parecida com aquele cara que que tenta chegar na lua subindo numa arvore: “Ele pode dizer que está progredindo consistentemente ao longo do caminho, até chegar no topo da árvore”.

Os computadores atuais ainda têm dificuldade para reconhecer uma simples letra A escrita à mão. Essa tarefa é tão difícil para eles que é usada como base do CAPTCHA – Completely Aumotaded Public Turing tests to tell Computers and Humans Apart, aquele teste que faz você ler letras distorcidas e digitar os caracteres num campo antes de ter acesso, por exemplo, a um website.

Na cabeça de Hofstadter isso não é surpresa nenhuma. Para saber o que todos os A tem em comum, escreveu ele num artigo de 1982, seria preciso “entender a natureza fluida das categorias mentais” e isso, diz ele, é a essência da inteligência humana.

Ele gosta de dizer que “cognição é reconhecimento”. Ele descreve “ver como”, como sendo uma parte essencial do ato cognitivo. Você vê algumas linhas no papel como sendo “um A”, você vê uns pedaços de madeira como sendo “uma mesa”, o estilo de vestir e agir de um jovem como “hipster” e por aí vai.

É isso que chamamos de entender, mas afinal como nosso entendimento funciona? Por três décadas Hofstadter e seus alunos vem tentando descobrir isso construindo “modelos computacionais de nosso mecanismo fundamental de funcionamento do pensamento”.

A tese de Hofstadter é que nosso pensamento funciona por analogia, conforme descreveu no seu novo livro Surfaces and Essences, escrito por Emmanuel Sander.

“Preste atenção como conversamos”, diz ele. “Você vai notar, para sua surpresa, que o processo de analogia se repete indefinidamente”. Alguém diz uma coisa, que te faz lembrar de outra; você diz uma coisa, que faz a outra pessoa lembrar de outra coisa – é isso que chamamos de conversa.

Hofstadter argumenta que a cada passo, a cada analogia, acontece um salto mental tão incrivelmente complexo que é um milagre computacional.

De alguma forma o cérebro é capaz de desprezar qualquer detalhe superficialmente irrelevante nesse processo de analogias e extrair a sua essência, recuperando do seu próprio repertório de ideias e experiências, a história ou observação que melhor se relaciona ao que está sendo dito.

“Por trás de frases inocentes – tipo: Ah sim, isso foi exatamente o que aconteceu comigo - está escondido todo o mistério da mente humana”, diz ele.

Poucos anos após a publicação de GED o desenvolvimento da inteligência artificial foi para um lado e Hofstadter foi para o outro. Se você for ler sobre IA hoje em dia raramente encontrará menções a Hofstadter.

Nas mais de 1.000 páginas do livro americano AI: A Modern Approach, não há uma única menção a Hofstadter e muitos jovens fãs de GED ficam surpresos quando descobrem que o autor ainda está vivo.

Quando todo mundo envolvido com IA começou a construir soluções e produtos, Hofstadter e sua equipe pacientemente, “sistematicamente, brilhantemente”, deixaram a luz dos holofotes para se concentrar no verdadeiro problema, comenta o amigo e filosofo Daniel Dennet.

“Muito poucos estão interessados em como a inteligência humana funciona”, pondera Hofstadter. “É nisso que estamos interessados – o que é o pensamento? e não vamos nos desviar dessa pergunta.

Hofstadter vai descobrir a resposta? A abordagem atual, nos levará um dia à verdadeira IA? “Quem sabe”, diz o próprio Hofstadter. “Quem sabe o que vai acontecer?”

Quais as melhores abordagens em inteligência artificial – na genuína inteligência artificial, como ela agora a chama?

Difícil dizer, mas não foi preciso imitar os pássaros para o homem voar e hoje voamos mais alto e mais rápido do que qualquer pássaro que a natureza jamais inventou.

Talvez esse precedente seja um indício do que pode acontecer com a evolução da inteligência artificial, mas se o caminho para uma inteligência artificial desconectada da verdadeira essência humana vai nos fazer chegar até lá .... só o tempo dirá.

A “História da Inteligência Artificial - Parte 2” pode nos dar uma pista.

 

Grande abraço,

Eder.

 

 

Fonte: The Man Who Would Teach Machines to Think, escrito por James Somers

TE CONTEI? O CAPITÃO NASCIMENTO NÃO É OUVIDO NA TROPA DE ELITE DOS FUNDOS DE PENSÃO: OS CONSELHOS DELIBERATIVOS, MAS DEVERIA.

 

De São Paulo, SP.

O QUE ESTÁ ACONTECENDO: 

Sempre me chamou a atenção uma estatística chocante na pesquisa anual da PWC sobre os conselhos das maiores empresas listadas em bolsa nos EUA. Na versão de 2022 ficou assim: quase metade dos conselheiros (o n^o exato é 48%) acha que um ou mais membros do conselho deveria ser substituído e 1 em cada 5 (o n^o exato é 19%) substituiria dois ou mais de seus colegas. 

É uma visão interna corporis, não é a opinião de ninguém de fora dizendo isso. Podemos extrapolar esse resultado e imaginar que aconteça algo semelhante nos nossos fundos de pensão. 

Existem milhares de razões pelas quais um conselheiro não deveria estar no board de um fundo de pensão, dá até para escrever uma tese de doutorado sobre isso, mas essa seria essa uma discussão diferente se uma única palavra fosse considerada: “renunciar”.

Pede pra sair é uma das frases mais memoráveis do Capitão Nascimento no filme Tropa de Elite e sua aplicação é extremamente vasta. 

Desistir é uma postura extremamente antiamericana - ninguém gosta dos desertores - e não é bem-vista na maioria das culturas, mas renunciar é diferente de desistir. 

Sair, desistir evoca falta de vontade, pouca disposição de expandir o quesito “esforço”. Resignar não tem a ver com esforço, é uma decisão de partir fundamentada, baseada em reflexões mais profundas. 

Na prática, ambas têm o mesmo efeito: uma pessoa voluntariamente decide vagar uma posição.

 

POR QUE ISSO É IMPORTANTE: 

Você não vai ver um único painel sobre o assunto nos incontáveis webinars abordando governança de conselhos, que acontecem a cada ano. 

Não vai ouvir nenhum membro experiente de conselho discutindo o que o levou a renunciar de um board, porque ele estava contente com a decisão e foi a coisa certa a fazer. 

Quando não se discute uma conduta, parece que ela não acontece, mas a melhor coisa que o membro do conselho de um fundo de pensão tem a fazer em determinadas situações é renunciar. 

Já ouvi de conselheiros coisas como: 

1) o diretor-presidente era a pessoa errada para liderar o fundo ... por muitas razões, mas ele era amigo dos outros conselheiros e eu fiquei isolado. Eu sabia que teríamos problema com a performance e eu estava certo;

 

2) os demais membros do conselho não tinham experiência suficiente em previdência para saber que o problema de atrasos no envio de relatórios aos órgãos reguladores decorria de má gestão interna e isso não era comum. Todos os indicadores apontavam isso, mas eu não consegui fazer nenhum outro membro do conselho ver o problema;

 

3) fui convidado para o colegiado por causa de um conjunto específico de conhecimentos e experiências, mas depois da fusão de planos isso deixou de ser necessário;

 

4) o diretor-presidente é contra trazermos conselheiros externos, talvez porque passará a ser mais questionado, mas ele convenceu a patrocinadora que isso não é prática de mercado. A gestão dele é opaca e percebo interesses pessoais envolvidos nas decisões.

Mesmo assim, nenhum deles renunciou.

CONCLUSÃO: 

A mídia é pródiga em noticiar casos ainda mais complicados de fundos de pensão em que claramente os conselheiros passaram por situações envolvendo preocupações éticas significativas, com evidências documentadas, que o presidente do conselho não se dispôs a analisar, muito menos discutir. 

Todos permaneceram na cadeira e se arrependeram. Se a sua intuição sinaliza que você deveria renunciar de um conselho ... renuncie. 

Isso não é “desertar”. É a coisa mais inteligente a fazer e muitos conselheiros deveriam fazer isso também, estejam os “experts” em governança de conselhos falando sobre isso ou não.

Grande abraço,

Eder.

Fonte:  There’s One Thing Board Members Should Do A Lot More Often: Resign, escrito por Adam J. Epstein