Computação inteligente levanta 10 questões científicas fundamentais

Com informações do Zhejiang Lab - 04/11/2022

Matrix ou Skynet? Programas vão se programar sozinhos
[Imagem: Pete Linforth/Pixabay]

Computação Inteligente

"As máquinas podem pensar?" Essa questão, que marcou época, foi levantada pela primeira vez por Alan Turing, em 1950, em seu artigo inovador "Maquinaria Computacional e Inteligência".

Isso não apenas inaugurou o campo da inteligência artificial (IA), como despertou a curiosidade das pessoas em uma época em que ainda não se ouvia sequer falar sobre computação.

À medida que a informática se tornou onipresente, a sociedade humana entrou em uma nova era, profundamente integrada na rede da computação universal. Por meio da integração da inteligência de máquina, dos dados e das metodologias de computação, descobertas científicas significativas e aplicativos baseados em computação inteligente surgiram em muitas áreas importantes.

Mas cada passo à frente traz seus próprios desafios e, diante da crescente demanda por computação e dos seus avanços, uma série de problemas desafiadores precisam ser resolvidos.

Desafios da computação

A velocidade computacional está sendo limitada pela arquitetura tradicional de von Neumann, os métodos computacionais estão sendo desafiados pelos megadados, a potência computacional está limitada pelo consumo de energia e o uso de recursos computacionais está limitado pelo acesso à tecnologia.

Ou seja, mesmo que tenhamos avançado muito, muitas questões ainda precisam ser exploradas e resolvidas, buscando soluções sustentáveis para o futuro.

E, se quisermos boas respostas, então precisamos fazer as perguntas certas. Desde Maio deste ano, o Laboratório de Ciência de Zhejiang, na China, tem ouvido especialistas do mundo inteiro sobre as questões científicas fundamentais, em busca de um roteiro para guiar as pesquisas sobre a computação inteligente. Após uma série de análises, pré-seleção e avaliação, 10 questões consideradas mais profundas e desafiadoras foram apresentadas por um painel de especialistas de todo o mundo.

Agora, a revista Science publicou a lista destas questões científicas fundamentais, na esperança de que elas iluminem as mentes dos pesquisadores. A expectativa é que acadêmicos, pesquisadores e engenheiros se envolvam em discussões sobre essas 10 questões, promovendo potenciais inovações dentro de cada campo, avanços tecnológicos e contribuam para o desenvolvimento da sociedade.

A mais recente versão da computação analógica para IA usa um hardware protônico.
[Imagem: Murat Onen/Ella Maru Studio]

1. Como definimos inteligência e estabelecemos a estrutura de avaliação e padronização para computação inteligente?

Em termos gerais, a inteligência é a capacidade de analisar e responder adequadamente às questões (dados). Muitos dizem que um sistema verdadeiramente inteligente deve ser capaz de se adaptar ao seu ambiente - aprender, raciocinar e evoluir. No entanto, como podemos saber se um determinado sistema cumpre esses requisitos?

2. Existe uma teoria unificada para a computação analógica?

A computação analógica usa um hardware que mede sinais contínuos, como tensão elétrica ou intensidade de luz, e não sinais discretos, como na computação digital. Isso tem como vantagens um baixo consumo de energia e uma alta eficiência computacional na resolução de problemas específicos.

Depois de perder o bonde para a computação digital, a computação analógica tem passado por um ressurgimento devido à sua capacidade de imitar componentes de redes biológicas, como sinapses e neurônios, viabilizando a computação neuromórfica. Mas o campo ainda aguarda um modelo teórico unificado, para ajudar a promover sua padronização e aplicação em larga escala.

Uma das preocupações com a inteligência artificial é se ela irá nos levar a uma Singularidade Tecnológica.
[Imagem: Danqing Wang]

3. De onde virão as principais inovações em computação, e será que a computação quântica se aproximará do poder computacional do cérebro humano?

Os computadores quânticos funcionam de modo diferente dos computadores de uso geral. Eles ainda estão no início do processo de desenvolvimento e atualmente são usados principalmente para atividades massivas de processamento de números, como criptografia, e para simular processos quânticos. Se algum dia eles serão capazes de simular a computação cognitiva e até a capacidade emotiva do cérebro humano é uma questão de pesquisa ativa, mas longe de fornecer respostas definitivas.

4. Que novos componentes (transistores, arquitetura de chips) e paradigmas de hardware (fotônica, spintrônica, biomoléculas, nanotubos de carbono) vão vingar?

Esses e outros componentes já existem, ou estão sendo pesquisados ativamente, em escala nanométrica, e é provável que possam ser escalonados. A chave é torná-los melhores e fazer melhor uso deles. Por exemplo, existem muitos componentes que são essencialmente resistores, mas que podem ser programados em níveis, e esses níveis são memorizados e transferidos - são os chamados memoristores, os componentes da computação que imita o cérebro.

Uma variedade de tecnologias - eletrônicas, fotônicas, etc. - podem apresentar um comportamento muito semelhante, podendo ser fabricados para funcionar de modo muito parecido como as sinapses no cérebro, em que os sinais pode ser transferidos, amplificados ou reduzidos, e as excitações são integradas para construir ondas sinápticas, que serão a base de circuitos universais.

Qual será a base do hardware com que isto será feito é uma questão em aberto.

As máquinas inteligentes também vão precisar dormir?
[Imagem: LANL]

5. Como a computação inteligente pode viabilizar máquinas inteligentes?

O termo "máquina" é um conceito essencial para a computação. Uma máquina - inteligente ou não - possui basicamente três componentes: Um sensor que coleta excitações externas (dados), uma memória que armazena as informações coletadas pelo sensor e uma unidade lógica que coleta dados da memória e realiza inferências sobre ela, tomando ações ou enviando sinais.

Uma máquina inteligente realizará computação inteligente. A questão então se torna se podemos criar um paradigma de computação inteligente.

6. Como podemos entender o armazenamento e a recuperação da memória com base no cérebro gêmeo digital?

Pesquisadores já criaram gêmeos digitais de diferentes órgãos, incluindo o cérebro, modelando e simulando sua estrutura e função para pesquisas de patologias, como a doença de Alzheimer e a epilepsia.

Embora essas simulações sejam muito menos complexas do que a memória humana, elas demonstram uma prova de conceito. Mas a memória compreende as conexões entre os sentidos, as emoções, os conceitos e os movimentos motores. Assim, mesmo que consigamos replicar todo o cérebro, não podemos ignorar essas conexões.

As sinapses eletrônicas já existem em versões orgânicas.
[Imagem: V. A. Demin et al. - 10.1016/j.orgel.2015.06.015]

7. Qual é o caminho mais eficiente para convergir a aprendizagem baseada em silício e a aprendizagem baseada em carbono?

A computação baseada no silício está gradualmente atingindo seus limites físicos. Enquanto isso, o cérebro humano - a forma mais conhecida de computação baseada em carbono - não tem a velocidade, precisão e confiabilidade do silício.

Mas as plataformas de computação baseadas em carbono e silício diferem umas das outras de inúmeras maneiras. Os pesquisadores estão investigando pelo menos dois caminhos para convergir esses sistemas: Um é construir um modelo matemático de rede neural baseado na arquitetura atual de silício; o outro é construir redes neurais profundas com camadas sobre camadas de conexões de rede - em suas encarnações atuais, interconexões simples não fazem computação.

Talvez um caminho para a convergência inclua a construção de componentes que funcionem mais como sinapses neuronais, integrando informações e participando dos processos computacionais, em vez de apenas atuar como um relé.

8. Como construir algoritmos de IA interpretáveis e eficientes?

Será que novas metodologias matemáticas, como redes tensoras, combinadas com a integração efetiva de conhecimento especializado, raciocínio lógico e aprendizado autônomo, podem preencher a lacuna entre interpretabilidade e eficiência na tecnologia de IA?

Será que essa integração superará o estado atual do aprendizado profundo - estruturado como um algoritmo de caixa preta - e estabelecerá uma nova geração de sistemas interpretáveis que possam ser aplicados a diferentes campos e diferentes cenários (voz, imagem, vídeo, gêmeo digital, metaverso etc.)?

A proposta é que exista uma lei única da robótica: Os humanos devem florescer.
[Imagem: Lukas/Pixabay]

9. É possível realizar uma computação inteligente forte com recursos de autoaprendizagem, capacidade de evolução e autorreflexão?

O objetivo da computação inteligente é resolver problemas complexos de larga escala de forma eficiente e autônoma no espaço homem-máquina-objeto.

As abordagens de computação inteligente fraca (IA fraca) podem obter bons resultados para esses problemas até certo ponto, mas, essencialmente, dependem muito da entrada personalizada de conhecimento humano a priori. A computação inteligente forte (AI forte) pode mudar dinamicamente, dependendo da entrada e do ambiente.

Portanto, um dos desafios científicos fundamentais para a computação inteligente do futuro é estudar a teoria da computação de alta ordem de complexidade e explorar o paradigma de construção automática para resolver grandes problemas científicos, além de permitir que o computador realize de forma independente a compreensão e decomposição de tarefas, a construção de rotas dinâmicas otimizadas e modele o desenvolvimento e evolução do kernel.

10. Como podemos usar dados do mundo real para descobrir e generalizar conhecimento?

Há um argumento significativo no campo da computação sobre se o aprendizado de máquina pode generalizar verdadeiramente, ou se simplesmente reitera o que já é conhecido de maneira mais eficiente. Ser capaz de identificar objetos ou rótulos em um conjunto de teste, pode-se argumentar, nada mais é do que dizer que esse objeto compartilha características suficientes com aquelas que foram usadas para inicialmente defini-lo.

Portanto, a computação inteligente precisa concluir as tarefas de cálculo originalmente executadas pela lógica predefinida humana de forma ativa, heurística e abertamente inteligente, e a eficácia desses cálculos precisa ser verificada no mundo real.

Mais tópicos