IA generativa: todo problema é um problema de informação

Imagem da https://beta.dreamstudio.ai/dream

“Mas o padrão geral é claro: caso após caso, quando um modelo pode ser criado e testado, ele tende a funcionar tão bem ou melhor do que especialistas humanos que tomam decisões semelhantes. Muitas vezes, continuamos a confiar no julgamento humano quando as máquinas podem fazer melhor.” — Andrew McAfee, Erik Brynjolfsson [1]

O escritor David Foster Wallace conta a história, “This is Water”, de dois peixes jovens que não sabem o que é água. Ele afirma que as realidades mais importantes muitas vezes são completamente invisíveis para nós (e permanecerão assim se permitirmos). [2] O famoso matemático e filósofo Bertrand Russell deu uma resposta, “o que a ciência não pode descobrir, a humanidade não pode saber”, mas ele estava errado. Fritjof Capra e Pier Luigi Luisi fornecem um exemplo de como Russell estava errado:

“A emergência resulta na criação de novidade, e essa novidade é muitas vezes qualitativamente diferente dos fenômenos dos quais emergiu.” [3]

Se este conteúdo educacional aprofundado for útil para você, inscreva-se em nossa lista de discussão de IA para ser alertado quando lançarmos novo material. 

Outra prova de que Russell estava errado é o campo em rápida evolução da IA ​​generativa. O restante deste artigo discute essa forma de inteligência artificial (IA) e o que isso significa para o futuro… da humanidade.

Nas últimas duas semanas, três artigos surpreendentes apareceram em minha leitura. O primeiro foi um artigo da renomada empresa de capital de risco Sequoia Capital, no qual noticiava que o modelo de negócios estava sendo novamente redefinido pela IA. Citando Sequóia:

“As melhores empresas de IA generativa podem gerar uma vantagem competitiva sustentável executando incansavelmente no volante entre o envolvimento do usuário/dados e o desempenho do modelo.” [4] — Sequóia Capital

Os quatro modelos do BCG, mostrados abaixo, não eram mais a maneira de pensar sobre os modelos de negócios atuais. [5] A IA generativa estava mudando a base da competição!

O próximo artigo foi da consultoria internacional McKinsey. Eles entrevistaram o professor de Berkeley e o gênio da MacArthur, Daphne Koller. No artigo, Koller fala sobre como a IA generativa está permitindo que os pesquisadores levem a medicina a um nível totalmente novo de ciência fundamental. A IA generativa está produzindo resultados emergentes que os cientistas não viram de antemão. Efetivamente, chegamos ao ponto em que as máquinas estão produzindo insights criativos não documentados anteriormente por humanos. [6][7] Koller diz que essa capacidade de abstrair da realidade mudará a compreensão e a prática da medicina.

O terceiro escrito foi de um grupo de economistas acadêmicos canadenses. Em seu livro, Power and Prediction: The Disruptive Economics of Artificial Intelligence, os professores Agraval, Gans e Goldfarb documentam seu pensamento de que “todo problema é um problema de informação”. Os professores ilustram sua conclusão examinando a abordagem da maioria dos governos ao COVID como um “problema de saúde”. Essa abordagem criou um enorme custo econômico e de saúde mental. Se os governos tivessem construído desde o início novas simulações para a disseminação do COVID usando a mais recente tecnologia de IA, as principais fontes de doenças teriam sido identificadas mais cedo, isoladas e a propagação da doença teria sido reduzida mais rapidamente. O uso de novos modelos, em vez de tecnologia ultrapassada, teria produzido mais informações e provavelmente resultaria em apenas os portadores da doença voltando para casa.

A Microsoft explica bem essa nova abordagem. [8]

· “Os dados usados ​​para treinar as próprias redes neurais [IA] vêm da solução numérica das equações fundamentais da ciência, e não da observação empírica.

· Podemos ver as soluções numéricas de equações científicas como simuladores do mundo natural que podem ser usados... para calcular quantidades de interesse em aplicações.”

Para resumir, “a máquina está gerando algo novo em vez de analisar algo que já existe”.[9]

O restante deste artigo fala sobre como chegamos à IA generativa, “todo problema é um problema de informação” e o que isso significa para o futuro. Para entender como os VCs, consultores e acadêmicos chegaram simultaneamente às mesmas conclusões sobre IA generativa e resolução de problemas, precisamos primeiro revisar um pouco da história. Especificamente, precisamos revisar as contribuições de Claude Shannon, John Wheeler e Bryan Arthur.

Claude Shannon foi provavelmente o pesquisador mais famoso a trabalhar no Bell Labs. Shannon desenvolveu a Teoria da Informação, que foi a base matemática, científica e de engenharia para a Era Digital iniciada no final dos anos 1950. “A teoria da informação é o estudo científico da quantificação, armazenamento e comunicação da informação… e envolve a aplicação da teoria da probabilidade, estatística, ciência da computação, mecânica estatística, engenharia da informação e engenharia elétrica.” [10] Shannon aplicou a 2ª Lei da Termodinâmica para mostrar a relação entre informação e incerteza. Sabemos que o universo está caminhando para uma crescente desordem e incerteza, que chamamos de entropia. A entropia negativa, a redução da incerteza, representa informações tanto no nível microscópico das partículas subatômicas quanto no nível macroscópico que percebemos, como temperatura, força ou volume. O que isso significa é que a energia e a matéria, tanto no nível microscópico quanto no macroscópico, podem ser entendidas como informação. Ver a realidade em todos os níveis como informação nos liberta das restrições de nossa educação cultural orgânica e torna possível esta era atual de conectividade em rede transdisciplinar, não linear. Essa transição fundamental de uma realidade moldada por energia e matéria para uma realidade explicada em termos de informação foi o princípio fundamental “único” que explica a Era Digital iniciada na década de 1960. Obrigado, Claudio Shannon.

Em 1989, o famoso físico John Wheeler publicou um pequeno ensaio intitulado “Information, Physics, Quantum: The Search for Links”. O objetivo do ensaio era explicar a mecânica quântica, a teoria da informação e a existência – um empreendimento modesto. No ensaio, Wheeler cunha a agora famosa expressão “It from Bit” e explica o conceito de que a realidade (It) pode ser explicada através da estrutura binária fundamental do bit (0,1 ou sim/não) popularizada na ciência da computação e antes disso por Aristóteles. Portanto, toda realidade é simplesmente informação. O ensaio de Wheeler talvez tenha explicado de maneira mais compreensível o ponto de Shannon de que a realidade pode ser compreendida em termos de informação.

Se reconhecemos as contribuições seminais de Shannon [1948] e Wheeler [1989], por que levamos mais de 30 anos para perceber que “todos os problemas são problemas de informação”. A resposta curta é que por pelo menos 40,000 anos nossos instintos e cultura reforçaram a ideia de que o conhecimento e a solução de problemas são baseados em nossos dados empíricos ou percepção da realidade. Felizmente, nós aposentamos o professor de economia de Stanford, Bryan Arthur, para explicar por que se passaram mais 30 anos após o ensaio de John Wheeler antes de mudarmos a datada epistemologia cartesiana que a evolução nos forneceu.

Bryan Arthur foi um dos fundadores do Santa Fe Institute, talvez o principal instituto de pesquisa nos Estados Unidos sobre a aplicação da complexidade às ciências físicas, naturais e sociais (incluindo a economia). A pesquisa de Arthur mostrou que a tecnologia aparece para resolver os problemas de seu tempo e geralmente é um emparelhamento de várias tecnologias em um paradigma. Então, qual era o paradigma tecnológico necessário para resolver problemas em uma realidade definida pela informação? O paradigma foi a combinação coincidente de Inteligência Artificial, Computação em Nuvem e Internet das Coisas (IoT). Essa tecnologia nos permitiu capturar os dados, armazená-los e extraí-los para uso com IA em uma escala de dados originalmente medida em petabytes e agora em exabytes (1+18 zeros). Os desenvolvedores originais da IA ​​pensaram que a limitação de capacidade era o poder de computação. Descobrimos que precisávamos capturar mais dados, ser capazes de armazená-los com eficiência (e segurança) e processá-los com eficácia. Essa tecnologia surgiu por volta de 2005–2006, talvez com o lançamento do serviço de nuvem AWS, e foi amplamente utilizada a partir de 2015.

O que espero ter introduzido é que a realidade é um sistema abstrato, lógico e computacional que processa informações e que a IA generativa nos deu novas ferramentas para entender essa realidade. Talvez você não se lembre de que Galileu, Kurt Gödel, John von Neumann e, mais recentemente, o físico Max Tegmark, para citar alguns luminares, compartilham uma visão semelhante. Abster-me-ei de dizer que a IA generativa é a base para uma terceira escola de epistemologia, mas estou tentado.

A filosofia e a física são intrigantes, mas nenhum dos campos é considerado muito prático. Devemos nos concentrar na questão de como a IA generativa moldará o futuro e quais habilidades serão necessárias neste novo mundo. A citação da Sequoia no início do artigo nos dá muitas orientações sobre a aplicação dessa IA, quer trabalhemos no governo, organizações sem fins lucrativos, academia ou setor privado. Para declarar a orientação da Sequoia novamente:

“As melhores empresas de IA generativa podem gerar uma vantagem competitiva sustentável executando incansavelmente no volante entre o envolvimento do usuário/dados e o desempenho do modelo.” [11] — Sequóia Capital

As lições podem ser:

Primeiro nome, não devemos deixar que a tecnologia nos mova ainda mais para perder de vista a importância de um foco centrado no ser humano (engajamento do usuário). A IA não é responsável pelas consequências humanas das descobertas emergentes da tecnologia. Nós, os humanos, somos. Não culpe a IA, culpe as pessoas. Precisamos de mais cursos e treinamento nas questões éticas em torno da IA ​​à medida que moldamos a experiência do cliente e a interação entre humanos e IA generativa.

Segundo, os dados devem ser considerados um recurso como terras agrícolas ou capital. Precisamos adquirir dados de forma intencional e cuidadosa, limpar e organizar os dados e armazená-los na nuvem para facilitar o acesso. Os conjuntos de dados estão se tornando cada vez mais valiosos. Alguns comentaristas dizem que a Microsoft comprou o LinkedIn e Elon Musk comprou o Twitter para adquirir grandes conjuntos de dados de consumidores. Essa estratégia é chamada de “Cloud Capital” para ilustrar a importância de grandes conjuntos de dados. A National Science Foundation (NSF) e o National Institute of Health (NIH) também percebem o valor científico e social de grandes conjuntos de dados e estão fazendo esforços significativos para organizar conjuntos de dados de código aberto para apoiar a pesquisa e comercialização (e resposta rápida). Para gerenciar bem esses conjuntos de dados, precisamos que o treinamento comece na mesma idade que a programação de computadores. Também precisamos que estruturas de dados, teoria de redes, teoria de grafos, complexidade e princípios de computação em nuvem sejam ensinados no ensino médio e não sejam considerados assuntos avançados esotéricos. Os conjuntos de dados devem ser considerados como a água, fundamental para a vida de todos.

Terceiro, “desempenho do modelo” procura melhorar o desempenho dos algoritmos. Esta melhoria do algoritmo requer o estudo aprofundado de matemática avançada, estatística e ciência da computação. Esse treinamento também precisa começar bem antes da universidade, dada a importância do assunto.

Quarto, a “vantagem competitiva” virá da escolha de melhores problemas (oportunidades). O que isso significa? A IA fornecerá grande parte do “insight” e da solução criativa por meio do processo emergente que Capra e Luisi descreveram no início do artigo. O valor será ainda maior na seleção do problema. A descrição de criatividade do pesquisador Neri Oxman inclui quatro domínios — ciência, engenharia, design e arte. [12] Durante os primeiros quatro séculos da Revolução Industrial, a criação de valor baseou-se na ciência e na engenharia. Hoje, com a IA não mais limitada pelos dados empíricos disponíveis, a criação de valor virá cada vez mais do design e da arte. O design aqui é usado da maneira que Herbert Simon o definiu, [13] como resolução de problemas, e no coração da resolução de problemas está escolhendo o problema or reformulando o problema. A arte produzida pela Generative AI é fantástica, quase indiscernível do trabalho humano. Não fique deprimido, apenas use esta arte para contar suas histórias e vender suas ideias de forma mais eficaz. A empresa de capital de risco Lightspeed coloca bem:

"Nosso tese pois a IA generativa começa com a crença de que contar histórias, seja sobre uma pessoa, negócio ou ideia, é fundamentalmente o que nos torna humanos... Hoje, o processo de criação de conteúdo permanece manual e difícil... A IA generativa tem o poder de reduzir muito este trabalho “manual” e torná-lo mais acessível a todos.”

O que a arte, o design, a matemática e agora a computação fazem é abstrair da realidade e torná-la mais compreensível. A IA generativa é uma ferramenta poderosa para abstrair nunca antes vista na história da humanidade. Precisamos mudar nosso pensamento, sistema educacional e valores para aproveitar essa tecnologia para o aperfeiçoamento da humanidade.

Eu tenho dito por vários anos que a humanidade está à beira de um 2º Renascimento. A IA generativa provavelmente torna essa afirmação verdadeira. Para ajudá-lo a lembrar, o 2º Renascimento será definido em termos de — ciência de dados — modelos de computador — abstração — emergência — design.

[1] Máquina, plataforma, multidão: aproveitando nosso futuro digital…

[2] Lições de “This Is Water” de David Foster Wallace

[3] Fritjof Capra, Pier Luigi Luisi, The Systems View of Life

[4] IA generativa: um novo mundo criativo (Sequóia Capital)

[5] O momento certo para tecnologia profunda

[6] Será uma mudança de paradigma': Daphne Koller sobre aprendizado de máquina na descoberta de medicamentos (McKinsey)

[7] O artigo Deep Learning de Yann Le Cunn e Y. Bengio explica os conceitos fundamentais da IA ​​generativa

[8] Será uma mudança de paradigma': Daphne Koller sobre aprendizado de máquina na descoberta de medicamentos (McKinsey)

[9] IA generativa: um novo mundo criativo (Sequóia Capital)

[10] Reexame dos conceitos fundamentais de calor, trabalho, energia, entropia e informações com base no NGST

[11] IA generativa: um novo mundo criativo (Sequóia Capital)

[12] Era do Emaranhamento

[13] A Ciência do Artificial

Este artigo foi originalmente publicado em Médio e republicado no TOPBOTS com permissão do autor.

Gostou deste artigo? Inscreva-se para mais atualizações de pesquisa de IA.

Avisaremos quando lançarmos mais artigos de resumo como este.

Relacionado