Avanço impressionante em inteligência artificial nos ... · grande atualização e agora consegue...

Avanço impressionante eminteligência artificial nosaproxima da singularidade -Gizmodo BrasilLembra do AlphaGo, primeira inteligência artificial a derrotar ummelhor do mundo de Go? Bom, o programa acabou de receber umagrande atualização e agora consegue ensinar a si próprio comodominar o jogo sem nenhuma intervenção humana. E olha só: emum torneio que colocou IA contra IA, essa versão melhorada,chamada de AlphaGo Zero, derrotou o AlphaGo normal por incríveis100 jogos a zero, significando um enorme avanço no campo. Ouviuisso? É a singularidade tecnológica ficando mais próxima.

Um novo artigo publicado na Nature nesta quarta-feira (18)descreve como o sistema de inteligência artificial que derrotou omestre de Go Lee Sedol em 2016 levou uma surra digital de umaversão nova e melhorada de si mesmo. E não perdeu por pouco,não — a máquina não conseguiu uma vitória sequer em 100 jogos.Incrivelmente, levou apenas três dias para que o AlphaGo Zero(AGZ) treinasse a si próprio do zero e conseguisse literalmentemilhares de anos de conhecimento humano de Go simplesmente aojogar sozinho. A única informação que recebeu foi o que fazer comas posições de peças pretas e brancas no tabuleiro. O sistemanovo ainda inventou estratégias completamente novas.

http://gizmodo.uol.com.br/avanco-inteligencia-artificial-singularidade/ 17/02/2018 09@18Página 1 de 8

Lee Sedol sendo arrasado pelo AlphaGo em 2016. (Imagem: AP)

De tempos em tempos, o campo da inteligência artificial passa porum momento “caramba!”, e esse parece ser um desses momentos.Olhando em retrospecto, outros momentos “caramba!” incluem oDeep Blue derrotando Garry Kasparov no xadrez em 1997, oWatson, da IBM, derrotando dois dos melhores jogadores de“Jeopardy!” em 2011, a derrota de Lee Sedol, em 2016, mencionadaanteriormente, e, mais recentemente, a derrota de quatro jogadoresprofissionais de pôquer contra o Libratus, uma inteligência artificialdesenvolvida por cientistas da computação da UniversidadeCarnegie Mellon.

Essa conquista mais recente se qualifica como um momento“caramba!” por uma série de razões.

Primeiro de tudo, o AlphaGo tinha o benefício de ter aprendido apartir de literalmente milhares de jogos de Go disputados


anteriormente, incluindo aqueles jogados por humanos amadores eprofissionais. O AGZ, por outro lado, não recebeu ajuda alguma deseus donos humanos e não tinha acesso a nada, exceto as regrasdo jogo. Usando “aprendizado por reforço”, o AGZ jogou consigomesmo repetidamente, “começando a partir de jogos aleatórios esem qualquer supervisão ou uso de dados humanos”, de acordocom pesquisadores da DeepMind, do Google. Isso permitiu aosistema melhorar e refinar seu cérebro digital, conhecido como redeneural, conforme aprendia continuamente a partir da experiência.Isso basicamente significa que o AlphaGo Zero foi seu próprioprofessor.

“Esta técnica é mais poderosa do que versões anteriores doAlphaGo porque ela não é mais restringida pelos limites doconhecimento humano”, aponta a equipe da DeepMind em umcomunicado. “Em vez disso, é capaz de aprender tabula rasa [apartir do zero] com o melhor jogador do mundo: o próprio AlphaGo.”

Imagem: AP


Ao jogar Go, o sistema considera os próximos movimentos maisprováveis (uma “rede de políticas”) e então estima a probabilidadede vencer baseado nesses movimentos (sua “rede de valores”). OAGZ precisa de cerca de 0,4 segundos para fazer essas duasavaliações. O AlphaGo original foi equipado com um par de redesneurais para fazer avaliações parecidas, mas, no caso do AGZ, osdesenvolvedores da DeepMind juntaram as redes de políticas e devalores em uma só, permitindo ao sistema aprender maiseficientemente. Além disso, o novo sistema é alimentado por quatrounidades de processamento de tensor (TPUs), chips especializadospara treinamento de redes neurais. O antigo AlphaGo precisava de48 TPUs.

Depois de apenas três dias de treinamento jogando contra simesmo e um total de 4,9 milhões de partidas disputadas, o AGZconseguiu o conhecimento necessário para acabar com o AlphaGo(em comparação, o AlphaGo original teve 30 milhões de partidaspara se preparar). Depois de 40 dias de treinamento próprio, o AGZderrotou uma outra versão mais sofisticada do AlphaGo, chamadade AlphaGo “Master”, que derrotou os melhores jogadores de Go domundo e o jogador que ocupava o topo do ranking mundial do jogode tabuleiro, Ke Jie. Neste ano, o AlphaGo e o AlphaGo Mastervenceram um total combinado de 60 partidas contra profissionaisde elite. A ascensão do AGZ, ao que tudo indica, tornou essas duasversões anteriores obsoletas.

“A época em que humanos poderão ter conversassignificativas com uma inteligência artificial sempre pareceumuito distante, coisa de ficção científica. Mas parajogadores de Go, esse dia já chegou.”

Essa é uma conquista enorme para a inteligência artificial, e para o


subcampo de aprendizado por reforço, particularmente. Ao ensinara si próprio, o sistema igualou e superou o conhecimento humanopor uma ordem de magnitude em apenas alguns dias, ao mesmotempo em que desenvolveu estratégias nada convencionais ejogadas novas criativas. Para jogadores de Go, o avanço éempolgante; eles estão aprendendo coisas com a IA que talvezpudessem nunca aprender por conta própria ou que levariam umaquantidade de tempo enorme para serem descobertas.

“Os jogos [do AlphaGo Zero] contra o AlphaGo Master certamentevão conter algumas joias, especialmente porque suas vitóriasparecem vir sem esforço”, escreveram Andy Okun e AndrewJackson, membro da Associação Americana de Go, em um artigoda Nature News and Views. “A cada estágio do jogo, ele pareceganhar um pouco aqui e perder um pouco ali, mas, de algumaforma, termina ligeiramente à frente, como que por mágica… Aépoca em que humanos poderão ter conversas significativas comuma inteligência artificial sempre pareceu muito distante, coisa deficção científica. Mas para jogadores de Go, esse dia já chegou.”

Sem dúvidas, o AGZ representa um avanço disruptivo no mundo deGo, mas e o seu potencial para o resto do mundo? De acordo comNick Hynes, estudante de pós-graduação do Laboratório de Ciênciada Computação e Inteligência Artificial do MIT, vai levar um tempoaté que uma ferramenta especializada como essa tenha um impactoem nossas vidas cotidianas.

“Até agora, o algoritmo descrito funciona apenas para problemasem que exista um número contável de ações que você pode tomar,então ele precisaria de modificação antes que pudesse ser usadopara problemas de controle contínuos, como a locomoção (porexemplo)”, explicou Hynes ao Gizmodo. “Além disso, ele requer que


você tenha um modelo muito bom do ambiente. Nesse caso, eleliteralmente conhece todas as regras. Isso seria como se vocêtivesse um robô para o qual você pudesse prever com exatidão osresultados das ações — o que é impossível para sistemas físicosreais e imperfeitos.”

O lado bom, segundo Hynes, é que existem várias outras linhas depesquisa de inteligência artificial que lidam com ambos dessesproblemas (como aprendizado de máquina, algoritmosevolucionários etc), então é realmente apenas uma questão deintegração. “A chave mesmo aqui é a técnica”, diz Hynes.

“É como se uma civilização alienígena inventasse sua própriamatemática, que a permitisse fazer coisas como viajar notempo… Embora ainda estejamos longe da “Singularidade”,estamos definitivamente caminhando nessa direção.”

“Como esperado — e desejado —, estamos nos distanciando dopadrão clássico de pegar um monte de dados rotulados porhumanos e treinando um modelo para imitá-lo”, disse. “O queestamos vendo aqui é um modelo livre de viés e pressuposiçõeshumanas: ele consegue aprender qualquer coisa que determinecomo ideal, o que pode, de fato, ser muito mais cheio de nuancesdo que nossas próprias concepções da mesma coisa. É como seuma civilização alienígena inventasse sua própria matemática, que apermitisse fazer coisas como viajar no tempo… Embora aindaestejamos longe da “Singularidade”, estamos definitivamentecaminhando nessa direção.”

Noam Brown, cientista da computação da Universidade CarnegieMellon que ajudou a desenvolver a primeira inteligência artificial aderrotar jogadores humanos de pôquer de elite, diz que os


pesquisadores da DeepMind conquistaram um resultadoimpressionante e que isso poderia a levar a coisas maiores emelhores na inteligência artificial.

“Embora o AlphaGo original tenha conseguido derrotar jogadoreshumanos de elite, ele o fez, em parte, por contar com conhecimentohumano especializado do jogo e dados de treinamento humanos”,Brown disse ao Gizmodo. “Isso levou a perguntas sobre apossibilidade de se estender essas técnicas para além do Go. OAlphaGo Zero alcança um desempenho ainda melhor, sem usarqualquer conhecimento humano especializado. Parece provável quea mesma abordagem poderia ser estendida para todos jogos deaperfeiçoamento de informação (como xadrez e dama). Esse é umpasso enorme em direção ao desenvolvimento de inteligênciasartificiais de propósitos gerais.”

Como admitem Hynes e Brown, esse avanço mais recente nãosignifica que a singularidade tecnológica — aquele momentohipotético no futuro em que a inteligência das máquinas supera ados humanos e alcança um crescimento explosivo — estejaiminente. Mas deve, sim, causar uma pausa para pensar. Uma vezque ensinamos as regras de um jogo ou as restrições de umproblema do mundo real a um sistema, o poder do aprendizado porreforço possibilita que apertemos o botão de iniciar e deixemos osistema cuidar do resto. Ele então vai desvendar as melhoresmaneiras de ter sucesso na tarefa, inventando soluções eestratégias que estejam além das capacidades humanas epossivelmente até mesmo além de nossa compreensão.

Como apontado, o AGZ e o jogo de Go representam uma versãomuito simplificada, restrita e altamente previsível do mundo, mas,no futuro, a inteligência artificial receberá tarefas com desafios mais


complexos. Um dia, sistemas de auto-ensino serão usados pararesolver problemas mais urgentes, como dobrar proteínas paraconjurar novos remédios e biotecnologias, descobrir maneiras dereduzir o consumo de energia ou então quando precisarmosprojetar novos materiais. Um sistema de auto-aprendizagemtambém poderia receber a tarefa de melhorar a si próprio, levando àinteligência geral artificial (uma inteligência muito humana) e atémesmo à superinteligência artificial.

Como concluem os pesquisadores da DeepMind em seu estudo,“nossos resultados demonstram de forma abrangente que umaabordagem de aprendizado por reforço puro é completamenteviável, até mesmo nos domínios mais desafiadores: é possíveltreinar a um nível sobre-humano, sem exemplos ou guias humanos,e sem receber conhecimento do domínio além das regras básicas.”

E, de fato, agora que jogadores humanos não são mais soberanosem jogos como xadrez e Go, pode-se dizer que já entramos em umaera de superinteligência. Esse avanço mais recente é apenas umpequeno indício do que ainda está por vir.

[Nature]

Imagem do topo: DeepMind


Avanço impressionante em inteligência artificial nos ... · grande atualização e agora consegue...

Documents

Transcript of Avanço impressionante em inteligência artificial nos ... · grande atualização e agora consegue...