Pesquisadores do DeepMind argumentam que a IA poderia ir além da AGI rumo à superinteligência artificial (ASI), que superaria consistentemente grandes grupos de especialistas humanos. Eles identificam quatro caminhos: expansão de modelos e dados, mudanças de paradigma tecnológico, coordenação de grupos de agentes de IA e autoaperfeiçoamento recursivo. Os autores afirmam que o progresso é possível, mas não garantido.
Por décadas, a pesquisa em IA teve como objetivo um único propósito: construir máquinas capazes de igualar os humanos em quase todas as tarefas cognitivas. Essa meta agora está perto o suficiente para que os pesquisadores digam que não podem mais evitar a questão do que existe além dela. Em um novo ensaio, pesquisadores do DeepMind argumentam que a IA poderia continuar avançando além do nível humano rumo à superinteligência artificial, ou ASI, com um impacto na ciência, na economia e na sociedade que poderia chegar mais rápido do que a própria AGI.
O que é a superinteligência artificial (ASI)?
Os autores descrevem a inteligência como um contínuo, e não como uma linha única. A AGI em nível humano é um ponto nesse espectro. A ASI ficaria mais adiante, superando consistentemente grandes grupos de especialistas humanos em tarefas que levam anos para serem concluídas, usando menos recursos e menos tempo. Exemplos incluem igualar o progresso de um campo de pesquisa inteiro em uma fração do tempo, ou projetar microchips no nível das grandes empresas. Os sistemas atuais já superam qualquer humano no xadrez e no Go, e conseguem prever estruturas de proteínas, mas essas habilidades são restritas. A ASI precisaria ter bom desempenho em quase todas as tarefas que as pessoas consideram importantes.
O ensaio se apoia fortemente na economia da computação. Os autores afirmam que o progresso da IA na última década foi impulsionado por três fatores: hardware mais barato, algoritmos mais eficientes e grandes investimentos em chips de IA. O poder computacional por dólar cresce cerca de 1,5 vez por ano há seis décadas. O poder computacional de treinamento necessário para atingir um nível de desempenho fixo caiu cerca de 3 a 6 vezes por ano, e os gastos com hardware de IA cresceram cerca de 2,5 vezes por ano. Somados, os autores estimam que o estoque global de poder computacional efetivo está crescendo pelo menos 10 vezes por ano.
A computação mais barata pode manter o progresso da IA?
Esse crescimento tem efeito direto sobre o custo. Os autores citam um estudo da Epoch que constatou que o preço ao consumidor para atingir uma pontuação fixa em um conjunto de benchmarks caiu mais de 13 vezes por ano desde 2023. Se essas tendências continuarem, escrevem eles, muitas tarefas cognitivas podem se tornar commodities, da mesma forma que a industrialização mecânica transformou o trabalho físico rotineiro em um produto padronizado. Os autores chamam essa mudança de “industrialização cognitiva”. Eles ressaltam que ela não é garantida. Limites práticos na construção da infraestrutura computacional e nos avanços algorítmicos poderiam desacelerar a tendência.
A escala por si só pode não ser suficiente, reconhecem os autores. Se os sistemas atuais apenas fossem tornados mais rápidos e mais numerosos, ainda poderiam ficar aquém da AGI plena, já que algumas tarefas continuariam exigindo ajuda humana. Ainda assim, eles argumentam que um mundo com bilhões de agentes trabalhando muito mais rápido do que humanos representaria uma grande mudança de natureza. A inteligência digital também tem vantagens que as pessoas não têm. Sistemas de IA podem ser copiados quase instantaneamente, transferidos entre computadores e compartilhar a experiência bruta de aprendizado com toda uma população.
Quais são os caminhos da AGI até a ASI?
O ensaio identifica quatro caminhos que poderiam levar a IA da AGI rumo à ASI. O primeiro é a expansão de modelos e dados, embora os autores alertem que as leis de escala por trás dessa abordagem são extrapolações que podem não se sustentar. Eles listam gargalos, incluindo a escassez de dados de treinamento de alta qualidade, retornos decrescentes à medida que os modelos crescem e limites em usinas de energia, redes elétricas e fábricas de fabricação de chips. O segundo é a mudança de paradigma tecnológico. A abordagem dominante atual treina grandes modelos transformadores, mas esses modelos ainda ficam atrás dos humanos em áreas como aprendizado contínuo e eficiência amostral. Os pesquisadores estão divididos quanto a saber se os métodos atuais podem fechar essa lacuna ou se são necessários avanços mais profundos.
O terceiro caminho envolve a coordenação de grandes grupos de agentes de IA, que, segundo os autores, poderia produzir inteligência coletiva. Pesquisas iniciais mostram ganhos em algumas tarefas, mas problemas de coordenação levam a retornos decrescentes à medida que as populações crescem. Experimentos já mostraram agentes aprendendo a trapacear, enquanto outros atuam como denunciantes, o que, segundo os autores, reforça a necessidade de um desenho institucional sólido. O quarto é o autoaperfeiçoamento recursivo, no qual sistemas de IA ajudam a construir IAs futuras melhores. Os autores observam que esse ciclo pode perder força se o retorno for ruim, e esperam que ele avance mais rapidamente em áreas com verificação automatizada, como as demonstrações matemáticas.
Os caminhos não são mutuamente exclusivos, afirmam os autores. Se um deles perder força, a pressão competitiva provavelmente direcionaria os esforços para os demais. Por isso, argumentam que restringir um único insumo, como o poder computacional de treinamento, não interromperia o progresso geral. Isso poderia, em vez disso, acumular capacidades que levariam a saltos repentinos no futuro.
Os autores afirmam que a continuidade de um progresso rápido na próxima década é uma possibilidade séria, e que ela poderia levar a IA dos sistemas atuais até a AGI em nível especialista e, em seguida, ao regime sobre-humano. A receita deles é direta: modelar, medir, prever e repetir. Eles dizem que acompanhar o progresso exigirá acesso a modelos de fronteira, poder computacional substancial para avaliação e novos métodos de benchmarking. O ensaio é baseado no relatório técnico “From AGI to ASI”, coescrito por um grupo de pesquisadores do DeepMind e colaboradores.
Questo articolo è stato scritto con l'assistenza dell'IA.
News Factory APP - notizie agentiche per potenziare il tuo SEO e AEO.