Há uma corrida para descobrir o funcionamento do cérebro das pessoas. A  Universidade de Harvard recebeu, recentemente, uma bolsa de US$ 28 milhões para entender por que os humanos são muito melhores no reconhecimento de padrões e na aprendizagem do que a inteligência artificial (IA). Financiado pela Intelligence Advanced Research Projects Activity (IARPA), o valor vai proporcionar uma busca que tem como finalidade tornar os sistemas de IA mais rápidos e inteligentes, além de corresponderem ou superarem as redes neurais humanas.

Baixe o whitepaper 10 áreas-chave para extrair o melhor do Operations Analytics e saiba como se beneficiar da tecnologia

O grande desafio é a enorme complexidade do cérebro humano: seus bilhões de neurônios e trilhões de interconexões sinápticas com sinalização eletroquímica. O outro desafio: não existe uma teoria da mente aceita que descreva o que o pensar - a essência da inteligência - realmente é.

Mas esses desafios não impediram a Google DeepMind, empresa de inteligência artificial, de desenvolver um algoritmo que, recentemente, bateu um dos melhores jogadores de Go - tabuleiro chinês cujo objetivo é cercar mais território do que o adversário - ao conseguir imitar as redes neurais -  consideradas, até então, "inimitáveis".

A sinuosa e esburacada estrada da IA
O longo percurso para criar a inteligência artificial foi marcado, principalmente, por previsões elevadas e resultados decepcionantes. Claro, houve o Big Blue, da IBM, o supercomputador que derrubou o prodígio russo do xadrez, Garry Kasparov, em 1997. Mas sua  vitória  foi o resultado de regras fixas, movimentos possíveis limitados e força bruta da computação. Big Blue calculou todos os movimentos que poderia fazer em cada jogada - inteligência não exatamente artificial.

IA tem um outro problema: o poder de computação crua está restrito às limitações da física. Transistores são feitos de átomos e estamos nos aproximando rapidamente do ponto em que eles serão tão pequenos que deixarão de ser viáveis. Microprocessadores densos já enfrentam os desafios do consumo de energia e dissipação de calor. Para completar: a velocidade da luz. Ela governa toda a interconexão digital, colocando um limite rígido e rápido de quanta informação pode ser processada ao fluir para dentro e fora de chips de computador.

Jogo “Go”
Google DeepMind diferenciou a abordagem. A empresa desenvolveu um algoritmo chamado AlphaGo, que utiliza redes neurais profundas ou programas de computador que simulam as conexões dos neurônios para resolver problemas. Essas redes consistem em camadas de neurônios abstratos interligados.

Resultado? Em março, a AlphaGo bateu Lee Sedol no jogo Go. Sedol é reconhecido como um dos melhores jogadores do mundo do antigo jogo de tabuleiro chinês. Embora aparentemente simples, Go é computacionalmente complexo. Possui uma grade 19X19 de pontos e um número astronômico de movimentos possíveis. Além disso, para qualquer arranjo particular de pedras ou peças do jogo, é difícil estimar qual o jogador tem a vantagem.

O sistema permite que, para aprender, o AlphaGo jogue contra si mesmo diversas vezes. A partir dessa experiência, ele aprende a distinguir os melhores movimentos. A partida “Sedol Go” marca uma das primeiras vezes que um programa de computador foi capaz de se adaptar com sucesso à situação a sua frente. Ele conseguiu atingir esse objetivo por meio do emprego de aprendizado de máquina, em vez da força de computação bruta.

Ainda há ressalvas a respeito da possibilidade dos sistemas de IA serem capazes de se igualar ou exceder o cérebro humano em reconhecimento de padrões e aprendizagem. No entanto, sistemas de inteligência artificial sofisticados, com redes neurais, podem abrir espaço para arquiteturas de computadores de ponta não consideradas até então, tornando os obstáculos atuais da inteligência artificial como irrelevantes.