Principais conclusões:
- A inteligência artificial (IA) refere-se à simulação da inteligência humana em computadores que são programados para realizar tarefas semelhantes às humanas.
- A aprendizagem automática (ML) é um subconjunto da IA que se centra na construção de modelos que podem aprender a utilizar dados para melhorar o desempenho num conjunto específico de tarefas.
- A aprendizagem profunda é um subconjunto da aprendizagem automática que se baseia em redes neuronais artificiais vagamente modeladas nas redes neuronais biológicas do cérebro.
- O armazenamento de dados e a velocidade de processamento limitados, que antes eram os principais inconvenientes da IA, deixaram de ser um problema importante.
- A IA tem uma grande variedade de aplicações em vários domínios e campos. Dois projectos de IA que ganharam recentemente uma atenção significativa dos meios de comunicação social são o ChatGPT e o DALL-E.
- À medida que a quantidade de dados de treino e o poder computacional aumentam, será possível treinar modelos de IA mais potentes que podem conduzir a aplicações mais eficazes.
IA, aprendizagem automática e aprendizagem profunda: O que são
A inteligência artificial (IA) tomou o mundo de assalto recentemente, juntamente com outros termos semelhantes como aprendizagem automática (ML), aprendizagem profunda e ciência dos dados. Segue-se uma breve descrição para aqueles que possam sentir-se confusos em relação a estes termos.
Inteligência artificial refere-se à simulação da inteligência humana em computadores que são programados para realizar tarefas semelhantes às humanas, como sintetizar e inferir informações.
A aprendizagem automática é um subconjunto da IA que se centra na construção de modelos que “aprendem”, no sentido de utilizar dados para melhorar o desempenho num conjunto específico de tarefas. A aprendizagem automática pode ser dividida em três categorias:
- Aprendizagem supervisionada: O computador é treinado com base em dados que consistem em exemplos rotulados – entrada(s) conhecida(s) X com a saída verdadeira Y – e o objetivo é aprender uma regra geral ou função (F) que possa mapear entradas para saídas em novos exemplos (ou seja, Y = F(X)). Um exemplo de aprendizagem supervisionada é o reconhecimento de dígitos manuscritos, em que a máquina aprende a reconhecer dígitos manuscritos de 0 a 9.
- Aprendizagem não supervisionada: Estes tipos de algoritmos analisam dados não rotulados para descobrir padrões subjacentes (apenas com X mas sem Y). Um exemplo de aprendizagem não supervisionada é o agrupamento, que tem como objetivo agrupar os dados não rotulados em vários grupos com base nas suas semelhanças ou diferenças.
- Aprendizagem por reforço: A aprendizagem por reforço estuda a forma como os agentes inteligentes devem realizar acções num determinado ambiente para maximizar uma determinada função de recompensa. A aprendizagem por reforço pode ser aplicada à condução autónoma de automóveis e à robótica, bem como ao treino de máquinas para jogar jogos de tabuleiro e de computador.
A aprendizagem profunda é um subconjunto da aprendizagem automática e baseia-se em redes neuronais artificiais, que são sistemas informáticos vagamente inspirados nas redes neuronais biológicas do cérebro. Os neurónios artificiais de uma rede, semelhantes aos neurónios biológicos do cérebro, podem receber e transmitir sinais a outros neurónios a eles ligados.
A ciência dos dados refere-se ao estudo dos dados para extrair informações significativas. Trata-se de um domínio altamente interdisciplinar que utiliza a estatística, a matemática e a informática para analisar vários tipos de dados. A ciência dos dados cruza-se com a IA, a aprendizagem automática e a aprendizagem profunda, uma vez que os modelos de inteligência artificial requerem normalmente dados para serem treinados.
O quadro seguinte mostra os diferentes focos e aplicações da IA, da aprendizagem automática e da ciência dos dados.
História e desenvolvimento da IA
O estado atual da IA tem sido principalmente um produto de vários avanços na capacidade de computação ao longo do tempo. O armazenamento limitado de dados e a velocidade de processamento, que antes eram os principais estrangulamentos da IA, deixaram de ser um problema importante, uma vez que o poder de computação aumentou exponencialmente na última década. O hardware (como CPUs e GPUs) também se tornou mais barato e mais acessível ao longo dos anos, o que permitiu a criação de novos modelos e possibilitou mais financiamento e investigação para a IA.
Além disso, os custos da IA são agora mais baixos, mas os tempos de formação são mais rápidos. Desde 2018, os custos de formação diminuíram 63,6%, enquanto os tempos de formação melhoraram mais de 94%, de acordo com o Relatório do Índice de IA de Stanford. Todos estes desenvolvimentos, juntamente com enormes quantidades de dados prontamente disponíveis, ajudaram a treinar melhores modelos e a produzir os melhores resultados que se verificam atualmente. A progressão gradual da IA e alguns desenvolvimentos notáveis no espaço são apresentados na breve cronologia abaixo.
A IA não é um termo novo, e os algoritmos de IA, como a aprendizagem profunda e as redes neuronais, podem ser datados da década de 1950. No entanto, só nos últimos anos é que o poder de computação melhor ou para tornar a aprendizagem profunda eficiente, e também surgiram novos algoritmos e modelos de IA, como os transformadores, que foram introduzidos em 2017 pelo Google Brain e adoptados no GPT-3, o modelo subjacente ao ChatGPT.
Desenvolvimento da IA e suas aplicações
A IA tem uma grande variedade de aplicações em vários domínios e campos. Dois projectos de IA que ganharam uma atenção significativa do grande público são ChatGPT e o DALL-E. Ambos os projectos registaram um aumento do interesse na pesquisa do Google desde o seu lançamento, respetivamente, e foram destacados de forma proeminente nas redes sociais.
O ChatGPT é um chatbot capaz de dar respostas pormenorizadas e realistas a perguntas em vastos domínios do conhecimento. Lançado pela OpenAI em novembro de 2022, é treinado utilizando técnicas de aprendizagem supervisionada e de reforço. Para além de responder a perguntas, o ChatGPT pode escrever código em várias linguagens de programação e também compor música.
O DALL-E e o DALL-E 2 são modelos de aprendizagem profunda que podem gerar imagens com base em comandos de linguagem natural dos utilizadores. A versão mais recente do DALL-E é o DALL-E 2, que foi anunciado em abril de 2022. Pode gerar imagens de maior resolução do que o DALL-E, que são mais realistas e combinam vários estilos.
Outros casos de utilização da IA incluem jogar jogos de tabuleiro, como o Go. O AlphaGo foi desenvolvido pela DeepMind Technologies, uma subsidiária da Google, e conseguiu derrotar Ke Jie, o jogador de Go número 1 do mundo na altura. Posteriormente, o AlphaGo foi galardoado com o 9-dan profissional pela Associação Chinesa de Weiqi.
Uma outra aplicação promissora da IA é a condução autónoma, que permite que os automóveis se desloquem utilizando um número reduzido de elementos humanos, com a ajuda de sensores para perceber o que os rodeia e de sistemas informáticos para controlar e navegar o automóvel. Existem vários níveis de condução autónoma, com a atual tecnologia de ponta capaz de atingir níveis intermédios como o nível 3 (“olhos desligados”), em que o condutor pode desviar a sua atenção da condução.
Saiba mais sobre Conteúdos e aplicações gerados por IA na Web3.
Prós e contras da IA
Uma vez que as máquinas podem trabalhar 24 horas por dia sem pausas, a IA é capaz de realizar tarefas entediantes e repetitivas de forma mais eficiente do que os humanos. Por exemplo, os chatbots com IA podem ajudar a responder aos pedidos de informação dos clientes 24 horas por dia.
Além disso, os robots e as máquinas alimentados por IA são capazes de realizar tarefas que são arriscadas ou perigosas para os seres humanos. Por exemplo, os robôs com IA podem explorar as profundezas dos oceanos, desativar explosivos ou trabalhar em fábricas com produtos químicos perigosos.
A IA também é capaz de trabalhar eficazmente com conjuntos de dados grandes e de elevada dimensão, que podem ser difíceis de analisar ou visualizar para os seres humanos. À medida que a velocidade de computação aumenta, a IA é capaz de efetuar uma aquisição e extração de dados mais rápida, transformando e interpretando depois os dados.
Uma desvantagem da IA é o facto de, por vezes, lhe faltar criatividade e inovação. Embora a IA esteja a melhorar rapidamente neste aspeto, alguns dos textos e imagens gerados pela IA ainda carecem de um toque humano e podem parecer ter um estilo rígido e robótico.
A IA também pode, por vezes, cometer erros que um ser humano normal não cometeria, o que pode levar a problemas de qualidade. Por exemplo, o investigador de IA e professor de Stanford, Andrew Ng, apresentou um exemplo em que o ChatGPT explicou erradamente que um ábaco é mais rápido do que uma GPU. Assim, em alguns casos, mesmo a IA mais avançada ainda não atingiu um nível de precisão suficiente.
O futuro da IA
As perspectivas para a IA são promissoras. De acordo com a Lei de Moore no domínio da informática, o número de transístores num microchip duplica aproximadamente de dois em dois anos, enquanto o seu custo é reduzido para metade no mesmo período. Em suma, prevê-se que a velocidade e as capacidades dos computadores aumentem de dois em dois anos, tornando-se mais acessíveis. Ao mesmo tempo, a quantidade de dados no mundo está a crescer exponencialmente, prevendo-se que atinja 175 zetabytes (175 triliões de gigabytes) em 2025.
As tendências acima referidas são altamente favoráveis à IA porque os seus algoritmos, como a aprendizagem profunda, funcionam mais eficazmente com maior capacidade de computação e grandes quantidades de dados. Por exemplo, o ChatGPT é classificado como um Modelo de língua grande (LLM) porque é treinado com uma grande quantidade de dados de texto e tem 175 mil milhões de euros parâmetros. Em geral, à medida que a quantidade de dados de treino e o poder computacional aumentam, é possível treinar modelos de IA mais fortes, o que pode levar a aplicações mais eficazes.
Existem preocupações e debates quanto ao facto de a IA poder conduzir ao desemprego, uma vez que pode automatizar certas tarefas de trabalho e obter um melhor desempenho do que os seres humanos. Embora a IA possa substituir os seres humanos em tarefas que exigem poucas competências, como a contabilidade e a introdução de dados, a tecnologia deve ser vista como uma forma de ajudar os seres humanos – ao automatizar tarefas repetitivas, a IA pode aumentar a produtividade dos empregados. Por exemplo, as tecnologias de IA existentes são capazes de automatizar até 40% do trabalho que os vendedores efectuam durante o processo de vendas.
O famoso físico Stephen Hawking disse uma vez: “… os computadores podem, em teoria, emular a inteligência humana – e excedê-la”. No domínio da IA, este fenómeno está a começar a tomar forma, com os computadores a começarem a produzir texto e imagens a par, ou mesmo melhor, do que o produzido pelo ser humano médio. Será emocionante observar os futuros desenvolvimentos da IA nos próximos anos.
Leia o relatório completo sobre a IA e os seus casos de utilização, incluindo mais exemplos e referências, aqui.
Acompanhe os tokens de IA na aplicação Crypto.com
O aumento da tecnologia de IA levou ao surgimento de novos tokens de IA que estão rapidamente a ganhar popularidade. Para atender a esse interesse, o aplicativo Crypto.com adicionou uma nova categoria em Track Coins para que os usuários possam acompanhar facilmente os principais tokens de IA. Veja a IA e todas as outras categorias aqui.
Diligência devida e fazer a sua própria investigação
Todos os exemplos apresentados neste artigo têm um carácter meramente informativo. O utilizador não deve interpretar essas informações ou outros materiais como aconselhamento jurídico, fiscal, de investimento, financeiro ou outro. Nada aqui contido constituirá uma solicitação, recomendação, endosso ou oferta da Crypto.com para investir, comprar ou vender quaisquer moedas, tokens ou outros activos criptográficos. Os rendimentos da compra e venda de activos criptográficos podem estar sujeitos a impostos, incluindo o imposto sobre mais-valias, na sua jurisdição. Quaisquer descrições dos produtos ou características da Crypto.com são meramente para fins ilustrativos e não constituem um endosso, convite ou solicitação.
O desempenho passado não é uma garantia ou um indicador do desempenho futuro. O valor dos activos criptográficos pode aumentar ou diminuir, e pode perder a totalidade ou um montante substancial do seu preço de compra. Ao avaliar um ativo criptográfico, é essencial que faça a sua investigação e a devida diligência para fazer o melhor julgamento possível, uma vez que quaisquer compras serão da sua exclusiva responsabilidade.
