Cientista propõe teoria unificada da inteligência artificial

Larry Hardesty - MIT - 19/04/2010

Revivendo os antigos modelos baseados em regras com os resultados mais recentes dos sistemas probabilísticos, cientista cria uma linguagem de computador que pode fazer renascer o campo da inteligência artificial.
[Imagem: MIT]

Regras do pensamento

Nas décadas de 1950 e 1960, os pesquisadores da nascente inteligência artificial dedicaram-se à tentativa de descobrir como o pensamento funciona - e em que regras esse funcionamento se baseia.

Mas essas regras logo revelaram-se muito mais complicadas do que se poderia imaginar.

Desde então, as pesquisas sobre a inteligência artificial têm-se apoiado, não em regras bem definidas, mas em probabilidades - padrões estatísticos que os computadores podem aprender a partir da análise de grandes conjuntos de dados, os chamados dados de treinamento.

Inteligência probabilística

O enfoque probabilístico tem sido responsável pela maior parte dos progressos recentes no campo da inteligência artificial, como os sistemas de reconhecimento de voz ou de tradução automatizada de textos entre idiomas diferentes.

Mas Noah Goodman, um cientista do MIT, que divide seu tempo entre o departamento de Ciências Cognitivas e Cerebrais e o laboratório de Ciência da Computação e Inteligência Artificial, acha que a inteligência artificial cedeu muito quando desistiu das regras.

Ao combinar os antigos sistemas baseados em regras com insights dos sistemas probabilísticos mais recentes, Goodman descobriu uma forma para modelar o pensamento que poderá ter grandes implicações para o campo da inteligência artificial e para a ciência cognitiva.

Linguagem matemática

Os primeiros pesquisadores da inteligência artificial viam o pensar como uma inferência lógica: se você sabe que as aves podem voar e se lhe for informado que um pintassilgo é uma ave, você pode deduzir que os pintassilgos podem voar.

Um dos primeiros projetos de inteligência artificial foi o desenvolvimento de uma linguagem matemática - muito parecida com uma linguagem de computador - por meio da qual os pesquisadores pudessem codificar afirmações como "as aves podem voar" e "pintassilgos são aves."

Se essa linguagem fosse rigorosa o suficiente, algoritmos de computador seriam capazes de rastrear alegações escritas com ela e calcular todas as deduções logicamente válidas.

Assim que tivessem desenvolvido linguagens como essa, os pesquisadores poderiam começar a usá-las para codificar montanhas de afirmações do senso comum, que seriam armazenadas em gigantescas bases de dados.

Solução braçal

O problema com esta abordagem é que, por exemplo, nem todas as aves podem voar. E entre as aves que não voam, há diferenças fundamentais entre um canarinho que não pode voar porque está em uma gaiola e um canarinho que não voa por estar com uma asa quebrada, e uma outra distinção totalmente diferente entre os canarinhos em qualquer situação e um pinguim.

As linguagens matemáticas que os primeiros pesquisadores da inteligência artificial desenvolveram eram flexíveis o suficiente para representar essas distinções conceituais, mas escrever todas as distinções necessárias mesmo para as tarefas cognitivas mais rudimentares mostrou ser muito mais difícil do que o previsto.

Incerteza das informações

Na inteligência artificial probabilística, por outro lado, um computador é alimentado com montanhas de exemplos de alguma coisa - como fotos de pássaros - e é levado a deduzir, por conta própria, o que esses exemplos têm em comum.

Essa abordagem funciona muito bem com conceitos concretos, como "ave", mas tem problemas com conceitos mais abstratos - por exemplo, voar, uma capacidade compartilhada por pássaros, helicópteros, pipas e super-heróis.

Pode-se apresentar montanhas de imagens de coisas em pleno voo a um sistema probabilístico, mas mesmo que ele consiga descobrir o que todas elas têm em comum, muito provavelmente ele irá incorretamente identificar nuvens, ou o sol ou as antenas no topo dos edifícios, como instâncias de voo.

E há que se considerar que "voo" é um conceito concreto quando comparado a outros como, digamos, "gramática" ou "maternidade".

Linguagem Church

Como uma ferramenta de pesquisa, Goodman desenvolveu uma linguagem de programação chamada Church - em homenagem ao grande lógico norte-americano Alonzo Church - que, como as primeiras linguagens da inteligência artificial, inclui regras de inferência.

Mas as regras da linguagem Church são probabilísticas.

Estabelecido que um pintassilgo é uma ave, um programa escrito em Church é capaz de concluir que os pintassilgos provavelmente podem voar. Mas se for informado ao programa que um pintassilgo pode pesar quase 100 quilogramas, ele pode rever a sua estimativa de probabilidade inicial, concluindo que, na verdade, os pintassilgos provavelmente não podem voar.

"Com o raciocínio probabilístico, você tem a a estruturação de graça," diz Goodman. Um programa em Church que nunca se deparou com um pássaro que não pode voar inicialmente vai definir a probabilidade de que qualquer pássaro voe em 99,99 por cento.

Mas, conforme ele aprende mais sobre emas, pinguins e pintassilgos em gaiolas e com as asas quebradas, ele revê suas probabilidades para levar em conta as novas informações.

Solução artificial

Em última instância, as probabilidades representam todas as distinções conceituais que os primeiros pesquisadores de inteligência artificial teriam de codificar manualmente.

Mas o sistema em Church aprende essas distinções por si mesmo, ao longo do tempo - de forma muito parecida com que os seres humanos aprendem novos conceitos e reveem os antigos.

"O que é brilhante aqui é que o sistema permite que você construa um modelo cognitivo de uma forma fantasticamente mais simples e transparente do que era possível até agora," comenta Nick Chater, professor de ciências cognitivas e da Universidade College London.

"Você pode pensar em todas as coisas que um ser humano conhece - tentar listá-las seria uma tarefa sem fim. Mas o truque mágico aqui está dizendo, 'Não, diga-me apenas algumas poucas coisas, e então o cérebro - ou neste caso, o sistema em Church - pode fazer o resto, usando o cálculo probabilístico e traçando todas as consequências e inferências. E também, quando você dá novas informações ao sistema, ele pode descobrir as consequências dessas novas informações," diz Chater.

Simuladores da mente

Mas Chater também adverte que, embora os programas em Church tenham um excelente desempenho em tarefas específicas, atualmente eles exigem recursos computacionais intensivos demais para servirem como "simuladores da mente" de propósito geral.

"Isto é um problema sério se você estiver pensando em rodar programas em Church para resolver todos os problemas do mundo," diz Chater. "Mas o sistema acabou de ser construído, e estas coisas são sempre muito mal otimizadas em suas primeiras versões."

Chater salienta ainda que simplesmente fazer o sistema funcionar já é um grande feito: "É o tipo de coisa que alguém poderia produzir como uma sugestão teórica, e você pensa, 'Uau, isso é fantasticamente inteligente, mas eu tenho certeza de que você nunca vai fazê-lo funcionar na prática.' E o milagre é que o sistema roda, e funciona."

Mais informações sobre a linguagem Church podem ser obtidas no site http://projects.csail.mit.edu/church/wiki/Church.

Mais tópicos