Inteligência artificial (IA) é o ramo da ciência da computação preocupado em construir máquinas e softwares que executam tarefas que, quando feitas por humanos, são compreendidas como exigindo inteligência, como perceber o ambiente, entender a linguagem, resolver problemas e tomar decisões. O campo abrange uma ampla gama de abordagens, desde sistemas baseados em regras que codificam diretamente a expertise humana até modelos estatísticos que aprendem comportamento a partir de dados.
O termo foi cunhado para um workshop em 1956 e, desde então, descreveu um conjunto rotativo de técnicas, expandindo e contraindo a atenção pública por meio de ciclos de exagero e decepção.
História
O momento fundador do campo é geralmente datado do workshop de Dartmouth de 1956, organizado por John McCarthy, que cunhou o termo "inteligência artificial" para a proposta. A pesquisa inicial em IA enfatizou a IA simbólica: lógica, busca e regras codificadas manualmente. Essa abordagem produziu sucessos iniciais, como provadores de teoremas e, mais tarde, sistemas especialistas comerciais na década de 1980, mas teve dificuldades com tarefas que resistiam a regras explícitas, como visão e linguagem. Cortes de financiamento seguiram-se a contratempos e expectativas infladas, produzindo o que os pesquisadores chamam de inverno da IA, notavelmente após um relatório crítico do governo do Reino Unido em 1973 e novamente no final da década de 1980, quando os sistemas especialistas falharam em escalar.
Uma linha de trabalho paralela, inicialmente marginal, buscou métodos estatísticos e conexionistas. O perceptron (1958) modelou um único neurônio treinável, mas suas limitações documentadas contribuíram para o primeiro inverno da IA. O interesse reviveu ao longo da década de 1980 e, decisivamente, em 2012, quando uma rede convolucional profunda chamada AlexNet superou dramaticamente métodos anteriores em um importante benchmark de reconhecimento de imagens, um resultado amplamente creditado por iniciar a era moderna do aprendizado profundo. O uso de unidades de processamento gráfico (GPUs) para acelerar redes neurais foi um fator-chave nesse avanço.
O aprendizado profundo amadureceu ao longo da década de 2010 com progresso em visão, fala e processamento de linguagem. A arquitetura transformer de 2017 permitiu o treinamento de modelos muito maiores em texto, culminando no paradigma do grande modelo de linguagem. O lançamento do ChatGPT em novembro de 2022 tornou a IA conversacional amplamente acessível e desencadeou uma onda de investimento e atenção pública frequentemente chamada de boom da IA.
Abordagens
A pesquisa em IA é frequentemente dividida entre abordagens simbólicas, que manipulam representações explícitas de conhecimento, e abordagens conexionistas ou estatísticas, que aprendem representações implícitas a partir de dados. O aprendizado de máquina é o paradigma moderno dominante, abrangendo aprendizado supervisionado, não supervisionado e por reforço. Abordagens híbridas, combinando componentes aprendidos com raciocínio simbólico ou busca, permanecem uma direção de pesquisa ativa, particularmente para tarefas que exigem inferência lógica confiável.
Os objetivos tradicionais da pesquisa em IA incluem aprendizado, raciocínio, representação de conhecimento, planejamento, processamento de linguagem natural e percepção, bem como suporte para robótica. As técnicas incluem busca em espaço de estados, otimização matemática, lógica formal, redes neurais artificiais e métodos de estatística, pesquisa operacional e economia. A IA também se baseia em psicologia, linguística, filosofia e neurociência.
Aplicações e impacto
Os sistemas de IA são implantados em busca, tradução, recomendação, diagnóstico médico, pesquisa científica, como previsão de estrutura de proteínas, veículos autônomos e, cada vez mais, como assistentes de propósito geral e ferramentas de codificação. A ascensão de sistemas agentes de IA capazes desde 2024, que combinam modelos de linguagem com uso de ferramentas e planejamento em múltiplas etapas, estendeu a IA de responder perguntas a concluir tarefas de forma independente.
Aplicações de alto perfil incluem mecanismos de busca avançados, chatbots, assistentes virtuais, veículos autônomos, jogos e análise em jogos de estratégia (por exemplo, xadrez e Go) e geração de conteúdo (por exemplo, texto, imagens, áudio e vídeos).
Debates
Debates de longa data dizem respeito a se as técnicas atuais podem levar à inteligência artificial geral, um sistema com competência de nível humano em essencialmente todas as tarefas cognitivas, e quais riscos tais sistemas podem representar. O artigo de Alan Turing de 1950 propôs um teste operacional para inteligência de máquina, agora conhecido como teste de Turing, embora sua adequação como benchmark seja amplamente contestada. Críticos argumentam que a geração fluente de texto não implica compreensão, enquanto proponentes apontam para capacidades emergentes como evidência de progresso genuíno em direção à inteligência geral.
Algumas empresas, como OpenAI, Google DeepMind e Meta, visam criar AGI. Preocupações éticas, os efeitos de longo prazo da IA, efeitos ambientais e riscos existenciais potenciais têm provocado discussões sobre a regulamentação da IA.
Desenvolvimentos recentes
Em 2024, modelos de raciocínio, um tipo de grande modelo de linguagem treinado para gerar cadeias intermediárias de pensamento, surgiram e permitiram melhor desempenho em problemas complexos de matemática e codificação. Esses modelos podem produzir saídas incorretas ou "alucinações", ao contrário de sistemas de raciocínio simbólico. O boom da IA na década de 2020 coincidiu com avanços na IA generativa, que se tornou difundida e permitiu a criação e modificação de mídia. Além da segurança da IA e consequências e danos não intencionais do uso da IA, preocupações éticas, os efeitos de longo prazo da IA, efeitos ambientais e riscos existenciais potenciais têm provocado discussões sobre a regulamentação da IA.