O artigo da Wikipédia sobre Inteligência Artificial refere-se ao primeiro artigo enciclopédico sobre inteligência artificial, publicado na Wikipédia em inglês em 2001. O artigo, intitulado "Inteligência artificial", forneceu uma visão geral abrangente do campo, definindo IA como a capacidade de sistemas computacionais de realizar tarefas tipicamente associadas à inteligência humana, como aprendizado, raciocínio, resolução de problemas, percepção e tomada de decisão. Ele descreveu a IA como um campo de pesquisa em engenharia, matemática e ciência da computação que desenvolve métodos e software que permitem que máquinas percebam seu ambiente e usem aprendizado e inteligência para tomar ações que maximizem as chances de alcançar objetivos definidos.
O artigo delineou os objetivos tradicionais da pesquisa em IA, incluindo aprendizado, raciocínio, representação de conhecimento, planejamento, processamento de linguagem natural e percepção, bem como suporte para robótica. Ele observou que os pesquisadores de IA usam técnicas como busca em espaço de estados, otimização matemática, lógica formal, redes neurais artificiais e métodos baseados em estatística, pesquisa operacional e economia. O artigo também reconheceu a natureza interdisciplinar da IA, baseando-se em psicologia, linguística, filosofia, neurociência e outros campos.
Contexto Histórico
O artigo traçou as origens da IA até sua fundação como disciplina acadêmica em 1956. Ele descreveu a história do campo de ciclos de otimismo seguidos por períodos de decepção e perda de financiamento, conhecidos como invernos da IA. O artigo observou que o financiamento e o interesse aumentaram substancialmente após 2012, quando unidades de processamento gráfico (GPUs) começaram a ser usadas para acelerar redes neurais, e o aprendizado profundo superou as técnicas anteriores de IA. Esse crescimento acelerou ainda mais após 2017 com a introdução da arquitetura transformer. Na década de 2020, um boom da IA coincidiu com avanços em IA generativa, que se tornou difundida e permitiu a criação e modificação de mídia.
O artigo também discutiu aplicações de alto perfil da IA, incluindo mecanismos de busca avançados na web, chatbots, assistentes virtuais, veículos autônomos, jogos e análise em jogos de estratégia como xadrez e Go, e geração de conteúdo para imagens, áudio e vídeos. Ele mencionou que algumas empresas, como OpenAI, Google DeepMind e Meta, visam criar inteligência artificial geral (AGI) - IA que pode completar quase qualquer tarefa cognitiva pelo menos tão bem quanto um humano.
Objetivos da Pesquisa em IA
O artigo dividiu o problema geral de simular inteligência em subproblemas, cada um representando características ou capacidades específicas que os pesquisadores esperam que um sistema inteligente exiba. Esses incluíam raciocínio e resolução de problemas, representação de conhecimento, planejamento e tomada de decisão, aprendizado, processamento de linguagem natural, percepção e suporte para robótica.
Raciocínio e Resolução de Problemas
Os primeiros pesquisadores desenvolveram algoritmos que imitavam o raciocínio passo a passo usado por humanos ao resolver quebra-cabeças ou fazer deduções lógicas. No final dos anos 1980 e 1990, métodos foram desenvolvidos para lidar com informações incertas ou incompletas, empregando conceitos de probabilidade e economia. No entanto, muitos desses algoritmos eram insuficientes para grandes problemas de raciocínio devido a uma "explosão combinatória", onde eles se tornam exponencialmente mais lentos à medida que os problemas crescem. O artigo observou que até mesmo humanos raramente usam dedução passo a passo; em vez disso, eles dependem de julgamentos rápidos e intuitivos. Ele também mencionou que modelos de raciocínio, um tipo de modelo de linguagem grande treinado para gerar cadeias de pensamento intermediárias, surgiram em 2024 e permitiram melhor desempenho em problemas complexos de matemática e codificação, embora possam produzir saídas incorretas ou "alucinações".
Representação de Conhecimento
Programas de IA usam conhecimento para responder perguntas de forma inteligente e fazer deduções sobre fatos do mundo real. O artigo explicou que a representação formal de conhecimento e a engenharia de conhecimento usam símbolos para representar palavras, conceitos e coisas no mundo. Uma base de conhecimento é um corpo de conhecimento representado em uma forma utilizável por um programa, e uma ontologia é o conjunto de objetos, relações, conceitos e propriedades usados por um domínio específico. O conhecimento formal foi estudado extensivamente desde os anos 1970, mas a abordagem simbólica enfrenta desafios como a amplitude do conhecimento de senso comum, a forma subsimbólica da maior parte do conhecimento de senso comum e a aquisição de conhecimento. O artigo observou que aprendizado de máquina, particularmente com modelos de linguagem grandes, não requer conhecimento simbólico explícito e, em vez disso, adquire conhecimento do treinamento em vastos corpora de texto, resolvendo alguns desses problemas, mas lutando com recuperação precisa e raciocínio válido.
Planejamento e Tomada de Decisão
O artigo descreveu um "agente" como qualquer entidade que percebe e toma ações no mundo. Um agente racional tem objetivos ou preferências e toma ações para alcançá-los. No planejamento automatizado, o agente tem um objetivo específico; na tomada de decisão automatizada, ele tem preferências e atribui um número de utilidade a cada situação. Para cada ação possível, ele calcula a utilidade esperada, ponderada pela probabilidade dos resultados, e escolhe a ação com a máxima utilidade esperada. No planejamento clássico, o agente conhece os efeitos exatos das ações, mas em problemas do mundo real, ele pode enfrentar incerteza e deve fazer suposições probabilísticas e reavaliar. O artigo enfatizou a importância de explicações para decisões para construir confiança, especialmente quando decisões são confiadas. Ele também mencionou que as preferências podem ser incertas, e os agentes podem aprendê-las usando métodos como aprendizado por reforço inverso ou buscar informações para melhorá-las, com a teoria do valor da informação ponderando o valor de ações exploratórias.
Técnicas e Métodos
Para alcançar esses objetivos, os pesquisadores de IA usam uma variedade de técnicas. O artigo destacou busca em espaço de estados e otimização matemática, lógica formal, redes neurais artificiais e métodos baseados em estatística, pesquisa operacional e economia. Ele observou que, desde 2012, o uso de GPUs para acelerar redes neurais tem sido fundamental, e a arquitetura transformer introduzida em 2017 acelerou ainda mais o progresso. O artigo também mencionou que a IA moderna pode aprender sobre um domínio executando experimentos, como quando AlphaZero aprende estratégia de jogo jogando contra si mesmo.
Considerações Éticas e Regulatórias
O artigo abordou preocupações éticas e danos potenciais do uso da IA, incluindo segurança da IA, consequências não intencionais, efeitos de longo prazo, efeitos ambientais e riscos existenciais potenciais. Ele observou que essas preocupações provocaram discussões sobre regulamentação da IA. O artigo também mencionou que a adoção generalizada da IA na década de 2020 levou a debates sobre seu impacto societal, incluindo questões de viés, privacidade e responsabilidade.
Legado e Impacto
Como uma entrada enciclopédica inicial, o artigo forneceu uma referência fundamental para entender o escopo e os desafios da IA. Ele tem sido continuamente atualizado pela comunidade da Wikipédia para refletir avanços no campo, como o surgimento de IA generativa e aprendizado profundo. A estrutura do artigo, cobrindo objetivos, técnicas e história, influenciou artigos subsequentes relacionados à IA na Wikipédia e serviu como um recurso para estudantes, pesquisadores e o público. Seu tom neutro e factual está alinhado com os padrões da Wikipédia, e seu conteúdo evoluiu para incluir desenvolvimentos recentes como redes neurais, modelos de linguagem grandes e aprendizado por reforço (embora este último não esteja explicitamente no texto original de 2001). O artigo permanece um ponto de entrada chave para leitores que buscam uma visão geral da inteligência artificial.