Em seu artigo de 1950, Computing Machinery and Intelligence, Alan Turing propôs o que ficou conhecido como o teste de Turing – um teste da capacidade de uma máquina de exibir um comportamento inteligente indistinguível do humano. Se um humano teclando, não puder dizer se está interagindo com uma máquina ou um humano, considera-se que a máquina passou no teste de Turing.
“Desde então, criar a inteligência que corresponda à inteligência humana tem sido o objetivo de milhares de pesquisadores, engenheiros e empreendedores”, escreveu Erik Brynjolfsson, – professor de Stanford e diretor do Stanford Digital Economy Lab, – em um artigo recente, entitulado The Turing trap (Armadilha de Turing): The Promise & Peril of Human-Like Artificial Intelligence.
“Os benefícios da inteligência artificial, semelhante à humana (HLAI – human-like artificial intelligence) incluem produtividade crescente e, talvez mais, uma melhor compreensão de nossas próprias mentes. Mas nem todos os tipos de IA são semelhantes aos humanos – na verdade, muitos dos sistemas mais poderosos são muito diferentes dos humanos – e um foco excessivo no desenvolvimento e implantação de HLAI pode nos levar a uma armadilha. … Por um lado, é um caminho para um desenvolvimento sem precedentes, e até uma melhor compreensão de nós mesmos. Por outro lado, se o HLAI levar as máquinas apenas a automatizar em vez de aumentar o trabalho humano, cria-se o risco de concentração de riqueza e poder. E com essa concentração, vem o perigo de ficar preso em um equilíbrio onde aqueles sem poder não têm como melhorar seus resultados, uma situação que chamo [Erik Brynjolfsson] de Armadilha de Turing.”
Na última década, poderosos sistemas de IA igualaram ou superaram os níveis humanos de desempenho em várias tarefas, como reconhecimento de imagem e fala, aplicativos de classificação de câncer de pele e detecção de câncer de mama e jogos complexos como Jeopardy e Go. Esses avanços da IA são geralmente chamados de soft IA, estreita ou especializada e são inspiradas, mas não com o objetivo de imitar, o cérebro humano. Eles geralmente se baseiam em aprendizado de máquina, ou seja, na análise de grandes quantidades de informações usando computadores poderosos e algoritmos sofisticados, cujos resultados exibem qualidades que associamos à inteligência humana.
O que se quer dizer com inteligência humana, – que é o tipo de inteligência que o HLAI pretende imitar? Em 1994, o Wall Street Journal publicou uma definição que refletia o consenso de 52 pesquisadores acadêmicos líderes em áreas associadas à inteligência:
“A inteligência é uma capacidade mental muito geral que, entre outras coisas, envolve a capacidade de raciocinar, planejar, resolver problemas, pensar abstratamente, compreender ideias complexas, aprender rapidamente e aprender com a experiência. Não é meramente aprendizado de livros, uma habilidade acadêmica limitada ou ‘inteligência para fazer testes’. Em vez disso, reflete uma capacidade mais ampla e profunda de compreender o nosso entorno – ‘pegar’, ‘dar sentido’ às coisas ou ‘descobrir’ o que fazer”.
Esta é uma boa definição da inteligência que há muito é medida em testes de QI e que, no futuro próximo, não só os humanos as terão.
Ao contrário do HLAI, a IA aumentada visa complementar a capacidade dos trabalhadores. A maioria dos trabalhos envolve várias tarefas ou processos. Algumas dessas tarefas são de natureza mais rotineira, enquanto outras exigem julgamento, habilidades sociais e outras capacidades humanas. Quanto mais rotineira a tarefa, mais passível de automação. Mas só porque algumas das tarefas foram automatizadas, não significa que todo o trabalho tenda a desaparecer. Pelo contrário, automatizar as partes mais rotineiras de um trabalho muitas vezes leva ao aumento da produtividade e à maior demanda por trabalhadores, complementando suas habilidades com ferramentas e máquinas, permitindo que eles se concentrem nos aspectos do trabalho que mais precisam de sua atenção.
“Quando a IA aumenta as capacidades humanas, permitindo que as pessoas façam coisas que mais do que poderiam fazer antes, humanos e máquinas estão se complementando”, disse Brynjolfsson. “A complementaridade implica que as pessoas permaneçam indispensáveis para a criação de valor e mantenham o poder de barganha nos mercados de trabalho e na tomada de decisões políticas. Em contraste, quando a IA apenas replica e automatiza as capacidades humanas existentes, as máquinas se tornam melhores substitutas para o trabalho humano e os trabalhadores perdem poder de barganha econômico e político. Empreendedores e executivos que investem em máquinas com capacidades apenas de replicar as capacidades humanas para uma determinada tarefa e neste caso podem, muitas vezes, e estar trabalhando para substituir humanos nessas tarefas.”
O artigo observa que os riscos de um foco excessivo no HLAI são ampliados porque três grupos de pessoas – tecnólogos, empresários e formuladores de políticas – o consideram atraente.
Tecnólogos. “Os tecnólogos procuram replicar a inteligência humana há décadas para enfrentar o desafio recorrente do que os computadores não podem fazer.” A IA dominou o jogo de damas na década de 1950, o xadrez em 1996, Jeopardy em 2011 e Go em 2015. Mas, embora reconheça o apelo do desenvolvimento de sistemas de IA que replicam tarefas humanas, – como dirigir carros, subir escadas ou escrever poemas, – “A realidade paradoxal é que HLAI pode ser mais difícil e menos valioso do que sistemas que alcançam desempenho sobre-humano.”
“O futuro da inteligência artificial depende do design de computadores que possam pensar e explorar com tanta desenvoltura quanto os bebês”, escreveu o psicólogo da UC Berkeley, Aliston Gopney, em um ensaio do WSJ de 2019, The Ultimate Learning Machines. Os algoritmos de IA “precisam de enormes quantidades de dados, apenas alguns tipos de dados servem, e eles não são muito bons em generalizar a partir desses dados. Os bebês aprendem tipos de conhecimento muito mais gerais e poderosos do que as IAs, a partir de muito menos dados e muito mais confusos e complexos. Na verdade, os bebês humanos são os melhores aprendizes do universo. …
[eles] “podem aprender novas categorias com apenas um pequeno número de exemplos. Algumas fotos de livros de histórias podem ensiná-los não apenas sobre gatos e cachorros, mas também sobre onças, rinocerontes e unicórnios.”
No mesmo artigo em que apresentou o teste de Turing, ele mesmo escreveu que a chave para a inteligência humana era nossa capacidade de aprender e sugeriu que o projeto de uma máquina de aprendizado deveria imitar a mente de uma criança, não a de um adulto. Tal máquina de aprendizado deve se basear em processos semelhantes aos da evolução por seleção natural, incluindo o que os bebês herdaram em seu estado inicial ao nascer, a educação que receberam ao longo dos anos e quaisquer outras experiências que moldaram sua mente à de um adulto. Como nossos cérebros foram moldados por cerca de 300.000 anos de evolução do Homo Sapiens e pela evolução dos cérebros de nossos ancestrais ao longo de muitos milhões de anos, é difícil saber se algum dia seremos capazes de construir tal máquina de aprendizado.
Pessoas de negócio. Os empresários “muitas vezes descobrem que substituir o trabalho humano por maquinário é o fruto mais fácil da inovação, … trocar uma peça de maquinário para cada tarefa que um humano está realizando no momento”, disse Brynjolfsson. “Essa mentalidade reduz a necessidade de mudanças mais radicais nos processos de negócios.”
“Da mesma forma, como os custos trabalhistas são o maior item de linha no orçamento de quase todas as empresas, automatizar os trabalhos é uma estratégia popular para os gerentes.” Mas, embora cortar custos seja muitas vezes mais fácil do que expandir mercados, a maior parte do valor econômico vem de novos bens e serviços inovadores. Mais de 60% dos empregos de hoje ainda não haviam sido inventados em 1940. “Em suma, automatizar o trabalho acaba desbloqueando menos valor do que aumentá-lo para criar algo novo.”
Formuladores de políticas. “A primeira regra da política tributária é simples: você tende a receber menos do que tributa. Assim, um código tributário que trata a renda que usa o trabalho de forma menos favorável do que a renda derivada do capital favorecerá a automação em vez do aumento do trabalho”.
Os impostos dos EUA sobre a renda do trabalho são significativamente mais altos do que os impostos sobre a renda do capital. Embora as alíquotas mais altas sobre ambos os tipos de renda fossem as mesmas em 1986, mudanças sucessivas criaram uma grande disparidade. Em 2021, as taxas marginais mais altas sobre a renda do trabalho são de 37%, “enquanto os ganhos de capital longos têm uma variedade de regras favoráveis, incluindo uma taxa de imposto legal mais baixa de 20%, o adiamento de impostos até que os ganhos de capital sejam realizados e o ‘passo regra da base para cima que zera os ganhos de capital, eliminando os impostos associados, quando os ativos são herdados.”
“Cada vez mais americanos e, de fato, trabalhadores em todo o mundo, acreditam que, embora a tecnologia possa estar criando uma nova classe bilionária, não está funcionando para os trabalhadores”, escreveu Brynjolfsson em conclusão. “Quanto mais tecnologia é usada para substituir ao invés de aumentar o trabalho, pior a disparidade e maiores os ressentimentos que alimentam instintos e ações políticas. Mais fundamentalmente, o imperativo moral de tratar as pessoas como fins, e não apenas como meios, exige que todos compartilhem os ganhos da automação. A solução não é desacelerar a tecnologia, mas sim eliminar ou reverter o excesso de incentivos para automação em vez de aumentá-lo. … Ao redirecionar nossos esforços, podemos evitar a Armadilha de Turing e criar prosperidade para muitos, não apenas para poucos.”
