A Inteligência Geral Artificial (AGI) busca criar sistemas que possam realizar diversas tarefas, pensar e aprender de maneira semelhante à humana. Ao contrário da IA restrita, a AGI aspira generalizar as suas capacidades para múltiplos domínios, permitindo que as máquinas operem em ambientes dinâmicos e imprevisíveis. Conseguir isso requer combinar percepção sensorial, raciocínio abstrato e tomada de decisão com uma memória robusta e uma estrutura de interação para simular efetivamente a cognição humana.
Um grande desafio no desenvolvimento da AGI é preencher a lacuna entre a representação abstrata e a compreensão do mundo real. Os atuais sistemas de IA lutam para conectar símbolos ou conceitos abstratos com experiências tangíveis, um processo conhecido como simbologia. Além disso, estes sistemas carecem de um sentido de causalidade, que é essencial para prever as consequências das ações. Somando-se a esses desafios está a falta de processos de memória de trabalho, o que impede que esses sistemas armazenem e utilizem informações para tomar decisões dinâmicas ao longo do tempo.
Os métodos existentes dependem fortemente de modelos linguísticos de grande escala (LLMs) treinados em grandes conjuntos de dados para reconhecer padrões e correlações. A principal especialidade destes sistemas está na compreensão e no raciocínio da linguagem natural, mas não na sua incapacidade de aprender através da interação direta com o ambiente. O RAG permite que os modelos acessem bancos de dados externos para obter informações adicionais. No entanto, estas ferramentas não são suficientes para enfrentar desafios fundamentais, como raciocínio, codificação ou consolidação de memória, que são importantes para a AGI.
Pesquisadores da Universidade Técnica de Cape Coast, Cape Coast, Gana, e da Universidade de Minas e Tecnologia, MaT, Tarkwa, exploraram os princípios básicos do desenvolvimento de AGI. Eles enfatizam a necessidade de imagens, simbolismo, causalidade e memória para alcançar a inteligência geral. A capacidade dos sistemas de se comunicarem com seu ambiente por meio de entradas de sensores e atuadores permite a coleta de dados do mundo real, que podem focar sinais e ser usados no contexto em que operam. A colocação do símbolo ajuda a consolidar a abstração do tangível. A causalidade permite que o sistema saiba o que aconteceu como resultado de uma ação realizada, enquanto os sistemas de memória armazenam informações e recordação sistemática de pensamentos a longo prazo.
Os pesquisadores estão aprofundando a sutileza desses objetivos. A modalidade permite a coleta de dados sensório-motores e, assim, permite que os sistemas percebam ativamente o seu ambiente. Uma base simbólica liga conceitos abstratos a experiências concretas, tornando-os aplicáveis a situações do mundo real. Aprender sobre a causalidade através da interação direta permite que os sistemas prevejam resultados e ajustem o seu comportamento em conformidade. A memória é dividida em tipos sensoriais, de trabalho e de longo prazo, cada um desempenhando um papel importante no processamento cognitivo. Eles vêm na forma semântica, episódica e processual; a memória de longo prazo permite que os sistemas armazenem fatos, informações situacionais e instruções de processo para recuperação posterior.
O impacto destas competências na programação sugere que elas desempenham um papel importante nos ambientes AGI. Por exemplo, mecanismos de memória suportados por tipos de armazenamento estruturados, como gráficos de informação e informação vetorial, melhoram a eficiência da recuperação e medição: os sistemas podem aceder rapidamente à informação para uma utilização eficiente. Os agentes integrados são altamente interativos e eficientes devido às experiências sensório-motoras que melhoram sua percepção do ambiente. A aprendizagem racional prevê os resultados destes programas e o apoio simbólico garante que os conceitos abstratos permanecem relevantes e funcionais. Esses componentes ajudam a superar problemas identificados nos sistemas tradicionais de IA.
Esta pesquisa enfatizou a natureza sinérgica da incorporação, fundamento, causalidade e memória, de modo que um desenvolvimento parecia melhorar tudo. Em vez de construir estes componentes de forma independente, o trabalho centra-se neles como coisas relacionadas, dando uma visão clara de como alcançar sistemas AGI robustos e incontroláveis, que devem pensar, adaptar-se e aprender num estilo próximo do humano.
As conclusões deste estudo indicam que, embora muito tenha sido alcançado, o desenvolvimento da AGI continua a ser um desafio. Os investigadores salientaram que estes princípios importantes devem ser integrados num design coerente para preencher as lacunas nos atuais modelos de IA. O seu trabalho é um guia para o futuro da AGI, prevendo um mundo onde as máquinas possam ter inteligência e versatilidade semelhantes às humanas. Embora a implementação prática ainda esteja numa fase inicial, os conceitos apresentados fornecem uma base sólida para o avanço da inteligência artificial para novas fronteiras.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 65k + ML.
🚨 PRÓXIMO WEBINAR GRATUITO DE IA (15 DE JANEIRO DE 2025): Aumente a precisão do LLM com dados artificiais e inteligência experimental–Participe deste webinar para obter insights práticos sobre como melhorar o desempenho e a precisão do modelo LLM e, ao mesmo tempo, proteger a privacidade dos dados.
Nikhil é consultor estagiário na Marktechpost. Ele está cursando dupla graduação em Materiais no Instituto Indiano de Tecnologia, Kharagpur. Nikhil é um entusiasta de IA/ML que pesquisa constantemente aplicações em áreas como biomateriais e ciências biomédicas. Com sólida formação em Ciência de Materiais, ele explora novos desenvolvimentos e cria oportunidades para contribuir.
✅ [Recommended Read] Nebius AI Studio se expande com modelos de visão, novos modelos de linguagem, incorporados e LoRA (Aprimorado)
