Desde o início de sua fundação, o google sempre se autointiulou como uma companhia de inteligência artificial, apesar de o seu produto mais conhecido sempre ter sido o buscador.
Ao longo dos anos a gigante de tecnologia empenhou cada vez mais esforços na ideia de criar uma busca totalmente refinada e humanizada, adaptada as necessidades especificas de cada um de seus usuários. Nas palavras de Larry Page, co-fundador do google e CEO da Alphabet, holding que atualmente controla o google e diversas outras empresas do grupo:
“Inteligência artificial seria a versão final do Google. O Motor de busca supremo que entenderia absolutamente tudo no mundo. Entenderia exatamente o que você quer e te daria sempre a coisa certa. Nós estamos muito distantes disso ainda. Entretanto, nós podemos ficar cada vez mais perto disso, e é basicamente nisso que trabalhamos.”
– Larry Page, Outubro de 2000
Larry Page, co-fundador do Google e atual CEO da Alphabet
Dezessete anos depois, com todo o progresso feito pelos seus pesquisadores e com a febre de compra de empresas de Inteligência Artificial pela qual o Google passou – sendo a mais notável a compra da Deep Mind, empresa de A.I. baseada em Londres adquirida pela Gigante por quase 500 milhões de dólares em 2013, parece que a visão de construir um grande cérebro que entende perfeitamente tudo o que existe na Internet e pode sempre dar a resposta certa ao usuário esta cada vez mais próxima de se concretizar.
Para entender como isso vem se tornando realidade é necessário entender dois conceitos fundamentais para o progresso da inteligência artificial: Machine Learning e Deep Learning.
Machine Learning e Deep Learning: Como isso afetará o futuro do Google – e o seu
Machine Learning é basicamente a habilidade de um computador de aprender por conta própria uma determinada tarefa sem que aquela informação tenha sido programada. Isso ocorre através do reconhecimento de padrões entre uma série de dados aleatórios até que esses dados possam ser classificados em grupos comuns, com características bem definidas.
Um exemplo de Machine Learning se deu nos primórdios do Google, quando o tradutor estava em suas etapas iniciais de desenvolvimento. O primeiro passo para construir o tradutor do Google como o conhecemos hoje se deu com um Input maciço de documentos traduzidos no algoritimo, de modo que este pudesse identificar passo a passo os padrões que se repetiam em cada língua ate poder ser capaz de mapear pontos em comum em diferentes línguas, montando um sistema de correspondência e adquirindo a partir daí a habilidade de traduzir sites em línguas que nem os próprios engenheiros do Google conheciam.
Outro exemplo bem conhecido se deu pelo modo como o algoritimo se tornou capaz de identificar sinônimos e perceber erros de digitação, sugerindo pesquisas corrigidas.
Já o Deep Learning é uma forma mais apurada de machine Learning, pela qual se busca criar uma forma de inteligência artificial que se baseia no modo como o próprio cérebro humano se organiza, aprende e absorve novos dados, e tira conclusões a partir deles. Isso é feito a partir daquilo que se chama de redes neurais artificiais, ou simplesmente, redes neurais
Redes neurais são modeladas a partir do meio pelo qual o seu cérebro aprende uma nova tarefa. Sempre que você tenta uma nova atividade que nunca praticou antes, um determinado par de neurônios é ativado. Você tenta, geralmente erra – se for sua primeira vez praticando aquela atividade – e o seu cérebro observa os resultados da tentativa e colhe o feedback necessário. Nas próximas tentativas, seu cérebro irá usar o feedback colhido para ajustar, pouco a pouco, quais neurônios serão ativados e, ao longo do tempo, algumas conexões entre neurônios vão ficando mais fortes do que outras e a memória relativa ao modo correto de executar aquela atividade vai sendo formada.
Uma rede neural basicamente emula esse mesmo processo através de códigos programados, com uma diferença marcante de que os neurônios artificiais são organizados de forma mais simples, em camadas, ao contrário da complexa estrutura do cérebro humano.
Nas primeiras camadas temos aquilo que chamamos de identificadores de características, uma versão artificial dos sentidos humanos. Sempre que um Input de arquivos de sons, imagens, texto, etc. é alimentado no sistema, ele detecta o que esses arquivos são identificando aquilo que ele considera como características chave neles.
Inicialmente, para que as redes neurais conseguissem classificar adequadamente os inputs, era necessário que os pesquisadores fornecessem esses inputs acompanhados de rótulos, para que a rede pudesse identificar padrões neles e classificar da mesma forma que o rótulo fornecido sempre que algum outro input qualquer apresentasse as mesmas características. Nesse caso, para treinar um sistema neural para reconhecer e classificar mensagens como spam ou não, era necessário que os pesquisadores inputassem uma série de mensagens rotuladas ‘SPAM’ e uma outra série classificada como “Não Spam”.
Atualmente, a capacidade de redes neurais se tornou muito mais potente, se tornando quase assustadoramente semelhantes ao que uma pessoa faria em uma situação semelhante. Mas para entender isso precisamos voltar alguns anos atrás, quando um pesquisador reacendeu todo o entusiasmo ao redor das redes neurais e de suas aplicações no campo da Inteligência artificial: Geoff Hinton.
Google, redes neurais e inteligência artificial
A ideia de redes neurais permeia o campo da inteligência artificial desde a década de 80, pelo menos. O conceito de construir uma inteligência artificial que emule o funcionamento do cérebro humano sempre provocou intenso entusiasmo e alvoroço na comunidade de pesquisadores de A. I.
Entretanto, ao longo dos anos, com a falta de avanços iniciais no campo das redes neurais, o entusiasmo foi diminuindo gradativamente ao ponto de ser questionado se redes neurais artificiais teriam de fato alguma aplicação prática.
Tudo isso mudou quando Geoff Hinton, um dos pioneiros no estudo e desenvolvimento de redes neurais, aplicou de forma bem sucedida uma técnica conhecida como “Back propagation”, algo que ele já havia testado na década de 80, mas que, devido as limitações na capacidade dos computadores disponíveis à época, não tinha se mostrado muito promissora.
Geoff Hinton, um dos pioneiros na utilização de redes neurais
Back propagation é um método utilizado para calcular o grau de erro cometido por cada neurônio em uma rede neural artificial após um determinado montante de dados terem sido analisados. Basicamente, o que essa técnica permite é que as redes neurais obtenham uma forma de feedback muito mais eficiente para aprender com seus próprios erros, além da habilidade de designar suas próprias características aos inputs analisados, além daquelas que já tenham sido rotuladas pelos pesquisadores.
Em 1995, Geoff Hinton tentou aplicar a técnica novamente, apesar de ainda haver uma grande limitação de capacidade computacional que poderia inviabilizar o experimento. Dessa vez, Hinton e seus pesquisadores alimentaram os inputs na rede neural sem qualquer tipo de rotulação, de modo a testar se essa poderia designar suas próprias características e fazer a classificação dos inputs sozinha. Para lidar com o problema da capacidade ainda limitada dos computadores à época foi utilizado uma espécie de truque matemático pela qual todos os cálculos realizados pela rede a medida em que as informações iam passando pelas camadas neurais para serem classificadas sofriam aproximações, o que reduzia o número de cálculos necessários e aumentava o número de iterações possíveis. Esse truque viabilizou, pela primeira vez, que as redes neurais pudessem executar um processo de aprendizado que não era possível anteriormente.
Pela primeira vez, redes neurais tinham se mostrado capazes de reconhecer padrões e características por conta própria e classifica-los em grupos diferentes sem que houvesse qualquer tipo de intervenção humana anterior ao experimento, como havia sido o caso nos testes anteriores. Somente após o trabalho de análise dos dados inputados realizado pela rede neural é que os pesquisadores intervinham, rotulando os outputs mais bem sucedidos das máquinas.
Em 2007, Hinton deu uma palestra na sede do Google expondo os avanços obtidos em redes neurais que acabou culminando com a compra de sua empresa, a DNNresearch Inc, pela gigante de tecnologia, em 2013, trazendo um dos mais proeminentes pesquisadores de A.I. para o time de estrelas que o google vem montando nos últimos anos no esforço de construir sua inteligência artificial, que inclui grandes nomes como o grande Inventor e futurista Ray Kurzweil e o famoso cientista da computação Peter Norvig.
O início de uma nova era
Em meados de 2013, duas das maiores empresas de tecnologia tentaram adquirir uma empresa de Inteligência Artificial baseada em Londres, a Deep Mind. De um lado, o Facebook já estava quase nas fases finais de negociação, quando o Google conseguiu passar a frente e adquirir a Deep Mind por quase 500 milhões de dólares.
Mas o que fez com que uma empresa até então desconhecida do grande público tenha se tornado tão atrativa a ponto de ter duas gigantes de tecnologia brigando por sua Aquisição?
Demmis Hassabis, principal fundador da Deep Mind
O principal fundador da Deep Mind é Demis Hassabis, um prodígio do Xadrez e da programação que fez carreira na indústria de games e acabou fundando uma empresa de games. Mas o que Demis sempre sonhou em fazer desde a época como programador de games era criar uma empresa que pudesse pela primeira vez chegar a construir uma tecnologia de Inteligência Artificial Geral (Artificial General Intelligence), ou seja, uma A. I. que pudesse constantemente colher feedback do ambiente e se aprimorar, qualquer que fosse o domínio do conhecimento humano.
Esse seria um avanço extremamente significativo comparado com as A. I. s que já existem há décadas, que se enquadram naquilo que se chama de Inteligência artificial estreita (Artificial Narrow intelligence), ou seja, uma máquina cuja inteligência se aplica a uma tarefa ou atividade específica, como por exemplo o Deep Blue, computador da IBM que em 1997 derrotou o campeão mundial de Xadrez Gary Kasparov, ou o próprio tradutor do Google, ambas máquinas que são excelentes em fazer uma coisa específica, e nada mais.
Uma A.I. do tipo geral apresentaria inúmeras possibilidades de aplicação na ciência, na medicina, energia e em qualquer outro campo que pudesse ser imaginado e a longo prazo seria capaz de resolver problemas em todas essas áreas que nenhum humano jamais seria capaz de solucionar, pavimentando o caminho para um nível de avanço na qualidade de vida humana sem precedentes na história. De fato, uma A.I. desse tipo é a tecnologia com o maior potencial para construir um futuro fantástico para a humanidade.
Sendo uma companhia com o objetivo de construir uma tecnologia tão fascinante e promissora é fácil imaginar por quê a Deep Mind chamou a atenção de diversas gigantes tech desde que foi fundada em 2011, e acabou sendo adquirida pelo Google no final de 2013 após uma negociação agressiva encabeçada pelo co-fundador e CEO do Google (hoje CEO da Alphabet) Larry Page, ganhando de diversos concorrentes de calibre, dentre os quais o mais notório era o Facebook.
A aquisição da Deep Mind pelo Google também levanta um certo mistério e até uma série de especulações fantasiosas – ou não, só o tempo dirá – como: Será que o Google esta se tornando a Skynet da vida real, criando uma inteligência artificial tão poderosa que será capaz de controlar cada aspecto da vida humana sem qualquer chance de resistência, e em ultima análise, acabar se voltando contra a própria espécie humana?
Será que o Google esta se tornando uma Skynet da vida real?
Apesar de parecer algo totalmente fantasioso quando colocado nesses termos, o fato é que também há a possibilidade dessa Inteligência artificial que esta sendo desenvolvida pelo Google após a compra da Deep Mind sair do controle, ou mesmo de ser usada com fins não muito benevolentes, o que, dado o poder desse tipo de tecnologia, não é nada animador.
Em função disso, o próprio Hassabis exigiu, como condição para a venda da Deep Mind ao Google, que fosse montado um conselho composto por Especialistas em A.I., neurocientistas e os professores mais expoentes de computação e Machine learning para supervisionar o progresso na utilização da tecnologia da Deep Mind pelo Google. Outra exigência foi a de que a tecnologia jamais fosse vendida ou licenciada para o exército.
Deixando um pouco de lado as considerações sobre o que pode dar errado no desenvolvimento de uma A. I. desse tipo – esse é um assunto que pode ficar para outro artigo – por ora vamos falar sobre o impacto da aquisição da Deep Mind no motor de busca do Google.
Um novo cérebro para a humanidade – Google Deep Mind
Em última análise, o que a tecnologia desenvolvida pela Deep Mind representa para o google é uma forma de entregar resultados de busca completamente diferente do que se tem hoje. No lugar dos conhecidos fatores para ranquear, como conteúdo, otimização on-page, links, etc. a partir do momento em que essa A. I. começar a ser integrada no motor de busca, cada vez mais nem os próprios engenheiros do Google saberão o que é e o que não é contabilizado para ranquear um site, já que o algoritimo estará em constante evolução, com uma inteligência artificial capaz de refinar constantemente quais resultados serão exibidos com o fim de aprimorar em larga escala a experiência dos usuários com o buscador.
Entretanto, o mais interessante de um motor de busca baseado fortemente nesse nível de Inteligência artificial seria que ele teria a capacidade de ser muito mais proativo, não somente encontrando aquilo que é pesquisado, como também tomando decisões no lugar dos usuários. Assim, você poderia perguntar qual o melhor restaurante em uma determinada área e o Google te retornaria uma resposta mais precisa do que você próprio; ou você poderia perguntar qual o melhor livro sobre determinado assunto e rapidamente teria uma resposta sem ter qualquer trabalho de analisar diversas opções e escolher uma – correndo o risco de errar e perder tempo a toa.
Essa mesma lógica se aplicaria a qualquer outra pergunta que você pudesse fazer, o que, considerando que o Google já tem acesso a imensa maioria do conhecimento humano – através da Internet – significaria que ele se tornaria quase uma espécie de oráculo capaz de responder com alta precisão qualquer pergunta que qualquer pessoa possa fazer.
Isso significa que você não precisaria mais tomar qualquer tipo de decisão e o seu próprio cérebro se tornaria obsoleto, já que você poderia obter uma resposta muito melhor – visto que baseada em uma quantidade de informações e dados muito maior do que qualquer pessoa consegue lidar em um determinado período de tempo – e mais rápida com uma simples consulta ao Google.
A idéia de um cérebro gigantesco organizando todo o conhecimento humano e tomando decisões no lugar dos seres humanos pode parecer um pouco – ou muito – assustadora, mas é exatamente o que irá ocorrer pouco a pouco durante os próximos anos.