.
Em 1950, Alan Turing, o cientista da computação britânico que decifrou o código Enigma durante a Segunda Guerra Mundial, escreveu um artigo no qual fazia uma pergunta aparentemente absurda: “As máquinas podem pensar?” A estreia no ano passado do estranhamente realista ChatGPT pareceu nos aproximar de uma resposta. Da noite para o dia, um chatbot baseado em silício totalmente formado saiu das sombras digitais. Ele pode criar piadas, escrever textos de anúncios, depurar códigos de computador e conversar sobre tudo e qualquer coisa. Essa nova realidade inquietante já está sendo descrita como um daqueles “pontos de inflexão” na história da inteligência artificial.
Mas já faz muito tempo. E essa criação em particular vem sendo gestada em laboratórios de ciência da computação há décadas.
Como teste de sua proposição para uma máquina pensante, Turing descreveu um “jogo de imitação”, em que um ser humano interrogaria dois respondentes localizados em outra sala. Um seria um ser humano de carne e osso, o outro um computador. O interrogador teria a tarefa de descobrir qual era qual, fazendo perguntas por meio de um “teletipo”.
Turing imaginou um computador inteligente respondendo a perguntas com facilidade suficiente para que o interrogador não conseguisse distinguir entre homem e máquina. Embora admitisse que os computadores de sua geração não passariam nem perto de passar no teste, ele previu que, até o final do século, “alguém será capaz de falar sobre máquinas pensando sem esperar ser contestado”.
Seu ensaio ajudou a lançar pesquisas sobre inteligência artificial. Mas também desencadeou um longo debate filosófico, já que o argumento de Turing efetivamente deixou de lado a importância da consciência humana. Se uma máquina pudesse apenas imitar a aparência do pensamento – mas não ter nenhuma consciência de fazê-lo – seria realmente uma máquina pensante?
Por muitos anos, o desafio prático de construir uma máquina que jogasse o jogo da imitação ofuscou essas questões mais profundas. O principal obstáculo era a linguagem humana, que, ao contrário do cálculo de problemas matemáticos elaborados, provou ser notavelmente resistente à aplicação do poder computacional.
Isso não foi por falta de tentativa. Harry Huskey, que trabalhou com Turing, voltou para casa nos Estados Unidos para construir o que o New York Times chamou de um “cérebro elétrico” capaz de traduzir idiomas. Este projeto, que o governo federal ajudou a financiar, foi impulsionado pelos imperativos da Guerra Fria que fizeram da tradução do russo para o inglês uma prioridade.
A ideia de que as palavras poderiam ser traduzidas de maneira individualizada – muito parecido com a quebra de códigos – rapidamente se deparou com as complexidades da sintaxe, não importando as ambigüidades inerentes às palavras individuais. “Fogo” se referia a chamas? Fim do emprego? O gatilho de uma arma?
Warren Weaver, um dos americanos por trás desses primeiros esforços, reconheceu que o contexto era fundamental. Se “fogo” aparecer perto de “arma”, pode-se tirar certas conclusões. Weaver chamou esses tipos de correlações de “caráter semântico estatístico da linguagem”, um insight que teria implicações significativas nas próximas décadas.
As realizações desta primeira geração são abaixo do esperado pelos padrões de hoje. Os pesquisadores de tradução se viram frustrados pela variabilidade da linguagem e, em 1966, um relatório patrocinado pelo governo concluiu que a tradução automática era um beco sem saída. O financiamento secou por anos.
Mas outros realizaram pesquisas no que ficou conhecido como Processamento de Linguagem Natural, ou PNL. Esses esforços iniciais buscavam demonstrar que um computador, com regras suficientes para guiar suas respostas, poderia pelo menos tentar jogar o jogo da imitação.
Típico desses esforços foi um programa que um grupo de pesquisadores revelou em 1961. Apelidado de “Baseball”, o programa se autodenominava um “primeiro passo” para permitir que os usuários “façam perguntas ao computador em inglês comum e façam com que o computador responda a perguntas diretamente.” Mas havia um problema: os usuários só podiam fazer perguntas sobre beisebol armazenadas no computador.
Este chatbot logo foi ofuscado por outras criações nascidas na era jurássica da tecnologia digital: SIR (Semantic Information Retrieval), que estreou em 1964; ELIZA, que respondia aos depoimentos com perguntas à maneira de uma terapeuta atenciosa; e SHRDLU, que permitia ao usuário instruir o computador a mover formas usando linguagem comum.
Embora rudimentares, muitos desses primeiros experimentos ajudaram a gerar inovações em como humanos e computadores podem interagir – como, por exemplo, um computador pode ser programado para “ouvir” uma consulta, alterá-la e responder de uma maneira que pareça confiável e realista, ao mesmo tempo em que reutiliza as palavras e ideias apresentadas na consulta original.
Outros buscaram treinar computadores para gerar obras originais de poesia e prosa com uma mistura de regras e palavras geradas aleatoriamente. Na década de 1980, por exemplo, dois programadores publicaram The Policeman’s Beard Is Half Constructed, que foi apresentado como o primeiro livro inteiramente escrito por um computador.
Mas essas demonstrações obscureceram uma revolução mais profunda que se formava no mundo da PNL. À medida que o poder computacional aumentava a uma taxa exponencial e um crescente corpo de trabalhos se tornava disponível em formato legível por máquina, tornou-se possível construir modelos cada vez mais sofisticados que quantificavam a probabilidade de correlações entre palavras.
Essa fase, que um relato descreveu apropriadamente como “massive data bashing”, decolou com o advento da internet, que ofereceu um corpus cada vez maior de textos que poderiam ser usados para derivar diretrizes probabilísticas “suaves” que permitem que um computador compreender as nuances da linguagem. Em vez de “regras” rígidas e rápidas que procuravam antecipar todas as permutações linguísticas, a nova abordagem estatística adotou uma abordagem mais flexível que era, na maioria das vezes, correta.
A proliferação de chatbots comerciais cresceu a partir dessa pesquisa, assim como outros aplicativos: reconhecimento básico de linguagem, software de tradução, recursos onipresentes de correção automática e outros recursos agora comuns de nossas vidas cada vez mais conectadas. Mas, como qualquer um que já gritou com um agente aéreo artificial sabe, eles definitivamente tinham seus limites.
No final, descobriu-se que a única maneira de uma máquina jogar o jogo da imitação era imitar o cérebro humano, com seus bilhões de neurônios e sinapses interconectados. As chamadas redes neurais artificiais operam da mesma maneira, filtrando dados e estabelecendo conexões cada vez mais fortes ao longo do tempo por meio de um processo de feedback.
A chave para fazer isso é outra tática distintamente humana: praticar, praticar, praticar. Se você treinar uma rede neural fazendo-a ler livros, ela pode começar a criar frases que imitam a linguagem desses livros. E se você fizer a rede neural ler, digamos, tudo o que já foi escrito, ela pode ficar muito, muito boa em se comunicar.
Que é, mais ou menos, o que está no coração do ChatGPT. A plataforma foi treinada em um vasto corpus de trabalho escrito. De fato, toda a Wikipédia representa menos de 1% dos textos que ela recolheu em sua busca para imitar a fala humana.
Graças a esse treinamento, o ChatGPT pode sem dúvida triunfar no jogo da imitação. Mas algo bastante curioso aconteceu ao longo do caminho. Pelos padrões de Turing, as máquinas agora podem pensar. Mas a única maneira de conseguirem esse feito é se tornarem menos como máquinas com regras rígidas e mais como humanos.
É algo que vale a pena considerar em meio a toda a angústia ocasionada pelo ChatGPT. Imitação é a mais sincera forma de elogio. Mas é das máquinas que precisamos temer ou de nós mesmos?
© 2023 Bloomberg LP
.
