A perspectiva de inteligência ‘mais do que humana’

Em todas as ciências, estamos passando a entender o princípio auto-organizador de “computação” como o bloco de construção de todas as formas de inteligência de brotamento-de células primitivas a IA generativa. Esse processo envolve aprender com o meio ambiente, agregar informações e organizá -las compartilhando instruções funcionais através do código “copiar e colar” que permite que um organismo desenvolva, reproduz e se sustente.

Enquanto Blaise Agüera y Arcas e James Manyika escrevem em Noema, “a computação existia na natureza muito antes de construirmos os primeiros ‘computadores artificiais’. A compreensão da computação como fenômeno natural permitirá avanços fundamentais não apenas na ciência da computação e na IA, mas também em física e biologia. ” Agüera Y Arcas é vice -presidente e diretor de tecnologia da Society e Society no Google. Manyika é vice -presidente sênior de pesquisa, laboratórios, tecnologia e sociedade no Google.

Mais de meio século atrás, eles observam, pioneiros em cientistas da computação como John von Neumann tiveram a intuição de que a inteligência orgânica e inorgânica segue o mesmo conjunto de regras para o desenvolvimento.

“Von Neumann”, escreva os autores, “percebeu que, para que um organismo complexo se reproduzisse, precisaria conter instruções para se construir, juntamente com uma máquina para ler e executar essa instrução” fita “. A fita também deve ser cópia e incluir as instruções para construir a máquina que a lê. ” Essa visão dos requisitos técnicos para esse “construtor universal” na natureza-as instruções “tipo fita” do DNA-corresponde precisamente aos requisitos técnicos para os primeiros computadores.

Como muitos e agüera y Arcas vêem, “von Neumann havia mostrado que a vida é inerentemente computacional. Isso pode parecer surpreendente, já que pensamos nos computadores como decididamente não vivos e de seres vivos como definitivamente não computadores. Mas é verdade: DNA é Código-embora o código seja difícil de engenharia reversa e não execute sequencialmente. Os seres vivos necessariamente calculam, não apenas para se reproduzir, mas para desenvolver, crescer e curar. ”

Sobre essa pontuação, eles também citam a contribuição de Alan Turing para a biologia teórica, que emergiu de sua experiência em construir o que é amplamente reconhecido como o primeiro computador. Turing descreveu “como o crescimento e a diferenciação do tecido podem ser implementados por células capazes de detectar e emitir sinais químicos … uma forma poderosa de computação analógica”.

Os autores relatam que os experimentos pela equipe de “paradigmas de inteligência” do Google mostraram como, em um universo simulado, uma “sopa” aleatória de fitas com linguagem de programação mínima se auto-organiza após milhões de interações em “fitas funcionais” que começam a se auto-replicar, formando a base para a “vida mínima artificial mínima”.

Para diferenciar e desenvolver ainda mais, a computação requer uma “estrutura proposital em todas as escalas”, na qual partes funcionais distintas devem trabalhar juntas, cada uma dependendo de outras funções especificadas de maneira simbiótica.

“Como a complexidade da vida poderia surgir, muito menos persistir, em um ambiente aleatório?” Os autores perguntam. “A resposta: qualquer coisa realista que as curações ou reproduzes são mais ‘dinamicamente estáveis’ do que algo inerte ou não viva, porque uma entidade viva (ou sua progênie) ainda estará disponível no futuro, enquanto qualquer coisa inanimada degradações ao longo do tempo, sucumbindo à randomidade.

Os autores continuam explicando o significado desse novo entendimento da universalidade da computação. A compreensão da correspondência com a computação natural e a aprendizagem com ela, acredita, tornará a IA “parecida com a vida” à medida que ela evolui ainda mais ao longo do caminho, desde imitar a computação neural até a inteligência preditiva, a inteligência geral e, finalmente, a inteligência coletiva.

Construindo a primeira etapa da “computação natural”, essas são as fases do avanço da IA ​​que eles vêem:

• Computação neural -Redesenhar os computadores que alimentam ai para que eles funcionem mais como um cérebro, “uma instância requintada da computação natural”, aumentará bastante a eficiência energética da IA ​​através da compressão de dados em chips cada vez mais poderosos e processamento paralelo descentralizado entre milhões de nós.
• Inteligência preditiva – “O sucesso de grandes modelos de idiomas (LLMS) mostra -nos algo fundamental sobre a natureza da inteligência: envolve modelagem estatística do futuro (incluindo as próprias ações futuras), dado o conhecimento, observações e feedbacks em evolução do passado. Este insight sugere que as distinções atuais entre o design, o treinamento e a execução de IA sejam transitórios e mais sofisticados, que se evoluirão, e depois de serem evoluir, e serem evoluirem, e que linham, e que aprendam e que aprendam e que aprendam, e que se mantenham e, mais, a fios e os modelos de treinamento e execução de IA são mais sofisticados, que não se soltarão, e a empresa de treinamento e a execução é mais sofisticada e que se evoluirá, e que se mantenham e, mais sofisticados, e seutem, e que se mantenham e, em vez disso
• Inteligência geral – “A inteligência não requer necessariamente a computação biologicamente baseada. Embora os modelos de IA continuem melhorando, eles já são amplamente capazes, abordando uma gama crescente de tarefas cognitivas com um nível de habilidade que se aproxima e, em alguns casos, excedendo a capacidade humana individual. Nesse sentido,” inteligência geral artificial “já pode estar aqui”.
• Inteligência coletiva — “Brains, AI agents and societies can all become more capable through increased scale. However, size alone is not enough. Intelligence is fundamentally social, powered by cooperation and the division of labor among many agents. In addition to causing us to rethink the nature of human (or ‘more than human’) intelligence, this insight suggests social and multi-agent approaches to AI development that could reduce computational costs, increase AI heterogeneity and reframe AI safety debates. ” Nesse último ponto, os autores argumentam que modelos cada vez mais autônomos não tendem a se tornar desonestos, pois necessariamente refletem de maneira “amigável” sua interdependência com outros modelos em sua própria formação.

“After decades of meager AI progress,” Agüera y Arcas and Manyika conclude, “we are now rapidly advancing toward systems capable not just of echoing individual human intelligence, but of extending our collective more-than-human intelligence. … That will benefit humanity, advance science, and ultimately help us understand ourselves — as individuals, as ecologies of smaller intelligences and as constituents of larger wholes.”