A Inteligência Artificial Generativa constitui uma vertente da Inteligência Artificial dedicada à concepção de sistemas capazes de gerar conteúdos inéditos e autênticos, processando grande volume de dados. Para chegar onde está, a história da IA Generativa reflete um longo caminho desde seus primórdios e ainda tem muito para evoluir. Embora a IA Generativa tenha se tornado popular nos últimos anos, com o bombastico lançamento do ChatGPT pela OpenAI, suas raízes remontam ao século passado. Neste artigo, você vai conhecer a linha do tempo e a história da IA Generativa, seus campos de pesquisas, que deram suporte a essa tecnologia revolucionária e. desrruptiva que é a IA Generativa.
História da Inteligência Artificial Generativa
Em 1950, Turing publicou um artigo chamado “Computing Machinery and Intelligence” (Máquinas Computacionais e Inteligência), no qual ele propôs o famoso “Teste de Turing”, também conhecido como o “Jogo da Imitação”, propunha que a verdadeira inteligência poderia ser demonstrada se uma máquina pudesse se passar por um ser humano em uma conversa escrita e enganar um juiz humano. Este foi um dos marcos iniciais na exploração da inteligência artificial, termo introduzido pela primeira vez em 1956 por John McCarthy.
No mesmo ano, Allen Newell, JC Shaw e Herbert Simon elaboraram o Logic Theorist, com a meta de emular os processos cerebrais humanos para comprovar teoremas matemáticos. Para muitos, esta foi a pioneira aplicação prática de inteligência artificial.Em 1967, Frank Rosenblatt concebeu o Mark 1 Perceptron, um modelo de aprendizado de máquina baseado em tentativa e erro. Na década de 1980 e 1990, as pesquisas de redes neurais começaram a destacar. A partir das RNNs, tornou-se viável para as máquinas processarem sequências de dados, possibilitando inclusive a geração incipiente de texto e música. Nos anos 90, com a expansão massiva da Internet comercial, surgiram preocupações empresariais relacionadas aos sistemas de navegação web e indexação com IA.
Aprendizado Máquina (Learning Machine ) Deep Learning
Os avanços nas Inteligências Artificiais Generativas foram impulsionados significativamente pelos progressos nos campos do Aprendizado de Máquina e Deep Learning. O Aprendizado de Máquina fornece os fundamentos e algoritmos essenciais para treinar modelos generativos, enquanto o Deep Learning, com suas arquiteturas de redes neurais profundas, capacita a aprendizagem de representações complexas e abstratas. A combinação dessas disciplinas tem se refletido de maneira sinérgica, destacando-se na criação de modelos mais sofisticados e na geração de conteúdo diversificado e realista. A introdução das Generative Adversarial Networks (GANs), com sua estrutura única de gerador e discriminador, exemplifica como essas áreas se entrelaçam para impulsionar a capacidade das IAs Generativas de criar e aprimorar continuamente conteúdos originais. Além disso, a prática de transferência de aprendizado, facilitada por esses campos, tem contribuído para a eficiência no treinamento de modelos generativos, proporcionando resultados mais expressivos e adaptáveis.
Quando pensamos em Learning Machine devemos associar aos seguintes metodos: Regressão Linear (anos 50): Desenvolvimento de métodos de regressão linear, estabelecendo as bases para a predição de variáveis contínuas e Árvores de Decisão (anos 60): Pesquisas relacionadas à construção de árvores de decisão, introduzindo abordagens para tomada de decisões baseada em múltiplos critérios.
Autores: Leo Breiman, Jerome Friedman,Vladimir Vapnik, Corinna Cortes.
Já com o Deep Learning nos anos 50 remonta início das pesquisas sobre Redes Neurais Artificiais, inspiradas na estrutura do cérebro, proporcionando a base para o desenvolvimento de modelos mais complexos. Seguida de Backpropagation (anos 70-80): Desenvolvimento do algoritmo de retropropagação (backpropagation), crucial para treinar redes neurais profundas, permitindo o aprendizado eficaz de representações complexas.
Mais recentemente estamos nos debruçando no estudo das Redes Neurais Convolucionais (CNNs) (anos 90): Introdução das CNNs, otimizadas para processamento de imagens, revolucionando aplicações em visão computacional eRedes Neurais Recorrentes (RNNs) (anos 80-90): Pesquisas em RNNs, permitindo o processamento de sequências temporais e a geração de texto coerente.
Autores: Geoffrey Hinton, Yann LeCun, Yoshua Bengio.
LINHA DO TEMPO DA IA GENERATIVA
Marcos Históricos da IA Generativa
1950: Alan Turing propõe o Teste de Turing, questionando se um computador pode exibir inteligência equivalente à humana (Turing, 1950).
1956: John McCarthy cunha o termo “inteligência artificial” e desenvolve a linguagem de programação Lisp (McCarthy, 1956).
1957: Allen Newell, JC Shaw e Herbert Simon criam o Logic Theorist, considerado por muitos o primeiro software de IA (Newell et al., 1957)
1967: Frank Rosenblatt desenvolve o Mark 1 Perceptron, um modelo de aprendizado de máquina por tentativa e erro (Rosenblatt, 1962).
Década de 1980 e 1990:
1997: O computador Deep Blue da IBM derrota o campeão mundial de xadrez Garry Kasparov, demonstrando o potencial da IA (Campbell et al., 2002).
Década de 2000 e além:
2011: A IBM lança o supercomputador Watson, utilizado em reconhecimento facial e na medicina para auxiliar na descoberta de medicamentos (Ferrucci et al., 2010).
2008: O reconhecimento de voz da Google é lançado, utilizando pesquisas em PNL e abrindo caminho para assistentes virtuais (Povey et al., 2011).
2014: Ian Goodfellow e outros pesquisadores introduzem o conceito de Redes Adversariais Generativas (GANs), um método eficaz para gerar conteúdo novo e realista (Goodfellow et al., 2014).
2022: O lançamento do ChatGPT democratiza a IA Generativa, alcançando o público em geral e impulsionando o desenvolvimento de diversas ferramentas nesse campo.
Conheça o “Programa IA nas Escolas” Players School para formação de educadores e gestores escolares em Inteligência Artificial:
Visite nossa Biblioteca de Inteligência Artificial e baixe, gratuitamente, E-books, documentos de IA e prompts para educadores.
Referências:
Campbell, M., Hoane, A. J., & Hsu, F.-h. (2002). Deep Blue. Artificial Intelligence, 134(1-2), 57-83. https://en.wikipedia.org/wiki/Deep_Blue_%28chess_computer%29
Ferrucci, D., Brown, E., Chu-Carroll, J., Fan, J., Gondek, D., Kalyanpur, A. A., … & Welty, C. (2010). Building Watson: An overview of the DeepQA project. AI Magazine, 31(3), 59-79. https://www.hbs.edu/faculty/Pages/item.aspx?num=40897
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2014). Generative adversarial networks. arXiv preprint arXiv:1406.2661. https://machinelearningmastery.com/what-are-generative-adversarial-networks-gans/
McCarthy, J. (1956). The Dartmouth Artificial Intelligence Project. AI Magazine, 27(4), 80-83. https://home.dartmouth.edu/about/artificial-intelligence-ai-coined-dartmouth
Newell, A., Shaw, J. C., & Simon, H. A. (1957). Empirical explorations of the logic theory machine: A case study in heuristic search. Proceedings of the Western Joint Computer Conference, 218-230. https://dl.acm.org/doi/10.1145/1455567.1455605
