Deep Learning vai nos ensinar a lição de nossas vidas: O trabalho é para as máquinasEm 2 de dezembro de 1942, uma equipe de cientistas liderada por Enrico Fermi, ao voltar do horário de almoço, assistiu a humanidade criar a primeira reação nuclear auto-sustentável dentro de um amontoado de tijolos e madeira, embaixo de um campo de futebol da Universidade de Chicago. Conhecida na história como Chicago Pile-1, ela foi celebrada em silêncio, com uma única garrafa de Chiantini, pois os que estavam presentes entendiam exatamente o que aquilo significava para a humanidade, sem nenhuma necessidade de palavras.
Agora, algo novo ocorreu, e, outra vez, silenciosamente mudou o mundo para sempre.
Como um sussurro em uma língua estrangeira, foi como se você até o tivesse ouvido, mas talvez não tenha compreendido completamente seu significado. No entanto, é vital que nós entendamos esta nova língua, e o que ela vem nos contando cada vez mais, pois suas ramificações irão alterar tudo o que consideramos certezas sobre como nossa economia globalizada funciona, e o modo em que nós existimos nesse contexto.
Essa “língua” é uma nova classe de aprendizado de máquinas chamado deep learning, e o “sussurro” foi um computador utilizando disto para, aparentemente do nada, vencer Fan Hui no jogo Go, no qual ele foi 3 vezes campeão europeu. Não só uma vez, mas cinco seguidas, sem nenhuma derrota. Muitos dos que leram esta notícia acharam isto impressionante, mas de nenhuma maneira comparável com uma possível partida com Lee Se-dol, que muitos consideram como um dos melhores jogadores de Go vivos, se não o melhor. Imaginando um duelo tão grande de homem versus máquina, o melhor jogador da China previu que Lee não iria perder nenhuma das partidas, e o próprio Lee confiantemente esperava perder uma, no máximo.
E o que aconteceu quando eles se enfrentaram? Lee ganhou apenas uma das cinco partidas. Uma inteligência artificial chamada AlphaGo agora é um jogador de Go melhor que qualquer humano do planeta, e recebeu o rank “divino” de 9 dan. Em outras palavras, o nível de habilidade da máquina chega a ser considerado ‘divino’. Go foi oficialmente dominado por uma máquina, assim como Jeopardy foi pelo Watson, e o xadrez pelo Deep Blue.
“A VITÓRIA HISTÓRICA DA ALPHAGO É UM SINAL CLARO DE QUE AS MÁQUINAS SAÍRAM DO CRESCIMENTO LINEAR PARA O PARABÓLICO”
Mas o que é Go? Colocando de um jeito simples, pense em Go como um Super Ultra Mega xadrez. Isto pode ainda parecer uma conquista pequena, apenas outra coroa de louros para as máquinas, enquanto elas continuam a provar serem superiores nos nossos passa-tempos, mas isto não é algo pequeno, e o que está acontecendo não é brincadeira.
A vitória histórica da AlphaGo é um sinal claro de que as máquinas saíram do crescimento linear para o parabólico. Os avanços tecnológicos se tornaram tão visivelmente exponenciais, que nós podemos ver muitos outros marcos sendo realizados muito antes do que esperávamos. Esses avanços exponenciais, mais notavelmente em forma de inteligência artificial limitada a tarefas específicas, levantam a questão de estarmos completamente despreparados para o futuro, caso continuemos a insistir nos empregos como nossa fonte primária de renda.
Isto pode parecer exagero, então, vamos voltar algumas décadas e ver o que a tecnologia dos computadores vem ativamente causando aos empregos humanos até agora:
Fonte:
https://www.stlouisfed.org/on-the-economy/2016/january/jobs-involving-routine-tasks-arent-growingFonte:
https://www.stlouisfed.org/on-the-economy/2016/january/jobs-involving-routine-tasks-arent-growingTire um tempo para entender o gráfico acima. Não se engane ao pensar que a conversa sobre automação do trabalho é assunto pra o futuro. Está acontecendo agora. A tecnologia computacional está devorando empregos neste momento, e vem fazendo isso desde 1990.
Trabalho de rotinaTodo trabalho pode ser dividido em quatro tipos: os que são de rotina e os que não são; os cognitivos e os manuais. Trabalho de rotina é a mesma coisa todo dia, enquanto os não-rotineiros variam. Dentro destas duas variedades, estão os que requerem mais de nosso cérebro (cognitivo), ou de nossos corpos (manual). Por um tempo, todos os quatro tipos tiveram crescimento, mas o rotineiro estagnou, nos anos 90. Isto aconteceu por que esse tipo de trabalho é mais facilmente realizado e suportado por máquinas.
Angustiantemente, era o trabalho rotineiro que formava a base da classe média americana. Foi o trabalho rotineiro manual que Henry Ford transformou ao pagar salários de classe média para seus operários, e era o trabalho rotineiro cognitivo que preenchia os escritórios americanos. Estes trabalhos agora estão cada vez mais escassos, deixando apenas dois tipos de emprego com perspectivas otimistas: empregos que necessitam de tão pouco pensamento, que pagamos pouco para que sejam feitos; e empregos que requerem tanto pensamento, que pagamos muito bem para que seja realizado.
Se pudermos, agora, imaginar nossa economia como um avião de quatro motores, que pode voar com apenas dois, desde que ambos estejam funcionando, nós podemos evitar nos preocuparmos com um acidente. Mas oque acontece quando nossos dois motores falham? Isto é o que os avanços nos campos de robótica e IA representam para esses dois motores, por que, pela primeira vez, nós estamos ensinando para as máquinas como aprender.
Redes NeuraisEu sou um escritor, mas minha base educacional é em psicologia e física. Eu sou fascinado por estas áreas, então o foco da minha graduação acabou sendo na física do cérebro humano, também conhecida como neurociência cognitiva. Eu acho que, no momento em que você começa a ver como o cérebro humano funciona, como uma massa de neurônios interligados de algum jeito resulta no que descrevemos como sendo a nossa mente, tudo muda. Pelo menos mudou pra mim.
Resumindo rapidamente o jeito como nossos cérebros funcionam, eles são uma rede gigantesca de células interconectadas. Algumas dessas conexões são curtas, e outras são longas. Algumas células são apenas conectadas entre si; outras, são conectadas com várias outras. Sinais elétricos passam por estas conexões, em taxas variadas, e os disparos neurais subsequentes ocorrem. É como um efeito dominó, mas maior, mais rápido e complexo. O resultado somos nós, e o que nós vinhamos aprendendo sobre como funcionamos. Agora, estamos aplicando isto às máquinas.
Uma destas aplicações é a criação das redes neurais profundas – são como cérebros virtuais reduzidos. Elas oferecem um caminho para o aprendizado das máquinas que proporcionaram os avanços incríveis que se acreditava que estivessem bem mais no futuro – se possíveis. Como? Não é só o óbvio crescimento das capacidades de nossos computadores e de nosso conhecimento sobre neurociência, mas também o crescimento do nosso banco de dados coletivo, ou big data.
Big dataNão é apenas um termo que está na moda, é informação. E, quando se trata de informação, nós criamos mais e mais a cada dia; tanto, que um relatório de 2013 do SINTEF estimou que 90% de toda a informação do mundo até então tinha sido criada nos dois anos anteriores. Essa frequência incrível de criação de dados está dobrando a cada 1 ano e meio, graças à internet, onde, em 2015, a cada minuto aconteciam 4.2 milhões de curtidas em publicações do Facebook, 300 horas de vídeo eram adicionadas ao YouTube, e internautas tuitavam 350 mil vezes. Tudo o que fazemos está gerando dados como nunca antes, e é exatamente de dados que as máquinas precisam para aprender a aprender. Mas por quê?
Imagine que você está programando um computador para reconhecer uma cadeira. Você precisaria de uma grande quantidade de instruções, e o resultado ainda seria um programa que detecta cadeiras onde não há, e que não detecta onde há. E como nós aprendemos a detectar cadeiras? Nossos pais apontaram para uma cadeira e disseram “cadeira”; então, quando achamos que já tínhamos toda essa questão das cadeiras solucionada, apontamos para uma mesa e dissemos “cadeira”; aí nossos pais se encarregavam de dizer que aquilo era “mesa”. Isto é chamado de aprendizagem por reforço. O rótulo “cadeira” se conecta com todas as cadeiras que vemos, de modo que certos caminhos neurais são aplicados, e outros, não. Para ser disparado um sinal de “cadeira” no nosso cérebro, o que nós percebemos precisa ser algo próximo às cadeiras que vimos no passado. Essencialmente, nossas vidas são big data filtrada por nossos cérebros.
Deep LearningO poder do deep learning (aprendizagem profunda, em uma tradução livre) é que ele é um meio de utilizar quantidades massivas de dados para fazer máquinas operarem mais como nós, sem precisão de dar-lhes instruções explícitas. Ao invés de descrever todas as características de uma cadeira para um computador, nós apenas o conectamos à internet e o fornecemos com milhões de fotos de cadeiras. Assim, ele irá ter uma ideia geral do que é uma cadeira. Depois, nós o testamos com ainda mais imagens; onde ele errar, nós corrigimos, o que potencializa sua capacidade de reconhecer uma cadeira. A repetição deste processo resulta em um computador que sabe o que é uma cadeira quando ele vê uma, quase tão bem quanto nós mesmos. A principal diferença é que, diferente dos humanos, ele pode analisar estas milhões de imagens em apenas alguns segundos.
A combinação de deep learning e big data resultou em realizações espantosas só no ano passado. Além da incrível vitória da AlphaGo, a inteligência artificial do Google, DeepMind, aprendeu a ler e compreender textos, dentre centenas e centenas de artigos de jornais. DeepMind também aprendeu sozinha a jogar dúzias de jogos do Atari 2600 melhor que humanos, apenas analisando a tela e o placar, e repetindo várias partidas. Uma IA chamada Giraffe aprendeu por si só como jogar xadrez de uma maneira similar, utilizando dados de 175 milhões de posições das peças, conseguindo o status International Master em apenas 72 horas, jogando sozinha repetidamente. Em 2015, outra IA passou em um teste de Turing visual; foi mostrado para ela um caractere de um alfabeto ficcional, desconhecido para ela, e ela conseguiu o reproduzir instantaneamente, de um jeito completamente indistinguível de um humano que realizou o mesmo teste. Todos estes foram grandes marcos para a inteligência artificial.
No entanto, apesar destes marcos, quando pedidos para estimar quando um computador conseguiria vencer um jogador proeminente de Go, a resposta dos especialistas, alguns meses antes do anúncio da vitória da AlphaGo, era “talvez daqui a dez anos”. Uma década era considerada uma estimativa justa, já que Go é um jogo tão complexo, que vou apenas deixar Ken Jennings, jogador de Jeopardy, outro campeão derrotado por uma IA, descrevê-lo:
-“Go é um jogo muito mais complexo que xadrez, com seu tabuleiro maior, jogos mais longos, e muito mais peças. A equipe da IA do Google, DeepMind, gosta de dizer que existem mais possibilidades possíveis em um tabuleiro de Go do que existem átomos no universo conhecido, mas isto subestima bastante o problema computacional. Existem cerca de 10^170 posições possíveis em um tabuleiro de Go, e “apenas” 10^80 átomos no universo. Isto significa que, se houvessem tantos universos paralelos quanto existem átomos no nosso, então o número total de átomos em todos estes universos somados chegaria perto das possibilidade do tabuleiro.”
Uma complexidade tão confusa torna impossível qualquer abordagem de força-bruta para escanear todas as possibilidades de movimento das peças, de modo que se conclua qual a melhor jogada. Mas as redes neurais profundas superam este obstáculo do mesmo jeito que nossos cérebros, aprendendo a estimar qual jogada parece ser a melhor naquele momento. Nós fazemos isto por observação e prática; AlphaGo, também, analisando milhões de jogos profissionais e jogando milhões de vezes contra si mesma. Então, a resposta para quando Go iria ser dominado por máquinas não era nem perto de uma década. A resposta correta acabou sendo “a qualquer momento.”
Automação não-rotineiraA qualquer momento. Esta é a nova resposta pronta no século 21 para qualquer questão que envolva algo que máquinas possam fazer melhor do que os humanos, e nós precisamos colocar isso em nossas cabeças.
Nós precisamos reconhecer o que significa a mudança exponencial das tecnologias estar entrando no mercado de trabalho para empregos não-rotineiros pela primeira vez. Máquinas que podem aprender significam que nada que os humanos realizem como um emprego está seguro. Desde hambúrgueres até a área de saúde, máquinas podem ser criadas para realizar estas tarefas, sem nenhuma ou pouca necessidade de acompanhamento humano, e por um preço mais barato.
Amelia é uma das IA na fase beta de testes em empresas nesse momento. Criada pela IPsoft há cerca de 16 anos, ela aprendeu a realizar o trabalho de atendentes de call centers. Ela pode aprender em questão de segundos o que levaria meses para nós, e ela o faz em 20 línguas diferentes. Como ela é capaz de aprender, ela pode conseguir mais que isso, com o passar do tempo. Em uma das empresas que realizam testes com esta IA, ela conseguiu manter uma em cada dez chamadas, na sua primeira semana; no final do seu segundo mês, ela resolvia seis em cada dez. Graças à isto, estima-se que ela pode deixar 250 milhões de pessoas desempregadas no mundo inteiro.
Viv é uma IA que será lançada em breve, dos mesmos criadores da Siri, e será nossa assistente pessoal. Ela realizará tarefas online para nós, e até funcionará como o feed do Facebook melhorado, sugerindo que seja consumida a mídia que ela sabe que nós gostaremos mais. Tendo tudo isto feito para nós, veremos muito menos propagandas, e isso significa que toda a indústria de publicidade – a indústria-base da internet – pode ser gravemente afetada.
Um mundo com Amelia e Viv – e todas as outras IA’s que estarão a nosso alcance em breve – em junção com robôs como a nova geração do Atlas, da Boston Dynamics, é um mundo onde as máquinas podem realizar todos os quatro tipos de trabalho, e isso significa reconsiderações sérias na nossa sociedade. Se uma máquina pode realizar um trabalho, ao invés de um humano, algum humano deveria ser obrigado a realizá-lo, sob a ameaça da miséria? A renda propriamente dita deveria continuar acoplada ao emprego, de modo que estar empregado é o único meio de se garantir uma renda, quando, para muitos, é impossível conseguir um emprego? Se as máquinas estão realizando uma porcentagem cada vez maior dos nossos trabalhos para nós, e não recebem nada por isto, pra onde esse dinheiro vai? E o que ele deixa de comprar? É possível que muito dos empregos que nós criamos não precisem existir, e só existem por causa do salário que eles garantem? Estas são perguntas que precisamos começar a perguntar o mais rápido possível.
Desacoplando a renda do trabalhoFelizmente, as pessoas estão começando a perguntar estas perguntas (Brokings; Futurism; Business Insider; Forbes), e tem uma resposta que está ganhando força. A ideia é colocar as máquinas para trabalharem por nós, mas empoderarmos a nós mesmos para buscarmos apenas as formas de trabalho restantes que, como humanos, consideramos mais meritórios, através da distribuição de um pagamento mensal que independe do trabalho. Este pagamento seria concedido para todos os cidadãos incondicionalmente, e seu nome é renda básica universal. Adotando a RBU, além de nos imunizarmos contra os efeitos negativos da automação, nós também diminuiríamos os riscos inerentes ao empreendedorismo, e o tamanho das burocracias necessárias para aumentar salários. É por estes motivos que é uma ideia apoiada pelos dois lados do espectro político, e está nos primeiros estágios de uma possível implementação em países como Suíça, Finlândia, Holanda, e Canadá.
O futuro é um lugar de mudanças aceleradas. É ingênuo continuar olhando para o futuro como se fosse o passado, onde apenas por que novos empregos surgiram durante a história, eles sempre vão. O WEF começou 2016 estimando a criação de, até 2020, 2 milhões de novos empregos, junto com a eliminação de 7 milhões. Isto é uma perda líquida, não um ganho líquido, de 5 milhões de empregos. Em um paper frequentemente citado, um estudo de Oxford estimou a automação de cerca de metade dos empregos existentes até 2033. Enquanto isso, carros autônomos, também graças à aprendizagem de máquinas, têm a capacidade de causar um impacto drástico em todas as economias – principalmente na economia americana [e em outros países que têm um grande fluxo de caminhões, como o Brasil] – ao eliminar milhões de empregos em um curto período de tempo.
Agora, até a Casa Branca, em um relatório ao congresso, colocou em 83% a possibilidade de um trabalhador que ganhe menos de 20 dólares/hora, em 2010, eventualmente perder seu emprego para uma máquina. Até os empregados ganhando cerca de 40 dólares/hora enfrentam uma possibilidade de 31%. Ignorar estatísticas como essas é equivalente à estratégia “se abaixe e se cubra“, para evitar ser atingido pelo impacto de uma bomba atômica, durante a guerra fria.
Tudo isto é o motivo pelo qual os mais reconhecidos do campo da IA são os que estão ativamente chamando a atenção para a renda básica. Durante uma discussão em um painel do final de 2015, na Universidade Singularity, o cientista de dados Jeremy Howard perguntou “Vocês querem que metade das pessoas passem fome por que elas literalmente não podem agregar valor acadêmico?”, antes de sugerir “Se a resposta for não, então a maneira mais inteligente de se distribuir as riquezas é através da implementação da renda básica universal.”
O pioneiro de IA Chris Eliasmith, diretor do Centro de Neurociência Teorética, alertou sobre os impactos imediatos da IA na sociedade em uma entrevista com a Futurism, “A inteligência artificial já está causando um grande impacto na nossa economia… Minha suspeita é que mais países vão ter que seguir a Finlândia e explorar a garantia de uma renda básica para suas populações.”
Moshe Vardi expressou o mesmo sentimento após falar na reunião anual da Associação Americana para o Avanço da Ciência sobre a emergência de máquinas inteligentes, “nós precisamos repensar a estrutura básica do nosso sistema econômico… nós talvez precisemos considerar instituir uma garantia de renda básica.”
Até o cientista chefe do Baidu e fundador do projeto de deep learning do Google, “Google Brain”, Andrew Ng, durante uma entrevista no palco da conferência de cúpula sobre deep learning, expressou a noção de que uma renda básica deve ser “seriamente considerada” pelos governos, citando “uma grande chance de que a IA irá criar o desemprego generalizado”
Quando os que estão construindo as ferramentas começam a avisar sobre as implicações de seu uso, aqueles que planejam utilizá-las não deveriam ouvir com a máxima consideração, especialmente quando são os sustentos de milhões de pessoas que estão em risco? Se não, então que tal quando os economistas vencedores do prêmio Nobel começam a concordar com eles cada vez mais?
Nenhuma nação está pronta para as mudanças à frente. A falta de participação da força de trabalho gera instabilidade social, e a falta de consumidores gera instabilidade econômica. Então, vamos nos perguntar, qual é o propósito das tecnologias que estamos criando? Qual é o propósito de um carro que dirige por nós, ou uma inteligência artificial que dá conta de 60% de nossa carga de trabalho? É para nos permitir trabalhar mais por menos dinheiro? Ou é para podermos escolher como trabalhamos, e podermos rejeitar qualquer pagamento/hora que acharmos insuficientes por que nós já estamos ganhando os salários que as máquinas não recebem?
Qual é a grande lição para se aprender em um século, quando as máquinas conseguirem aprender?
Eu digo que aprenderemos que o trabalho é para as máquinas; para as pessoas, a vida.https://www.universoracionalista.org/deep-learning-vai-nos-ensinar-a-licao-de-nossas-vidas-o-trabalho-e-para-as-maquinas/
