O ENIAC tinha algumas características marcantes:

1. Eletrônico: Diferente de computadores mecânicos anteriores, o ENIAC usava válvulas eletrônicas (tubos de vácuo) para realizar os cálculos.

2. Programável: Embora rudimentar comparado aos padrões de hoje, o ENIAC podia ser reprogramado para realizar diferentes tipos de cálculos, por meio da reconfiguração física de cabos e interruptores.

3. Tamanho: Era um equipamento gigantesco, ocupando cerca de 167 m², e pesando aproximadamente 30 toneladas.

4. Velocidade: Para a época, o ENIAC era extremamente rápido, podendo realizar até 5.000 operações aritméticas por segundo.

5. Consumo de Energia: O ENIAC consumia uma grande quantidade de eletricidade, algo em torno de 150 kW.

Apesar de suas limitações, o ENIAC foi um marco histórico no desenvolvimento da computação, abrindo o caminho para a criação de computadores mais avançados e programáveis.

• 1. Tomada de Decisão Autônoma

• 2. Viés e Discriminação

• 3. Privacidade e Vigilância

• 4. Autonomia Humana e Empregos

Esses dilemas demonstram a importância de se pensar criticamente sobre a criação e o uso responsável da IA, integrando princípios éticos em cada fase do seu desenvolvimento.

Os tópicos discutidos pelos participantes incluíram:

1. Representação de conhecimento: Como codificar informações sobre o mundo em uma forma que os computadores pudessem entender e manipular. Isso levou ao desenvolvimento de sistemas simbólicos e ontologias que são ainda hoje fundamentais para a IA.

2. Resolução de problemas: Os pesquisadores examinaram como os computadores poderiam resolver problemas complexos por meio de algoritmos de busca e dedução lógica. As abordagens iniciais focaram em jogos de tabuleiro, como xadrez, que exigem raciocínio estratégico.

3. Aprendizado de máquina: A ideia de que as máquinas poderiam melhorar seu desempenho com o tempo, ajustando-se com base na experiência. Essa linha de pesquisa evoluiu para o que hoje conhecemos como redes neurais, aprendizado supervisionado e não supervisionado.

4. Processamento de linguagem natural: Havia grande interesse em como os computadores poderiam compreender, interpretar e gerar linguagem humana, o que mais tarde impulsionou os campos de tradução automática e chatbots.

Embora o progresso tenha sido mais lendo do que o esperado, essa conferência lançou as bases da IA moderna. Ela está presente em tecnologias como assistentes virtuais, rede neurais e robótica.

1. O que é?

   • É um tipo de Machine Learning que usa redes neurais com várias camadas para aprender padrões complexos em grandes volumes de dados. Ele é inspirado no funcionamento do cérebro humano.

2. Como Funciona?

   • Usa redes neurais com várias camadas: entrada, camadas ocultas e saída. Cada camada aprende uma característica diferente dos dados.

   • É treinado ajustando os pesos entre as conexões dos neurônios usando métodos como gradient descent e backpropagation para melhorar os resultados.

3. Tipos de Redes Neurais

   • CNNs (Convolutional Neural Networks): Ideais para imagens, como reconhecimento facial.

   • RNNs (Recurrent Neural Networks): Para dados sequenciais, como tradução de idiomas.

   • Transformers: Muito usados em texto, como o GPT.

   • GANs (Generative Adversarial Networks): Criam imagens, vídeos e outras mídias sintéticas.

4. Principais Aplicações

   • Visão Computacional: Reconhecimento de objetos e rostos.

   • NLP (Processamento de Linguagem Natural): Chatbots e tradução automática.

   • Reconhecimento de Fala: Conversão de fala em texto.

   • Robótica e Automação: Carros autônomos e drones.

5. Vantagens

   • Capaz de encontrar padrões complexos em grandes volumes de dados.

   • Reduz a necessidade de ajustar manualmente as características dos dados (feature engineering).

6. Desafios

   • Precisa de muitos dados e poder computacional para funcionar bem.

   • Difícil entender como toma decisões, por ser uma “caixa-preta”.

7. Ferramentas Comuns

   • Frameworks: TensorFlow, PyTorch, e Keras.

   • Ambientes de Treinamento: Google Colab e Jupyter Notebooks.

8. Futuro do Deep Learning

   • Modelos cada vez mais poderosos e amplamente usados em diferentes áreas.

   • Desafios éticos, como garantir que os modelos sejam treinados de forma justa.

O primeiro inverno da IA aconteceu nos anos 70. Naquela época, havia grande expectativa de que as máquinas pudessem se igualar à inteligência humana em pouco tempo. No entanto, a tecnologia disponível era limitada, com pouca capacidade computacional e dificuldades em criar sistemas de aprendizado eficientes, o que fez muitos pesquisadores desistirem.

O segundo inverno ocorreu nos anos 80 e início dos 90. Novamente, as expectativas eram altas, com promessas de redes neurais e outras técnicas avançadas. Mas, os resultados ainda estavam longe do esperado, e os investimentos diminuíram mais uma vez, marcando a história da IA com outro ciclo de otimismo seguido por frustração.

Desde os anos 2000, estamos vivendo um “verão da IA”, com grandes avanços tecnológicos, como o aprendizado profundo, big data e aumento da capacidade computacional. A IA está cada vez mais presente em nossas vidas, mas é essencial aprender com os invernos anteriores e manter expectativas realistas para evitar outra era de frustração.

Alan Turing apresentou o "Teste de Turing" em seu artigo "Computing Machinery and Intelligence". Ele propôs substituir a questão "As máquinas podem pensar?" por uma abordagem mais prática: "As máquinas podem se passar por seres humanos?". O teste foi inspirado no "jogo da imitação", onde uma pessoa tenta distinguir entre duas outras com base em perguntas e respostas. Turing adaptou o jogo para envolver uma máquina e um humano como competidores.

Estrutura do Teste:

No teste de Turing clássico, há três participantes: um interrogador humano, que faz perguntas para identificar quem é o humano e quem é a máquina; a máquina, que tenta se passar por humano em suas respostas; e o humano, que responde de forma honesta. O interrogador não vê os participantes, baseando-se apenas nas respostas textuais. Se a máquina conseguir enganar o interrogador com frequência significativa, ela passa no teste.

Critérios e Críticas:

Para passar no teste de Turing, a máquina deve enganar o interrogador a ponto de ser confundida com um humano em cerca de 30% das interações. No entanto, o teste é criticado por não medir a verdadeira compreensão ou inteligência da máquina, apenas sua capacidade de imitar o comportamento humano. Um exemplo de crítica é o argumento do "Quarto Chinês", de John Searle, que sugere que uma máquina pode simular respostas sem realmente entender o que está fazendo.

Exemplos Modernos e Evoluções:

Com o avanço da IA, várias tentativas foram feitas para criar máquinas que passem no teste de Turing. Exemplos incluem: Eliza (1966), um programa que simulava conversas humanas com respostas pré-programadas; o chatbot Eugene Goostman (2014), que foi declarado como tendo passado no teste ao enganar 33% dos juízes, embora o método tenha sido questionado; e sistemas modernos de IA como Siri, Alexa e ChatGPT, que engajam em conversas convincentes, mas ainda apresentam limitações em comparação ao raciocínio humano.

Implicações Filosóficas e Futuras:

O teste de Turing tem implicações filosóficas, pois questiona o que significa ser inteligente ou consciente. Com o avanço das IAs, ele permanece uma referência, mas muitos sugerem novos testes que avaliem outras dimensões da inteligência, como criatividade, compreensão contextual e intencionalidade.

Testes Alternativos:

Outros testes foram propostos para avaliar a inteligência das máquinas, como o Teste de Lovelace, que avalia a criatividade da IA ao verificar se ela pode gerar algo imprevisível para o programador, e o Teste de Consciência de Igor Aleksander, que examina se a IA tem uma forma básica de autoconsciência. Embora o teste de Turing ainda seja uma referência importante, novas abordagens são necessárias para medir melhor as capacidades das máquinas, devido aos rápidos avanços no campo.

1. Desenvolvimento: Criado pela IBM, foi um dos primeiros computadores de xadrez a usar inteligência artificial avançada. O Deep Blue foi um marco importante na história da inteligência artificial e no mundo do xadrez. Abriu portas para uma nova era em que máquinas e humanos podem competir e colaborar em diversas áreas.

2. Confrontos: Em 1996, enfrentou Garry Kasparov, perdendo a partida. Em 1997, venceu Kasparov em uma revanche.

3. Tecnologia: Utilizava algoritmos sofisticados para avaliar milhões de posições por segundo, combinando busca de árvore de movimentos e heurísticas.

4. Impacto: Marcou um momento histórico na IA, provocando discussões sobre inteligência, estratégia e a capacidade das máquinas em superar humanos.

5. Legado: Influenciou o desenvolvimento de técnicas em aprendizado de máquina e algoritmos em várias áreas, além de inspirar pesquisas em inteligência artificial.

Supercomputador desenvolvido pela IBM para simular o aprendizado humano e resolver problemas complexos.

Características principais:

- Processamento de linguagem natural

- Aprendizado automático

- Análise de grandes volumes de dados

Aplicações:

- Medicina

- Finanças

- Atendimento ao cliente

Benefícios:

- Eficiência

- Precisão

- Escalabilidade

Exemplos de uso:

- Hospital Sloan Kettering (EUA)

- Banco Santander (Espanha)

- Empresa de seguros AXA (França)

Importância:

Watson representa um marco importante na computação cognitiva, demonstrando o potencial da inteligência artificial para transformar indústrias e melhorar a vida das pessoas.