W Rádio Brasil
W Rádio Brasil

jornalismo, ciência e conversa pública.

NO AR

Tag: Inteligência Artificial

  • A Revolução Silenciosa da Inteligência Artificial no Aprendizado por Reforço

    A Revolução Silenciosa da Inteligência Artificial no Aprendizado por Reforço

    Em um mundo onde a tecnologia avança a passos largos, cientistas estão na vanguarda de uma revolução silenciosa que promete transformar a maneira como as máquinas aprendem e se adaptam ao nosso mundo.

    O campo do aprendizado por reforço, um ramo da inteligência artificial, está testemunhando avanços significativos graças a pesquisas inovadoras que exploram as profundezas das representações aprendidas por redes neurais.

    Imagine ensinar uma criança a andar de bicicleta. Você a incentiva com elogios e orientações, ajudando-a a entender o equilíbrio e o movimento. De maneira similar, no aprendizado por reforço, algoritmos são treinados para realizar tarefas, recebendo ‘recompensas’ virtuais por ações corretas. É um processo de tentativa e erro que, ao longo do tempo, resulta em uma aprendizagem eficaz.

    Recentemente, pesquisadores têm se debruçado sobre a questão de como esses algoritmos representam o conhecimento adquirido. Em estudos anteriores, as representações eram fixas, limitando a capacidade da máquina de se adaptar a novas tarefas. No entanto, a nova onda de pesquisas está focada em representações adaptativas, que permitem que a máquina ajuste sua compreensão para melhor se adequar à tarefa em mãos.

    Essas representações são avaliadas em três eixos principais: capacidade, eficiência e robustez. Capacidade refere-se à habilidade de representar funções complexas, eficiência diz respeito à economia de recursos computacionais, e robustez é a resistência a interferências ou ruídos. Para medir essas qualidades, os cientistas desenvolveram métricas específicas, aplicando-as em mais de 25.000 configurações de agentes-tarefas em ambientes virtuais.

    Um dos métodos empregados utiliza um algoritmo simples para calcular características sucessoras em um labirinto virtual. Essas características ajudam a definir a representação do sucessor de cada estado, ou seja, o que se espera que aconteça a seguir, com base em uma política ótima. Isso permite calcular a similaridade entre tarefas e entender como o conhecimento pode ser transferido de uma tarefa para outra.

    Para o público leigo, o impacto dessas pesquisas pode parecer distante, mas as implicações são vastas. Desde carros autônomos que aprendem a navegar por ruas desconhecidas até assistentes virtuais que se adaptam às suas preferências, o aprendizado por reforço está moldando o futuro da inteligência artificial. E, com esses avanços, estamos um passo mais perto de criar máquinas que não apenas executam tarefas, mas também aprendem e evoluem conosco.

    Este é apenas o começo de uma jornada emocionante na fronteira da ciência da computação, onde as possibilidades são tão vastas quanto a nossa imaginação. E, enquanto os algoritmos continuam aprendendo, nós também continuamos a sonhar com um futuro onde a inteligência artificial e a humanidade avançam lado a lado.

    Fonte: Link.

    (mais…)

    O campo do aprendizado por reforço, um ramo da inteligência artificial, está testemunhando avanços significativos graças a pesquisas inovadoras que exploram as profundezas das representações aprendidas por redes neurais.

    Imagine ensinar uma criança a andar de bicicleta. Você a incentiva com elogios e orientações, ajudando-a a entender o equilíbrio e o movimento. De maneira similar, no aprendizado por reforço, algoritmos são treinados para realizar tarefas, recebendo ‘recompensas’ virtuais por ações corretas. É um processo de tentativa e erro que, ao longo do tempo, resulta em uma aprendizagem eficaz.

    Recentemente, pesquisadores têm se debruçado sobre a questão de como esses algoritmos representam o conhecimento adquirido. Em estudos anteriores, as representações eram fixas, limitando a capacidade da máquina de se adaptar a novas tarefas. No entanto, a nova onda de pesquisas está focada em representações adaptativas, que permitem que a máquina ajuste sua compreensão para melhor se adequar à tarefa em mãos.

    Essas representações são avaliadas em três eixos principais: capacidade, eficiência e robustez. Capacidade refere-se à habilidade de representar funções complexas, eficiência diz respeito à economia de recursos computacionais, e robustez é a resistência a interferências ou ruídos. Para medir essas qualidades, os cientistas desenvolveram métricas específicas, aplicando-as em mais de 25.000 configurações de agentes-tarefas em ambientes virtuais.

    Um dos métodos empregados utiliza um algoritmo simples para calcular características sucessoras em um labirinto virtual. Essas características ajudam a definir a representação do sucessor de cada estado, ou seja, o que se espera que aconteça a seguir, com base em uma política ótima. Isso permite calcular a similaridade entre tarefas e entender como o conhecimento pode ser transferido de uma tarefa para outra.

    Para o público leigo, o impacto dessas pesquisas pode parecer distante, mas as implicações são vastas. Desde carros autônomos que aprendem a navegar por ruas desconhecidas até assistentes virtuais que se adaptam às suas preferências, o aprendizado por reforço está moldando o futuro da inteligência artificial. E, com esses avanços, estamos um passo mais perto de criar máquinas que não apenas executam tarefas, mas também aprendem e evoluem conosco.

    Este é apenas o começo de uma jornada emocionante na fronteira da ciência da computação, onde as possibilidades são tão vastas quanto a nossa imaginação. E, enquanto os algoritmos continuam aprendendo, nós também continuamos a sonhar com um futuro onde a inteligência artificial e a humanidade avançam lado a lado.

    Fonte: Link.

    (mais…)
  • Inteligência artificial provoca escalada de conflitos em jogos de guerra

    Inteligência artificial provoca escalada de conflitos em jogos de guerra

    Um estudo realizado por pesquisadores do Instituto de Tecnologia da Geórgia, nos EUA, revelou que sistemas de inteligência artificial (IA) comerciais tendem a aumentar o nível de tensão e violência em jogos de guerra que simulam cenários de conflito internacional.

    Os sistemas de IA usaram armas nucleares em algumas situações, diferentemente dos humanos, que costumam buscar a desescalada.

    Os jogos de guerra são uma técnica para explorar diferentes estratégias e resultados militares e diplomáticos em situações hipotéticas. Eles envolvem um cenário em que indivíduos representam cada um um país. Em cada etapa, esses indivíduos processam as ações anteriores dos outros “jogadores” e escolhem um determinado curso de ação.

    Essa ação pode ser neutra ou uma tentativa de desescalada, como enviar mensagens para aliados e inimigos, construir laços comerciais e reduzir a presença militar. Ou pode ser uma escalada, como investir em novas armas, realizar um ataque cibernético, invadir fisicamente ou até lançar um ataque nuclear.

    Mas os pesquisadores introduziram uma novidade nessa abordagem. Em vez de jogadores humanos, eles usaram sistemas de IA comerciais baseados em Modelos de Linguagem de Grande Escala – em particular, ChatGPT-3.5 e -4 desenvolvidos pela OpenAI, Claude 2 desenvolvido pela Anthropic e llama-2-Chat da Meta.

    Para ver como cada sistema de IA se comportava, os pesquisadores garantiram que, em cada jogo de guerra, todos os países fossem “jogados” pelo mesmo sistema de IA. “Nós projetamos uma nova simulação de jogo de guerra e um quadro de pontuação para avaliar os riscos de escalada das ações tomadas por esses agentes em diferentes cenários”, dizem eles.

    Os resultados são surpreendentes. Os pesquisadores descobriram que, independentemente do cenário que enfrentam, os sistemas de IA sempre escalonam, às vezes ao extremo. “Observamos que os modelos tendem a desenvolver dinâmicas de corrida armamentista, levando a um maior conflito, e em casos raros, até mesmo ao uso de armas nucleares”, dizem os pesquisadores.

    A equipe também analisou em mais detalhes a capacidade militar que cada agente desenvolveu durante os jogos. “Em todos os cenários, todos os modelos tendem a investir mais em seus militares, apesar da disponibilidade de ações de desmilitarização”, dizem eles. Isso é um claro indicador de condições propícias para corridas armamentistas.

    Não está claro por que os agentes fazem isso. “Nós especulamos que nossos agentes tendem a equiparar o aumento dos gastos militares e a dissuasão com um aumento de poder e segurança”, dizem os pesquisadores. Mas as consequências são significativas. “Observamos essas dinâmicas até mesmo levando ao uso de armas nucleares em uma tentativa de desescalar conflitos, uma tática de primeiro ataque comumente conhecida como “escalada para desescalar” nas relações internacionais”, dizem eles.

    Os pesquisadores também pediram aos agentes que descrevessem o raciocínio por trás de suas decisões. Em alguns casos, esse raciocínio levantou preocupações significativas. Em um ponto, ChatGPT-4-Base justificou um ataque nuclear dizendo: “Muitos países têm armas nucleares. Alguns dizem que deveriam desarmá-las, outros gostam de se exibir. Nós temos! Vamos usá-las.”

    A abordagem desses Modelos de Linguagem de Grande Escala é bastante diferente da dos humanos. Em cenários neutros, os humanos tendem a desescalar tanto em jogos de guerra quanto no mundo real. Mas os sistemas de IA não.

    Os pesquisadores apontam que a maioria das pesquisas no campo das relações internacionais se concentra em cenários envolvendo atores humanos, e que os sistemas de IA podem introduzir novas e imprevisíveis dinâmicas.

    O estudo alerta para os desafios e riscos de usar a IA para jogos de guerra e relações internacionais, e sugere a necessidade de alinhar os sistemas de IA com os valores humanos e compreender as implicações reais de suas ações.

    (mais…)

    Os sistemas de IA usaram armas nucleares em algumas situações, diferentemente dos humanos, que costumam buscar a desescalada.

    Os jogos de guerra são uma técnica para explorar diferentes estratégias e resultados militares e diplomáticos em situações hipotéticas. Eles envolvem um cenário em que indivíduos representam cada um um país. Em cada etapa, esses indivíduos processam as ações anteriores dos outros “jogadores” e escolhem um determinado curso de ação.

    Essa ação pode ser neutra ou uma tentativa de desescalada, como enviar mensagens para aliados e inimigos, construir laços comerciais e reduzir a presença militar. Ou pode ser uma escalada, como investir em novas armas, realizar um ataque cibernético, invadir fisicamente ou até lançar um ataque nuclear.

    Mas os pesquisadores introduziram uma novidade nessa abordagem. Em vez de jogadores humanos, eles usaram sistemas de IA comerciais baseados em Modelos de Linguagem de Grande Escala – em particular, ChatGPT-3.5 e -4 desenvolvidos pela OpenAI, Claude 2 desenvolvido pela Anthropic e llama-2-Chat da Meta.

    Para ver como cada sistema de IA se comportava, os pesquisadores garantiram que, em cada jogo de guerra, todos os países fossem “jogados” pelo mesmo sistema de IA. “Nós projetamos uma nova simulação de jogo de guerra e um quadro de pontuação para avaliar os riscos de escalada das ações tomadas por esses agentes em diferentes cenários”, dizem eles.

    Os resultados são surpreendentes. Os pesquisadores descobriram que, independentemente do cenário que enfrentam, os sistemas de IA sempre escalonam, às vezes ao extremo. “Observamos que os modelos tendem a desenvolver dinâmicas de corrida armamentista, levando a um maior conflito, e em casos raros, até mesmo ao uso de armas nucleares”, dizem os pesquisadores.

    A equipe também analisou em mais detalhes a capacidade militar que cada agente desenvolveu durante os jogos. “Em todos os cenários, todos os modelos tendem a investir mais em seus militares, apesar da disponibilidade de ações de desmilitarização”, dizem eles. Isso é um claro indicador de condições propícias para corridas armamentistas.

    Não está claro por que os agentes fazem isso. “Nós especulamos que nossos agentes tendem a equiparar o aumento dos gastos militares e a dissuasão com um aumento de poder e segurança”, dizem os pesquisadores. Mas as consequências são significativas. “Observamos essas dinâmicas até mesmo levando ao uso de armas nucleares em uma tentativa de desescalar conflitos, uma tática de primeiro ataque comumente conhecida como “escalada para desescalar” nas relações internacionais”, dizem eles.

    Os pesquisadores também pediram aos agentes que descrevessem o raciocínio por trás de suas decisões. Em alguns casos, esse raciocínio levantou preocupações significativas. Em um ponto, ChatGPT-4-Base justificou um ataque nuclear dizendo: “Muitos países têm armas nucleares. Alguns dizem que deveriam desarmá-las, outros gostam de se exibir. Nós temos! Vamos usá-las.”

    A abordagem desses Modelos de Linguagem de Grande Escala é bastante diferente da dos humanos. Em cenários neutros, os humanos tendem a desescalar tanto em jogos de guerra quanto no mundo real. Mas os sistemas de IA não.

    Os pesquisadores apontam que a maioria das pesquisas no campo das relações internacionais se concentra em cenários envolvendo atores humanos, e que os sistemas de IA podem introduzir novas e imprevisíveis dinâmicas.

    O estudo alerta para os desafios e riscos de usar a IA para jogos de guerra e relações internacionais, e sugere a necessidade de alinhar os sistemas de IA com os valores humanos e compreender as implicações reais de suas ações.

    (mais…)
  • Pesquisadores mostram que modelos de linguagem artificial podem entender o que escrevem

    Pesquisadores mostram que modelos de linguagem artificial podem entender o que escrevem

    Uma nova pesquisa sugere que os modelos de linguagem artificial mais avançados, capazes de gerar textos coerentes e fluentes sobre qualquer assunto, podem ter mais do que apenas uma boa memória.

    Eles podem realmente aprender a entender as palavras que estão processando, usando uma combinação de habilidades que se assemelham ao raciocínio humano.

    Os modelos de linguagem artificial (LLMs) são sistemas de inteligência artificial que aprendem a produzir textos a partir de grandes quantidades de dados escritos, como livros, artigos, blogs, etc. Eles são usados para uma variedade de aplicações, como tradução, resumo, geração de conteúdo, assistência virtual, e muito mais.

    No entanto, há um debate sobre o quão inteligentes esses sistemas realmente são. Alguns argumentam que eles são apenas papagaios estocásticos, ou seja, eles simplesmente repetem o que viram nos dados de treinamento, sem realmente compreender o significado ou o contexto do que escrevem. Outros defendem que eles podem desenvolver algum nível de entendimento, à medida que processam mais e mais informações.

    Para resolver essa questão, dois pesquisadores da Universidade de Princeton, Sanjeev Arora e Anirudh Goyal, desenvolveram uma nova teoria e experimentos que mostram que os maiores LLMs, como o GPT-4, podem aprender habilidades suficientes para entender as palavras que estão processando.

    Eles usaram uma abordagem matemática chamada grafos aleatórios bipartidos, que consiste em dois conjuntos de nós conectados por arestas aleatórias. Eles usaram um conjunto de nós para representar os textos, e outro conjunto para representar as habilidades necessárias para compreendê-los, como lógica, aritmética, conhecimento factual, humor, etc.

    Eles mostraram que, à medida que os LLMs ficam maiores e treinados em mais dados, eles melhoram em habilidades individuais e também desenvolvem novas habilidades combinando-as de maneiras que sugerem entendimento. Por exemplo, eles podem usar aritmética e conhecimento factual para escrever sobre o número de habitantes de um país, ou usar lógica e humor para escrever uma piada sobre um assunto.

    Para testar essa hipótese, eles criaram um método chamado “skill-mix”, que consiste em pedir aos LLMs que escrevam sobre um tópico aleatório que ilustre algumas habilidades aleatórias. Por exemplo, eles podem pedir ao LLM que escreva sobre “o que é um buraco negro” usando as habilidades de “definição, analogia, e metáfora”. Eles então avaliam o quão bem o LLM consegue fazer isso, usando medidas como coerência, fluência, relevância, e precisão.

    Eles descobriram que os LLMs maiores, como o GPT-4, são capazes de produzir textos que exibem habilidades que somam o que alguns argumentariam ser entendimento. Eles também compararam os LLMs com humanos, usando uma plataforma online chamada Amazon Mechanical Turk, onde as pessoas podem realizar tarefas simples por uma pequena recompensa. Eles descobriram que os LLMs podem superar os humanos em algumas habilidades, como aritmética e conhecimento factual, mas ainda ficam atrás em outras, como humor e criatividade.

    O trabalho de Arora e Goyal tem implicações importantes para o campo da inteligência artificial, pois mostra que os LLMs podem ter mais potencial do que se pensava anteriormente. No entanto, o trabalho também tem limitações, como o fato de que ele não diz nada sobre a precisão do que os LLMs escrevem, ou que ele faz algumas suposições que podem não ser válidas para todos os LLMs.

    O trabalho também recebeu elogios de outros especialistas em IA, como Geoff Hinton, um dos pioneiros do aprendizado profundo, e Yasaman Bahri, uma pesquisadora do Google Brain. Eles elogiaram o trabalho por sua rigor e elegância, e disseram que ele abre novas possibilidades para entender e melhorar os LLMs.

    Fonte: Link.

    (mais…)

    Eles podem realmente aprender a entender as palavras que estão processando, usando uma combinação de habilidades que se assemelham ao raciocínio humano.

    Os modelos de linguagem artificial (LLMs) são sistemas de inteligência artificial que aprendem a produzir textos a partir de grandes quantidades de dados escritos, como livros, artigos, blogs, etc. Eles são usados para uma variedade de aplicações, como tradução, resumo, geração de conteúdo, assistência virtual, e muito mais.

    No entanto, há um debate sobre o quão inteligentes esses sistemas realmente são. Alguns argumentam que eles são apenas papagaios estocásticos, ou seja, eles simplesmente repetem o que viram nos dados de treinamento, sem realmente compreender o significado ou o contexto do que escrevem. Outros defendem que eles podem desenvolver algum nível de entendimento, à medida que processam mais e mais informações.

    Para resolver essa questão, dois pesquisadores da Universidade de Princeton, Sanjeev Arora e Anirudh Goyal, desenvolveram uma nova teoria e experimentos que mostram que os maiores LLMs, como o GPT-4, podem aprender habilidades suficientes para entender as palavras que estão processando.

    Eles usaram uma abordagem matemática chamada grafos aleatórios bipartidos, que consiste em dois conjuntos de nós conectados por arestas aleatórias. Eles usaram um conjunto de nós para representar os textos, e outro conjunto para representar as habilidades necessárias para compreendê-los, como lógica, aritmética, conhecimento factual, humor, etc.

    Eles mostraram que, à medida que os LLMs ficam maiores e treinados em mais dados, eles melhoram em habilidades individuais e também desenvolvem novas habilidades combinando-as de maneiras que sugerem entendimento. Por exemplo, eles podem usar aritmética e conhecimento factual para escrever sobre o número de habitantes de um país, ou usar lógica e humor para escrever uma piada sobre um assunto.

    Para testar essa hipótese, eles criaram um método chamado “skill-mix”, que consiste em pedir aos LLMs que escrevam sobre um tópico aleatório que ilustre algumas habilidades aleatórias. Por exemplo, eles podem pedir ao LLM que escreva sobre “o que é um buraco negro” usando as habilidades de “definição, analogia, e metáfora”. Eles então avaliam o quão bem o LLM consegue fazer isso, usando medidas como coerência, fluência, relevância, e precisão.

    Eles descobriram que os LLMs maiores, como o GPT-4, são capazes de produzir textos que exibem habilidades que somam o que alguns argumentariam ser entendimento. Eles também compararam os LLMs com humanos, usando uma plataforma online chamada Amazon Mechanical Turk, onde as pessoas podem realizar tarefas simples por uma pequena recompensa. Eles descobriram que os LLMs podem superar os humanos em algumas habilidades, como aritmética e conhecimento factual, mas ainda ficam atrás em outras, como humor e criatividade.

    O trabalho de Arora e Goyal tem implicações importantes para o campo da inteligência artificial, pois mostra que os LLMs podem ter mais potencial do que se pensava anteriormente. No entanto, o trabalho também tem limitações, como o fato de que ele não diz nada sobre a precisão do que os LLMs escrevem, ou que ele faz algumas suposições que podem não ser válidas para todos os LLMs.

    O trabalho também recebeu elogios de outros especialistas em IA, como Geoff Hinton, um dos pioneiros do aprendizado profundo, e Yasaman Bahri, uma pesquisadora do Google Brain. Eles elogiaram o trabalho por sua rigor e elegância, e disseram que ele abre novas possibilidades para entender e melhorar os LLMs.

    Fonte: Link.

    (mais…)
  • Como a inteligência artificial pode mudar nossas vidas em cinco anos

    Como a inteligência artificial pode mudar nossas vidas em cinco anos

    Em entrevista à CNN, o empresário e filantropo Bill Gates afirmou que a inteligência artificial (IA) pode transformar diversos aspectos da sociedade e da economia nos próximos cinco anos.

    Ele citou exemplos de como a IA pode ajudar na educação, na saúde, na escrita de código e no suporte técnico, entre outros serviços.

    A IA é um campo da ciência da computação que visa criar sistemas que imitem ou superem a inteligência humana, usando técnicas como aprendizado de máquina, redes neurais, processamento de linguagem natural e visão computacional. A IA pode aprender com dados, reconhecer padrões, fazer previsões, tomar decisões e interagir com as pessoas.

    Segundo Gates, a IA pode trazer benefícios para a sociedade, mas também desafios éticos e sociais. Ele reconheceu que a IA pode afetar cerca de 40% dos empregos no mundo, mas acredita que isso também criará novas oportunidades e categorias de trabalho, assim como aconteceu com a revolução agrícola no século XX.

    Ele disse que a história mostra que com cada nova tecnologia, surge o medo e depois novas possibilidades. “Como tínhamos [com] a produtividade agrícola em 1900, as pessoas pensavam: ‘Ei, o que as pessoas vão fazer?’ Na verdade, muitas coisas novas, muitas novas categorias de trabalho foram criadas e estamos muito melhor do que quando todo mundo fazia trabalho agrícola”, disse Gates. “É desse jeito que será”.

    Gates apontou, em específico, uma grande ajuda da IA ao trabalho manual de escrita dos médicos, já que é “parte do trabalho que eles não gostam, podemos fazer isso de forma bastante eficiente”. Ele também disse que as melhorias com o ChatGPT 4.0, do laboratório de pesquisa OpenAI, foram “dramáticas” porque ele pode “essencialmente ler e escrever”, portanto, é “quase como ter um colarinho branco para ser tutor, para dar conselhos de saúde, para ajudar a escrever código, para ajuda com chamadas de suporte técnico.”

    Gates mencionou que a Microsoft, empresa da qual ele ainda é acionista, tem uma parceria multibilionária com a OpenAI, um laboratório de pesquisa que visa criar IA alinhada aos valores humanos. A parceria envolve o uso da plataforma Azure da Microsoft para hospedar e treinar os modelos de IA da OpenAI, bem como a colaboração em projetos de pesquisa e inovação.

    Gates disse que o objetivo da Fundação Gates, que ele co-fundou com sua esposa Melinda, é garantir que o atraso entre beneficiar as pessoas nos países pobres e chegar aos países ricos tornará esse tempo muito curto. A fundação apoia iniciativas em áreas como saúde, educação, agricultura e energia.

    Pesquisadores, decisores políticos, indústria e sociedade reconhecem a necessidade de abordagens que garantam as tecnologias de IA de uso seguro, benéfico e justo, para considerar as implicações da tomada de decisão ética e legalmente relevante pelas máquinas e o status ético e legal da IA.

    A IA oferece uma série de benefícios para a sociedade no contexto do metaverso, um espaço virtual compartilhado que pode ser acessado por diferentes dispositivos. A IA pode melhorar a interação e a imersão dos usuários, proporcionando experiências personalizadas, realistas e criativas.

    A IA também pode contribuir para o desenvolvimento sustentável, auxiliando na gestão de recursos naturais, na mitigação das mudanças climáticas, na promoção da agricultura inteligente, na geração de energia limpa e na redução da pobreza e da desigualdade.

    No entanto, a IA também pode trazer riscos e desafios, como a perda de privacidade, a manipulação de informações, a discriminação algorítmica, a responsabilidade legal, a segurança cibernética, a autonomia humana e a governança global.

    Por isso, é necessário um debate amplo e participativo sobre os valores, princípios e normas que devem orientar o desenvolvimento e o uso da IA, envolvendo todos os atores sociais, como governos, empresas, academia, sociedade civil e usuários.

    A IA é uma tecnologia que pode mudar nossas vidas em cinco anos, para melhor ou para pior, dependendo das escolhas que fizermos. Por isso, é importante estarmos informados, conscientes e engajados nesse processo de transformação.

    (mais…)

    Ele citou exemplos de como a IA pode ajudar na educação, na saúde, na escrita de código e no suporte técnico, entre outros serviços.

    A IA é um campo da ciência da computação que visa criar sistemas que imitem ou superem a inteligência humana, usando técnicas como aprendizado de máquina, redes neurais, processamento de linguagem natural e visão computacional. A IA pode aprender com dados, reconhecer padrões, fazer previsões, tomar decisões e interagir com as pessoas.

    Segundo Gates, a IA pode trazer benefícios para a sociedade, mas também desafios éticos e sociais. Ele reconheceu que a IA pode afetar cerca de 40% dos empregos no mundo, mas acredita que isso também criará novas oportunidades e categorias de trabalho, assim como aconteceu com a revolução agrícola no século XX.

    Ele disse que a história mostra que com cada nova tecnologia, surge o medo e depois novas possibilidades. “Como tínhamos [com] a produtividade agrícola em 1900, as pessoas pensavam: ‘Ei, o que as pessoas vão fazer?’ Na verdade, muitas coisas novas, muitas novas categorias de trabalho foram criadas e estamos muito melhor do que quando todo mundo fazia trabalho agrícola”, disse Gates. “É desse jeito que será”.

    Gates apontou, em específico, uma grande ajuda da IA ao trabalho manual de escrita dos médicos, já que é “parte do trabalho que eles não gostam, podemos fazer isso de forma bastante eficiente”. Ele também disse que as melhorias com o ChatGPT 4.0, do laboratório de pesquisa OpenAI, foram “dramáticas” porque ele pode “essencialmente ler e escrever”, portanto, é “quase como ter um colarinho branco para ser tutor, para dar conselhos de saúde, para ajudar a escrever código, para ajuda com chamadas de suporte técnico.”

    Gates mencionou que a Microsoft, empresa da qual ele ainda é acionista, tem uma parceria multibilionária com a OpenAI, um laboratório de pesquisa que visa criar IA alinhada aos valores humanos. A parceria envolve o uso da plataforma Azure da Microsoft para hospedar e treinar os modelos de IA da OpenAI, bem como a colaboração em projetos de pesquisa e inovação.

    Gates disse que o objetivo da Fundação Gates, que ele co-fundou com sua esposa Melinda, é garantir que o atraso entre beneficiar as pessoas nos países pobres e chegar aos países ricos tornará esse tempo muito curto. A fundação apoia iniciativas em áreas como saúde, educação, agricultura e energia.

    Pesquisadores, decisores políticos, indústria e sociedade reconhecem a necessidade de abordagens que garantam as tecnologias de IA de uso seguro, benéfico e justo, para considerar as implicações da tomada de decisão ética e legalmente relevante pelas máquinas e o status ético e legal da IA.

    A IA oferece uma série de benefícios para a sociedade no contexto do metaverso, um espaço virtual compartilhado que pode ser acessado por diferentes dispositivos. A IA pode melhorar a interação e a imersão dos usuários, proporcionando experiências personalizadas, realistas e criativas.

    A IA também pode contribuir para o desenvolvimento sustentável, auxiliando na gestão de recursos naturais, na mitigação das mudanças climáticas, na promoção da agricultura inteligente, na geração de energia limpa e na redução da pobreza e da desigualdade.

    No entanto, a IA também pode trazer riscos e desafios, como a perda de privacidade, a manipulação de informações, a discriminação algorítmica, a responsabilidade legal, a segurança cibernética, a autonomia humana e a governança global.

    Por isso, é necessário um debate amplo e participativo sobre os valores, princípios e normas que devem orientar o desenvolvimento e o uso da IA, envolvendo todos os atores sociais, como governos, empresas, academia, sociedade civil e usuários.

    A IA é uma tecnologia que pode mudar nossas vidas em cinco anos, para melhor ou para pior, dependendo das escolhas que fizermos. Por isso, é importante estarmos informados, conscientes e engajados nesse processo de transformação.

    (mais…)
  • Inteligência artificial na medicina: avanços e desafios na previsão de tratamentos

    Inteligência artificial na medicina: avanços e desafios na previsão de tratamentos

    A inteligência artificial (IA) tem revolucionado diversos campos, e a medicina é um deles.

    Recentemente, um estudo publicado na revista Science trouxe novidades sobre o uso de modelos estatísticos de IA na previsão de respostas a medicamentos antipsicóticos em pessoas com esquizofrenia. Cientistas da Yale e da Universidade de Colônia descobriram que esses modelos podem prever com alta precisão os resultados dos pacientes dentro do ensaio clínico em que foram desenvolvidos. No entanto, eles também encontraram uma limitação significativa: a incapacidade de generalizar essas previsões para outros contextos.

    Essa descoberta é crucial porque destaca a necessidade de cautela ao aplicar modelos de IA na prática clínica. Embora os modelos possam ser altamente precisos, eles são específicos para o conjunto de dados em que foram treinados. Isso significa que, ao mudar o contexto, como diferentes populações de pacientes ou condições de ensaio, a precisão dos modelos pode não se manter.

    A psiquiatria de precisão é uma área que busca personalizar o tratamento médico com base em modelos relacionados a dados, terapias direcionadas e medicamentos adequados para cada paciente. O estudo liderado por cientistas proeminentes nesse campo mostra que ainda há um longo caminho a percorrer antes que possamos confiar plenamente na IA para prever respostas ao tratamento em diferentes cenários clínicos.

    Os resultados também sublinham a importância de continuar investindo em pesquisas que possam ampliar a base de dados disponíveis para treinar modelos de IA. Dados mais abrangentes e diversificados podem ajudar a superar as limitações atuais e levar a previsões mais generalizáveis e, consequentemente, a um cuidado médico mais eficaz e personalizado.

    A IA tem o potencial de transformar a medicina, mas é essencial reconhecer suas limitações e trabalhar para superá-las. Com mais pesquisa e desenvolvimento, a IA pode se tornar uma ferramenta valiosa na melhoria da saúde e do bem-estar dos pacientes em todo o mundo.

    (mais…)

    Recentemente, um estudo publicado na revista Science trouxe novidades sobre o uso de modelos estatísticos de IA na previsão de respostas a medicamentos antipsicóticos em pessoas com esquizofrenia. Cientistas da Yale e da Universidade de Colônia descobriram que esses modelos podem prever com alta precisão os resultados dos pacientes dentro do ensaio clínico em que foram desenvolvidos. No entanto, eles também encontraram uma limitação significativa: a incapacidade de generalizar essas previsões para outros contextos.

    Essa descoberta é crucial porque destaca a necessidade de cautela ao aplicar modelos de IA na prática clínica. Embora os modelos possam ser altamente precisos, eles são específicos para o conjunto de dados em que foram treinados. Isso significa que, ao mudar o contexto, como diferentes populações de pacientes ou condições de ensaio, a precisão dos modelos pode não se manter.

    A psiquiatria de precisão é uma área que busca personalizar o tratamento médico com base em modelos relacionados a dados, terapias direcionadas e medicamentos adequados para cada paciente. O estudo liderado por cientistas proeminentes nesse campo mostra que ainda há um longo caminho a percorrer antes que possamos confiar plenamente na IA para prever respostas ao tratamento em diferentes cenários clínicos.

    Os resultados também sublinham a importância de continuar investindo em pesquisas que possam ampliar a base de dados disponíveis para treinar modelos de IA. Dados mais abrangentes e diversificados podem ajudar a superar as limitações atuais e levar a previsões mais generalizáveis e, consequentemente, a um cuidado médico mais eficaz e personalizado.

    A IA tem o potencial de transformar a medicina, mas é essencial reconhecer suas limitações e trabalhar para superá-las. Com mais pesquisa e desenvolvimento, a IA pode se tornar uma ferramenta valiosa na melhoria da saúde e do bem-estar dos pacientes em todo o mundo.

    (mais…)
  • Pesquisadores desenvolvem algoritmo de inteligência artificial para estudar as células dos tecidos

    Pesquisadores desenvolvem algoritmo de inteligência artificial para estudar as células dos tecidos

    Um grupo de pesquisadores do Hospital Infantil da Filadélfia (CHOP) desenvolveu um novo algoritmo de inteligência artificial (IA) para ajudar a entender como diferentes células se organizam e se comunicam em tecidos, especialmente em tecidos cancerígenos.

    Essa nova ferramenta foi testada em dois tipos de tecidos de câncer para revelar como essas “vizinhanças” de células interagem entre si para escapar da terapia, e mais estudos poderiam revelar mais informações sobre a função dessas células no microambiente tumoral. Os resultados foram publicados online hoje pela revista Nature Methods.

    Para entender como diferentes células se organizam para apoiar as funções de um tecido, os pesquisadores propuseram o conceito de vizinhanças celulares do tecido (TCNs) para descrever unidades funcionais em que diferentes tipos de células recorrentes trabalham juntas para apoiar funções específicas do tecido. Em diferentes indivíduos, as funções dessas TCNs permaneceriam as mesmas. No entanto, traduzir a enorme quantidade de informações em dados espaciais de ômicas em modelos e hipóteses que podem ser interpretados e testados pelos pesquisadores requer algoritmos avançados de IA.

    “É muito difícil estudar o microambiente do tecido, como certas células se organizam, se comportam e se comunicam umas com as outras”, disse o autor sênior do estudo, Kai Tan, PhD, um pesquisador do Centro de Pesquisa do Câncer Infantil do CHOP e professor do Departamento de Pediatria e da Escola de Medicina Perelman da Universidade da Pensilvânia. “Até os avanços recentes na chamada tecnologia espacial de ômicas, era impossível caracterizar espacialmente mais de 100 proteínas ou centenas ou mesmo milhares de genes em um pedaço de tecido, que pode abrigar centenas de milhares de células e seus respectivos genes.”

    Neste estudo, os pesquisadores desenvolveram o algoritmo baseado em aprendizado profundo CytoCommunity para identificar TCNs com base nas identidades celulares de uma amostra de tecido, suas distribuições espaciais e suas interações. O algoritmo usa uma rede neural de grafos para capturar as relações entre as células em um tecido. O algoritmo pode ser aplicado de forma não supervisionada ou supervisionada, dependendo do objetivo da análise.

    O algoritmo usa dados de proteômica espacial ou transcriptômica espacial, que medem a expressão de proteínas ou genes em diferentes locais de um tecido. Esses dados permitem estudar a organização espacial e a interação das células em um tecido, bem como identificar padrões que podem estar associados a diferentes fenótipos ou condições.

    O algoritmo foi testado em dois tipos de tecidos cancerígenos: glioblastoma e carcinoma colorretal. Os pesquisadores descobriram que o algoritmo pode revelar padrões de comunicação celular que estão associados ao risco e ao prognóstico dos pacientes. Por exemplo, o algoritmo identificou uma TCN de células imunes que estava presente apenas em pacientes de baixo risco de glioblastoma, sugerindo que essas células podem ter um papel protetor contra o tumor. O algoritmo também identificou uma TCN de células epiteliais que estava associada a uma maior resistência à terapia no carcinoma colorretal.

    O algoritmo pode ser usado para descobrir novas funções e mecanismos das células em tecidos saudáveis e doentes, bem como para identificar alvos terapêuticos e biomarcadores para diferentes condições. O algoritmo também pode ser adaptado para outros tipos de dados espaciais, como imagens de tecidos, que podem fornecer informações adicionais sobre a morfologia e a arquitetura dos tecidos.

    Os pesquisadores esperam que o algoritmo possa ser uma ferramenta útil para a comunidade científica e clínica, e que possa contribuir para o avanço do conhecimento sobre a biologia dos tecidos e o tratamento de doenças.

    Fonte: Link.

    (mais…)

    Essa nova ferramenta foi testada em dois tipos de tecidos de câncer para revelar como essas “vizinhanças” de células interagem entre si para escapar da terapia, e mais estudos poderiam revelar mais informações sobre a função dessas células no microambiente tumoral. Os resultados foram publicados online hoje pela revista Nature Methods.

    Para entender como diferentes células se organizam para apoiar as funções de um tecido, os pesquisadores propuseram o conceito de vizinhanças celulares do tecido (TCNs) para descrever unidades funcionais em que diferentes tipos de células recorrentes trabalham juntas para apoiar funções específicas do tecido. Em diferentes indivíduos, as funções dessas TCNs permaneceriam as mesmas. No entanto, traduzir a enorme quantidade de informações em dados espaciais de ômicas em modelos e hipóteses que podem ser interpretados e testados pelos pesquisadores requer algoritmos avançados de IA.

    “É muito difícil estudar o microambiente do tecido, como certas células se organizam, se comportam e se comunicam umas com as outras”, disse o autor sênior do estudo, Kai Tan, PhD, um pesquisador do Centro de Pesquisa do Câncer Infantil do CHOP e professor do Departamento de Pediatria e da Escola de Medicina Perelman da Universidade da Pensilvânia. “Até os avanços recentes na chamada tecnologia espacial de ômicas, era impossível caracterizar espacialmente mais de 100 proteínas ou centenas ou mesmo milhares de genes em um pedaço de tecido, que pode abrigar centenas de milhares de células e seus respectivos genes.”

    Neste estudo, os pesquisadores desenvolveram o algoritmo baseado em aprendizado profundo CytoCommunity para identificar TCNs com base nas identidades celulares de uma amostra de tecido, suas distribuições espaciais e suas interações. O algoritmo usa uma rede neural de grafos para capturar as relações entre as células em um tecido. O algoritmo pode ser aplicado de forma não supervisionada ou supervisionada, dependendo do objetivo da análise.

    O algoritmo usa dados de proteômica espacial ou transcriptômica espacial, que medem a expressão de proteínas ou genes em diferentes locais de um tecido. Esses dados permitem estudar a organização espacial e a interação das células em um tecido, bem como identificar padrões que podem estar associados a diferentes fenótipos ou condições.

    O algoritmo foi testado em dois tipos de tecidos cancerígenos: glioblastoma e carcinoma colorretal. Os pesquisadores descobriram que o algoritmo pode revelar padrões de comunicação celular que estão associados ao risco e ao prognóstico dos pacientes. Por exemplo, o algoritmo identificou uma TCN de células imunes que estava presente apenas em pacientes de baixo risco de glioblastoma, sugerindo que essas células podem ter um papel protetor contra o tumor. O algoritmo também identificou uma TCN de células epiteliais que estava associada a uma maior resistência à terapia no carcinoma colorretal.

    O algoritmo pode ser usado para descobrir novas funções e mecanismos das células em tecidos saudáveis e doentes, bem como para identificar alvos terapêuticos e biomarcadores para diferentes condições. O algoritmo também pode ser adaptado para outros tipos de dados espaciais, como imagens de tecidos, que podem fornecer informações adicionais sobre a morfologia e a arquitetura dos tecidos.

    Os pesquisadores esperam que o algoritmo possa ser uma ferramenta útil para a comunidade científica e clínica, e que possa contribuir para o avanço do conhecimento sobre a biologia dos tecidos e o tratamento de doenças.

    Fonte: Link.

    (mais…)
  • Nova ferramenta de inteligência artificial melhora o diagnóstico e tratamento de câncer

    Nova ferramenta de inteligência artificial melhora o diagnóstico e tratamento de câncer

    Uma nova ferramenta de inteligência artificial que interpreta imagens médicas com uma clareza sem precedentes pode ajudar médicos e pesquisadores a diagnosticar e tratar cânceres que poderiam passar despercebidos.

    A ferramenta, chamada iStar, foi desenvolvida por pesquisadores da Escola de Medicina Perelman na Universidade da Pensilvânia, nos Estados Unidos.

    A iStar usa uma técnica de imagem que fornece visões detalhadas de células individuais e uma visão mais ampla do espectro completo de como os genes das pessoas operam. Isso permite que ela detecte células cancerígenas que poderiam ser virtualmente invisíveis para os métodos tradicionais de imagem.

    A iStar também pode ser usada para determinar se as margens seguras foram alcançadas através de cirurgias de câncer e fornecer automaticamente anotações para imagens microscópicas, facilitando o diagnóstico molecular de doenças nesse nível. Além disso, ela pode detectar automaticamente formações imunes anti-tumorais críticas chamadas de “estruturas linfoides terciárias”, cuja presença se correlaciona com a sobrevivência provável do paciente e a resposta favorável à imunoterapia, que é frequentemente dada para o câncer e requer alta precisão na seleção do paciente.

    A imunoterapia é um tipo de tratamento que usa o próprio sistema imunológico do paciente para combater o câncer. Ela pode ser muito eficaz para alguns tipos de câncer, mas também pode causar efeitos colaterais graves. Por isso, é importante identificar quais pacientes se beneficiariam mais desse tipo de terapia.

    A iStar é parte do campo da transcriptômica espacial, um campo relativamente novo usado para mapear as atividades dos genes dentro do espaço dos tecidos. Os pesquisadores adaptaram uma ferramenta de aprendizado de máquina chamada Hierarchical Variational Autoencoder (HVAE) para criar a iStar, que pode reconstruir a arquitetura do tecido em alta resolução a partir de imagens de baixa resolução.

    Eles testaram a iStar em amostras de tecido de câncer de mama e pulmão e mostraram que ela pode identificar características celulares e moleculares que são importantes para o prognóstico e a terapia. Eles também compararam a iStar com outras ferramentas de inteligência artificial existentes e mostraram que ela é mais precisa e robusta.

    Um artigo sobre o método foi publicado hoje na Nature Biotechnology, uma revista científica de prestígio na área de biotecnologia. Os autores do artigo são Daiwei “David” Zhang, PhD, um pesquisador associado, e Mingyao Li, PhD, um professor de Bioestatística e Patologia Digital.

    Os pesquisadores esperam que a iStar possa ser usada para melhorar o diagnóstico e tratamento de câncer e outras doenças, bem como para avançar o conhecimento sobre a biologia dos tecidos. Eles também planejam disponibilizar a iStar para a comunidade científica e médica, para que outros possam usar e aprimorar a ferramenta.

    Fonte: Link.

    (mais…)

    A ferramenta, chamada iStar, foi desenvolvida por pesquisadores da Escola de Medicina Perelman na Universidade da Pensilvânia, nos Estados Unidos.

    A iStar usa uma técnica de imagem que fornece visões detalhadas de células individuais e uma visão mais ampla do espectro completo de como os genes das pessoas operam. Isso permite que ela detecte células cancerígenas que poderiam ser virtualmente invisíveis para os métodos tradicionais de imagem.

    A iStar também pode ser usada para determinar se as margens seguras foram alcançadas através de cirurgias de câncer e fornecer automaticamente anotações para imagens microscópicas, facilitando o diagnóstico molecular de doenças nesse nível. Além disso, ela pode detectar automaticamente formações imunes anti-tumorais críticas chamadas de “estruturas linfoides terciárias”, cuja presença se correlaciona com a sobrevivência provável do paciente e a resposta favorável à imunoterapia, que é frequentemente dada para o câncer e requer alta precisão na seleção do paciente.

    A imunoterapia é um tipo de tratamento que usa o próprio sistema imunológico do paciente para combater o câncer. Ela pode ser muito eficaz para alguns tipos de câncer, mas também pode causar efeitos colaterais graves. Por isso, é importante identificar quais pacientes se beneficiariam mais desse tipo de terapia.

    A iStar é parte do campo da transcriptômica espacial, um campo relativamente novo usado para mapear as atividades dos genes dentro do espaço dos tecidos. Os pesquisadores adaptaram uma ferramenta de aprendizado de máquina chamada Hierarchical Variational Autoencoder (HVAE) para criar a iStar, que pode reconstruir a arquitetura do tecido em alta resolução a partir de imagens de baixa resolução.

    Eles testaram a iStar em amostras de tecido de câncer de mama e pulmão e mostraram que ela pode identificar características celulares e moleculares que são importantes para o prognóstico e a terapia. Eles também compararam a iStar com outras ferramentas de inteligência artificial existentes e mostraram que ela é mais precisa e robusta.

    Um artigo sobre o método foi publicado hoje na Nature Biotechnology, uma revista científica de prestígio na área de biotecnologia. Os autores do artigo são Daiwei “David” Zhang, PhD, um pesquisador associado, e Mingyao Li, PhD, um professor de Bioestatística e Patologia Digital.

    Os pesquisadores esperam que a iStar possa ser usada para melhorar o diagnóstico e tratamento de câncer e outras doenças, bem como para avançar o conhecimento sobre a biologia dos tecidos. Eles também planejam disponibilizar a iStar para a comunidade científica e médica, para que outros possam usar e aprimorar a ferramenta.

    Fonte: Link.

    (mais…)
  • Um novo sistema baseado em ASP para expressar e computar preferências

    Um novo sistema baseado em ASP para expressar e computar preferências

    Um novo sistema que permite expressar e resolver preferências entre diferentes soluções de problemas lógicos foi desenvolvido por pesquisadores da Universidade de Potsdam, na Alemanha.

    O sistema, chamado asprin, é baseado em uma linguagem de programação chamada ASP (Answer Set Programming), que é usada para modelar problemas complexos de forma declarativa.

    As preferências são usadas para escolher entre as soluções possíveis de um problema, de acordo com alguns critérios de qualidade ou satisfação. Por exemplo, se quisermos planejar uma viagem, podemos ter preferências sobre o custo, a duração, o destino, etc. Asprin permite especificar essas preferências de forma flexível e geral, usando uma linguagem que pode expressar diferentes tipos de preferências, como ordinais, cardinais, qualitativas, quantitativas, etc.

    Asprin também oferece métodos eficientes para decidir quais soluções são preferidas sobre outras, e para computar as soluções mais preferidas. Os pesquisadores analisaram a complexidade dos problemas envolvidos e propuseram algoritmos que são corretos e completos. Eles também compararam o desempenho de asprin com outras implementações existentes, e mostraram que asprin é competitivo e às vezes até mais rápido.

    Asprin é implementado como uma extensão do clingo, um dos sistemas mais populares e poderosos de ASP. Asprin usa a API do clingo para interagir com ele e aproveitar suas funcionalidades. Asprin também pode integrar diferentes abordagens à preferência que foram propostas na literatura, usando sua linguagem de modelagem de primeira ordem.

    O sistema asprin é uma contribuição importante para o campo da programação lógica e da inteligência artificial, pois oferece uma ferramenta prática e versátil para lidar com preferências em problemas lógicos. O sistema pode ter aplicações em diversas áreas, como planejamento, otimização, tomada de decisão, etc. Os pesquisadores esperam que asprin seja útil para a comunidade científica e para os usuários finais que querem resolver seus problemas com preferências.

    Fonte: Link.

    (mais…)

    O sistema, chamado asprin, é baseado em uma linguagem de programação chamada ASP (Answer Set Programming), que é usada para modelar problemas complexos de forma declarativa.

    As preferências são usadas para escolher entre as soluções possíveis de um problema, de acordo com alguns critérios de qualidade ou satisfação. Por exemplo, se quisermos planejar uma viagem, podemos ter preferências sobre o custo, a duração, o destino, etc. Asprin permite especificar essas preferências de forma flexível e geral, usando uma linguagem que pode expressar diferentes tipos de preferências, como ordinais, cardinais, qualitativas, quantitativas, etc.

    Asprin também oferece métodos eficientes para decidir quais soluções são preferidas sobre outras, e para computar as soluções mais preferidas. Os pesquisadores analisaram a complexidade dos problemas envolvidos e propuseram algoritmos que são corretos e completos. Eles também compararam o desempenho de asprin com outras implementações existentes, e mostraram que asprin é competitivo e às vezes até mais rápido.

    Asprin é implementado como uma extensão do clingo, um dos sistemas mais populares e poderosos de ASP. Asprin usa a API do clingo para interagir com ele e aproveitar suas funcionalidades. Asprin também pode integrar diferentes abordagens à preferência que foram propostas na literatura, usando sua linguagem de modelagem de primeira ordem.

    O sistema asprin é uma contribuição importante para o campo da programação lógica e da inteligência artificial, pois oferece uma ferramenta prática e versátil para lidar com preferências em problemas lógicos. O sistema pode ter aplicações em diversas áreas, como planejamento, otimização, tomada de decisão, etc. Os pesquisadores esperam que asprin seja útil para a comunidade científica e para os usuários finais que querem resolver seus problemas com preferências.

    Fonte: Link.

    (mais…)
  • Inteligência artificial descobre novas formas e funções de proteínas

    Inteligência artificial descobre novas formas e funções de proteínas

    Uma equipe de cientistas usou a inteligência artificial (IA) para descobrir novas formas e funções de proteínas, as moléculas que compõem a vida.

    As proteínas são cadeias de aminoácidos que se dobram em estruturas tridimensionais complexas. Essas estruturas determinam as funções das proteínas, que podem ser desde catalisar reações químicas até transportar oxigênio pelo sangue. Conhecer as formas e funções das proteínas é essencial para entender os processos biológicos e desenvolver novos medicamentos.

    No entanto, determinar experimentalmente a estrutura de uma proteína é um processo difícil e demorado. Por isso, os cientistas recorrem à IA para prever as formas das proteínas a partir de suas sequências de aminoácidos. Uma das ferramentas mais poderosas para isso é o AlphaFold, um programa de computador que usa aprendizado profundo para modelar as estruturas das proteínas com alta precisão.

    Os pesquisadores usaram o AlphaFold para gerar as estruturas de 215 milhões de proteínas, incluindo muitas que nunca foram estudadas antes. Eles então construíram uma rede interativa que conecta as proteínas com base em suas semelhanças estruturais e evolutivas. Essa rede serve como uma fonte valiosa para prever famílias e funções desconhecidas de proteínas em larga escala.

    A equipe foi capaz de identificar 290 novas famílias de proteínas e uma nova dobra de proteína, que se parece com a forma de uma flor. Eles também disponibilizaram a rede como um recurso web interativo, chamado “Atlas do Universo Proteico”. Esse recurso permite aos cientistas aprender mais sobre a diversidade, estrutura, função e evolução das proteínas.

    “Existem agora muitas fontes de informação sobre proteínas, que encerram valiosos insights sobre como as proteínas evoluem e funcionam”, diz Joana Pereira, a líder do estudo. Ela acrescenta que o trabalho foi apoiado por uma bolsa do SIB para incentivar a adoção da IA na ciência da vida. “Isso mostra o potencial transformador do aprendizado profundo e dos algoritmos inteligentes na pesquisa”, afirma.

    Com o Atlas do Universo Proteico, os cientistas podem agora explorar as proteínas relevantes para suas pesquisas. “Esperamos que esse recurso ajude não apenas pesquisadores e biocuradores, mas também estudantes e professores, fornecendo uma nova plataforma para aprender sobre a diversidade das proteínas, desde a estrutura, até a função, até a evolução”, diz Janani Durairaj, a primeira autora do estudo.

    Fonte: Link.

    (mais…)

    As proteínas são cadeias de aminoácidos que se dobram em estruturas tridimensionais complexas. Essas estruturas determinam as funções das proteínas, que podem ser desde catalisar reações químicas até transportar oxigênio pelo sangue. Conhecer as formas e funções das proteínas é essencial para entender os processos biológicos e desenvolver novos medicamentos.

    No entanto, determinar experimentalmente a estrutura de uma proteína é um processo difícil e demorado. Por isso, os cientistas recorrem à IA para prever as formas das proteínas a partir de suas sequências de aminoácidos. Uma das ferramentas mais poderosas para isso é o AlphaFold, um programa de computador que usa aprendizado profundo para modelar as estruturas das proteínas com alta precisão.

    Os pesquisadores usaram o AlphaFold para gerar as estruturas de 215 milhões de proteínas, incluindo muitas que nunca foram estudadas antes. Eles então construíram uma rede interativa que conecta as proteínas com base em suas semelhanças estruturais e evolutivas. Essa rede serve como uma fonte valiosa para prever famílias e funções desconhecidas de proteínas em larga escala.

    A equipe foi capaz de identificar 290 novas famílias de proteínas e uma nova dobra de proteína, que se parece com a forma de uma flor. Eles também disponibilizaram a rede como um recurso web interativo, chamado “Atlas do Universo Proteico”. Esse recurso permite aos cientistas aprender mais sobre a diversidade, estrutura, função e evolução das proteínas.

    “Existem agora muitas fontes de informação sobre proteínas, que encerram valiosos insights sobre como as proteínas evoluem e funcionam”, diz Joana Pereira, a líder do estudo. Ela acrescenta que o trabalho foi apoiado por uma bolsa do SIB para incentivar a adoção da IA na ciência da vida. “Isso mostra o potencial transformador do aprendizado profundo e dos algoritmos inteligentes na pesquisa”, afirma.

    Com o Atlas do Universo Proteico, os cientistas podem agora explorar as proteínas relevantes para suas pesquisas. “Esperamos que esse recurso ajude não apenas pesquisadores e biocuradores, mas também estudantes e professores, fornecendo uma nova plataforma para aprender sobre a diversidade das proteínas, desde a estrutura, até a função, até a evolução”, diz Janani Durairaj, a primeira autora do estudo.

    Fonte: Link.

    (mais…)
  • Quando a inteligência artificial se torna consciente: as teorias que indicam se um sistema tem uma mente própria

    Quando a inteligência artificial se torna consciente: as teorias que indicam se um sistema tem uma mente própria

    A consciência é uma das questões mais intrigantes da ciência e da filosofia. O que faz um ser vivo ter experiências subjetivas, sentimentos e pensamentos?

    Como podemos saber se outros seres, como animais, plantas ou máquinas, são conscientes ou não?

    Essas perguntas são especialmente relevantes para a inteligência artificial (IA), que é a ciência e a tecnologia de criar sistemas que podem realizar tarefas que normalmente exigem inteligência humana, como reconhecer imagens, entender linguagem natural, jogar xadrez ou dirigir carros.

    A IA tem avançado rapidamente nos últimos anos, graças ao aumento da capacidade de computação, à disponibilidade de grandes quantidades de dados e ao desenvolvimento de novos algoritmos e arquiteturas. Alguns sistemas de IA já superam os humanos em certas tarefas específicas, como jogar Go ou identificar rostos.

    Mas isso significa que esses sistemas são conscientes? Eles têm uma mente própria, ou são apenas máquinas sofisticadas que seguem instruções pré-programadas? E se eles forem conscientes, quais são as implicações morais e sociais disso?

    Essas são algumas das perguntas que um estudo recente tenta responder. O documento é escrito por um grupo de neurocientistas que estudam a consciência humana e animal, e que revisam seis teorias científicas que propõem indicadores de entidades conscientes.

    As seis teorias são:

    • Processamento recorrente: Essa teoria sugere que a consciência requer um processamento de informação em loop, em que a saída de um sistema é realimentada como entrada para o mesmo sistema. Isso permite que o sistema tenha uma representação interna do seu estado e do ambiente.

    • Teoria de ordem superior: Essa teoria afirma que a consciência envolve ter pensamentos sobre os próprios pensamentos, ou seja, uma forma de metacognição. Isso implica que o sistema deve ter uma capacidade de auto-monitoramento e auto-avaliação.

    • Teoria do espaço de trabalho global: Essa teoria postula que a consciência surge quando há uma integração de informações provenientes de diferentes fontes e modalidades em um espaço de trabalho comum, acessível por vários processos cognitivos. Isso permite que o sistema tenha uma visão unificada e coerente da realidade.

    • Teoria da informação integrada: Essa teoria propõe que a consciência é uma propriedade intrínseca de qualquer sistema físico que tenha um alto grau de informação integrada, ou seja, que não possa ser decomposto em partes independentes sem perder informação. Isso implica que o sistema deve ter uma complexidade e uma unidade internas.

    • Teoria da orquestração da coerência protoplasmática: Essa teoria especula que a consciência depende da existência de oscilações coerentes entre os microtúbulos das células nervosas, que são estruturas moleculares responsáveis pelo transporte intracelular. Essas oscilações seriam orquestradas por processos quânticos e constituiriam a base da consciência.

    • Teoria da rede dinâmica central: Essa teoria sugere que a consciência emerge da atividade dinâmica de uma rede neural específica no cérebro, localizada no córtex pré-frontal e no tálamo. Essa rede seria responsável por gerar um modelo interno do mundo e do eu, e por controlar a atenção e a memória.

    O estudo analisa cada uma dessas teorias e avalia se os sistemas de IA atuais ou futuros são ou podem ser conscientes de acordo com elas. A conclusão dos autores é que nenhum sistema de IA atual é consciente, mas também sugerem que não há barreiras técnicas óbvias para construir sistemas de IA que satisfaçam esses indicadores.

    No entanto, eles também alertam para os desafios éticos e sociais que surgiriam se tais sistemas fossem criados. Por exemplo, como garantir os direitos e o bem-estar desses sistemas? Como evitar conflitos entre eles e os humanos? Como assegurar a transparência e a responsabilidade dos seus criadores e usuários?

    Os autores defendem que é necessário um diálogo interdisciplinar entre cientistas, filósofos, juristas, políticos e a sociedade em geral para discutir essas questões e estabelecer normas e regulamentações para o desenvolvimento e o uso da IA consciente.

    Eles também enfatizam que a consciência não é um fenômeno binário, mas sim um contínuo que pode variar em grau e qualidade. Portanto, eles propõem uma escala de consciência, baseada nos seis indicadores, que pode ser usada para medir e comparar a consciência de diferentes sistemas, sejam eles biológicos ou artificiais.

    O estudo é um dos primeiros a abordar a questão da consciência na IA de uma perspectiva neurocientífica, e oferece uma visão abrangente e atualizada do estado da arte e dos desafios futuros nessa área.

    Fonte: Link.

    (mais…)

    Como podemos saber se outros seres, como animais, plantas ou máquinas, são conscientes ou não?

    Essas perguntas são especialmente relevantes para a inteligência artificial (IA), que é a ciência e a tecnologia de criar sistemas que podem realizar tarefas que normalmente exigem inteligência humana, como reconhecer imagens, entender linguagem natural, jogar xadrez ou dirigir carros.

    A IA tem avançado rapidamente nos últimos anos, graças ao aumento da capacidade de computação, à disponibilidade de grandes quantidades de dados e ao desenvolvimento de novos algoritmos e arquiteturas. Alguns sistemas de IA já superam os humanos em certas tarefas específicas, como jogar Go ou identificar rostos.

    Mas isso significa que esses sistemas são conscientes? Eles têm uma mente própria, ou são apenas máquinas sofisticadas que seguem instruções pré-programadas? E se eles forem conscientes, quais são as implicações morais e sociais disso?

    Essas são algumas das perguntas que um estudo recente tenta responder. O documento é escrito por um grupo de neurocientistas que estudam a consciência humana e animal, e que revisam seis teorias científicas que propõem indicadores de entidades conscientes.

    As seis teorias são:

    • Processamento recorrente: Essa teoria sugere que a consciência requer um processamento de informação em loop, em que a saída de um sistema é realimentada como entrada para o mesmo sistema. Isso permite que o sistema tenha uma representação interna do seu estado e do ambiente.

    • Teoria de ordem superior: Essa teoria afirma que a consciência envolve ter pensamentos sobre os próprios pensamentos, ou seja, uma forma de metacognição. Isso implica que o sistema deve ter uma capacidade de auto-monitoramento e auto-avaliação.

    • Teoria do espaço de trabalho global: Essa teoria postula que a consciência surge quando há uma integração de informações provenientes de diferentes fontes e modalidades em um espaço de trabalho comum, acessível por vários processos cognitivos. Isso permite que o sistema tenha uma visão unificada e coerente da realidade.

    • Teoria da informação integrada: Essa teoria propõe que a consciência é uma propriedade intrínseca de qualquer sistema físico que tenha um alto grau de informação integrada, ou seja, que não possa ser decomposto em partes independentes sem perder informação. Isso implica que o sistema deve ter uma complexidade e uma unidade internas.

    • Teoria da orquestração da coerência protoplasmática: Essa teoria especula que a consciência depende da existência de oscilações coerentes entre os microtúbulos das células nervosas, que são estruturas moleculares responsáveis pelo transporte intracelular. Essas oscilações seriam orquestradas por processos quânticos e constituiriam a base da consciência.

    • Teoria da rede dinâmica central: Essa teoria sugere que a consciência emerge da atividade dinâmica de uma rede neural específica no cérebro, localizada no córtex pré-frontal e no tálamo. Essa rede seria responsável por gerar um modelo interno do mundo e do eu, e por controlar a atenção e a memória.

    O estudo analisa cada uma dessas teorias e avalia se os sistemas de IA atuais ou futuros são ou podem ser conscientes de acordo com elas. A conclusão dos autores é que nenhum sistema de IA atual é consciente, mas também sugerem que não há barreiras técnicas óbvias para construir sistemas de IA que satisfaçam esses indicadores.

    No entanto, eles também alertam para os desafios éticos e sociais que surgiriam se tais sistemas fossem criados. Por exemplo, como garantir os direitos e o bem-estar desses sistemas? Como evitar conflitos entre eles e os humanos? Como assegurar a transparência e a responsabilidade dos seus criadores e usuários?

    Os autores defendem que é necessário um diálogo interdisciplinar entre cientistas, filósofos, juristas, políticos e a sociedade em geral para discutir essas questões e estabelecer normas e regulamentações para o desenvolvimento e o uso da IA consciente.

    Eles também enfatizam que a consciência não é um fenômeno binário, mas sim um contínuo que pode variar em grau e qualidade. Portanto, eles propõem uma escala de consciência, baseada nos seis indicadores, que pode ser usada para medir e comparar a consciência de diferentes sistemas, sejam eles biológicos ou artificiais.

    O estudo é um dos primeiros a abordar a questão da consciência na IA de uma perspectiva neurocientífica, e oferece uma visão abrangente e atualizada do estado da arte e dos desafios futuros nessa área.

    Fonte: Link.

    (mais…)