IA, Acadêmicos e Futuro

Jan 16 2023

A velocidade do desenvolvimento tecnológico está além da imaginação. Se o ChatGPT pode surpreender a maioria das pessoas, usando isso como ponto de partida, é provável que a velocidade de desenvolvimento no futuro realmente surpreenda (ou assuste) as pessoas [1].

Recentemente, ouvi um relatório de seminário que usa técnicas de DL para otimizar a capacidade de previsão do MJO. A revisão da literatura também inclui estudiosos anteriores usando DL para otimizar a previsão do ENSO, mas até onde eu sei, com o desenvolvimento atual da tecnologia DL, existem maneiras melhores de fazer a mesma coisa. Em outras palavras, puramente de uma perspectiva “técnica”, a melhoria dessas habilidades de previsão é apenas uma questão de tempo [2].

Atualmente, os tipos de resultados de pesquisas acadêmicas são divididos principalmente em:

1. Coletar dados de observação e análises relacionadas
2. Estabelecer ou otimizar modelos
3. Estabelecer ou otimizar teorias
4. Estabelecer indicadores para situações específicas
5. Inventar ou melhorar instrumentos de observação.

Para ser mais conciso, na verdade são as três direções a seguir:

1. Ferramentas
2. Métodos
3. Teorias

Com base no desenvolvimento atual da tecnologia de IA, a área mais afetada nessas realizações acadêmicas pode ser aquela na categoria “otimização/análise relacionada”. Por exemplo, alguns tipos de pesquisa são feitos coletando dados observacionais e, em seguida, encontrando relações estatísticas para extrair possíveis correlações e, em seguida, desenhando uma imagem para descrever a história. Independentemente de quão perigoso seja concluir a causalidade apenas a partir da correlação (o que muitas pessoas fazem), para aqueles nesta categoria, se houver menos coleta de dados, a credibilidade será naturalmente menor. Mas se houver mais coleta de dados, a proporção de tecnologias relacionadas à IA na otimização de dados provavelmente se tornará dominante. Isso significa que os estudiosos que não planejam ou não conseguem acompanhar essa tendência terão mais dificuldades para sobreviver no futuro.

Enquanto isso, aqueles na categoria “teoria” ou “coleta de dados” podem ter um impacto temporariamente menor. Por exemplo, por melhor que seja o modelo, sem bons dados como entrada, o resultado será apenas lixo. Portanto, como coletar grandes quantidades de dados de alta qualidade é como encontrar uma mina de ouro, será uma área ferozmente disputada. Além disso, os da categoria teórica desempenham um papel orientador no desenvolvimento acadêmico. Assim, sem teóricos, os custos a longo prazo podem ser inimagináveis no campo.

No entanto, na prática, essas categorias não são completamente independentes umas das outras, o que significa que o rápido desenvolvimento de tecnologias relacionadas à IA terá vários graus de impacto sobre elas.

Uma vez que todos eles provavelmente terão um impacto, eles não devem ser ignorados. A próxima pergunta é: a alocação de recursos de computação determinará muito o ponto de partida dos participantes. Existe um método de alocação razoável? Ou será uma era do vencedor leva tudo?

Da situação atual, tanto na academia quanto na indústria, pode haver um surgimento de muitos concorrentes fortes no curto prazo, mas no longo prazo, apenas alguns permanecerão dominantes. E no contexto de recursos limitados, será cada vez mais difícil redistribuir o mercado por meio da inovação disruptiva.

Se for esse o caso, como será o trabalho futuro? Se eu for proprietário de uma empresa e houver uma tecnologia que possa me ajudar a economizar custos de mão-de-obra e aumentar a eficiência, devo fazer isso? Se o fizer, quais tipos de trabalho serão substituídos e quais tipos de talentos eu preciso para me ajudar a derrotar meus concorrentes (que também podem ter tecnologias semelhantes).

Como o ChatGPT nos mostrou, na próxima era, a menos que você esteja no caminho do desenvolvimento da tecnologia de IA, a maioria das pessoas que estão em aplicativos terá que pensar em como dar as instruções corretas para guiar os modelos de IA. Mais fundamentalmente, para os humanos, como fazer as perguntas certas (como) é mais importante do que obter as respostas certas (o quê), porque as últimas podem ser resolvidas e otimizadas por modelos. E comparado a como fazer as perguntas certas, por que precisamos fazer essa pergunta é ainda mais importante (por quê).

Neste caso, o sistema de educação escolar existente realmente ajuda as crianças a enfrentar o futuro? Duvido, especialmente o estilo de educação cursiva só parecerá mais ridículo nesta época e desperdiçará os valiosos anos de aprendizado das crianças.

Quando a revolução industrial estava se desenvolvendo, as pessoas pensaram que finalmente poderiam se libertar do trabalho, mas, na realidade, o trabalho não diminuiu e as horas de trabalho não diminuíram. Agora que entramos na era da IA, é incerto se o trabalho e as horas de trabalho diminuirão, mas o que pode acontecer é que o limite médio para requisitos de talento se torne cada vez mais alto. Afinal, trabalhos simples ou altamente repetitivos, ou que podem ser resolvidos até certo ponto pelos procedimentos padrão do SOP e envolvem julgamentos básicos, podem ser substituídos.

Se realmente for uma era do vencedor leva tudo, então a possibilidade de desigualdade social também aumentará. Afinal, quem tem recursos continuará a usá-los para adquirir mais recursos e criar barreiras para impedir concorrentes.

Também poderia se assemelhar ao sistema Rehoboam do programa de TV Westworld [3], onde coleta dados suficientes de humanos para fornecer orientação sobre a vida e prever possíveis caminhos futuros, mas com consequências negativas. Pode ser sensato abordar a tecnologia altamente desenvolvida no futuro com cautela, pois as consequências de combiná-la com os aspectos mais sombrios da natureza humana podem ser terríveis. À medida que o sistema mundial se torna cada vez mais complexo, a aplicação incorreta da tecnologia pode levar a consequências terríveis, semelhantes a um navio naufragando em um mar tempestuoso [4].