Em 25 anos, a presença da inteligência artificial (IA) em nosso cotidiano deverá ser tão comum e integrada quanto a eletricidade é hoje. Todos os aspectos de nossas vidas serão guiados por sistemas especializados que existem com o único propósito de ajudar os seres humanos. Alguns exemplos de sistemas de IA que esperamos que se tornem comuns incluem:
- Sistemas baseados em RV: Os seres humanos utilizarão sistemas de realidade virtual orientados por IA para realizar desde manutenção preditiva em frotas de veículos até escolher as roupas certas.
- Robótica no cotidiano: Os robôs orientados por IA realizarão cada vez mais tarefas diárias, incluindo cozinhar e limpar.
- Interação cérebro/computador: Os seres humanos serão capazes de interagir diretamente com sistemas de IA usando apenas seus pensamentos. Por exemplo, sistemas que permitem a pessoas tetraplégicas digitar palavras e mover um cursor de mouse com o pensamento já estão em uso hoje em dia.
Esses exemplos representam um grande avanço em relação ao estado atual da IA, mas também enfrentaremos desafios para chegar lá. Será necessário otimizar tanto os algoritmos de IA quanto a infraestrutura na qual eles operam. É evidente que muitas organizações têm um longo caminho a percorrer nesse sentido. De acordo com a pesquisa Global Tech Trends Survey 2023, 42% dos líderes de TI afirmaram que não estão confiantes na capacidade de suas infraestruturas de lidar com o crescente uso da IA.
Otimizar algoritmos para confiança e precisão
As arquiteturas de IA atuais dependem da análise de grandes volumes de dados, um processo extremamente exigente em recursos que seria difícil de manter em escala. Em vez de serem orientadas por dados, esperamos que as futuras arquiteturas de IA sejam informadas por dados. Isso significa que elas serão capazes de combinar o reconhecimento de padrões com a intuição humana. Esses modelos serão capazes de fornecer resultados mais precisos consumindo menos ciclos de computação.
Outro desafio é o fato de que a maioria dos seres humanos não consegue explicar como os sistemas de IA chegam a uma resposta específica. Isso precisará mudar antes que a adoção da IA possa aumentar. Os algoritmos de IA precisam ser explicáveis para serem confiáveis. Por exemplo, imagine o que poderia acontecer se um sistema de IA fornecer uma previsão incorreta que leve a um acidente grave. Se não pudermos determinar exatamente o que deu errado, isso levará à perda de confiança na IA como um todo, e não apenas em um único modelo com falha.
Espera-se que os governos desempenhem um papel na criação de IA confiável. Veremos leis mais rígidas sobre o que os sistemas de IA podem ou não fazer, e os governos projetarão modelos próprios para ajudar a monitorar e aplicar essas regulamentações. Uma área a ser observada serão as regulamentações de privacidade de dados e soberania em torno da IA. Hoje, há poucas restrições sobre como os modelos de IA consomem dados. Isso precisa mudar antes que possamos implementar a IA em escala empresarial.
Precisaremos de trocas de dados em nível individual e organizacional. Essas trocas garantirão que os indivíduos tenham controle sobre como, quando e por que os modelos de IA usam seus dados pessoais. Elas também rastrearão a linhagem de modelos e dados entre as fronteiras organizacionais, para que as soluções baseadas em IA possam sempre demonstrar conformidade com as regulamentações aplicáveis.
Otimizar a infraestrutura para eficiência e sustentabilidade
Muitos observadores da indústria têm expressado preocupação em relação à pegada de carbono dos sistemas de IA. Por exemplo, foram necessários 1.287 gigawatts-hora de energia para treinar o ChatGPT, o que é aproximadamente equivalente à quantidade de energia consumida por 120 residências nos Estados Unidos ao longo de um ano. E isso é apenas um modelo entre muitos. Para o futuro, antecipamos que vários modelos básicos de IA se tornarão de código aberto. Esperamos que isso reduza o custo das infraestruturas de IA (pois as pessoas não precisarão construir os modelos do zero) e também estimule a inovação.
Uma abordagem sustentável para a IA requer algoritmos mais eficientes, mas a própria infraestrutura digital precisa ser mais limpa e eficiente, que exigirá o uso de mais energia renovável e a adoção de inovações em sustentabilidade, como refrigeração líquida de alta densidade.
Por fim, prevemos que a computação quântica será totalmente mainstream em 25 anos. Isso possibilitará uma adoção mais ampla da IA, pois sistemas quânticos resolverão certos tipos de problemas de IA de forma muito mais rápida e eficiente. A utilização de uma combinação de computadores quânticos e convencionais ajudará os modelos de IA a consumir menos energia, sem sacrificar a precisão.
Victor Arnaud, managing director da Equinix no Brasil, e Kaladhar Voruganti, Tecnólogo Sênior de Negócios.
