A inteligência fluida é uma capacidade cognitiva que foi introduzida em 1963 pelo psicólogo Raymond Cattell, caracterizada pela capacidade de resolver problemas de raciocínio novos, sem depender de conhecimentos prévios. Já a inteligência cristalizada está relacionada aos conhecimentos adquiridos ao longo da vida, como na escola, e que são armazenados na memória semântica. Estes dois tipos de inteligência influenciam a nossa capacidade de atuar de maneira eficaz no cotidiano, pois a inteligência fluida envolve a capacidade de raciocinar e pensar com flexibilidade, enquanto a inteligência cristalizada refere-se ao acúmulo de conhecimentos, fatos e habilidades adquiridas ao longo da vida.
A inteligência fluida envolve ser capaz de pensar e raciocinar abstratamente e resolver problemas. Essa habilidade é considerada independente de aprendizagem, experiência ou educação, pois quando você encontra um problema inteiramente novo que não pode ser resolvido com o conhecimento existente, você deve confiar na inteligência fluida para resolvê-lo, tais como: criação de estratégias de resolução de problemas, interpretações estatísticas, raciocínio filosófico, resolução de quebra-cabeças ou problemas abstratos.
O que a inteligência fluída tem a ver com a inteligência artificial?
A inteligência artificial utiliza algoritmos e sistemas para simular a execução de tarefas humanas, tais como raciocínio lógico, reconhecimento de padrões de imagens e tomada de decisões e depende de grandes volumes de dados para treinamento e simular processos cognitivos. Embora temos que reconhecer que os progressos da IA foram extraordinários nos últimos anos, temos que entender que todos esses esforços ainda não foram suficientes para alcançar a generalização cognitiva da inteligência fluida humana.
As IAs atuais baseadas em aprendizado profundo e redes neurais, foram projetadas para aprenderem ao longo do tempo com o treinamento contínuo, através de grandes volumes de novos dados, gerando uma dependência contínua de modelos pré-treinados para continuarem evoluindo em novas repostas a problemas em constante mudança. Isso demonstra que ao contrário da inteligência fluida que consegue resolve problemas sem a necessidade de um conhecimento prévio, as inteligências artificiais atuais ainda são dependentes de treinamentos com dados pré-existentes.
Se analisarmos de forma ampla, a inteligência fluida e a inteligência artificial tem objetivos semelhantes como o de resolver problemas e aprender com novas situações. Contudo, suas abordagens são diferentes pois a inteligência fluida é algo inerente ao ser humano que envolve a capacidade de adaptação, flexibilidade cognitiva e criatividade. Já a inteligência artificial depende de uma sequência de algoritmos pré-treinados para chegarem em respostas aos problemas do mundo real. Mesmo assim, existem semelhanças. Assim como a inteligência fluida ajuda o homem a aprender com situações desconhecidas, os algoritmos de inteligência artificial baseados em aprendizado por reforço são projetados para tomarem decisões a partir de interações contínuas com o ambiente, melhorando suas respostas a partir de situações novas.
Aprendizado por transferência
Apesar de todas estas limitações existe um forte desejo de se ter uma IA generalista e adaptável. Isso pode apontar um caminho para a criação de uma inteligência artificial fluida no futuro. Dentre estes, podemos destacar o aprendizado por transferência, permitindo que se treine a IA em determinado domínio do conhecimento com o objetivo de solucionar problemas em outro. Um modelo pré-treinado é uma rede salva que foi previamente treinada em um grande conjunto de dados, normalmente em uma tarefa de classificação de imagem em grande escala. A intuição por trás do aprendizado de transferência para classificação de imagens é que, se um modelo for treinado em um conjunto de dados grande e geral o suficiente, esse modelo servirá efetivamente como um modelo genérico do mundo visual e você pode aproveitar esses mapas de recursos aprendidos sem precisar começar do zero treinando um modelo em um grande conjunto de dados.
Aprendizado por reforço
Já o aprendizado por reforço permite que a IA aprenda com a experiência, ajustando seu comportamento em tempo real com base no feedback das suas ações, imitando parcialmente a adaptabilidade humana, mas ainda longe de resolver problemas completamente novos. O aprendizado por reforço (RL) é uma técnica de machine learning (ML) que treina o software para tomar decisões em busca dos melhores resultados. Ele imita o processo de aprendizado por tentativa e erro que os seres humanos usam para atingir seus objetivos classificando suas ações de software que atingem sua meta com um reforço, enquanto as ações que prejudicam a meta são ignoradas. Os algoritmos de RL usam um paradigma de recompensa e punição ao processar dados. Eles aprendem com o feedback de cada ação e descobrem por si mesmos os melhores caminhos de processamento para alcançar os resultados finais. Os algoritmos também são capazes de atrasar a gratificação com uma estratégia geral exigindo sacrifícios de curto prazo. Por isso, a melhor abordagem que eles descobrem pode incluir algumas punições ou retrocessos ao longo do caminho e o RL é um método poderoso para ajudar os sistemas de inteligência artificial (IA) a alcançar resultados ideais em ambientes inéditos aproximando a pesquisa dos conceitos da inteligência fluida.
IA Generalista
Além disso, os pesquisadores estão buscando o desenvolvimento de IAs generalistas (ou IA forte), que seriam capazes de pensar de maneira flexível e resolver uma ampla gama de problemas inéditos, aproximando-se mais da inteligência fluida, no entanto, essas IAs ainda estão em fase teórica e de pesquisa. A inteligência artificial geral (AGI) refere-se à inteligência hipotética de uma máquina que tem capacidade equivalente a de um ser humano de entender ou aprender qualquer tarefa intelectual. É um tipo de inteligência artificial (IA) que visa imitar as capacidades cognitivas do cérebro humano.
Além das características principais mencionadas anteriormente, os sistemas AGI também têm certas características que os distinguem de outros tipos de IA tais como a habilidade de generalização podendo transferir conhecimentos e habilidades aprendidas em um domínio para outro, permitindo que ela se adapte a situações novas e despercebidas. A AGI também tem um vasto repositório de conhecimento sobre o mundo, incluindo fatos, relações e normas sociais, permitindo que ela raciocine e tome decisões com base nesse entendimento comum.
Contudo, a busca da AGI envolve colaboração interdisciplinar entre campos como ciência da computação, neurociência e psicologia cognitiva. Os avanços nessas áreas estão moldando continuamente nossa compreensão e o desenvolvimento da AGI e atualmente, a AGI continua sendo, em grande parte, um conceito e uma meta rumo aos quais pesquisadores e engenheiros estão trabalhando.
O futuro
Embora a inteligência artificial tenha avançado significativamente em termos de desempenho e resolução de problemas específicos, ela não possui ainda a inteligência fluida como os humanos. A IA ainda depende de dados preexistentes, padrões estabelecidos e carece da flexibilidade cognitiva, intuição e criatividade que são marcas da inteligência fluida humana. No entanto, a pesquisa em IA está se movendo na direção de sistemas mais adaptáveis e generalistas, e no futuro pode ser possível criar uma IA com habilidades que imitam, em parte, a inteligência fluida, mas o conceito pleno dessa inteligência ainda é exclusivo dos humanos.