Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTELIGÊNCIA ARTIFICIAL E VIDA EM 2030 CEM ANO DE ESTUDO SOBRE INTELIGÊNCIA ARTIFICIAL | RELATÓRIO DO PAINEL DE ESTUDOS 2015 | SETEMBRO 2016 PREFÁCIO Lançado o Estudo de Cem Anos sobre Inteligência Artificial no outono de 2014, é uma investigação de longo prazo do campo da Inteligência Artificial (IA) e suas influências nas pessoas, suas comunidades e a sociedade. Ele considera a ciência, a engenharia e a implantação de sistemas de computação habilitados para IA. Como sua atividade principal, o Comitê Permanente que supervisiona o Estudo de Cem Anos forma um Painel de Estudos a cada cinco anos para avaliar o estado atual da IA. O estudo O painel analisa o progresso da IA nos anos seguintes ao relatório imediatamente anterior, prevê os avanços potenciais que estão por vir e descreve os desafios técnicos e sociais e as oportunidades que esses avanços levantam, incluindo em áreas como ética, economia e o design de sistemas compatíveis com cognição humana. O objetivo abrangente da revisão periódica de especialistas do One Hundred Year Study é fornecer um conjunto coletado e conectado de reflexões sobre IA e suas influências à medida que o campo avança. Espera-se que os estudos desenvolvam sínteses e avaliações que forneçam orientação informada por especialistas para orientações em Pesquisa, desenvolvimento e design de sistemas de IA, bem como programas e políticas para ajudar a garantir que esses sistemas beneficiem amplamente os indivíduos e a sociedade. 1 O Estudo de Cem Anos é modelado em um esforço anterior conhecido informalmente como “Estudo AAAI Asilomar”. Durante 2008-2009, o então presidente da Associação para o Avanço da Inteligência Artificial (AAAI), Eric Horvitz, reuniu um grupo de especialistas em IA de várias instituições e áreas do campo, juntamente com estudiosos da ciência cognitiva, filosofia e direito . Trabalhando em subgrupos distribuídos, os participantes abordaram desenvolvimentos de IA de curto prazo, possibilidades de longo prazo e questões legais e éticas, e então se reuniram em uma reunião de três dias em Asilomar para compartilhar e discutir suas descobertas. Um breve relatório escrito sobre as intensas discussões da reunião, ampliado pelas discussões subsequentes dos participantes com outros colegas, gerou amplo interesse e debate na área e além. O impacto da reunião de Asilomar e importantes avanços em IA que incluíram algoritmos e tecnologias de IA começando a entrar na vida diária em todo o mundo estimularam a ideia de um estudo recorrente de longo prazo sobre IA e sua influência nas pessoas e na sociedade. O Estudo de Cem anos foi posteriormente investido em uma universidade para permitir dos Cem Anos IA e suas influências como O propósito abrangente Perito periódico do estudo revisão é fornecer um coletado e conectado conjunto de reflexões sobre o campo avança. 1 1 de agosto de 2016, https://ai100.stanford.edu . “One Hundred Year Study on Artificial Intelligence (AI100),” Stanford University, acessado estendida reflexão profunda e investigações acadêmicas interdisciplinares que poderiam inspirar inovação e fornecer conselhos inteligentes para agências governamentais e indústria. Este relatório é o primeiro de uma série de estudos planejada que continuará por pelo menos cem anos. O Comitê Permanente definiu uma comissão de Painel de Estudos para o Painel de Estudos inaugural no verão de 2015 e recrutou o Professor Peter Stone, da Universidade do Texas em Austin, para presidir o painel. O Painel de Estudo de dezessete membros, composto por especialistas em IA da academia, laboratórios corporativos e indústria, e acadêmicos com experiência em IA em direito, ciência política, política e economia, foi lançado em meados do outono de 2015. Os participantes representam diversas especialidades e regiões geográficas, gêneros e estágios de carreira. O Comitê Permanente discutiu extensivamente as formas de enquadrar a carga do Painel de Estudos para considerar os avanços recentes em IA e os impactos potenciais na sociedade sobre empregos, meio ambiente, transporte, segurança pública, saúde, envolvimento da comunidade e governo. O comitê considerou várias maneiras de focar o estudo, incluindo levantamento de subcampos e seu status, examinando uma tecnologia específica, como aprendizado de máquina ou processamento de linguagem natural, e estudando áreas de aplicação específicas, como saúde ou transporte. O comitê finalmente escolheu um foco temático em “IA e vida em 2030” para reconhecer que os vários usos e impactos da IA não ocorrerão independentemente uns dos outros, ou de uma infinidade de outros desenvolvimentos sociais e tecnológicos. Reconhecendo o papel central que as cidades têm desempenhado na maior parte da experiência humana, o foco foi restrito às grandes áreas urbanas onde a maioria das pessoas vive. O Comitê Permanente estreitou ainda mais o foco para uma típica cidade norte-americana em reconhecimento da grande variabilidade de configurações urbanas e culturas ao redor do mundo, e limites aos esforços do primeiro Painel de Estudos. O Comitê Permanente espera que as projeções, avaliações e orientações proativas decorrentes do estudo tenham uma relevância global mais ampla e está fazendo planos para estudos futuros para expandir o escopo do projeto internacionalmente. ÍNDICE PREFÁCIO SUMÁRIO EXECUTIVO VISÃO GERAL SEÇÃO I: O QUE É INTELIGÊNCIA ARTIFICIAL? Definindo IA Tendências de pesquisa de IA SEÇÃO II: AI POR DOMÍNIO Transporte Home / Robôs de serviço Cuidados de saúde Educação Comunidades de poucos recursos Segurança Pública e Emprego e Local de Trabalho Entretenimento SEÇÃO III: PERSPECTIVAS E RECOMENDAÇÕES PARA A POLÍTICA PÚBLICA DE AI Política de IA, agora e no futuro APÊNDICE I: UMA BREVE HISTÓRIA DE IA 4 6 12 12 14 18 18 24 25 31 35 36 38 40 42 42 50 2 Como consequência da decisão de focar na vida nas cidades norte-americanas, as aplicações militares foram consideradas fora do escopo deste relatório inicial. Isso não é para minimizar a importância do monitoramento cuidadoso e da deliberação sobre as implicações dos avanços da IA para a defesa e a guerra, incluindo desenvolvimentos e implantações potencialmente desestabilizadores. O relatório foi elaborado para abordar quatro públicos-alvo. Para o público em geral, tem como objetivo fornecer um retrato acessível, cientificamente e tecnologicamente preciso do estado atual da IA e seu potencial. Para a indústria, o relatório descreve tecnologias relevantes e desafios legais e éticos, e pode ajudar a orientar a alocação de recursos. O relatório também é direcionado a governos locais, nacionais e internacionais para ajudá-los a planejar melhor a IA na governança. Finalmente, o relatório pode ajudar pesquisadores de IA, bem como suas instituições e financiadores, a definir prioridades e considerar as questões éticas e legais levantadas pela pesquisa de IA e suas aplicações. Dada a natureza única do Estudo de Cem Anos sobre IA, esperamos que as futuras gerações de Comitês Permanentes e Painéis de Estudo, bem como cientistas pesquisadores, especialistas em políticas, líderes nos setores público e privado e o público em geral, reflitam sobre esta avaliação à medida que eles fazem novas avaliações do futuro da IA. Esperamos que este primeiro esforço da série que se estende diante de nós seja útil tanto por seus fracassos quanto por seus sucessos em prever com precisão a trajetória e as influências da IA. O Comitê Permanente é grato aos membros do Painel de Estudos por investirem seus conhecimentos, perspectivas e tempo significativo para a criação deste relatório inaugural. Agradecemos especialmente ao Professor Peter Stone por concordar em servir como coordenador do estudo e por sua liderança sábia, habilidosa e dedicada do painel, suas discussões e criação do relatório. Comitê Permanente do Estudo Cem Anos de InteligênciaArtificial Barbara J. Grosz, Cadeira Alan Mackworth Russ Altman Tom Mitchell Eric Horvitz Deirdre Mulligan Yoav Shoham PAINEL DE ESTUDO Peter Stone, Universidade do Texas em Austin, cátedra Rodney Brooks, Rethink Robotics Erik Brynjolfsson, Instituto de Tecnologia de Massachussets Ryan Calo, universidade de Washington Oren Etzioni, Instituto Allen para IA Greg Hager, Johns Hopkins University Julia Hirschberg, Universidade Columbia Shivaram Kalyanakrishnan, Instituto Indiano de Tecnologia de Bombaim Ece Kamar, Microsoft Research Sarit Kraus, Bar Ilan University Kevin Leyton-Brown, University of British Columbia David Parkes, Universidade de Harvard William Press, Universidade do Texas em Austin AnnaLee (Anno) Saxenian, Universidade da California, Berkeley Julie Shah, Instituto de Tecnologia de Massachussets Milind Tambe, Universidade do Sul da California Astro Teller, X Agradecimentos: Os membros do Painel de Estudos reconhecem com gratidão o apoio e as valiosas contribuições do Comitê Permanente, especialmente a presidente, Barbara Grosz, que desempenhou com suprema graça o papel nada invejável de mediação entre dois grandes e apaixonados comitês. Agradecemos também a Kerry Tremain por sua contribuição incansável e perspicaz sobre o produto escrito durante o extenso processo de edição e polimento, que sem dúvida fortaleceu o relatório consideravelmente. © 2016 pela Stanford University. Artificial Intelligence and Life in 2030 está disponível sob uma Licença Creative Commons Atribuição-NoDerivatives 4.0 (Internacional): https: // creativecommons. org / licenças / by-nd / 4.0 / 3 SUMÁRIO EXECUTIVO A Inteligência Artificial (IA) é uma ciência e um conjunto de tecnologias computacionais que são inspiradas - mas normalmente operam de maneira bem diferente - pelas maneiras como as pessoas usam seus sistemas nervosos e corpos para sentir, aprender, raciocinar e agir. Embora a taxa de progresso em IA tenha sido irregular e imprevisível, houve avanços significativos desde o início do campo há sessenta anos. Outrora uma área de estudo predominantemente acadêmica, a IA do século XXI possibilita uma constelação de tecnologias convencionais que estão tendo um impacto substancial na vida cotidiana. Visão computacional e planejamento de IA, por exemplo, impulsionam os videogames que agora são uma indústria de entretenimento maior do que Hollywood. Aprendizado profundo, uma forma de aprendizado de máquina baseada em representações em camadas de variáveis conhecidas como redes neurais, tornou a compreensão da fala prática em nossos telefones e em nossas cozinhas, e seus algoritmos podem ser amplamente aplicados a uma variedade de aplicativos que dependem do reconhecimento de padrões. O Processamento de Linguagem Natural (PNL) e a representação e raciocínio do conhecimento permitiram que uma máquina vencesse o campeão do Jeopardy e estão trazendo um novo poder para as pesquisas na web. Embora impressionantes, essas tecnologias são altamente personalizadas para tarefas específicas. Cada aplicação normalmente requer anos de pesquisa especializada e construção cuidadosa e exclusiva. Em aplicações direcionadas semelhantes, podem ser esperados aumentos substanciais nos usos futuros de tecnologias de IA, incluindo mais carros autônomos, diagnósticos de saúde e tratamentos direcionados e assistência física para idosos. IA e robótica também serão aplicadas em todo o mundo em indústrias que lutam para atrair trabalhadores mais jovens, como agricultura, processamento de alimentos, centros de abastecimento e fábricas. Eles facilitarão a entrega de compras online por meio de drones voadores, caminhões autônomos ou robôs que podem subir as escadas até a porta da frente. Este relatório é o primeiro de uma série a ser publicado em intervalos regulares como parte do Estudo de Cem Anos de Inteligência Artificial (AI100). Começando com uma tarefa dada pelo Comitê Permanente da AI100 para considerar as prováveis influências da IA em uma cidade típica da América do Norte até o ano de 2030, o Painel de Estudos de 2015, composto por especialistas em IA e outras áreas relevantes, concentrou sua atenção em oito domínios que consideravam mais saliente: transporte; robôs de serviço; cuidados de saúde; Educação; comunidades de poucos recursos; segurança pública e proteção; emprego e local de trabalho; e entretenimento. Em cada um desses domínios, o relatório reflete sobre o progresso nos últimos quinze anos e antecipa os desenvolvimentos nos próximos quinze anos. Embora extraído de uma fonte comum de pesquisa, cada domínio reflete diferentes influências e desafios de IA, como a dificuldade de criar hardware seguro e confiável (robôs de transporte e serviço), a dificuldade de interagir sem problemas com especialistas humanos (saúde e educação), o desafio de ganhar a confiança pública (comunidades de poucos recursos e segurança e proteção públicas), o desafio de superar o medo de marginalizar os humanos (emprego e local de trabalho) e o risco social e social de diminuir as interações interpessoais (entretenimento). O relatório começa com uma reflexão sobre o que constitui Inteligência Artificial e conclui com recomendações sobre políticas relacionadas à IA. Essas recomendações incluem acumular conhecimentos técnicos sobre IA no governo e dedicar mais recursos - e remover impedimentos - para a pesquisa a dificuldade de interagir sem problemas com especialistas humanos (saúde e educação), o desafio de ganhar a confiança pública (comunidades de poucos recursos e segurança e proteção pública), o desafio de superar os medos de marginalizar os humanos (emprego e local de trabalho), e risco social de diminuir as interações interpessoais (entretenimento). O relatório começa com uma reflexão sobre o que constitui Inteligência Artificial e conclui com recomendações sobre políticas relacionadas à IA. Essas recomendações incluem acumular conhecimentos técnicos sobre IA no governo e dedicar mais recursos - e remover impedimentos - para a pesquisa a dificuldade de interagir sem problemas com especialistas humanos (saúde e educação), o desafio de ganhar a confiança pública (comunidades de poucos recursos e segurança e proteção pública), o desafio de superar os medos de marginalizar os humanos (emprego e local de trabalho), e risco social de diminuir as interações interpessoais (entretenimento). O relatório começa com uma reflexão sobre o que constitui Inteligência Artificial e conclui com recomendações sobre políticas relacionadas à IA. Essas recomendações incluem acumular conhecimentos técnicos sobre IA no governo e dedicar mais recursos - e remover impedimentos - para a pesquisa o desafio de superar o medo de marginalizar os humanos (emprego e local de trabalho) e o risco social e social de diminuir as interações interpessoais (entretenimento). O relatório começa com uma reflexão sobre o que constitui Inteligência Artificial e conclui com recomendações sobre políticas relacionadas à IA. Essas recomendações incluem acumular conhecimentos técnicos sobre IA no governo e dedicar mais recursos - e remover impedimentos - para a pesquisa o desafio de superar o medo de marginalizar os humanos (emprego e local de trabalho) e o risco social e social de diminuir as interações interpessoais (entretenimento). O relatório começa com uma reflexão sobre o que constitui Inteligência Artificial e conclui com recomendações sobre políticas relacionadas à IA. Essas recomendações incluem acumular conhecimentos técnicos sobre IA no governo e dedicar mais recursos - e remover impedimentos - para a pesquisa sobre a justiça, segurança, privacidade e impactos sociais dos sistemas de IA. Ao contrário das previsões mais fantásticas para IA na imprensa popular, o Study O painel não encontrou motivo para preocupação de que a IA seja uma ameaça iminente para a humanidade. Nenhuma máquina com objetivos e intenções de longo prazo autossustentáveis foi desenvolvida,nem é provável que sejam desenvolvidas em um futuro próximo. Em vez disso, aplicações cada vez mais úteis de IA, com impactos positivos potencialmente profundos em nossa sociedade e economia, provavelmente surgirão entre agora e 2030, o período que este relatório considera. Ao mesmo tempo, muitos desses desenvolvimentos irão gerar interrupções em Aumentos substanciais no futuro usos de aplicativos de IA, incluindo mais carros autônomos, diagnósticos de saúde e tratamento direcionado, e assistência física para idosos pode ser esperado. 4 como o trabalho humano é aumentado ou substituído pela IA, criando novos desafios para a economia e a sociedade de forma mais ampla. O design do aplicativo e as decisões políticas tomadas em curto prazo provavelmente terão influências duradouras sobre a natureza e as direções de tais desenvolvimentos, tornando importante para pesquisadores de IA, desenvolvedores, cientistas sociais e formuladores de políticas equilibrar o imperativo de inovar com mecanismos para garantir que os benefícios econômicos e sociais da IA sejam amplamente compartilhados pela sociedade. Se a sociedade abordar essas tecnologias principalmente com medo e desconfiança, haverá erros que retardarão o desenvolvimento da IA ou o levarão à clandestinidade, impedindo um trabalho importante para garantir a segurança e a confiabilidade das tecnologias de IA. Por outro lado, se a sociedade Enquanto desenha em comum aborda a IA com uma mente mais aberta, as tecnologias emergentes do campo podem transformar profundamente a sociedade para melhor nas próximas décadas. pesquisa e tecnologias, Os sistemas de IA são especializados para realizar Painel de estudo: Peter Stone, Cadeira, Universidade do Texas em Austin, Rodney Brooks, Repense a Robótica, Erik Brynjolfsson, Instituto de Tecnologia de Massachussets, Ryan Calo, Universidade de Washington, Oren Etzioni, Instituto Allen para IA, Greg Hager, Universidade Johns Hopkins, Julia Hirschberg, Universidade Columbia, Shivaram Kalyanakrishnan, Instituto Indiano de Tecnologia de Bombaim, Ece Kamar, Microsoft Research, Sarit Kraus, Bar Ilan University. Kevin Leyton-Brown, University of British Columbia, David Parkes, Universidade de Harvard, William Press, Universidade do Texas em Austin, AnnaLee (Anno) Saxenian, Universidade da California, Berkeley, Julie Shah, Instituto de Tecnologia de Massachussets, Milind Tambe, Universidade do Sul da California, Astro Teller, X Comitê Permanente do Estudo Cem Anos de Inteligência Artificial: Barbara J. Grosz, Cadeira, Russ Altman, Eric Horvitz, Alan Mackworth, Tom Mitchell, Deidre Mulligan, Yoav Shoham tarefas. Cada aplicativo requer anos de pesquisa focada e uma construção cuidadosa e única. 5 VISÃO GERAL Os assustadores retratos futuristas da Inteligência Artificial que dominam filmes e romances e moldam a imaginação popular são ficcionais. Na realidade, a IA já está mudando nossas vidas diárias, quase inteiramente de maneiras que melhoram a saúde, segurança e produtividade humanas. Ao contrário dos filmes, não há nenhuma raça de robôs sobre-humanos no horizonte ou provavelmente mesmo possível. E embora o potencial de abuso de tecnologias de IA deva ser reconhecido e tratado, seu maior potencial é, entre outras coisas, tornar a direção mais segura, ajudar as crianças a aprender e estender e melhorar a vida das pessoas. Na verdade, aplicações benéficas de IA em escolas, residências e hospitais já estão crescendo em um ritmo acelerado. As principais universidades de pesquisa dedicam departamentos a estudos de IA e empresas de tecnologia como Apple, Facebook, Google, IBM, e a Microsoft gasta muito para explorar os aplicativos de IA que consideram essenciais para seu futuro. Até mesmo Hollywood usa tecnologias de IA para trazer suas fantasias distópicas de IA para a tela. Inovações baseadas na visão baseada em computador, reconhecimento de fala e Processamento de Linguagem Natural impulsionaram essas mudanças, assim como os avanços científicos e tecnológicos simultâneos em campos relacionados. A IA também está mudando a forma como as pessoas interagem com a tecnologia. Muitas pessoas já se acostumaram a tocar e falar com seus smartphones. Os relacionamentos futuros das pessoas com as máquinas se tornarão cada vez mais matizados, fluidos e personalizados à medida que os sistemas de IA aprendem a se adaptar às personalidades e objetivos individuais. Esses aplicativos de IA ajudarão a monitorar o bem-estar das pessoas, alertá-las sobre os riscos futuros e fornecer serviços quando necessário ou desejado. Por exemplo, em meros quinze anos em uma cidade típica da América do Norte - o prazo e o escopo deste relatório - os aplicativos de IA provavelmente transformarão o transporte em veículos autônomos com coleta e entrega pontual de pessoas e pacotes. Isso por si só irá reconfigurar a paisagem urbana, à medida que congestionamentos e desafios de estacionamento se tornam obsoletos. O foco deste estudo em uma cidade típica da América do Norte é deliberado e pretende destacar mudanças específicas que afetam a vida cotidiana de milhões de pessoas que as habitam. O Painel de Estudos estreitou ainda mais sua investigação para oito domínios onde a IA já está tendo ou é projetada para ter o maior impacto: transporte, saúde, educação, comunidades de poucos recursos, segurança pública, emprego e local de trabalho, robôs domésticos / de serviço e entretenimento. Embora derivando de uma fonte comum de pesquisa, as tecnologias de IA influenciaram e continuarão a influenciar esses domínios de maneira diferente. Cada domínio enfrenta diversos desafios relacionados à IA, incluindo a dificuldade de criar hardware seguro e confiável para detectar e efetuar (robôs de transporte e serviço), a dificuldade de interagir sem problemas com especialistas humanos (saúde e educação), o desafio de ganhar a confiança pública (comunidades de poucos recursos e segurança e proteção pública), o desafio de superar os medos de marginalizar os humanos (emprego e local de trabalho) e o risco de diminuir a interação interpessoal (entretenimento). Alguns domínios são principalmente setores de negócios, como transporte e saúde, enquanto outros são mais voltado para o consumidor, como robôs de entretenimento e serviços domésticos. Alguns são transversais a setores, como emprego / local de trabalho e comunidades de poucos recursos. Em cada domínio, mesmo que a IA continue a oferecer benefícios importantes, ela também levanta questões éticas e sociais importantes, incluindo questões de privacidade. Robôs e outras tecnologias de IA já começaram a deslocar empregos em alguns setores. Como sociedade, estamos agora em um momento crucial para determinar como implantar tecnologias baseadas em IA de forma a promover, e não prejudicar, os valores democráticos, como liberdade, igualdade e transparência. Para os indivíduos, a qualidade de vida que levamos e como nossas contribuições são avaliadas provavelmente mudará gradualmente, mas de forma marcante. Nos próximos anos, a pesquisa de IA, desenvolvimento de sistemas e estruturas sociais e regulatórias irão moldar como os benefícios da IA são pesados em relação aos seus custos e riscos, e como esses benefícios são amplamente distribuídos. as máquinas se tornarão sempre Muitos já se acostumaram a tocar e falando com seus smartphones. Povos relacionamentos futuros com mais matizado, fluido e personalizado. 6 Uma imagem precisa e sofisticada de IA - que compete com seu retrato popular - é dificultada no início pela dificuldade de estabelecer uma definição precisa de inteligência artificial. Nas abordagens que o Painel de Estudos considerou, nenhuma sugere que haja atualmente uma IA de “propósito geral”. Embora recorram a pesquisas e tecnologias comuns, os sistemas de IA são especializados para realizar tarefas específicas, e cada aplicação requer anos de pesquisafocada e uma construção cuidadosa e exclusiva. Como resultado, o progresso é desigual dentro e entre os oito domínios. Um excelente exemplo é Transporte, onde algumas tecnologias-chave catalisaram a adoção generalizada de IA com velocidade surpreendente. O transporte autônomo em breve será comum e, como a primeira experiência da maioria das pessoas com sistemas de IA fisicamente incorporados, influenciará fortemente a percepção do público sobre a IA. À medida que os carros se tornam melhores motoristas do que as pessoas, os moradores da cidade terão menos carros, viverão mais longe do trabalho e passarão o tempo de maneira diferente, levando a uma organização urbana inteiramente nova. Na típica cidade norte-americana em 2030, os aplicativos de IA fisicamente incorporados não se limitarão a carros, mas provavelmente incluirão caminhões, veículos voadores e robôs pessoais. As melhorias em hardware seguro e confiável estimularão a inovação nos próximos quinze anos, como acontecerá com Home / Robôs de serviço, que já entraram nas casas das pessoas, principalmente na forma de aspiradores. Melhores chips, sensores 3D de baixo custo, aprendizado de máquina baseado em nuvem e avanços na compreensão da fala aprimorarão os serviços futuros dos robôs e suas interações com as pessoas. Robôs para fins especiais entregarão pacotes, limparão escritórios e aumentarão a segurança. Mas as restrições técnicas e os altos custos de dispositivos mecânicos confiáveis continuarão a limitar as oportunidades comerciais para aplicações estreitamente definidas no futuro previsível. Dentro Cuidados de saúde, houve um imenso salto à frente na coleta de dados úteis de dispositivos de monitoramento pessoal e aplicativos móveis, de registros eletrônicos de saúde (EHR) em ambientes clínicos e, em menor medida, de robôs cirúrgicos projetados para auxiliar em procedimentos médicos e robôs de serviço de apoio hospitalar operações. Os aplicativos baseados em IA podem melhorar os resultados de saúde e a qualidade de vida de milhões de pessoas nos próximos anos. Embora as aplicações clínicas demorem a passar do laboratório de ciência da computação para o mundo real, há sinais promissores de que o ritmo da inovação vai melhorar. Avanços na área da saúde podem ser promovidos por meio do desenvolvimento de incentivos e mecanismos para compartilhar dados e para remover obstáculos políticos, regulatórios e comerciais dominantes. Para muitas aplicações, Os sistemas de IA terão que trabalhar em estreita colaboração com os profissionais de saúde e pacientes para ganhar sua confiança. Avanços em como as máquinas inteligentes interagem naturalmente com os cuidadores, pacientes e familiares dos pacientes são cruciais. Permitir interações mais fluidas entre as pessoas e tecnologias promissoras de IA também permanece um desafio crítico em Educação, que teve um progresso considerável no mesmo período. Embora a educação de qualidade sempre exigirá o envolvimento ativo de professores humanos, a IA promete melhorar a educação em todos os níveis, especialmente fornecendo personalização em escala. Agora, tutores de máquinas interativas estão sendo combinados com alunos para o ensino de ciências, matemática, linguagem e outras disciplinas. O processamento de linguagem natural, o aprendizado de máquina e o crowdsourcing impulsionaram o aprendizado on-line e permitiram que os professores do ensino superior multiplicassem o tamanho de suas salas de aula ao mesmo tempo em que atendiam às necessidades e estilos de aprendizagem individuais dos alunos. Nos próximos quinze anos, em uma cidade típica da América do Norte, o uso dessas tecnologias na sala de aula e em casa provavelmente se expandirá significativamente, desde que possam ser integradas de maneira significativa ao aprendizado presencial. Além da educação, existem muitas oportunidades para os métodos de IA ajudarem Comunidades de poucos recursos fornecendo atenuações e soluções para uma variedade de problemas sociais. Tradicionalmente, os financiadores têm investido insuficientemente em pesquisas de IA que carecem de aplicação comercial. Com incentivos direcionados e prioridades de financiamento, como implantar com base em IA promover ao invés de atrapalhar A sociedade está agora em um momento crucial para determinar tecnologias de maneiras que valores democráticos tais como liberdade, igualdade e transparência. 7 As tecnologias de IA podem ajudar a atender às necessidades das comunidades de poucos recursos, e os esforços iniciais são promissores. Usando mineração de dados e aprendizado de máquina, por exemplo, a IA tem sido usada para criar modelos preditivos para ajudar agências governamentais a abordar questões como prevenção de envenenamento por chumbo em crianças em risco e distribuição de alimentos de forma eficiente. Esses esforços iniciais sugerem que mais pode ser feito, especialmente se as agências e organizações puderem se envolver e construir confiança com essas comunidades. Ganhar a confiança do público também é um desafio para o uso de IA por Segurança Pública profissionais. Cidades e agências federais norte-americanas já começaram a implantar tecnologias de IA na administração de fronteiras e na aplicação da lei. Em 2030, eles dependerão muito deles, incluindo câmeras e drones aprimorados para vigilância, algoritmos para detectar fraudes financeiras e policiamento preditivo. Este último levanta o espectro de pessoas inocentes sendo injustificadamente monitoradas, e deve-se tomar cuidado para evitar a sistematização de preconceitos humanos e para proteger as liberdades civis. Ferramentas de previsão de IA bem implantadas têm o potencial de fornecer novos tipos de transparência sobre dados e inferências e podem ser aplicadas para detectar, remover ou reduzir o preconceito humano, em vez de reforçá-lo. As decisões sociais e políticas também estão em jogo nas influências da IA sobre Emprego e local de trabalho tendências, como as redes de segurança necessárias para proteger as pessoas de mudanças estruturais na economia. A IA está destinada a substituir pessoas em certos tipos de empregos, como dirigir táxis e caminhões. No entanto, em muitos domínios, a IA provavelmente substituirá tarefas em vez de empregos no curto prazo e também criará novos tipos de empregos. Mas os novos empregos que surgirão são mais difíceis de imaginar com antecedência do que os empregos existentes que provavelmente serão perdidos. A IA também reduzirá o custo de muitos bens e serviços, melhorando a vida de todos. A longo prazo, a IA pode ser considerada um mecanismo radicalmente diferente para a criação de riqueza, no qual todos deveriam ter direito a uma parte dos tesouros produzidos pela IA do mundo. Ainda não é cedo para o debate social sobre como os frutos econômicos das tecnologias de IA devem ser compartilhados. Entretenimento foi transformada por redes sociais e outras plataformas de compartilhamento e navegação em blogs, vídeos e fotos, que contam com técnicas ativamente desenvolvidas em PNL, recuperação de informações, processamento de imagens, crowdsourcing e aprendizado de máquina. Algumas fontes tradicionais de entretenimento também adotaram a IA para compor música, criar performances de palco e até mesmo gerar cenas 3D a partir de texto em linguagem natural. O entusiasmo com que as pessoas já responderam ao entretenimento baseado em IA tem sido surpreendente. Como acontece com muitos aspectos da IA, há um debate contínuo sobre até que ponto a tecnologia substitui ou aumenta a sociabilidade. A IA permitirá cada vez mais um entretenimento mais interativo, personalizado e envolvente. A pesquisa deve ser direcionada para a compreensão de como potencializar esses atributos para o benefício dos indivíduos e da sociedade. O que vem por aí para a pesquisa de IA? A pesquisa que alimenta a revolução da IA também experimentou mudanças rápidas. O primeiro deles é oamadurecimento do aprendizado de máquina, estimulado em parte pela ascensão da economia digital, que tanto fornece como alavanca grandes quantidades de dados. Outros fatores incluem o aumento dos recursos de computação em nuvem e a demanda do consumidor por amplo acesso a serviços como reconhecimento de voz e suporte à navegação. O aprendizado de máquina foi impulsionado dramaticamente por impressionantes sucessos empíricos de redes neurais artificiais, que agora podem ser treinadas com enormes conjuntos de dados e computação em grande escala. Essa abordagem ficou conhecida como "aprendizado profundo". O salto no desempenho dos algoritmos de processamento de informações foi acompanhado por um progresso significativo na tecnologia de hardware para operações básicas, como detecção, percepção e reconhecimento de objetos. Novas plataformas e A longo prazo, a IA pode ser considerada um mecanismo radicalmente diferente para a criação de riqueza em que todos deveriam ter direito a uma parte da IA produzida no mundo tesouros. 8 os mercados para produtos baseados em dados e os incentivos econômicos para encontrar novos produtos e mercados também estimularam os avanços da pesquisa. Agora, à medida que se torna uma força central na sociedade, o campo da IA está mudando para a construção de sistemas inteligentes que podem colaborar efetivamente com as pessoas, e que são mais geralmente ciente, incluindo formas criativas de desenvolver formas interativas e escaláveis para as pessoas ensinarem robôs. Essas tendências conduzem as áreas atualmente "quentes" da pesquisa de IA em métodos fundamentais e áreas de aplicação: Aprendizado de máquina em grande escala diz respeito ao projeto de algoritmos de aprendizagem, bem como ao dimensionamento de algoritmos existentes, para trabalhar com conjuntos de dados extremamente grandes. Aprendizagem profunda, uma classe de procedimentos de aprendizagem, facilitou o reconhecimento de objetos em imagens, rotulagem de vídeo e reconhecimento de atividades e está fazendo incursões significativas em outras áreas de percepção, como áudio, fala e processamento de linguagem natural. Aprendizagem por reforço é uma estrutura que muda o foco do aprendizado de máquina do reconhecimento de padrões para a tomada de decisão sequencial baseada na experiência. Ele promete levar os aplicativos de IA para a frente para ações no mundo real. Embora em grande parte confinado à academia nas últimas décadas, agora está vendo alguns sucessos práticos no mundo real. Robótica está atualmente preocupado em como treinar um robô para interagir com o mundo ao seu redor de maneiras generalizáveis e previsíveis, como facilitar a manipulação de objetos em ambientes interativos e como interagir com as pessoas. Os avanços na robótica contarão com avanços proporcionais para melhorar a confiabilidade e a generalidade da visão computacional e outras formas de percepção da máquina. Visão computacional é atualmente a forma mais proeminente de percepção da máquina. Tem sido a subárea da IA que mais se transformou com o surgimento do aprendizado profundo. Pela primeira vez, os computadores são capazes de realizar algumas tarefas de visão melhor do que as pessoas. Muitas pesquisas atuais estão focadas em legendas automáticas de imagens e vídeos. Processamento de linguagem natural, frequentemente associado ao reconhecimento automático de voz, está rapidamente se tornando uma mercadoria para idiomas amplamente falados com grandes conjuntos de dados. A pesquisa agora está mudando para desenvolver sistemas refinados e capazes, que são capazes de interagir com as pessoas por meio do diálogo, não apenas reagir a solicitações estilizadas. Grandes avanços também foram feitos na tradução automática entre diferentes idiomas, com mais trocas pessoa a pessoa em tempo real no horizonte próximo. Sistemas colaborativos a pesquisa investiga modelos e algoritmos para ajudar a desenvolver sistemas autônomos que podem trabalhar em colaboração com outros sistemas e com humanos. O campo da IA está mudando para a construção de sistemas que podem colabore efetivamente com pessoas, incluindo criativos maneiras de desenvolver formas interativas e escaláveis para pessoas para ensinar robôs. Crowdsourcing e computação humana pesquisa investiga métodos para aumentar os sistemas de computador fazendo chamadas automatizadas para especialistas humanos para resolver problemas que os computadores sozinhos não podem resolver bem. às dimensões de computação econômica e social da IA, por exemplo, como os sistemas podem lidar com incentivos potencialmente desalinhados, incluindo empresas ou participantes humanos com interesse próprio e os agentes baseados em IA automatizados que os representam. Internet das coisas (IoT) a pesquisa é devotada à ideia de que uma grande variedade de dispositivos, incluindo eletrodomésticos, veículos, edifícios e câmeras, podem ser interconectados para coletar e compartilhar suas abundantes informações sensoriais para uso com propósitos inteligentes. Computação neuromórfica é um conjunto de tecnologias que procuram imitar redes neurais biológicas para melhorar a eficiência do hardware e a robustez dos sistemas de computação, muitas vezes substituindo uma ênfase mais antiga em módulos separados para entrada / saída, processamento de instrução e memória. Teoria dos jogos algorítmicos e escolha social computacional chamar atenção 9 Política de IA, agora e no futuro A medida do sucesso das aplicações de IA é o valor que elas criam para vidas humanas. Sob essa luz, eles devem ser projetados para permitir que as pessoas entendam os sistemas de IA com sucesso, participem de seu uso e construam sua confiança. As políticas públicas devem ajudar a facilitar a adaptação da sociedade às aplicações de IA, estender seus benefícios e mitigar seus erros e falhas inevitáveis. O debate sobre como a IA é implantada, incluindo preocupações sobre como a privacidade é protegida e os benefícios da IA compartilhados de maneira justa, devem ser incentivados. Dada a velocidade com que as tecnologias de IA estão sendo realizadas e as preocupações concomitantes sobre suas implicações, o Painel de Estudos recomenda que todas as camadas do governo adquiram conhecimento técnico em IA. Além disso, pesquisas sobre justiça, segurança, privacidade, Atualmente nos Estados Unidos, pelo menos dezesseis agências distintas governam setores da economia relacionados às tecnologias de IA. Avanços rápidos na pesquisa de IA e, especialmente, suas aplicações requerem especialistas nesses setores para desenvolver novos conceitos e metáforas para leis e políticas. Quem é o responsável quando um carro que dirige sozinho bate ou um dispositivo médico inteligente falha? Como os aplicativos de IA podem ser impedidos de promulgar discriminação racial ou trapaça financeira? Quem deve colher os ganhos de eficiência proporcionados pelas tecnologias de IA e quais proteções devem ser oferecidas às pessoas cujas habilidades se tornaram obsoletas? À medida que as pessoas integram a IA de maneira mais ampla e profunda aos processos industriais e produtos de consumo, as melhores práticas precisam ser disseminadas e os regimes regulatórios adaptados. Embora o Painel de Estudo não considere provável que os sistemas de IA de curto prazo sejam autônomos escolher infligir dano às pessoas, será possível que as pessoas usar Sistemas baseados em IA para propósitos prejudiciais e úteis. E embora os algoritmos de IA possam ser capazes de tomar decisões menos tendenciosas do que uma pessoa normal, continua a ser um grande desafio técnico garantir que os dados que informam as decisões baseadas em IA possam ser mantidos livres de vieses que podem levar à discriminação com base na raça, sexo orientação, ou outros fatores. Diante das profundas mudanças que as tecnologias de IA podem produzir, a pressão por regulamentações “mais”e “mais rígidas” é provavelmente inevitável. Mal-entendidos sobre o que a IA é ou não pode alimentar a oposição a tecnologias com potencial para beneficiar a todos. A atividade regulatória inadequada seria um erro trágico. Uma regulamentação mal informada que sufoca a inovação ou a realoca para outras jurisdições seria contraproducente. 2 Felizmente, os princípios que orientam a regulamentação bem-sucedida das tecnologias digitais atuais fornecem um ponto de partida. Na regulamentação da privacidade, amplos mandatos legais, juntamente com rígidos requisitos de transparência e aplicação significativa - em vez de controles rígidos - encorajam as empresas a desenvolver processos e equipes profissionais para fazer cumprir os controles de privacidade, interagir com partes interessadas externas e adaptar suas práticas aos avanços tecnológicos. Isso, por sua vez, apóia o desenvolvimento de associações comerciais profissionais e comitês de padrões que divulgam as melhores práticas. Na IA, também, os reguladores podem fortalecer um ciclo virtuoso de atividades envolvendo responsabilidade interna e externa, transparência e profissionalização, em vez de conformidade restrita. Um debate vigoroso e informado sobre a melhor forma de orientar a IA de maneiras que enriquecem nossas vidas e nossa sociedade, ao mesmo tempo que incentiva a criatividade no campo, é uma necessidade urgente e vital. As tecnologias de IA podem ampliar as desigualdades de oportunidade existentes se o acesso a elas - junto com a computação de alta potência e os dados em grande escala que alimentam muitas delas - for distribuído de forma injusta pela sociedade. Essas tecnologias vão melhorar Mal-entendidos sobre o que a IA é e não é, poderia alimentar a oposição às tecnologias com o potencial para beneficiar a todos. Mal informado regulamento que sufoca inovação seria um erro trágico. 2 2016, acessado em 1 de agosto de 2016, http://www.nytimes.com/2016/06/26/opinion/sunday/artificial- intelligences-white-guy-problem.html . Kate Crawford, “Artificial Intelligence's White Guy Problem,” O jornal New York Times, 25 de junho 10 as habilidades e eficiência das pessoas que têm acesso a eles. As políticas devem ser avaliadas para determinar se elas fomentam valores democráticos e repartição equitativa dos benefícios da IA ou se concentram o poder e os benefícios nas mãos de poucos afortunados. Conforme documenta este relatório, avanços significativos relacionados à IA já tiveram impacto nas cidades norte-americanas nos últimos quinze anos, e desenvolvimentos ainda mais substanciais ocorrerão nos próximos quinze. Avanços recentes são em grande parte devido ao crescimento e análise de grandes conjuntos de dados habilitados pela internet, avanços em tecnologias sensoriais e, mais recentemente, aplicações de "aprendizado profundo". Nos próximos anos, conforme o público encontra novas aplicações de IA em áreas como transporte e saúde, elas devem ser apresentadas de forma a construir confiança e compreensão e respeitar os direitos humanos e civis. Ao encorajar a inovação, as políticas e os processos devem abordar as implicações éticas, de privacidade e de segurança e devem trabalhar para garantir que os benefícios das tecnologias de IA sejam disseminados de forma ampla e justa. 11 SEÇÃO I: O QUE É INTELIGÊNCIA ARTIFICIAL? Esta seção descreve como pesquisadores e profissionais definem "Inteligência Artificial" e as áreas de pesquisa e aplicação de IA que estão prosperando atualmente. Ele oferece definições do que a IA é e não é, e descreve algumas das áreas atualmente “quentes” de pesquisa em IA. Esta seção estabelece as bases para a Seção II, que detalha os impactos e o futuro da IA em oito domínios e a Seção III, que descreve questões relacionadas ao design e às políticas públicas da IA e faz recomendações para estimular a inovação da IA ao mesmo tempo em que protege os valores democráticos. Um preciso e imagem sofisticada de AI - aquele que compete com seu retrato popular - é dificultado pela dificuldade de estabelecer uma definição precisa de artificial inteligência. DEFININDO AI Curiosamente, a falta de uma definição precisa e universalmente aceita de IA provavelmente ajudou o campo a crescer, florescer e avançar em um ritmo cada vez mais acelerado. Praticantes, pesquisadores e desenvolvedores de IA são guiados por um senso de direção aproximado e um imperativo de "seguir em frente". Ainda assim, uma definição permanece importante e Nils J. Nilsson forneceu uma útil: “Inteligência artificial é aquela atividade dedicada a tornar as máquinas inteligentes, e inteligência é aquela qualidade que permite que uma entidade funcione de maneira adequada e com visão em seu ambiente.” 3 A partir desta perspectiva, caracterizar IA depende do crédito que se está disposto a dar software e hardware sintetizados para funcionar "apropriadamente" e com "previsão". Uma calculadora eletrônica simples realiza cálculos muito mais rápido do que o cérebro humano e quase nunca comete um erro. 4 Uma calculadora é inteligente? Como Nilsson, o Painel de Estudos tem uma visão ampla de que a inteligência está em um espectro multidimensional. De acordo com essa visão, a diferença entre uma calculadora aritmética e um cérebro humano não é de tipo, mas de escala, velocidade, grau de autonomia e generalidade. Os mesmos fatores podem ser usados para avaliar todas as outras instâncias de inteligência - software de reconhecimento de voz, cérebros de animais, sistemas de controle de cruzeiro em carros, programas Go-playing, termostatos - e colocá-los em algum local apropriado no espectro. Embora nossa ampla interpretação coloque a calculadora dentro do espectro da inteligência, esses dispositivos simples têm pouca semelhança com a IA de hoje. A fronteira da IA avançou muito e as funções da calculadora são apenas uma entre os milhões que os smartphones de hoje podem realizar. Os desenvolvedores de IA agora trabalham para melhorar, generalizar e aumentar a inteligência atualmente encontrada em smartphones. Na verdade, o campo da IA é um esforço contínuo para levar adiante a fronteira da inteligência da máquina. Ironicamente, a IA sofre o destino perene de perder o direito de suas aquisições, que eventualmente e inevitavelmente são puxadas para dentro da fronteira, um padrão repetitivo conhecido como “efeito IA” ou “paradoxo estranho” - IA traz uma nova tecnologia para o conjunto , as pessoas se acostumam com essa tecnologia, ela deixa de ser considerada IA e novas tecnologias surgem. 5 O mesmo padrão continuará no futuro. A IA não “entrega” um produto de mudança de vida como um raio do nada. Em vez disso, as tecnologias de IA continuam a melhorar de maneira contínua e incremental. 3 Reino Unido: Cambridge University Press, 2010). 4 commons / b / b6 / SHARP_ELSIMATE_EL-W221.jpg . 5 Inteligência artificial, 2ª ed. (Natick, MA: AK Peters, Ltd., 2004; São Francisco: WH Freeman, 1979), as citações são para a edição Peters. Nils J. Nilsson, A busca pela inteligência artificial: uma história de ideias e realizações ( Cambridge, Wikimedia Images, acessado em 1 de agosto de 2016, https://upload.wikimedia.org/wikipedia/ Pamela McCorduck, Máquinas que pensam: uma investigação pessoal sobre a história e as perspectivas de 12 A medida humana Notavelmente, a caracterização da inteligência como um espectro não concede nenhum status especial ao cérebro humano. Mas até hoje a inteligência humana não tem páreo nos mundos biológicos e artificiais para a versatilidade absoluta, com as habilidades de "raciocinar, atingir objetivos, compreender e gerar linguagem, perceber e responder a entradas sensoriais, provar teoremas matemáticos, jogar jogos desafiadores, sintetizar e resumir informações, criar arte e música e até escrever histórias. ” 6 Isso torna a inteligência humana uma escolha natural para avaliar o progresso da IA.Pode até ser proposto, como regra prática, que qualquer atividade que os computadores sejam capazes de realizar e as pessoas uma vez realizadas devam ser contadas como uma instância de inteligência. Mas corresponder a qualquer habilidade humana é apenas uma condição suficiente, não necessária. Já existem muitos sistemas que ultrapassam a inteligência humana, pelo menos em velocidade, como o agendamento de chegadas e partidas diárias de milhares de voos em um aeroporto. A longa busca da IA - e eventual sucesso - para vencer jogadores humanos no jogo de xadrez ofereceu um exemplo de alto perfil para comparar a inteligência humana com a da máquina. O xadrez fascina as pessoas há séculos. Quando a possibilidade de construir computadores se tornou iminente, Alan Turing, que muitos consideram o pai da ciência da computação, “mencionou a ideia de computadores mostrando inteligência tendo o xadrez como paradigma”. 7 Sem acesso a computadores poderosos, “Turing jogou um jogo em que simulava o computador, levando cerca de meia hora por jogada”. Mas foi somente depois de uma longa linha de melhorias nas décadas de 1960 e 1970 - contribuição de grupos da Carnegie Mellon, Stanford, MIT, Instituto de Física Teórica e Experimental de Moscou e Universidade Northwestern - que os programas de xadrez começaram a ganhar proficiência. O impulso final veio por meio de um projeto de longa duração na IBM, que culminou com o programa Deep Blue derrotando Garry Kasparov, então campeão mundial de xadrez, por uma pontuação de 3,5-2,5 em 1997. Curiosamente, assim que a IA alcançou seu alvo elusivo, o Deep Blue foi retratado como uma coleção de "métodos de força bruta" que não eram "inteligência real". 8 Na verdade, a publicação subsequente da IBM sobre o Deep Blue, que fornece muitos detalhes sobre seus procedimentos de pesquisa e avaliação, não menciona a palavra “inteligente” nenhuma vez! 9 O Deep Blue era inteligente ou não? Mais uma vez, a fronteira mudou. Uma definição operacional IA também pode ser definida pelo que os pesquisadores de IA fazem. Este relatório vê a IA principalmente como um ramo da ciência da computação que estuda as propriedades da inteligência por meio da síntese da inteligência. 10 Embora o advento da IA tenha dependido do rápido progresso dos recursos de computação em hardware, o foco aqui no software reflete uma tendência na comunidade de IA. Mais recentemente, porém, o progresso na construção de hardware sob medida para computação baseada em rede neural 11 criou um A inteligência está em uma espectro. De acordo com esta visão, a diferença entre uma aritmética calculadora e um cérebro humano não é um tipo, mas de escala, velocidade, grau de autonomia e generalidade. 6 7 8 9 Inteligência 134, nos. 1 e 2 (2002): 57–83. 10 Herbert A. Simon, "Artificial Intelligence: An Empirical Science", Inteligência artificial 77, não. 2 (1995): 95–127. 11 Paul Merolla John V. Arthur, Rodrigo Alvarez-Icaza, Andrew S. Cassidy, Jun Sawada, Filipp Akopyan, Bryan L. Jackson, Nabil Imam, Chen Guo, Yutaka Nakamura, Bernard Brezzo, Ivan Vo, Steven K. Esser, Rathinakumar Appuswamy, Brian Taba, Arnon Amir, Myron D. Flickner, William P. Risk, Rajit Manohar e Dharmendra S. Modha, "A Million Spiking-Neuron Integrated Circuit with a Scalable Communication Network and Interface", acessado em 1 de agosto de 2016, http: // paulmerolla.com/merolla_main_som.pdf . Nilsson, The Quest for Artificial Intelligence. Nilsson, The Quest for Artificial Intelligence, 89. McCorduck, Máquinas que pensam, 433. Murray Campbell, A. Joseph Hoane Jr. e Feng-hsiung Hsu, "Deep Blue", Artificial 13 acoplamento mais estreito entre hardware e software no avanço da IA. A “inteligência” continua sendo um fenômeno complexo, cujos diversos aspectos têm atraído a atenção de diversos campos de estudo, incluindo psicologia, economia, neurociência, biologia, engenharia, estatística e linguística. Naturalmente, o campo da IA se beneficiou do progresso feito por todos esses campos aliados. Por exemplo, a rede neural artificial, que tem estado no centro de várias soluções baseadas em IA 12 13 foi originalmente inspirado por pensamentos sobre o fluxo de informações em neurônios biológicos. 14 A inteligência humana tem sem comparação nos mundos biológico e artificial para versatilidade absoluta, com as habilidades de “raciocinar, atingir objetivos, compreender e gerar linguagem ... criar arte e música e até escrever histórias. ” TENDÊNCIAS DE PESQUISA AI Até a virada do milênio, o apelo da AI residia principalmente em sua promessa de cumprir, mas nos últimos quinze anos, grande parte dessa promessa foi resgatada. 15 As tecnologias de IA já permeiam nossas vidas. À medida que eles se tornam uma força central na sociedade, o campo está mudando da simples construção de sistemas inteligentes para a construção de sistemas inteligentes que têm consciência do ser humano e são confiáveis. Vários fatores alimentaram a revolução da IA. O mais importante entre eles é o amadurecimento do aprendizado de máquina, apoiado em parte por recursos de computação em nuvem e ampla coleta de dados baseada na web. O aprendizado de máquina foi impulsionado drasticamente pelo "aprendizado profundo", uma forma de redes neurais artificiais adaptativas treinadas usando um método chamado backpropagation. 16 Esse salto no desempenho dos algoritmos de processamento de informações foi acompanhado por um progresso significativo na tecnologia de hardware para operações básicas, como detecção, percepção e reconhecimento de objetos. Novas plataformas e mercados para produtos baseados em dados e os incentivos econômicos para encontrar novos produtos e mercados também contribuíram para o advento da tecnologia baseada em IA. Todas essas tendências impulsionam as áreas “quentes” de pesquisa descritas abaixo. Esta compilação visa simplesmente refletir as áreas que, por uma métrica ou outra, atualmente recebem mais atenção do que outras. Eles não são necessariamente mais importantes ou valiosos do que outros. De fato, algumas das áreas atualmente “quentes” foram menos populares nos últimos anos e é provável que outras áreas ressurgam da mesma forma no futuro. Muitos dos problemas básicos do aprendizado de máquina (como aprendizado supervisionado e não supervisionado) são bem compreendidos. Um dos principais focos dos esforços atuais é dimensionar algoritmos existentes para trabalhar com conjuntos de dados extremamente grandes. Por exemplo, enquanto os métodos tradicionais podem permitir várias passagens no conjunto de dados, os modernos são projetados para fazer apenas uma única passagem; em alguns casos, apenas métodos sublineares (aqueles que analisam apenas uma fração dos dados) podem ser admitidos. A capacidade de treinar com sucesso redes neurais convolucionais tem beneficiado muito o campo da visão computacional, com aplicações como reconhecimento de objetos, vídeo Aprendizado de máquina em grande escala Aprendizagem profunda 12 Gerald Tesauro, “Practical Issues in Temporal Difference Learning,” Aprendizado de máquina, não. 8 (1992): 257–77. 13 David Silver, Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenkever, Ilya S Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel e Demis Hassabis, "Mastering the game of Go with deep neural networks and tree search," Natureza 529 (2016): 484–489. 14 W. McCulloch e W. Pitts, W., "Um cálculo lógico das idéias imanentes na atividade nervosa", Boletim de Biofísica Matemática, 5 (1943): 115–133. 15 O Apêndice I oferece uma breve história da IA, incluindo uma descrição de algumas das áreas tradicionalmente centrais de pesquisa, que mudaram nas últimas seis décadas. 16 Backpropagation é uma abreviatura de “backwardpropagation of errors”, um método comum de treinamento de redes neurais artificiais usado em conjunto com um método de otimização, como gradiente descendente. O método calcula o gradiente de uma função de perda em relação a todos os pesos da rede. 14 rotulagem, reconhecimento de atividade e várias variantes dos mesmos. O aprendizado profundo também está fazendo incursões significativas em outras áreas de percepção, como áudio, fala e processamento de linguagem natural. Enquanto o aprendizado de máquina tradicional tem se concentrado principalmente na mineração de padrões, o aprendizado por reforço muda o foco para a tomada de decisões e é uma tecnologia que ajudará a IA a avançar mais profundamente no domínio do aprendizado e execução de ações no mundo real. Ela existe há várias décadas como uma estrutura para a tomada de decisão sequencial baseada na experiência, mas os métodos não têm encontrado grande sucesso na prática, principalmente devido a questões de representação e escala. No entanto, o advento do aprendizado profundo proporcionou aprendizado de reforço com um "tiro no braço". O recente sucesso do AlphaGo, um programa de computador desenvolvido pelo Google Deepmind que derrotou o campeão Go humano em uma partida de cinco jogos, foi devido em grande parte ao aprendizado por reforço. AlphaGo foi treinado inicializando um agente automatizado com um banco de dados humano especialista, Aprendizagem por reforço Tecnologias de IA já permeia nossas vidas. À medida que se tornam uma força central na sociedade, o campo está mudando de simplesmente construir sistemas que são inteligentes para construir inteligentes sistemas que são com consciência humana e fidedigno. Robótica A navegação robótica, pelo menos em ambientes estáticos, está amplamente resolvida. Os esforços atuais consideram como treinar um robô para interagir com o mundo ao seu redor de maneiras generalizáveis e previsíveis. Um requisito natural que surge em ambientes interativos é manipulação, outro tópico de interesse atual. A revolução do aprendizado profundo está apenas começando a influenciar a robótica, em grande parte porque é muito mais difícil adquirir os grandes conjuntos de dados rotulados que impulsionaram outras áreas de IA baseadas na aprendizagem. Aprendizagem de reforço (ver acima), que elimina a exigência de dados rotulados, pode ajudar a preencher essa lacuna, mas requer que os sistemas possam explorar com segurança um espaço de política sem cometer erros que prejudiquem o próprio sistema ou outros. Avanços na percepção confiável da máquina, incluindo visão computacional, força e percepção tátil, muitos dos quais serão impulsionados pelo aprendizado de máquina, continuarão a ser os principais capacitadores para o avanço dos recursos da robótica. A visão computacional é atualmente a forma mais proeminente de percepção da máquina. Tem sido a subárea da IA que mais se transformou com o surgimento do aprendizado profundo. Até poucos anos atrás, as máquinas de vetores de suporte eram o método de escolha para a maioria das tarefas de classificação visual. Mas a confluência de computação em grande escala, especialmente em GPUs, a disponibilidade de grandes conjuntos de dados, especialmente via Internet e refinamentos de algoritmos de rede neural levaram a melhorias dramáticas no desempenho em tarefas de benchmark (por exemplo, classificação no ImageNet 17 ) Pela primeira vez, os computadores são capazes de realizar algumas tarefas de classificação visual (definidas de maneira restrita) melhor do que as pessoas. Muitas pesquisas atuais estão focadas em legendas automáticas de imagens e vídeos. Frequentemente associado ao reconhecimento automático de fala, o Processamento de Linguagem Natural é outra área muito ativa de percepção da máquina. Ele está rapidamente se tornando uma mercadoria para as linguagens tradicionais com grandes conjuntos de dados. O Google anunciou que 20% das consultas móveis atuais são feitas por voz, 18 e demonstrações recentes comprovaram a possibilidade de tradução em tempo real. A pesquisa agora está mudando para o desenvolvimento de sistemas refinados e capazes, capazes de interagir com as pessoas por meio do diálogo, não apenas reagir a solicitações estilizadas. Visão computacional Processamento de linguagem natural 17 ImageNet, Stanford Vision Lab, Stanford University, Princeton University, 2016, acessado em 1 de agosto de 2016, www.image-net.org/. 18 Greg Sterling, “Google diz que 20% das consultas móveis são pesquisas por voz,” Terra do mecanismo de pesquisa, 18 de maio de 2016, acessado em 1 de agosto de 2016, http://searchengineland.com/google-reveals-20-percent- queries-voice-queries-249917 . 15 Sistemas colaborativos A pesquisa em sistemas colaborativos investiga modelos e algoritmos para ajudar a desenvolver sistemas autônomos que podem trabalhar em colaboração com outros sistemas e com humanos. Esta pesquisa baseia-se no desenvolvimento de modelos formais de colaboração e estuda as capacidades necessárias para que os sistemas se tornem parceiros eficazes. Há um interesse crescente em aplicativos que podem utilizar as forças complementares de humanos e máquinas - para humanos ajudar os sistemas de IA a superar suas limitações e para agentes aumentarem as habilidades e atividades humanas. Uma vez que as habilidades humanas são superiores aos métodos automatizados para realizar muitas tarefas, a pesquisa sobre crowdsourcing e computação humana investiga métodos para aumentar os sistemas de computador, utilizando a inteligência humana para resolver problemas que os computadores sozinhos não podem resolver bem. Introduzida apenas cerca de quinze anos atrás, esta pesquisa agora tem uma presença estabelecida na IA. O exemplo mais conhecido de crowdsourcing é a Wikipedia, um repositório de conhecimento que é mantido e atualizado por internautas e que excede em muito as fontes de informação tradicionalmente compiladas, como enciclopédias e dicionários, em escala e profundidade. Crowdsourcing se concentra em desenvolver formas inovadoras de aproveitar a inteligência humana. Plataformas de ciência cidadã energizam voluntários para resolver problemas científicos, enquanto plataformas de crowdsourcing pagas, como Amazon Mechanical Turk, fornecem acesso automatizado à inteligência humana sob demanda. O trabalho nesta área facilitou os avanços em outros subcampos da IA, incluindo visão computacional e PNL, permitindo que grandes quantidades de dados de treinamento rotulados e / ou dados de interação humana sejam coletados em um curto espaço de tempo. Os esforços de pesquisa atuais exploram as divisões ideais de tarefas entre humanos e máquinas com base em suas diferentes capacidades e custos. Uma nova atenção está sendo chamada para as dimensões de computação econômica e social da IA, incluindo estruturas de incentivos. A IA distribuída e os sistemas multiagentes têm sido estudados desde o início dos anos 1980, ganharam destaque a partir do final dos anos 1990 e foram acelerados pela Internet. Um requisito natural é que os sistemas lidem com incentivos potencialmente desalinhados, incluindo empresas ou participantes humanos com interesse próprio, bem como agentes automatizados baseados em IA que os representam. Os tópicos que recebem atenção incluem design de mecanismo computacional (uma teoria econômica de design de incentivos, buscando sistemas compatíveis de incentivos onde as entradas são relatadas com veracidade), escolha social computacional (uma teoria de como agregar ordens de classificação em alternativas), elicitação de informações alinhadas por incentivos (mercados de previsão , regras de pontuação, Um crescente corpo de pesquisas é dedicado à ideia de que uma ampla gama de dispositivos pode ser interconectada para coletar e compartilhar suas informações sensoriais. Esses dispositivos podem incluir eletrodomésticos, veículos, edifícios,câmeras e outras coisas. Embora seja uma questão de tecnologia e rede sem fio conectar os dispositivos, a IA pode processar e usar as enormes quantidades de dados resultantes para propósitos inteligentes e úteis. Atualmente, esses dispositivos usam uma variedade desconcertante de protocolos de comunicação incompatíveis. A IA poderia ajudar a domar esta Torre de Babel. Os computadores tradicionais implementam o modelo von Neumann de computação, que separa os módulos de entrada / saída, processamento de instruções e memória. Com o sucesso das redes neurais profundas em uma ampla gama de tarefas, os fabricantes estão Linguagem natural O processamento é uma área muito ativa de percepção da máquina. Pesquisa agora está mudando para o desenvolvimento de sistemas que são capazes de interagir com as pessoas por meio do diálogo, não apenas reage a pedidos estilizados. Crowdsourcing e computação humana Teoria dos jogos algorítmicos e escolha social computacional Internet das coisas (IoT) Computação Neuromórfica 16 buscando ativamente modelos alternativos de computação - especialmente aqueles inspirados no que se sabe sobre redes neurais biológicas - com o objetivo de melhorar a eficiência do hardware e a robustez dos sistemas de computação. No momento, esses computadores “neuromórficos” ainda não demonstraram claramente grandes vitórias e estão apenas começando a se tornar comercialmente viáveis. Mas é possível que eles se tornem comuns (mesmo que apenas como acréscimos aos seus primos von Neumann) em um futuro próximo. Redes neurais profundas já criaram um impacto no cenário de aplicativos. Uma onda maior pode ocorrer quando essas redes podem ser treinadas e executadas em hardware neuromórfico dedicado, ao contrário de simuladas em arquiteturas von Neumann padrão, como são hoje. Tendências gerais e o futuro da pesquisa de IA O sucesso retumbante do paradigma baseado em dados substituiu os paradigmas tradicionais da IA. Procedimentos como prova de teorema e representação de conhecimento baseada em lógica e raciocínio estão recebendo atenção reduzida, em parte por causa do desafio contínuo de se conectar com aterramentos do mundo real. O planejamento, que foi um dos pilares da pesquisa de IA nos anos 70 e 80, também tem recebido menos atenção ultimamente devido em parte à sua forte confiança em suposições de modelagem que são difíceis de satisfazer em aplicações realistas. Abordagens baseadas em modelos - como abordagens baseadas em física para visão e controle tradicional e mapeamento em robótica - deram lugar a abordagens baseadas em dados que fecham o ciclo com a detecção dos resultados das ações na tarefa em mãos. Raciocínio bayesiano e modelos gráficos, Nos próximos quinze anos, o Painel de Estudos espera um foco crescente no desenvolvimento de sistemas com consciência humana, o que significa que eles modelam especificamente e são projetados especificamente para as características das pessoas com as quais devem interagir. Há muito interesse em tentar encontrar maneiras novas e criativas de desenvolver maneiras interativas e escaláveis de ensinar robôs. Além disso, os sistemas do tipo IoT - dispositivos e nuvem - estão se tornando cada vez mais populares, assim como pensar nas dimensões sociais e econômicas da IA. Nos próximos anos, irão crescer novas capacidades de percepção / reconhecimento de objetos e plataformas robóticas que são seguras para humanos, assim como os produtos baseados em dados e seus mercados. O Painel de Estudos também espera o ressurgimento de algumas das formas tradicionais de IA à medida que os praticantes percebem as limitações inevitáveis das abordagens de aprendizado profundo puramente de ponta a ponta. Encorajamos os jovens pesquisadores a não reinventar a roda, mas sim a manter a consciência do progresso significativo em muitas áreas do IA durante os primeiros cinquenta anos do campo e em campos relacionados, como teoria do controle, ciência cognitiva e psicologia. Um crescente corpo de pesquisas é dedicado à ideia de que uma ampla gama de dispositivos pode ser interconectada para coletar e compartilhar suas informações sensoriais. Esses dispositivos podem incluir eletrodomésticos, veículos, edifícios, câmeras e outras coisas. 17 SEÇÃO II: AI POR DOMÍNIO Embora diferentes instâncias de pesquisa e prática de IA compartilhem tecnologias comuns, como aprendizado de máquina, elas também variam consideravelmente em diferentes setores da economia e da sociedade. Chamamos esses setores de “domínios” e nesta seção descrevemos os diferentes estados de pesquisa e implementação de IA, bem como impactos e desafios distintos, em oito deles: transporte; robótica doméstica / de serviço; cuidados de saúde; Educação; comunidades de poucos recursos; segurança pública e proteção; emprego e local de trabalho; e entretenimento. Com base nessas análises, também prevemos tendências em uma cidade típica da América do Norte nos próximos quinze anos. Ao contrário da representação típica da IA na cultura popular, procuramos oferecer uma visão geral equilibrada das maneiras pelas quais a IA já está começando a transformar a vida cotidiana e como essas transformações provavelmente crescerão até o ano 2030. Autônomo transporte em breve ser comum e, como a primeira experiência da maioria das pessoas com fisicamente sistemas de IA incorporados, influenciará fortemente a percepção do público sobre a IA. TRANSPORTE O transporte provavelmente será um dos primeiros domínios em que o público em geral será solicitado a confiar na confiabilidade e segurança de um sistema de IA para uma tarefa crítica. O transporte autônomo em breve será comum e, como a primeira experiência da maioria das pessoas com sistemas de IA fisicamente incorporados, influenciará fortemente a percepção do público sobre a IA. Uma vez que o hardware físico esteja suficientemente seguro e robusto, sua introdução na vida diária pode acontecer tão repentinamente a ponto de surpreender o público, o que levará tempo para se ajustar. Como os carros se tornarão melhores motoristas do que as pessoas, os moradores da cidade terão menos carros, viverão mais longe do trabalho e passarão o tempo de maneira diferente, levando a uma organização urbana inteiramente nova. Além disso, na típica cidade norte-americana em 2030, as mudanças não se limitarão a carros e caminhões, Algumas tecnologias-chave já catalisaram a ampla adoção de IA no transporte. Em comparação com 2000, a escala e a diversidade de dados sobre transporte pessoal e de nível populacional disponíveis hoje - possibilitados pela adoção de smartphones e custos reduzidos e precisão aprimorada para vários sensores - são impressionantes. Sem a disponibilidade desses dados e conectividade, aplicativos como detecção e previsão de tráfego em tempo real, cálculos de rotas, compartilhamento de viagens ponto a ponto e carros autônomos não seriam possíveis. Carros mais inteligentes O GPS foi introduzido nos veículos pessoais em 2001 com dispositivos de navegação automotivos e desde então se tornou uma parte fundamental da infraestrutura de transporte. 19 O GPS auxilia os motoristas enquanto fornece informações em grande escala para empresas de tecnologia e cidades sobre os padrões de transporte. A adoção generalizada de smartphones com tecnologia GPS aumentou ainda mais a conectividade e a quantidade de dados de localização compartilhados por indivíduos. Os veículos atuais também estão equipados com uma ampla gama de recursos de detecção. Prevê-se que um automóvel médio nos EUA tenha setenta sensores, incluindo giroscópios, acelerômetros, sensores de luz ambiente e sensores de umidade. 20 Os sensores não são novos para os veículos. Os automóveis construídos antes de 2000 tinham sensores para o estado interno do veículo, como velocidade, aceleração e posição das rodas. 21 19 Mark Sullivan, “Uma breve história do GPS,”PCWorld, 9 de agosto de 2012, acessado em 1 de agosto de 2016, http://www.pcworld.com/article/2000276/a-brief-history-of-gps.html . 20 William J. Fleming, "New Automotive Sensors - A Review", IEEE Sensors Journal 8, não 11, (2008): 1900-1921. 21 Jean Jacques Meneu, ed., "Automotive Sensors: Now and in the Future", Seta, 24 de setembro 2015, acessado em 1 de agosto de 2016, https://www.arrow.com/en/research-and-events/articles/automotive- sensores-agora-e-no-futuro . 18 Eles já tinham uma série de funcionalidades que combinavam detecção em tempo real com percepção e tomada de decisão, como sistemas de frenagem antibloqueio (ABS), controle de airbag, sistemas de controle de tração (TCS) e controle eletrônico de estabilidade (ESC). 22 Recursos automatizados foram introduzidos em carros comerciais gradualmente desde 2003, conforme resumido na tabela a seguir. Contexto Funcionalidade automatizada Data de lançamento Estacionamento Sistema Inteligente de Assistência ao Estacionamento Desde 2003 23 Como os carros se tornarão melhores motoristas do que as pessoas, os moradores da cidade terão menos carros, viverão mais longe do trabalho e passarão o tempo de maneira diferente, levando a uma organização urbana inteiramente nova. Estacionamento Convocar Desde 2016 24 Arterial e rodovia Sistema de saída de pista Desde 2004 na América do Norte 25 Arterial e rodovia Controle de cruzeiro adaptativo Desde 2005 na América do Norte 26 Rodovia Monitoramento de ponto cego 2007 27 Rodovia Mudança de pista 2015 28 Essas funcionalidades auxiliam os motoristas ou assumem completamente atividades bem definidas para maior segurança e conforto. Os carros atuais podem estacionar sozinhos, ter um desempenho adaptativo controle de cruzeiro em rodovias, orientar-se durante o tráfego pára e arranca e alerta os motoristas sobre objetos em pontos cegos durante mudanças de faixa. Tecnologia de visão e radar foram aproveitados para desenvolver sistemas de pré-colisão que permitem aos carros frear autonomamente quando o risco de uma colisão é detectado. O aprendizado profundo também foi aplicado para melhorar a capacidade dos automóveis de detectar objetos no ambiente e reconhecer sons. 29 Veículos autônomos Desde os anos 1930, os escritores de ficção científica sonhavam com um futuro com carros autônomos, e construí-los tem sido um desafio para a comunidade de IA desde os anos 1960. Na década de 2000, o sonho de veículos autônomos tornou-se realidade no mar e no céu, e até mesmo em Marte, mas os carros autônomos existiam apenas como protótipos de pesquisa em laboratórios. Dirigir em uma cidade era considerado um problema muito complexo para a automação devido a fatores como pedestres, tráfego intenso e muitos eventos inesperados que podem acontecer fora do controle do carro. Embora os componentes tecnológicos necessários para 22 Carl Liersch, "Vehicle Technology Timeline: From Automated to Driverless", Robert Bosch (Australia) Pty. Ltd., 2014, acessado em 1 de agosto de 2016, http://dpti.sa.gov.au/__data/assets/pdf_ file / 0009/246807 / Carl_Liersch_Presentation.pdf . 23 “Sistema Inteligente de Assistência ao Estacionamento”, Wikipedia, última modificação em 26 de julho de 2016, acessado em 1 de agosto de 2016, https://en.wikipedia.org/wiki/Intelligent_Parking_Assist_System . 24 The Tesla Motors Team, "Summon Your Tesla from Your Phone", Tesla, 10 de janeiro de 2016, acessado em 1 de agosto de 2016, https://www.teslamotors.com/blog/summon-your-tesla-your-phone . Sistema de aviso de saída de 25 pistas, ” Wikipedia, última modificação em 24 de julho de 2016, acessado em 1 de agosto de 2016, https://en.wikipedia.org/wiki/Lane_departure_warning_system . 26 “Sistema de controle de cruzeiro autônomo”, Wikipedia, última modificação em 30 de julho de 2016, acessado em 1 de agosto de 2016, https://en.wikipedia.org/wiki/Autonomous_cruise_control_system . 27 “Monitor de ponto cego”, Wikipedia, última modificação em 20 de abril de 2016, acessado em 1 de agosto de 2016, https://en.wikipedia.org/wiki/Blind_spot_monitor . 28 Dana Hull, “Tesla Starts Rolling Out Autopilot Features,” Tecnologia Boomberg, 14 de outubro 2015, acessado em 1 de agosto de 2016, http://www.bloomberg.com/news/articles/2015-10-14/tesla- software-upgrade-adds-automatic-lane-changing-to-model-s . 29 Aaron Tilley, “New Qualcomm Chip Brings Deep Learning To Cars,” Forbes, 5 de janeiro de 2016, acessado em 1 de agosto de 2016, http://www.forbes.com/sites/aarontilley/2016/01/05/along-with-nvidia- new-qualcomm-chip-bring-deep-learning-to-cars / # 4cb4e9235357 . 19 tornar tal direção autônoma possível estavam disponíveis em 2000 - e de fato alguns protótipos de carros autônomos existiam 30 31 32 - poucos previram que as principais empresas estariam desenvolvendo e implantando carros autônomos em 2015. Durante o primeiro “grande desafio” da Agência de Projetos de Pesquisa Avançada de Defesa (DARPA) sobre direção autônoma em 2004, as equipes de pesquisa não conseguiram completar o desafio em um cenário limitado de deserto. Mas em oito curtos anos, de 2004 a 2012, um progresso rápido e surpreendente ocorreu tanto na academia quanto na indústria. Os avanços na tecnologia de detecção e aprendizado de máquina para tarefas de percepção aceleraram o progresso e, como resultado, os veículos autônomos do Google e os carros semiautônomos da Tesla estão circulando nas ruas da cidade hoje. Os carros com direção automática do Google, que registraram mais de 1.500.000 milhas (300.000 milhas sem acidentes), 33 são completamente autônomos - nenhuma entrada humana necessária. A Tesla lançou amplamente a capacidade de direção autônoma para carros existentes com uma atualização de software. 34 Seus carros são semi-autônomos, com motoristas humanos devem permanecer engajados e assumir o controle se detectarem um problema potencial. Ainda não está claro se essa abordagem semiautônoma é sustentável, uma vez que à medida que as pessoas se tornam mais confiantes nas capacidades dos carros, elas tendem a prestar menos atenção à estrada e se tornam menos confiáveis quando são mais necessárias. A primeira fatalidade no trânsito envolvendo um carro autônomo, ocorrida em junho de 2016, trouxe maior destaque para essa questão. 35 Em um futuro próximo, os algoritmos de detecção alcançarão desempenho sobre-humano para as capacidades necessárias para dirigir. A percepção automatizada, incluindo a visão, já está próxima ou em nível de desempenho humano para tarefas bem definidas, como reconhecimento e rastreamento. Os avanços na percepção serão seguidos por melhorias algorítmicas nas capacidades de raciocínio de nível superior, como o planejamento. Um relatório recente prevê que os carros autônomos serão amplamente adotados até 2020. 36 E a adoção de recursos de direção autônoma não se limitará ao transporte pessoal. Veremos veículos de entrega autônomos e controlados remotamente, veículos voadores e caminhões. Os serviços de transporte ponto a ponto, como o compartilhamento de caronas, também costumam utilizar veículos autônomos. Além dos carros autônomos, os avanços na robótica facilitarão a criação e adoção de outros tipos de veículos autônomos, incluindo robôs e drones. Ainda não está claro até que ponto os carros autônomos precisam se tornar melhores para estimular a ampla aceitação. A colaboração exigida em carros semiautomáticos e suas implicações para a carga cognitiva de motoristas humanos não é bem compreendida. Mas se os futuros carros autônomos forem adotados com a velocidade prevista e eles excederem o desempenho de nível humano na direção, outras mudanças sociais significativas se seguirão. Os carros autônomos eliminarão uma das maiores causas de morte e ferimentos acidentais nos Estados Unidos e aumentará a expectativa de vida das pessoas. Em média, um entrega controlada remotamente Veremos direção autônoma e veículos, veículos voadores, e caminhões.
Compartilhar