A maioria de nós está agora familiarizado com sistemas de IA como o ChatGPT ou o DALL-E, que aprendem com vastos conjuntos de dados de texto e imagens. Estes sistemas fizeram progressos notáveis na geração de conteúdos, na resposta a perguntas e no reconhecimento de padrões. No entanto, à medida que cresce a procura de sistemas de IA capazes de funcionar em ambientes reais, surge uma nova fronteira na IA: a IA incorporada - inteligência que aprende através da interação física com o mundo real.
Este artigo explora a forma como a IA incorporada transforma a robótica, permitindo que as máquinas aprendam e se adaptem através dos seus corpos e ambientes. Para além das suas aplicações imediatas na robótica, a IA incorporada também tem potencial para servir de trampolim para a Inteligência Artificial Geral (AGI, do inglês Artificial General Intelligence), oferecendo uma perspetiva de como a inteligência baseada na experiência física pode colmatar a lacuna entre a IA restrita e específica de uma tarefa e os sistemas mais gerais e adaptáveis.
Da cognição incorporada à IA incorporada
A cognição incorporada é a ideia de que a inteligência não é apenas uma função do cérebro, mas emerge da interação entre a mente, o corpo e o ambiente. Por exemplo, quando aprendemos a andar de bicicleta, não nos baseamos em cálculos abstractos ou em regras memorizadas; em vez disso, desenvolvemos a compreensão através da prática física, do equilíbrio e do feedback sensorial. Este conceito sublinha a profundidade com que o nosso pensamento e a nossa aprendizagem estão ligados às experiências corporais e ao envolvimento com o mundo físico.
A IA incorporada aplica este princípio à inteligência artificial, permitindo que os sistemas aprendam através da interação ativa com o seu ambiente. Ao contrário dos sistemas de IA sem corpo, como os grandes modelos de linguagem (LLM), que processam dados abstractos como texto ou imagens em ambientes estáticos e controlados, os agentes de IA com corpo utilizam o acoplamento sensório-motor e o feedback do mundo real para se adaptarem e melhorarem. Estes agentes actuam no seu ambiente, sentem os resultados das suas acções e ajustam o seu comportamento em conformidade. Esta abordagem, enraizada na cognição incorporada, salienta que a inteligência emerge de interações dinâmicas e físicas com o mundo e não da computação isolada.
Os desafios únicos do mundo físico
O mundo real funciona através de factores tangíveis como a gravidade, a fricção, o equilíbrio e as relações espaciais, o que o torna fundamentalmente diferente da natureza abstrata dos dados digitais. Os sistemas de IA convencionais, concebidos para processar informação abstrata, não dispõem de estruturas que permitam aos agentes interagir fisicamente com o ambiente que os rodeia.
A aprendizagem física apresenta vários desafios distintos:
A segurança em primeiro lugar: Ao contrário dos erros digitais que podem ser facilmente apagados, as acções físicas têm consequências reais. Os robôs têm de aprender sem se prejudicarem a si próprios ou ao que os rodeia:
Ambientes confusos e imprevisíveis: Ao contrário dos conjuntos de dados digitais, o mundo real não tem rótulos bem definidos. Os robôs têm de dar sentido a ambientes complexos e em constante mudança com informações incompletas.
Aprender na hora: Os robôs não podem parar o mundo para pensar. Têm de processar informação e adaptar-se em tempo real à medida que as condições se alteram à sua volta.
Mudança de objectivos: À medida que as tarefas e os ambientes evoluem, os robôs devem ser suficientemente flexíveis para ajustar as suas estratégias e aplicar a aprendizagem anterior a novas situações.
O corpo é importante: A conceção física de um robô - os seus sensores, articulações e capacidades de movimento - molda diretamente o que e como pode aprender sobre o mundo. Um robô com rodas aprenderá e interagirá de forma diferente de um robô com pernas ou braços.
Robôs actuais: especializados mas limitados
Atualmente, as soluções robóticas mais amplamente adoptadas dependem de uma programação precisa e funcionam em ambientes controlados. Estes robôs encontram-se normalmente em indústrias como a indústria transformadora e a logística, onde executam eficazmente tarefas repetitivas, como a montagem de peças ou a triagem de embalagens. No entanto, a sua programação rígida significa que não têm a flexibilidade necessária para se adaptarem a mudanças ou situações inesperadas. Por razões de segurança, estes robôs são normalmente isolados dos humanos, uma vez que a sua incapacidade de responder dinamicamente ao ambiente que os rodeia os torna potencialmente perigosos em espaços partilhados. Muitos sistemas requerem supervisão humana para a configuração, monitorização e resolução de problemas. Embora eficaz para tarefas específicas e bem definidas, esta abordagem limita a sua capacidade de funcionar em ambientes mais dinâmicos e imprevisíveis.
Como a informação corporal melhora a aprendizagem dos robôs
Ao contrário dos sistemas rígidos e pré-programados, há décadas que os investigadores têm vindo a explorar robôs que aprendem com o seu corpo e ambiente. As suas raízes estão na cibernética, que remonta à década de 1940. Estes robôs adaptam-se aos desafios do mundo físico, tirando partido da interação e do feedback, o que lhes permite funcionar em ambientes dinâmicos e imprevisíveis.
A deteção tátil permite que os robôs “sintam” os objectos, utilizando sensores tácteis para obter um feedback físico preciso. Os robôs feitos de materiais flexíveis, adaptam a sua forma e aprendem através da deformação física. Os robôs que aprendem através de demonstrações, como os desenvolvidos no Toyota Research Institute, adquirem uma vasta gama de competências complexas observando demonstrações operadas por um homem e gerando acções baseadas em observações de sensores. Os robôs colaborativos, como o KUKA LBR iiwa e o LBR iisy, operam em segurança ao lado de humanos em espaços de trabalho partilhados, permitindo uma interação direta e aprendendo com estas experiências para melhorar continuamente o seu desempenho.
Os recentes avanços na robótica humanoide demonstram ainda mais o potencial da aprendizagem incorporada. Estes robôs são concebidos para navegar em ambientes complexos e realizar tarefas complexas, aprendendo através da interação física, o que os torna mais adaptáveis e capazes de funcionar em cenários do mundo real. No seu conjunto, estes desenvolvimentos marcam uma mudança significativa no sentido de sistemas mais flexíveis e inteligentes que resolvem as limitações da robótica tradicional.
Um robô do Instituto de Investigação da Toyota aprende uma nova tarefa com uma demonstração operada por um humano. Fotografia: Instituto de Investigação da Toyota https://www.tri.global/news/robots-can-learn-new-actions-faster-thanks-ai-techniques
IA incorporada - um passo em direção à AGI?
A IA incorporada é importante para a robótica e um passo em direção à Inteligência Artificial Geral (AGI). Embora os grandes modelos de linguagem (LLMS) sejam poderosos no processamento de informação e na simulação do raciocínio, não têm perceção direta nem capacidade de agir no mundo real. Em contrapartida, a IA incorporada baseia a inteligência na interação física, permitindo que os agentes percebam o seu ambiente, tomem medidas e aprendam com o feedback do mundo real.
A interação contínua e dinâmica com o mundo real permite que os agentes incorporados desenvolvam uma compreensão mais profunda e fundamentada, compreendam a causalidade e aprendam de forma mais semelhante à inteligência biológica, como se vê nos seres humanos e nos animais. Em vez de se basear apenas em conjuntos de dados estáticos, a IA incorporada aprende através do envolvimento ativo, o que conduz a uma aprendizagem mais flexível, adaptável e geral.
O futuro da inteligência incorporada
Embora a IA incorporada enfrente desafios significativos, como a segurança, a adaptabilidade e a aprendizagem em tempo real, é inegável o seu potencial para transformar a robótica e aproximar-nos da AGI. Apesar desta promessa, a IA incorporada continua a ser significativamente pouco explorada em comparação com os sistemas de IA digital, que têm recebido enorme atenção e investimento. No entanto, esta lacuna representa uma excelente oportunidade para expandir as fronteiras da IA, centrando-se em sistemas que aprendem através da interação física. Os robôs que se adaptam a ambientes do mundo real poderão revolucionar domínios como os cuidados de saúde, onde poderão ajudar os doentes a deslocarem-se mais facilmente, ou a resposta a catástrofes, navegando eficazmente em situações imprevisíveis.
A IA incorporada abre caminho para que as máquinas se adaptem, aprendam e evoluam em ambientes do mundo real. Esta abordagem vai para além do avanço da robótica - também nos aproxima do objetivo da AGI. Ao basear a inteligência na experiência física, a IA incorporada preenche a lacuna entre sistemas limitados e específicos de tarefas e a inteligência adaptável e de objetivo geral. À medida que continuamos a alargar os limites da IA, uma maior exploração das abordagens incorporadas oferece um imenso potencial para criar máquinas que compreendam e naveguem verdadeiramente no mundo físico em que vivemos.
Artigo de opinião de:
Weronika Wojtak, Researcher in Human-Technology Interaction and Robotics (HTIR)
Referências
Roy, Nicholas, et al. "From machine learning to robotics: Challenges and opportunities for embodied intelligence." arXiv preprint arXiv:2110.15245 (2021).
Paolo, Giuseppe, Jonas Gonzalez-Billandon, and Balázs Kégl. "A call for embodied AI." arXiv preprint arXiv:2402.03824 (2024).
Foglia, Lucia, and Robert A. Wilson. "Embodied cognition." Wiley Interdisciplinary Reviews: Cognitive Science 4.3 (2013): 319-325.
