Iniciar teste gratuito
Popular Novos Gêneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Pesquisando...
SoBrief
Criadores de genios

Criadores de genios

Título original: Genius Makers
Os inovadores que levaram a IA para o Google. o Facebook e o mundo
Uma descoberta em IA desencadeia uma disputa de lances de US$ 44 milhões. O que as máquinas tinham realmente aprendido?
por Cade Metz 2021 384 páginas
4.26
3.000+ avaliações
Ouvir
Imersivo
V2.3
Amazon Kindle Audible
Experimente o Acesso Completo por 3 Dias
Desbloqueie o áudio e muito mais!
Continuar

Principais Lições

Mantenha vivas as ideias promissoras até que as condições mudem.

Uma ideia rejeitada pode esperar. Em 1958, o psicólogo Frank Rosenblatt apresentou o Perceptron, uma máquina de aprendizagem pioneira capaz de identificar padrões simples. Suas limitações eram reais, mas a publicidade inflou as expectativas, e os críticos Marvin Minsky e Seymour Papert demonstraram que o sistema não conseguia resolver certos problemas básicos. O financiamento e a atenção se voltaram para outras áreas. Geoff Hinton continuou trabalhando com redes neurais durante anos em que colegas as consideravam um beco sem saída. Em 2012, depois que seu grupo demonstrou que uma rede neural podia reconhecer imagens com precisão excepcional, Google, Microsoft, Baidu e DeepMind disputaram a compra de sua startup, que tinha três pessoas. O Google pagou 44 milhões de dólares.

O momento também importa. A ideia não havia se tornado nova de repente. Algoritmos melhores, mais dados e computadores mais rápidos finalmente a tornaram útil. Hinton escolheu o Google em vez de esperar por um possível preço mais alto num leilão porque valorizava mais ter um lar para a pesquisa do que extrair até o último dólar.

Análise

O que chama a atenção é como a rejeição científica pode, ao mesmo tempo, corrigir e distorcer. Minsky e Papert identificaram limitações reais, mas as instituições trataram essas limitações como um veredito sobre toda uma abordagem. Isso se parece com a diferença entre refutar um modelo e descartar todo um programa de pesquisa. A persistência importa, mas não é sabedoria automática: o hábito útil é preservar uma possibilidade que possa ser testada e continuar perguntando o que mudou nas evidências ou nas ferramentas. A história de Hinton faz a paciência intelectual parecer menos teimosia e mais atenção disciplinada às condições.

A aprendizagem profunda precisava combinar algoritmos, dados e computação especializada.

Três ingredientes convergiram. Aprendizagem profunda é o nome dado a redes neurais com várias camadas de processamento, que aprendem padrões a partir de exemplos. Na década de 1980, Geoff Hinton, David Rumelhart e outros ajudaram a tornar treináveis as redes com múltiplas camadas, por meio da retropropagação, um método que ajusta as conexões internas com base nos erros de tentativas anteriores. Durante anos, a abordagem continuou limitada pelo tamanho dos conjuntos de dados disponíveis e pela velocidade dos computadores.

O hardware mudou o ritmo. As unidades de processamento gráfico, ou GPUs, foram criadas para renderizar imagens de videogames, mas sua capacidade de realizar muitos cálculos ao mesmo tempo as tornou úteis para treinar redes neurais. Em 2012, Alex Krizhevsky usou GPUs e as fotografias rotuladas do ImageNet para criar o AlexNet, que superou por ampla margem os sistemas concorrentes de reconhecimento de imagens. No reconhecimento de fala, uma rede neural treinada com mais dados também venceu sistemas que a Microsoft levara anos para aperfeiçoar. O poder computacional não substituiu a engenhosidade. Amplificou-a.

Análise

Essa história corrige de forma útil os relatos de invenção centrados em um gênio solitário ou numa única descoberta. O avanço dependeu de recursos complementares: um método de aprendizagem, dados utilizáveis, computação paralela acessível e engenheiros capazes de fazer tudo funcionar em conjunto. A pesquisa sobre inovação costuma descrever esses momentos como convergência, e não como criação a partir do nada. A ressalva é que mais poder computacional pode acelerar a experimentação sem tornar o sistema resultante mais confiável ou justo. Capacidade é uma condição que viabiliza; não é uma medida de valor social.

Proteja a pesquisa de longo prazo de instituições otimizadas para resultados previsíveis.

Um refúgio para a pesquisa fez diferença. Os pesquisadores de redes neurais continuaram dispersos pelas universidades enquanto a IA simbólica, que codificava regras explícitas, dominava boa parte da área. Hinton, Yann LeCun e Yoshua Bengio ajudaram a manter uma pequena comunidade de pesquisa por meio de encontros e trabalhos compartilhados, sobretudo no Canadá. Eles perseguiam ideias que poderiam levar anos para ser comprovadas, mesmo quando laboratórios e revistas de prestígio demonstravam pouco interesse.

Comunidades preservam possibilidades. Os encontros organizados por Hinton reuniam cientistas da computação, engenheiros, psicólogos e neurocientistas. Os pesquisadores podiam comparar resultados, em vez de perseguir os mesmos problemas isoladamente. O grupo também popularizou o termo aprendizagem profunda para redes com muitas camadas, dando nome a uma antiga linha de trabalho e atraindo atenção para ela. A história não é simplesmente a de que os dissidentes estavam certos e os estabelecidos, errados. O ceticismo e a escassez de financiamento podem expor afirmações frágeis, mas também podem tornar as instituições excessivamente dependentes dos métodos que já estão em voga.

Análise

O livro mostra que a capacidade de pesquisa é uma estrutura social, não apenas uma rubrica orçamentária. Uma rede de pares pode preservar conhecimentos especializados, atrair estudantes e ajudar uma ideia fora de moda a sobreviver até que surjam ferramentas melhores. Isso se aproxima da lógica da diversidade intelectual: abordagens concorrentes reduzem o risco de que toda uma área compartilhe um mesmo ponto cego. O desafio é distinguir a dissidência produtiva da lealdade que não admite refutação. A pesquisa protegida precisa de espaço para explorar, junto com padrões claros de evidência e disposição para abandonar afirmações que fracassem repetidamente.

Exija evidências em testes de referência rigorosos, não demonstrações convincentes.

Um teste de referência pode resolver uma controvérsia. Durante anos, pesquisadores questionaram se as redes neurais seriam capazes de reconhecer imagens complexas. O grupo de Hinton treinou o AlexNet com o ImageNet, uma grande coleção de fotografias rotuladas usada em uma competição anual de reconhecimento de imagens. O sistema teve desempenho muito superior ao dos concorrentes, transformando uma discussão teórica em um resultado mensurável. Seu sucesso convenceu céticos que haviam pedido evidências em um teste comum e exigente.

Os testes ainda têm limites. O ImageNet ajudou a estabelecer que a abordagem funcionava para classificar imagens, mas não provou que um sistema compreendia o mundo como as pessoas. Pesquisadores debateram se imagens organizadas e rotuladas refletiam a experiência visual cotidiana. A distinção importa: um teste de referência pode comparar sistemas de modo justo e, ainda assim, medir apenas uma parte da tarefa real. Afirmações fortes devem especificar o que foi testado, como o sistema se saiu e o que o teste deixa de fora.

Análise

Os testes de referência são poderosos porque tornam as divergências verificáveis. Em vez de discutir com base na intuição, pesquisadores podem comparar o desempenho em condições comuns. Mas a medição cria seus próprios incentivos: as equipes otimizam os sistemas para o teste, e o sucesso em um conjunto de dados cuidadosamente selecionado pode ser confundido com competência ampla. É um problema conhecido na educação e nas políticas públicas, em que um indicador substituto vira alvo. A resposta certa não é rejeitar os testes de referência, mas usar vários, incluir casos desconhecidos e manter a capacidade medida mais restrita que a linguagem de marketing.

Não confunda um campeão de jogos com inteligência geral.

Os jogos oferecem um placar claro. A DeepMind treinou sistemas para jogar games de Atari por meio da aprendizagem por reforço, um método em que um agente melhora ao experimentar ações e receber recompensas ou penalidades. O AlphaGo usou redes neurais e extensa prática contra si mesmo para derrotar jogadores de elite de Go. Sua jogada incomum na partida contra Lee Sedol revelou que o treinamento podia produzir estratégias que especialistas humanos não haviam considerado.

Um jogo não é o mundo. Os jogos definem regras, objetivos e retornos. Um robô, um médico ou um assistente on-line enfrenta situações sem limites tão claros. Um sistema que domina o Go não aprende medicina nem senso comum por isso. A DeepMind tratava os jogos como etapas rumo a capacidades mais gerais; críticos questionavam quanto dessas habilidades se transferiria para outros contextos. A distinção é prática: um desempenho impressionante em um ambiente controlado comprova competência real ali, não inteligência universal.

Análise

Os jogos são laboratórios científicos excepcionalmente bons porque tornam o progresso visível. Uma pontuação diz aos pesquisadores se o sistema melhorou, e a prática contra si mesmo pode gerar experiência em uma escala indisponível para competidores humanos. Mas essa mesma clareza oculta uma dificuldade central: ambientes reais raramente oferecem uma única recompensa consensual. Na economia e na administração pública, otimizar um alvo pode distorcer o propósito mais amplo que ele deveria representar. Portanto, dominar um jogo é uma evidência significativa de aprendizagem e planejamento, mas a transferência para a vida em aberto é uma afirmação distinta, que exige testes próprios.

Trate os dados de treinamento como uma decisão de projeto com consequências humanas.

As máquinas herdam os exemplos que recebem. Os sistemas de aprendizagem profunda aprendem padrões estatísticos a partir dos dados de treinamento; por isso, lacunas nesses exemplos podem se tornar lacunas de desempenho. O Google Fotos já rotulou como gorilas fotos de um usuário negro com seu amigo. Na Clarifai, a pesquisadora Deborah Raji descobriu que um conjunto de dados de treinamento para reconhecimento facial era composto, em sua esmagadora maioria, por pessoas brancas, sobretudo homens. Um filtro de conteúdo treinado com exemplos desequilibrados também corria o risco de associar pessoas negras à pornografia.

A medição revelou erros desiguais. Joy Buolamwini testou ferramentas comerciais de análise facial e encontrou taxas de erro muito mais altas para mulheres de pele mais escura do que para homens de pele mais clara. Em um estudo, a taxa de erro da Microsoft para mulheres de pele mais escura ficou em cerca de 21%, e a da IBM, em 35%. Esses sistemas não eram neutros simplesmente por usarem matemática. Quem é representado, quem rotula os exemplos e quais erros são considerados aceitáveis moldam o produto.

Análise

A ideia central é que o viés pode surgir de decisões corriqueiras de engenharia, não apenas de uma intenção abertamente discriminatória. A composição dos conjuntos de dados, as regras de rotulagem e os grupos avaliados determinam quais experiências se tornam legíveis para um modelo. Isso se relaciona à teoria da medição: categorias e instrumentos não se limitam a registrar a realidade; eles estruturam o que pode ser visto. Uma representação mais ampla pode revelar falhas, embora a diversidade, por si só, não garanta justiça. Sistemas de alto impacto também precisam de avaliação independente, de um meio para contestar erros e de limites para usos em que as falhas imponham custos graves.

Crie salvaguardas contra o uso indevido antes da implantação, não depois de um escândalo.

Capacidades podem servir a propósitos opostos. As redes adversariais generativas, ou GANs, de Ian Goodfellow usam duas redes neurais em competição: uma gera exemplos, enquanto a outra tenta distingui-los dos dados reais. A abordagem produziu imagens cada vez mais convincentes, inclusive rostos fabricados. Técnicas relacionadas permitiram alterar vídeos e vozes, aumentando o risco de que mídias realistas fossem usadas para enganar. Pesquisadores também mostraram que pequenas mudanças cuidadosamente escolhidas podiam enganar sistemas de reconhecimento de imagens. Alguns adesivos numa placa de pare poderiam confundir um modelo usado por um carro autônomo.

A intenção não é uma salvaguarda. O Project Maven, uma iniciativa do Departamento de Defesa dos EUA, buscava ferramentas de aprendizagem de máquina para analisar imagens de drones. No Google, protestos de funcionários forçaram um debate sobre se a empresa deveria contribuir. Alguns pesquisadores temiam que a tecnologia pudesse ajudar a selecionar alvos; outros argumentavam que a IA poderia salvar vidas. A controvérsia revelou que decisões de implantação, contratos e supervisão moldam as consequências tanto quanto os próprios algoritmos.

Análise

As tecnologias de uso dual transformam a ética, ao mesmo tempo, em um problema de engenharia e de governança. Uma ferramenta pode melhorar a acessibilidade ou o trabalho criativo e também facilitar fraude, vigilância ou seleção de alvos militares. Esperar por um episódio dramático de uso indevido significa que os incentivos e a infraestrutura talvez já estejam consolidados. Ao mesmo tempo, proibições abrangentes podem ocultar diferenças entre aplicações e impedir pesquisas benéficas. Uma abordagem mais precisa pergunta quem pode usar um sistema, quais danos são previsíveis, quais controles podem ser aplicados e se as comunidades afetadas têm poder para contestar sua implantação.

Mantenha pessoas responsáveis nos sistemas que influenciam a saúde, a guerra e a fala.

A automação não resolve a questão da responsabilidade. O sistema do Google para detectar retinopatia diabética analisava exames de retina e, em um estudo, identificou sinais da doença em mais de 90% dos casos. Isso poderia ajudar a atender pacientes em lugares com poucos oftalmologistas. Mas o uso clínico ainda dependia de validação, regulamentação e confiança. O projeto de saúde da DeepMind na Grã-Bretanha revelou outro risco: o acesso aos prontuários de 1,6 milhão de pacientes gerou preocupações com a privacidade, e um órgão regulador considerou ilegal o acordo de compartilhamento de dados.

O julgamento continua necessário. Plataformas sociais usavam sistemas automatizados para sinalizar propaganda terrorista e outros materiais nocivos, mas muitas decisões ainda eram analisadas por pessoas. As máquinas tinham dificuldade com o contexto, como distinguir um vídeo violento de outro clipe superficialmente semelhante. A supervisão humana não é uma solução mágica, sobretudo quando quem analisa os casos está sobrecarregado ou não tem autoridade. O objetivo é tornar a responsabilidade visível, em vez de tratar uma saída algorítmica como um veredito incontestável.

Análise

A automação em contextos de alto impacto deve ser avaliada não apenas pela precisão, mas também por todo o processo decisório: quem forneceu os dados, quem pode examinar os resultados e quem arca com o custo dos erros. A medicina ilustra o potencial de ampliar o acesso; as disputas sobre privacidade mostram que um objetivo útil não justifica automaticamente todos os meios. A análise humana pode oferecer contexto, mas também pode se tornar uma fina camada de proteção contra responsabilização. Uma prestação de contas efetiva exige revisores com autoridade, mecanismos de recurso e instituições dispostas a agir quando as evidências apontam para danos.

Ferramentas abertas podem democratizar a pesquisa e, ao mesmo tempo, fortalecer o poder das plataformas.

O compartilhamento acelerou a adoção. O Google lançou o TensorFlow, um software para criar e treinar sistemas de aprendizagem de máquina, como ferramenta de código aberto. Pesquisadores e empresas puderam usá-lo sem começar do zero, o que ampliou a participação e incentivou melhorias compartilhadas. A empresa também se beneficiou: uma comunidade maior de usuários do TensorFlow poderia gerar talentos, pesquisas e demanda pelos serviços de nuvem e pelos chips especializados do Google.

A abertura não significa ausência de poder. O boom da aprendizagem profunda também foi uma corrida por pesquisadores escassos, capacidade computacional e dados. Google, Facebook, Microsoft e Baidu criaram laboratórios, compraram startups e recrutaram cientistas de ponta. A China desenvolveu sua própria capacidade de pesquisa e suas ambições nacionais em IA, enquanto o Google procurava promover suas ferramentas no país. O código aberto disseminou capacidades, mas o controle da infraestrutura, dos serviços de nuvem e de grandes conjuntos de dados continuou dando vantagens estratégicas às empresas poderosas.

Análise

A infraestrutura aberta pode funcionar tanto como bem público quanto como estratégia competitiva. Ferramentas compartilhadas reduzem os custos de entrada, favorecem a reprodutibilidade e permitem que pesquisadores desenvolvam o trabalho uns dos outros. Ainda assim, a empresa que mantém uma plataforma popular pode definir padrões, atrair usuários e transformar a dependência do ecossistema em vantagem comercial. Essa tensão se assemelha à definição de padrões nas telecomunicações: a interoperabilidade beneficia a todos, mas controlar o padrão confere influência. Portanto, a abertura deve ser avaliada não apenas pela disponibilidade do código, mas também por quem controla o poder computacional, os dados e a governança.

Trate a inteligência artificial geral como uma aposta controversa, não como um destino estabelecido.

Os pioneiros discordavam sobre a linha de chegada. Demis Hassabis e Shane Legg criaram a DeepMind com o objetivo de desenvolver inteligência artificial geral, ou IAG: sistemas capazes de realizar uma ampla variedade de tarefas intelectuais. Elon Musk alertou que esses sistemas poderiam se tornar perigosos, enquanto Sam Altman e Ilya Sutskever consideravam sua criação um grande objetivo. Gary Marcus argumentava que a aprendizagem profunda tinha dificuldade com o senso comum, o raciocínio e a aprendizagem a partir de poucos exemplos. Hinton, apesar de ter ajudado a impulsionar a ascensão moderna da área, preferia resolver problemas específicos a construir máquinas de uso geral.

O progresso é real; as previsões são incertas. A aprendizagem profunda transformou o reconhecimento de fala e de imagens, a tradução e outras tarefas. Mas as alegações sobre quando as máquinas poderiam igualar ou superar a inteligência humana continuavam especulativas. O livro apresenta tanto a ambição quanto a dúvida e mostra como a crença pode mobilizar dinheiro e talentos, ao mesmo tempo que obscurece a diferença entre capacidades demonstradas e projeções para o futuro.

Análise

O debate sobre a inteligência artificial geral combina incerteza técnica com um poderoso incentivo institucional: futuros dramáticos atraem investimento, talentos e atenção. Isso não torna a ambição vazia, mas significa que as previsões devem ser separadas dos resultados demonstrados. Um padrão útil é perguntar quais capacidades foram medidas, com que robustez se generalizam e quais pressupostos conectam os sistemas de hoje às afirmações sobre o futuro. O debate também envolve valores, não apenas prazos: desejar uma inteligência de uso geral é uma questão diferente de saber se ela é tecnicamente possível.

Análise

Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo é tanto uma história do ressurgimento algorítmico quanto um estudo de como as instituições decidem o que conta como progresso. Sua narrativa central vai do Perceptron pioneiro de Rosenblatt, passando por décadas de ceticismo, até a convergência da aprendizagem com múltiplas camadas, da abundância de dados e da computação com GPUs. Os protagonistas dramáticos são cientistas, mas os agentes decisivos também incluem estudantes, comunidades de pesquisa, executivos, equipes de hardware e instituições que forneceram financiamento e infraestrutura.

A percepção estrutural mais forte do livro é que o sucesso técnico não surge isoladamente. As redes neurais ganharam influência quando ideias negligenciadas encontraram condições favoráveis e foram transformadas em produtos. Mas esse mesmo movimento também alterou quem controlava a pesquisa. Os laboratórios corporativos ofereciam recursos e caminhos para a implantação, ao mesmo tempo que concentravam talentos e poder computacional. A publicação aberta ampliou o acesso, mas as plataformas e a infraestrutura de nuvem deram novas formas de influência às empresas dominantes.

A história também torna mais complexa a oposição habitual entre otimismo e medo. Sistemas especializados produziram avanços mensuráveis em fala, visão, tradução, jogos e triagem médica. Esses êxitos não comprovaram a inteligência geral, mas tiveram consequências reais para a privacidade, o trabalho, a desinformação, a vigilância e as aplicações militares. Os riscos mais imediatos muitas vezes eram menos cinematográficos que a superinteligência: classificações enviesadas, decisões opacas e sistemas implantados sem consentimento ou responsabilização adequados.

Como relato histórico, o livro é especialmente bom em mostrar que o consenso científico pode ficar atrás das evidências e depois oscilar para o excesso de confiança, quando as evidências se tornam comercialmente valiosas. A advertência não é que o progresso deva parar, mas que a competência em um ambiente é facilmente confundida com competência em todos os ambientes. A questão duradoura, portanto, não é apenas se as máquinas podem aprender, mas quem define a tarefa, controla os dados e o hardware, se beneficia da implantação e arca com os custos quando o sistema falha.

Resumo em 30 Segundos
A aprendizagem profunda decolou quando algoritmos aprimorados se combinaram com grandes conjuntos de dados e GPUs potentes. Resultados sólidos em benchmarks podem comprovar a habilidade de um sistema em uma tarefa definida, mas não demonstram uma compreensão mais ampla. Os dados de treinamento moldam o desempenho e podem codificar erros desiguais. As escolhas de implantação afetam a privacidade, a segurança e a responsabilização, por isso a supervisão humana e as salvaguardas são importantes. Ferramentas abertas ampliam o acesso, enquanto o controle de dados e da computação ainda favorece as grandes plataformas. As afirmações sobre inteligência geral continuam incertas.
Contém spoilers

Última atualização:

Reportar Problema

Resumo das Resenhas

4.26 de 5
Média de 3.000+ avaliações do Goodreads e Amazon.

Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo narra o desenvolvimento da inteligência artificial, com foco na aprendizagem profunda e nas redes neurais. O livro traça o perfil de figuras importantes, como Geoffrey Hinton, Yann LeCun e Demis Hassabis, detalhando suas dificuldades e descobertas. Os leitores apreciam a escrita acessível, as histórias pessoais envolventes e as perspectivas sobre a natureza competitiva do setor de IA. Embora alguns críticos desejem mais aprofundamento técnico ou uma exploração maior das questões éticas, a maioria considera o livro uma história informativa e divertida da IA moderna, adequada tanto para iniciantes quanto para quem já conhece a área.

Sua avaliação:
4.55
396 avaliações
Quer ler o livro completo?

Glossário

Perceptron

rede de aprendizagem inicial

Uma rede neural inicial desenvolvida por Frank Rosenblatt na década de 1950. Ela aprendeu a classificar padrões simples ajustando a importância de suas entradas após cometer erros. O Perceptron demonstrou que uma máquina podia aprender com exemplos, mas seu projeto de camada única não conseguia resolver alguns problemas básicos de reconhecimento de padrões, o que limitava suas capacidades.

conexionismo

aprendizagem por meio de conexões

Uma abordagem da inteligência artificial que constrói sistemas de aprendizagem a partir de muitas unidades computacionais interconectadas, inspiradas de maneira geral nas redes de neurônios do cérebro. Em vez de especificar cada regra manualmente, os sistemas conexionistas ajustam suas conexões internas enquanto processam exemplos. As redes neurais são a expressão mais conhecida dessa abordagem.

aprendizagem profunda

aprendizagem neural em múltiplas camadas

Uma forma de aprendizado de máquina que usa redes neurais com várias camadas de cálculos. As camadas podem aprender padrões cada vez mais complexos a partir de dados, como combinar detalhes de uma imagem para reconhecer objetos. No livro, o termo ajudou a reavivar o interesse pelas redes neurais e passou a ser associado aos avanços em fala, visão, tradução e outras tarefas.

retropropagação

ajuste de pesos com base no erro

Um método para treinar uma rede neural de múltiplas camadas. Depois que a rede produz uma resposta, a retropropagação envia informações sobre o erro de volta pelas camadas, para que o sistema possa ajustar as conexões, ou pesos, que contribuíram para o resultado. O método ajudou a tornar treináveis as redes mais profundas, embora um desempenho útil também dependesse de dados e poder computacional.

rede neural convolucional

rede para padrões em imagens

Um projeto de rede neural particularmente eficaz na análise de imagens. Ele processa trechos locais de uma imagem para detectar pequenos padrões e, em seguida, combina esses padrões em características maiores. Yann LeCun desenvolveu uma versão de destaque inspirada no sistema visual, e redes relacionadas mais tarde impulsionaram avanços no reconhecimento de imagens, como o AlexNet.

aprendizagem por reforço

aprendizagem por ações recompensadas

Uma abordagem de treinamento na qual um agente experimenta ações em um ambiente e ajusta seu comportamento de acordo com recompensas ou penalidades. A DeepMind a usou para ensinar sistemas a jogar games de Atari e para aprimorar o AlphaGo por meio da autocompetição. Os jogos tornam o método conveniente porque o sucesso pode ser definido com pontuações claras, ao contrário de muitas tarefas do mundo real.

redes adversariais generativas

geradores de imagens em disputa

Um sistema no qual duas redes neurais são treinadas uma contra a outra. Uma rede gera exemplos, como imagens, enquanto a outra tenta distinguir os exemplos gerados dos reais. O gerador melhora ao tentar enganar seu adversário. Ian Goodfellow propôs essa abordagem, que ajudou a produzir imagens sintéticas cada vez mais realistas.

ataques adversariais

entradas que enganam modelos

Alterações cuidadosamente escolhidas em uma entrada que levam um sistema de aprendizado de máquina a fazer uma previsão incorreta, às vezes sem que a entrada pareça diferente para uma pessoa. O livro descreve exemplos envolvendo pixels alterados e adesivos colocados em uma placa de pare. Esses ataques são importantes quando modelos orientam tarefas de grande consequência, inclusive a percepção de veículos.

inteligência artificial geral

capacidade intelectual ampla

Uma forma proposta de inteligência artificial capaz de realizar uma ampla variedade de tarefas intelectuais, em vez de se limitar a uma função específica, como reconhecer imagens ou jogar Go. A DeepMind e a OpenAI assumiram explicitamente a inteligência artificial geral como objetivo. O livro ressalta que sua viabilidade, seu prazo, sua conveniência e seus riscos continuam sendo objeto de debate.

Perguntas Frequentes

Sobre o que trata Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Foco nos pioneiros da IA: Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo, de Cade Metz, narra a trajetória de figuras importantes da inteligência artificial, como Geoff Hinton, Yann LeCun e Demis Hassabis, destacando seu trabalho pioneiro em aprendizagem profunda.
  • Contexto histórico: O livro oferece uma visão histórica da IA, acompanhando sua evolução desde os primeiros conceitos, na década de 1950, até as aplicações modernas, e detalhando os desafios e o ceticismo enfrentados pelos pesquisadores.
  • Impacto na sociedade: O livro enfatiza as implicações sociais dos avanços da IA, discutindo tanto os possíveis benefícios quanto os riscos e levantando questões sobre o futuro da inteligência e da tecnologia.

Por que devo ler Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Perspectivas sobre o desenvolvimento da IA: O livro oferece um mergulho profundo nas ideias dos inovadores que moldaram a IA e ajuda a compreender as dificuldades científicas e pessoais por trás das grandes descobertas.
  • Narrativa envolvente: Cade Metz combina pesquisa rigorosa com uma narrativa cativante, tornando temas complexos acessíveis e interessantes; anedotas e histórias pessoais acrescentam um elemento humano.
  • Relevância para questões atuais: À medida que a IA continua a evoluir, o livro oferece contexto para os debates em curso sobre o papel da tecnologia na sociedade e incentiva os leitores a refletir criticamente sobre as implicações da IA.

Quais são as principais lições de Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Importância da colaboração: O livro mostra como a colaboração entre pesquisadores, empresas e instituições foi crucial para o sucesso da IA, destacando a sinergia entre a academia e o setor privado.
  • Resiliência na pesquisa: Muitos pioneiros enfrentaram rejeição e ceticismo, mas persistiram e alcançaram descobertas importantes, ressaltando a importância da resiliência e da confiança nas próprias ideias.
  • Considerações éticas: O livro enfatiza a necessidade de estruturas éticas para o desenvolvimento da IA e alerta para os riscos potenciais associados a avanços sem controle.

Quais são as melhores citações de Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo e o que significam?

  • “Este é o melhor momento possível para estar vivo, quando quase tudo o que você pensava saber está errado.”: Reflete o caráter transformador da IA e o ritmo acelerado das mudanças, incentivando os leitores a acolher novas ideias.
  • “O sucesso é garantido.”: A afirmação ousada de Ilya Sutskever destaca a confiança dos pesquisadores no potencial da aprendizagem profunda e representa o otimismo que impulsionou a revolução da IA.
  • “Você provavelmente ouviu Elon Musk e seu comentário sobre a IA causar a Terceira Guerra Mundial.”: Ressalta as sérias preocupações em torno da IA e suas possíveis consequências, lembrando os dilemas éticos que acompanham os avanços tecnológicos.

Quem são as principais figuras abordadas em Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Geoff Hinton: Conhecido como o “padrinho da aprendizagem profunda”, seu trabalho com redes neurais lançou as bases da IA moderna e foi fundamental para reavivar o interesse pelas redes neurais.
  • Yann LeCun: Figura central no desenvolvimento de redes neurais convolucionais, suas contribuições fizeram avançar significativamente a tecnologia de reconhecimento de imagens e a pesquisa em IA no Facebook.
  • Demis Hassabis: Fundador da DeepMind, tinha como objetivo criar inteligência artificial geral (IAG); sua liderança no projeto AlphaGo demonstrou o potencial da aprendizagem profunda.

O que é aprendizagem profunda, segundo Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Redes neurais: A aprendizagem profunda é um subcampo do aprendizado de máquina que usa redes neurais com várias camadas para analisar dados, aprendendo com grandes quantidades de informação a identificar padrões.
  • Aplicações: O livro aborda aplicações como reconhecimento de imagens, reconhecimento de fala e processamento de linguagem natural, transformando setores que vão da saúde ao entretenimento.
  • Impacto revolucionário: A aprendizagem profunda permitiu que máquinas realizassem tarefas antes consideradas exclusivas dos seres humanos, levando a avanços importantes e suscitando questões éticas.

Como ocorreu o leilão da DNNresearch em Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Disputa acirrada: Geoff Hinton leiloou sua startup, a DNNresearch, para gigantes da tecnologia como Google, Microsoft e Baidu, com os lances aumentando rapidamente por e-mail.
  • Decisões estratégicas: A estratégia de Hinton no leilão demonstrou sua compreensão da dinâmica do mercado e lhe permitiu maximizar o valor de sua pesquisa e de seu talento.
  • Resultado: O Google venceu o leilão por US$ 44 milhões, marcando um momento importante para o setor de tecnologia e ressaltando a crescente importância da aprendizagem profunda e da pesquisa em IA.

Que desafios os pesquisadores de IA enfrentaram, segundo Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Ceticismo e rejeição: Pioneiros como Hinton e LeCun enfrentaram o ceticismo da comunidade científica, o que levou a períodos de isolamento e dúvida.
  • Financiamento e recursos: Conseguir financiamento era difícil, especialmente durante os “invernos da IA”, e exigia que os pesquisadores navegassem por períodos de interesse variável em seu trabalho.
  • Preocupações éticas: Com o avanço das tecnologias de IA, as considerações éticas se tornaram cruciais, e os pesquisadores passaram a lidar com possíveis consequências, como o viés e o impacto social.

Como a ascensão da aprendizagem profunda mudou o setor de tecnologia?

  • Mudança de foco: O sucesso da aprendizagem profunda levou as empresas a priorizar a pesquisa em IA, remodelando estratégias de negócios, como demonstram os investimentos de gigantes da tecnologia como Google e Facebook.
  • Novas aplicações: A aprendizagem profunda possibilitou avanços em áreas como saúde e finanças, com empresas usando IA para análises preditivas e automação.
  • Aquisição de talentos: A procura por pesquisadores de IA disparou, gerando uma intensa disputa entre empresas de tecnologia para atrair os melhores talentos e criando um novo cenário para os pesquisadores.

Como Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo aborda as implicações éticas da IA?

  • Viés nos algoritmos: O livro discute casos de viés em sistemas de IA e ressalta a importância de dados de treinamento diversos e de considerações éticas no desenvolvimento da IA.
  • Vigilância e preocupações com a privacidade: O livro explora o uso da IA em tecnologias de vigilância e seu possível uso indevido, incentivando a reflexão crítica sobre inovação e direitos individuais.
  • Defesa de uma IA responsável: O livro defende uma abordagem proativa à ética na IA e pede que pesquisadores e empresas considerem os impactos sociais, enfatizando a transparência e a responsabilização.

Qual é a importância do AlphaGo no contexto de Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Conquista histórica: A vitória do AlphaGo sobre Lee Sedol marcou um avanço e demonstrou as capacidades da aprendizagem profunda e da aprendizagem por reforço.
  • Atenção do público: O feito chamou a atenção geral para a IA, despertando interesse e investimentos e servindo de catalisador para mais pesquisa e desenvolvimento.
  • Implicações para o futuro da IA: As técnicas do AlphaGo podem ser aplicadas a outras áreas, como a saúde, demonstrando implicações mais amplas para além dos jogos.

Quais são as perspectivas futuras para a IA, segundo Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo?

  • Caminho até a IAG: O livro explora a busca pela inteligência artificial geral, uma máquina capaz de realizar tarefas intelectuais semelhantes às humanas, e observa que especialistas acreditam que a IAG ainda está a anos de distância.
  • Avanços tecnológicos: O livro discute o potencial de novas tecnologias, como microchips avançados, para acelerar o desenvolvimento da IA e levar a sistemas mais capazes.
  • Impacto social: O futuro da IA provavelmente afetará setores como saúde e educação; à medida que a IA evolui, é importante considerar tanto as oportunidades quanto os desafios.

Sobre o Autor

Cade Metz é repórter de tecnologia do The New York Times e cobre inteligência artificial, carros autônomos, robótica, realidade virtual e outras tecnologias emergentes. Antes, trabalhou por oito anos na revista Wired. A vasta experiência de Metz no jornalismo de tecnologia fica evidente em Criadores de genios. Os inovadores que levaram a IA para o Google. o Facebook e o mundo, seu primeiro livro, baseado em centenas de entrevistas realizadas ao longo de quase uma década. Seu estilo de escrita é elogiado por ser acessível e por tornar temas complexos interessantes para o público em geral. O trabalho de Metz oferece perspectivas valiosas sobre o universo da pesquisa e do desenvolvimento em IA, equilibrando informações técnicas com histórias de interesse humano.

Baixar PDF

Para guardar este resumo de Criadores de genios para depois, baixe o PDF grátis. Você pode imprimi-lo ou ler offline quando quiser.
Download PDF

Baixar EPUB

Para ler este resumo de Criadores de genios no seu dispositivo ou aplicativo de leitura, baixe o EPUB grátis. O formato digital .epub é ideal para ler e-books em celulares, tablets e leitores digitais.
Download EPUB
Quer ler o livro completo?
Seguir
Ouvir
Início
Swipe
Biblio
App
Experimente o Acesso Completo por 3 Dias
Ouça, salve e muito mais
Comparar Recursos Gratuito Pro
📖 Ler Resumos
Leia resumos ilimitados. Usuários gratuitos recebem 3 por mês
🎧 Ouvir Resumos
Ouça resumos ilimitados em 40 idiomas
—
❤️ Favoritos Ilimitados
Usuários gratuitos são limitados a 4
—
📜 Histórico Ilimitado
Usuários gratuitos são limitados a 4
—
📥 Downloads Ilimitados
Usuários gratuitos são limitados a 1
—
Cronograma Sem Risco
Hoje: Acesso Imediato
Ouça resumos completos de mais de 26.000 livros. São mais de 12.000 horas de áudio!
Dia 2: Lembrete do Teste
Enviaremos uma notificação avisando que seu teste está acabando.
Dia 3: Sua assinatura começa
A cobrança será feita em 24 de nov.,
cancele a qualquer momento antes.
Consume 2.8× More Books
2.8× mais livros Audição Leitura
Nossos usuários nos amam
1M+ leitores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este site é revolucionário. Tenho lido resumos de livros como nunca antes. Recomendo muito, muito mesmo.
— Dave G
Vale o meu dinheiro e tempo, e muito bem feito. Nunca vi essa qualidade de resumos em outros sites. Muito útil!
— Em
Altamente recomendado!! Serviço fantástico. Perfeito para quem quer algo além de uma prévia, mas sem todos os detalhes de um audiolivro completo.
— Greg M
Economize 62%
Anual
$119.88 $44.99/ano/ano
$3.75/mês
Mensal
$9.99/mês
Iniciar Teste Gratuito de 3 Dias
3 dias grátis, depois $44.99/ano. Cancele quando quiser.
Unlock a world of fiction & nonfiction books
Mais de 26.000 livros pelo preço de 2 livros
Leia qualquer livro em 10 minutos
Descubra novos livros como no Tinder
Solicite qualquer livro se ainda não tiver resumo
Leia mais livros do que qualquer pessoa que você conhece
App nº 1 para amantes de livros
Lifelike & immersive summaries
Garantia de reembolso de 30 dias
Baixe resumos em EPUB ou PDF
Cancele a qualquer momento em poucos cliques

Por que só um resumo?

Scanner
Encontre um código de barras para escanear

⭐
⭐
⭐
Temos um presente especial para si
Abrir
38% de desconto
DESCONTO PARA VOCÊ
⭐
⭐
⭐
$79.99
$49.99/ano
Apenas $4.16 por mês
Continuar
Comece com 2 toques e cancele com facilidade
Configurações
Geral
Widget
Carregando...