Compartilhando uma conversa recente interessante sobre o impacto da IA na economia. A IA tem sido comparada a vários precedentes históricos: eletricidade, revolução industrial, etc., mas creio que a analogia mais forte seja a da IA como um novo paradigma de computação (Software 2.0), pois ambas se referem fundamentalmente à automação do processamento de informações digitais. Se você fosse prever o impacto da computação no mercado de trabalho por volta de 1980, a característica mais preditiva de uma tarefa/emprego que você analisaria seria o grau de rigidez do algoritmo envolvido, ou seja, se você estava apenas transformando informações mecanicamente de acordo com regras predefinidas e fáceis de especificar (como digitação, contabilidade, calculadoras humanas, etc.). Naquela época, esse era o tipo de programa que a capacidade computacional daquele período nos permitia escrever (manualmente). Com a IA atual, somos capazes de escrever novos programas que jamais conseguiríamos escrever manualmente. Fazemos isso especificando objetivos (como acurácia de classificação e funções de recompensa) e explorando o espaço de programas por meio de descida de gradiente para encontrar redes neurais que funcionem bem em relação a esses objetivos. Este é um trecho da minha postagem no blog Software 2.0, de algum tempo atrás. Nesse novo paradigma de programação, a característica mais importante a ser observada é a verificabilidade. Se uma tarefa/trabalho é verificável, então ela pode ser otimizada diretamente ou por meio de aprendizado por reforço, e uma rede neural pode ser treinada para funcionar extremamente bem. Trata-se de até que ponto uma IA pode "praticar" algo. O ambiente precisa ser reiniciável (é possível iniciar uma nova tentativa), eficiente (muitas tentativas podem ser feitas) e recompensador (existe algum processo automatizado para recompensar qualquer tentativa específica realizada). Quanto mais verificável for uma tarefa/trabalho, mais suscetível ela será à automação no novo paradigma de programação. Se não for verificável, terá que recorrer à mágica da generalização das redes neurais (com sorte) ou a meios mais fracos, como a imitação. É isso que impulsiona a fronteira "irregular" do progresso nos Modelos de Aprendizagem Baseados em Aprendizagem (LLMs). Tarefas verificáveis progridem rapidamente, inclusive possivelmente além da capacidade dos maiores especialistas (por exemplo, matemática, código, tempo gasto assistindo a vídeos, qualquer coisa que se assemelhe a quebra-cabeças com respostas corretas), enquanto muitas outras ficam para trás em comparação (tarefas criativas, estratégicas, que combinam conhecimento do mundo real, estado, contexto e bom senso). O Software 1.0 automatiza facilmente tudo o que você especificar. O Software 2.0 automatiza facilmente tudo o que você pode verificar.
Carregando detalhes do thread
Buscando os tweets originais no X para montar uma leitura limpa.
Isso normalmente leva apenas alguns segundos.