No Caminho para a IA – Prólogo – Começando com Lógica

No Caminho para a IA: Profecias do Direito e os Fundamentos Conceituais da Era da Aprendizagem de Máquina

Por Thomas D. Grant & Damon J. Wischik

[v]Prólogo – Começando com Lógica

O direito e a ciência da computação, em suas formas clássicas, empregam a lógica para produzir resultados. Edsger Dijkstra (1930-2002), um dos pioneiros da ciência da computação, expressou a essência do campo em seus tempos iniciais. A ciência da computação tinha como o seu coração a análise matemática de algoritmos e, dessa forma….

Programar é um dos ramos mais díficeis da matemática aplicada; os matemáticos mais ruins fariam bem em permanecer matemáticos puros.¹

Esse resumo conciso da ciência da computação – embrulhando-a em um ramo da matemática aplicada – é resiliente. Ele permanece na origem da difundida visão da ciência da computação, ainda ensinada em cursos de graduação e ecoada em explicações ao público geral, de que computadores executam algoritmos, os quais são instruções passo-a-passo para realizar uma tarefa.² Eles podem ser complicados, difíceis demais para os “matemáticos mais ruins” entenderem, mas, no fim, são formulaicos. Eles são processos lógicos, prontamente projetados, prontamente avaliados quanto ao sucesso ou falha e prontamente corrigidos, enquanto você tiver as habilidades analíticas necessárias para entender a lógica deles.

No direito, o pensamento há muito seguiu linhas similares àquelas que Dijkstra descreveu na ciência da computação. Não menor em meio aos expoentes do clássico pensamento legal no início da modernidade, houve Sir William Blackstone (1723-1780), quem, quando escrevendo On the Study of the Law, estabeleceu como pertencendo aos essenciais que o estudante…

[vi]pode raciocinar com precisão, e separar argumento de falácia, pelas regras claras e simples de lógica pouco sofisticada … pode fixar sua atenção e, firmemente, buscar a verdade através de qualquer uma da mais intrincada dedução, pelo uso de demonstrações matemáticas … [e] contemplou aquelas máximas reduzidas a um sistema prático como nas leis da Roma imperial …³

O advogado bem-educado, como o melhor matemático, chega ao resultado correto tão certamente quanto o algoritmo bem-projetado gera uma saída (output) computacional satisfatória. Tão intrincado quanto as deduções podem ser e, dessa forma, exigindo do intelecto, o processo subjacente é “pura lógica pouco sofisticada.”

Mas resumir a ciência da computação dessa maneira está desatualizado. O corrente boom em inteligência artificial, movido pela aprendizagem de máquina, não é sobre deduzir resultados lógicos a partir de fórmulas. Antes ele está baseado na predição indutiva a partir de conjuntos de dados (datasets). O sucesso da aprendizagem de máquina não é derivado de melhor matemática. Antes ele é derivado a partir de conjuntos de dados maiores e melhor entendimento dos padrões que aqueles conjuntos de dados contêm. Nos capítulos que se seguem, nós exploraremos essa revolução na ciência da computação.

Uma revolução igualmente ocorreu nos tempos modernos no direito. Como alguém esperaria de uma mudança no pensamento que teve um impacto de longo alcance, mais do que um pensador esteve envolvido. Mesmo assim, no direito, uma figura sobressai-se através do século e meio passado. Oliver Wendell Holmes Jr., o título do famoso ensaio, The Path of the Law, do qual nós tomamos emprestado em paráfrase para o título do nosso livro, influenciou o direito e motivou mudanças em como as pessoas pensam sobre o direito. Holmes afetou o pensamento legal a uma extensão tão grande que o trabalho dele marca um ponto de virada.

Nós acreditamos que a revolução em ciência da computação que a aprendizagem de máquina implica espelha a revolução no direito na qual Oliver Wendell Holmes Jr. desempenhou uma parte tão proeminente. Este livro descreve ambas revoluções e traça uma analogia entre elas. O nosso propósito aqui é expor os contornos fundamentais da era da aprendizagem de máquina – seus fundamentos conceituais – mostrando como eles traçam uma forma similar ao moderno pensamento legal; e posicionando ambos em seus cenários intelectuais mais amplos. Ultrapassando uma apresentação puramente tecnológica, nós sugerimos que a aprendizagem de máquina, por toda sua novidade e impacto, pertence a uma longa história de mudança nos métodos que as pessoas usam para fazer sentido do mundo. A aprendizagem de máquina é uma revolução no pensamento. Contudo, ela não ocorreu em isolamento. [vii]A aprendizgem de máquina merece uma consideração que a relacione igualmente aos seus antecedentes imediatos em ciência da computação e a outro empreendimento socialmente vital. A sociedade no geral merece uma consideração que explique o que a aprendizagem de máquina realmente é.

Holmes e o seu Legado

Enquanto o século XIX aproximava-se de um fim na América, crescimento e mudança caracterizavam praticamente cada campo de empreendimento. A educação legal tomou parte na tendência ascendente, e a Faculdade de Direito (School of Law) da Universidade de Boston, então ainda uma relativa récem-chegada na cidade americana que conduzia o país no empreendimento acadêmico, construiu um novo salão. Para marcar a abertura do novo salão, o qual ficava em Ashburton Place 11, o reitor e os superintendentes convidaram Holmes para falar. Então com 55 anos de idade e um Juíz Associado da Suprema Corte Judicial de Massachusetts, Holmes era um astro local, e podia-se confiar que ele faria um bom discurso. Não havia evidência de que a Faculdade estivesse esperando mais do que isso. Contudo, o discurso que Holmes proferiu em 8 de janeiro de 1897 proclamou uma revolução no pensamento legal. Seu título era The Path of the Law.⁴ Posteriormente publicado na Harvard Law Review, ele aconteceu de se tornar um dos mais citados trabalhos de qualquer jurista.⁵ The Path of the Law, não a menos importante de toda afirmação de Holmes ali, é que o direito são as “profecias do que os tribunais de fato farão,” exercerce um domínio duradouro sobre a imaginação legal.⁶ Holmes rejeitou “a noção de que um [sistema legal] … pode ser compreendido como a matemática, a partir de alguns axiomas gerais de conduta.”⁷ Em vez disso, ele definiu o direito como consistindo em predições ou “profecias” descobertas nos padrões da experiência. Para longe de seu ponto inicial como uma operação de dedução lógica, o direito, de acordo com Holmes, se o direito devesse ser inteiramente entendido, tinha de ser entendido como alguma outra coisa. Ele tinha de ser entendido como um processo de indução com a sua fundamentação nas ideias modernas de probabilidade.

A postulação anterior de Holmes, de que “a vida do direito não tem sido lógica; ela tem sido experiência,”⁸ de maneira similar, tem sido bem lembrada.⁹ Holmes não estava dizendo aos advogados para fazerem submissões ilógicas no tribunal ou darem aos seus clientes conselho irracional. Antes ele intencionava conduzir a sua audiência a novas maneiras de pensar sobre a disciplina dele. O direito, na visão de Holmes, começa a ter certeza a partir da lógica clássica, mas a lógica apenas leva você tão longe se você espera entender o direito.

Holmes viveu entre 1841 e 1935, e, dessa forma, a longevidade talvez contribuiu para sua estatura. Também há o volume de produção. Holmes foi autor de mais de [viii]800 julgamentos, proferiu frequentes discursos públicos, muitos dos quais estão impressos, e foi um correspondente prolífico com amigos, colegas, e o estranho ocasional.¹⁰ Também há a citabilidade.¹¹ Holmes teve detratores¹² e defensores.¹³ Ele tem sido o tema de “ciclos de anacronismos, panegíricos e condenações intelectuais.”¹⁴ Não é o nosso propósito acrescentar aos panegíricos ou às condenações. Nós sinceramente abraçamos o anacronismo! Na verdade, nós não negamos os limites da analogia sobre as duas disciplinas através de um século de mudança; nós tocaremos em alguns dos limites (capítulo 3). Contudo, mesmo assim, a concepção do direito por Holmes, em sua grande mudança a partir da dedução formal para os processos indutivos de busca de padrões (pattern searching), prefigurou a mudança da tradicional computação algorítmica para a revolução da aprendizagem de máquina dos anos recentes. E, indo ainda mais longe, Holmes postulou certas ideias sobre o processo de tomada de decisão legal – em particular sobre o efeito das decisões passadas e decisões futuras antecipadas sobre a tomada de uma decisão em um caso em mãos – isso sugere uma das ideias mais progressivas (forward-thinking) sobre aprendizagem de máquina, a qual os cientistas da computação estão apenas começando a explorar (capítulo 9). Também há uma linha no pensamento de Holmes que investigava se, a despeito do afastamento a partir da prova formal, o direito algum dia poderia, através de avanços científicos que descubrissem novas regras, encontrar o seu caminho de volta para o seu ponto de partida na lógica. Também aqui uma investigação que Holmes conduziu no direito há mais de um século pode ser aplicada hoje em dia, conforme nós consideramos o que a era da aprendizagem de máquina mantém guardado (capítulo 10).

Quanto ao direito em seu dia como Holmes o via, e como muitos têm visto desde então, ele precisa ser visto além do seu ponto de partida no raciocínio dedutivo se alguém deve fazer sentido dele.¹⁵ Para Holmes, o direito não é lógica, mas experiência – significando que a variedade completa de decisões passadas, regras e influências sociais é o que realmente importa no direito. Uma “virada indutiva” no pensamento de Holmes sobre o direito¹⁶ - e, mais amplamente, no direito como praticado e estudado – seguiu-se. Na ciência da computação, o distinto novo fator tem sido a emergência dos dados como a força motriz por trás da aprendizagem de máquina. Quanto peso deve ser atribuído à lógica, e quanto à experiência e aos dados, é um ponto de diferença entre os praticantes tanto no direito quanto na ciência da computação. A diferença vai fundo na história e prática corrente dos campos de estudo, tanto assim que, tanto no direito quanto na ciência da computação, ela marca uma divisão em entendimentos básicos.

Juristas referem-se a formalistas e realistas quando descrevendo a divisão no entendimento legal que nos interessa aqui. Os formalistas entendem o direito como a aplicação de regras lógicas a questões particulares. Em vez disso, os realistas veem-no [ix]como a descoberta de padrões de comportamento em uma variedade de fontes legais e sociais. Os formalistas veem a abordagem deles do direito como o lugar correto para começar e, os mais estritos entre eles, veem a emergência do realismo legal como um contratempo, não um avanço, para o direito. Os realistas, pela parte deles, algumas vezes desdenham dos formalistas como atávicos. A divisão flui tanto através das comunidades profissionais de advogados, assessores e juízes quanto através da academia jurídica.¹⁷

A divisão na ciência da computação não é nem tão célebre nem tão precisamente definida quanto aquela no direito. Ela não está associada com nenhum nome tão amplamente aceito como aqueles atribuídos aos formalistas baseados em lógica ou realistas buscadores de padrões no direito. Como nós exploraremos adicionalmente abaixo, apenas nos anos recentes a computação chegou a ser um processo dirigido por dados (data-driven) de descoberta de padrões (pattern finding). Todavia, a distinção entre a abordagem dedutiva, que é a base dos clássicos algoritmos de computador, e a abordagem indutiva, que é a base dos avanços no presente em aprendizagem de máquina, é a distinção central no que ela prova ser o campo central do empreendimento tecnológico no século XXI. A emergência da aprendizagem de máquina será, na melhor das hipóteses, imperfeitamente entendida se alguém não reconhecer essa mudança conceitual que tem ocorrido.

O que está envolvido aqui não é menos do que duas grandes revoluções em andamento, na teoria e na prática, em dois campos de estudo aparentemente diferentes, mas consistindo em quase o mesmo deslocamento de concepção básica. Para longe de conceberem o direito e a ciência da computação puramente como lógicos e algorítimicos, pessoas em ambos os campos deslocaram-se na direção de procurar por padrões na experiência ou nos dados. Chegar a resultados em cada campo ainda requer lógica, mas, na era da aprendizagem de máquina, exatamente como na concepção realista do direito que emergiu com Holmes, o caminho veio a atravessar um terreno muito diferente.

Uma Nota sobre a Terminologia: Aprendizagem de Máquina,

Inteligência Artificial e Redes Neurais

Neste livro, nós nos referiremos a aprendizagem de máquina (machine learning). O nosso objetivo nos capítulos seguintes é explicar o que é aprendizagem de máquina – mas, antes de prosseguirmos, pode ser útil dizer umas poucas palavras para clarificar a diferença entre aprendizagem de máquina, inteligência artificial e redes neurais.¹⁸

Na academia, inteligência artificial (artificial intelligence) refere-se a um campo de estudo em evolução que engloba muitas áreas, desde o raciocínio simbólico às redes neurais. Na cultura popular, ela engloba tudo, desde a estátistica clássica renomeada por um departamento de marketing (“Três vezes mais IAs que a próxima [x]marca líder!”) até a ficção científica, invocando imagens de cérebros robóticos e enigmas sobre a natureza da inteligência.

Aprendizagem de máquina (Machine Learning) é um termo mais limitado. O House of Lords Select Committee on Artificial Intelligence, do Reino Unido, em seu relatório de 2018¹⁹ ressalta a diferença: “Os termos ‘aprendizagem de máquina’ e ‘inteligência artificial’ são … algumas vezes combinados ou confundidos, mas, de fato, aprendizagem de máquina é um tipo particular de inteligência aritificial que é especialmente dominante no campo de estudo hoje em dia.” O relatório prossegue para dizer, “Nós estamos cientes de que muitos cientistas da computação hoje em dia preferem usar ‘aprendizagem de máquina,’ dada a sua maior precisão e menor tendência a evocar percepções públicas eqívocadas.” Falando amplamente, aprendizagem de máquina é o estudo de sistemas computacionais que usam sistemáticos procedimentos matemáticos para fazerem previsões sobre novas situações. Muitas ferramentas da estatística clássica podem ser consideradas como aprendizagem de máquina, embora a aprendizagem de máquina como uma disciplina acadêmica possa ser dita datar desde os anos de 1980.²⁰

Rede neural artificial (Artificial neural network) refere-se a um específico design de sistema de aprendizagem de máquina, vagamente inspirado pelas conexões de neurônios no cérebro. A primeira de tal rede, o Perceptron, foi proposta por Frank Rosenblatt do Laboratório Aeronáutico de Cornell em 1958.²¹ O Perceptron original tinha um padrão simples de conexões entre os seus neurônios. Redes com padrões mais complexos são chamadas de redes neurais profundas (deep neural networks) e o procedimento matemático pelo qual elas aprendem é chamado de aprendizagem profunda (deep learning). O boom corrente²² em inteligência artificial está baseado quase inteiramente em aprendizagem profunda, e alguém consegue traça-lo a um evento único: em 2012, em uma competição anual chamada de ImageNet Challenge, no qual o objetivo é construir um programa de computador para classificar imagens,²³ uma rede neural profunda chamada de AlexNet²⁴ venceu todos os outros competidores por uma margem significante. Desde então, um legião inteira de tarefas, desde tradução de máquina (machine translation) até jogar Go, têm sido exitosamente enfrentadas usando redes neurais. É verdadeiramente notável que esses problemas podem ser resolvidos com aprendizagem de máquina, em vez de requererem alguma grandiosa inteligência artificial geral semelhante à humana. A razão de porque se levou de 1958 a 2012 para alcançar esse sucesso é principalmente atribuível a limitações do hardwre de computador: é necessário uma imensa quantidade de processamento sobre grandes conjuntos de dados para a aprendizagem profunda funcionar, e foi apenas em 2012 que a melhoria exponencial de hardware de computador satisfez as necessidades de classificação de imagem.²⁵ Também ajudou que os meios para coletar e armazenar grandes conjuntos de dados tenham melhorado significativamente desde os dias iniciais.

[xi]Neste livro, nós usaremos o termo aprendizagem de máquina, e nós não devanearemos adicionalmente dentro inteligência artificial. Nós temos redes neurais em mente, mas a nossa discussão aplica-se à aprendizagem de máquina mais amplamente. Se aprendizagem de máquina e redes neurais têm um papel a desempenhar na possível emergência futura de uma IA geral – quer dizer, uma máquina que se aproxime ou exceda a inteligência humana – nós nem mesmo especularemos.²⁶

Primeiro capítulo

ORIGINAL:

GRANT, T. D.; WISCHIK, D. J. On the path to AI: Law’s prophecies and the conceptual foundations of the machine learning age. Palgrave Macmillian Cham: 2020. pp.iii-xiv. Disponível em: <https://link.springer.com/book/10.1007/978-3-030-43582-0>

TRADUÇÃO:

EderNB do Blog Mathesis

Licença: CC BY 4.0

1 [xi]Dijkstra, How Do We Tell Truths That Might Hurt? Em Dijkstra, Selected Writings on Computing: A Personal Perspective (1982) 129 (texto originariamente datado de 18 de junho de 1975).

2 Iterações sem conta dessa descrição aparecem em materiais de cursos sobre programação de computador. Ver, por exemplo, http://computerscience.chemeketa.edu/cs160Reader/Algorithms/AlgorithmsIntro.html; http://math.hws.edu/javanotes/c3/s2.html. Para um exemplo em livro-texto, ver Schneider & Gersting, Invitation to Computer Science (1995) 9. Schneider e Gersting, na definição deles, estipula-se que um algoritmo é uma “coleção bem-ordenada de operações não ambíguas e efetivamente computáveis que, quando executadas, produz um resultado e para (halts) em um montante finito de tempo.” Nós diremos alguma coisa sobre o “problema da parada (halting problem)” no capítulo 9: ver. p.109.

3 Sir William Blackstone, Commentaries on the Laws of England: Book the First (1765) 33.

4 Holmes, The Path of the Law, 10 Harv. L. Rev. 457 (1896–97).

5 Fred R. Shapiro, em The Most-Cited Law Review Articles Revisited, 71 Chi.-Kent L. Rev. 751, 767 (1996) reconheceu que a classificação em quinto lugar de The Path of the Law refletiu séria subcontagem, porque as únicas citações contadas foram aquelas de 1956 adiante. Apenas um pequeno punhado dos top 100 de Shapiro foram publicados antes de 1956. Shapiro e sua coautora Michelle Pearse reconheceram uma limitação similar na atualização posterior da lista das citações top: The Most-Cited Law Review Articles of All Time, 110 Mich. L. Rev. 1483, 1488 (2012). The Path veio em terceiro na classificação de Shapiro e Pearse em 2012: id. em 1489.

6 Ilustrado, por exemplo, por vários simpósios por ocasião de seu centenário: Ver 110 Harv. L. Rev 989 (1997); 63 Brook. L. Rev. 1 (1997); 78 B.U.L. Rev 691 (1998) (e artigos que se seguem em cada volume). Cf. Alschuler, 49 Fla. L. Rev. 353 (1997) (e várias respostas que se seguem em cada volume).

7 Holmes, The Path of the Law, 10 Harv. L. Rev. 457, 465 (1896–97).

8 Holmes, The Common Law (1881) 1.

9 [xii]Uma pesquisa revela mais de trezentas instâncias de juízes americanos citando a frase em julgamentos, uns trinta sendo julgamentos da U.S. Court of Appeals, uma meia dúzia, da U.S. Suprema Court.

10 Dessa forma, a coleção de 1995 editada por Novick, de escritos principalmente não jurídicos (mas não correspondência pessoal) estende-se por cinco volumes.

11 Encheria mais de uma página fornecer citaçãos de julgamentos de tribunais americanos, estaduais e federais, referindo-se a Holmes como “enérgico (pithy)” (de Premier-Pabst Sales Co. v. State Bd. of Equalization, 13 F.Supp. 90, 95 (District Court, S.D. California, Central Div.) (Yankwich, DJ, 1935) a United States v. Thompson, 141 F.Supp.3d 188, 199 (Glasser, SDJ, 2015)) ou “memorável” (de Regan & Company, Inc. v. United States, 290 F.Supp.470, (District Court, E.D. New York) (Rosling, DJ, 1968) para Great Hill Equity Partners IV, et al. v. SIG Growth Equity Fund I, et al., (não declarado, Court of Chancery, Delaware) (Glasscock, VC, 2018)). Sobre a estética e o estilo de escrita de Holmes, ver Mendenhall, Dissent as a Site of Aesthetic Adaptation in the Work of Oliver Wendell Holmes Jr., 1 Brit. J. Am. Legal Stud. 517 (2012) esp. id. em 540–41.

12 Por exemplo, Ronald Dworkin & Lon L. Fuller. Ver Ronald Dworkin, Law’s Empire (1986) 13–14; Lon Fuller, Positivism and Fidelity to Law—A Reply to Professor Hart, 71 Harv. L. Rev. 630 esp. id. At 657–58 (1958).

13 Richard A. Posner talvez seja o mais proeminte dos defensores no final do século XX e começo do século XXI. Ver a Introduction de Posner em The Essential Holmes. Selections from the Letters, Speeches, Judicial Opinions, and Other Writings of Oliver Wendell Holmes, Jr. (1992). Cf. H.L.A. Hart, Positivism and the Separation of Law and Morals, 71 Harv. L. Rev. 593 (1958) (originalmente a Oliver Wendell Holmes Lecture, Harvard Law School, Abril de 1957). Mais, para uma ligação curiosa que Hart parece ter fornecido entre Holmes e a ciência da computação, ver o capítulo 10, p. 123.

14 Pohlman (1984) 1. Cf. Gordon (1992) 5: Holmes tem “inspirado, e … continua a inspirar, tanto advogados quanto intelectuais a tentativas apaixonadas para chegarem a um acordo com essa lenda – a apropriarem-na para os seus próprios propósitos, a denunciarem-na e a resistirem-na, ou, simplesmente, para a despedaçar e ver do que ela é feita.”

15 Holmes, The Common Law (1881) 1.

16 A frase adequada “virada indutiva” é uma usada no melhor tratamento da lógica de Holmes: Frederic R. Kellogg, Oliver Wendell Holmes Jr. and Legal Logic (2018) pp. 35, 72–87, sobre a qual, ver mais no capítulo 1, p. 2.

17 Para um sabor da crítica ao formalismo, ver o tratamento de Frederik Schauer do julgamento da Suprema Corte em Lochner v. New York e sua recepção Frederick Schauer, Formalism, 97 Yale L. J. 509, 511–14 (1988); e [xiii]para defesas frontais (embora a partir de quartéis muito diferentes), Antonin Scalia, The Rule of Law as a Law of Rules, 56 U. Chi. L. Rev. 1175 (1989) e James Crawford, Chance, Order, Change: The Course of International Law, em Hague Academy of Int’l Law, 365 Recueil des Cours 113, 113–35 (2013). Mais para o formalismo, ver capítulo 1, p. 2; capítulo 2, pp. 20-21.

18 O Report of the UN Secretary-General on Current developments in science and technology and their potential impact on international security and disarmament efforts (2018) coloca a relação em termos como estes:

A moderna inteligência artificial engloba um conjunto de subdisciplinas e métodos que se aproveitam de tecnologias tais como análise de dados, reconhecimento visual, de fala e de texto, e robótica. A aprendizagem de máquina é uma dessas subdisciplinas. Enquanto que programas de software manualmente codificados contêm instruções específicas sobre como completar uma tarefa, a aprendizagem de máquina permite a um sistema de computador reconhecer padrões em grandes conjuntos de dados e fazer previsões. A aprendizagem profunda, um subconjunto da aprendizagem de máquina, implementa várias técnicas de aprendizagem de máquina em camadas baseadas em redes neurais, um paradigma computacional vagamente inspirado por neurônios biológicos. Técnicas de aprendizagem de máquina são altamente dependentes da qualidade de seus dados de entrada (input data) e, possivelmente, a qualidade dos dados seja mais importante para o sucesso de um sistema do que é a qualidade do algoritmo. A/73/177 (17 de julho de 2018). Cf. capítulo 1 p.14, n.12.

    A distinção apropriada entre os três termos tem conduzido a discussão acalorada entre tecnólogos. Ver, por exemplo, https://news.ycombinator.com/item?id=20706174 (acessado em 24 de agosto de 2019).

19 Select Committee on Artificial Intelligence (Lords), Relatório (16 de Abril de 2018) p. 15, 17.

20 Ver, por exemplo, Efron & Hastie (2016) 351. Ver também Leo Breiman como citado no capítulo 1, p.1.

21 Rosenblatt (1958).

22 A inteligência artificial tem experienciado uma série de booms e “invernos de IA.” Para uma história mais ampla da inteligência artificial, ver Russell & Norvig (2016) 5-27. Cf. National Science and Technology Council (U.S.), The National Artificial Intelligence Research Development Strategic Plan (Outubro de 2016) pp. 12-14, descrevendo trê s “ondas (waves)” do desenvolvimento da IA desde os anos de 1980.

23 O banco de dados ImageNet foi anunciado em 2009: J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li & L. Fei-Fei, ImageNet: A Large-Scale Hierarchical Image Database, CVPR, 2009. O primeiro Desafio ImageNet foi em 2010. Para a história do Desafio, ver Olga Russakovsky*, Jia Deng*, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej [xiv]Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg e Li Fei-Fei. (* = contribuição igual) ImageNet Large Scale Visual Recognition Challenge. IJCV, 2015.

24 Krizhevksy, Sutskever & Hinton (2017) 60(6) Comms. Acm 84–90.

25 O poder computacional vem de um melhor hardware na forma de unidade de processamento gráfico (UPGs). A indústria de jogos de computador estimulou o desenvolvimento de hardware para melhores gráficos, e, em seguida, esse hardware foi utilizado para acelerar o treinamento de redes neurais.

Neurocientistas cognitivos observaram uma correlação entre o desenvolvimento dos olhos e o tamanho do cérebro: ver, por exemplo. Gross, Binocularity and Brain Evolution in Primates, (2004) 101(27) pnas 10113–15. Ver também Passingham & Wise, The Neurobiology of the Prefrontal Cortex: Anatomy, Evolution and the Origin of Insight (2012). Dessa forma, em algum sentido, embora muito geral, uma ligação é sugerida tanto na evolução biológica quanto no desenvolvimento da ciência da computação entre o aumento em poder de processamento (se alguém permite uma tal expressão com respeito a cérebros assim como a UPGs) e as exigências para lidar com imagens.

26 Para especulação sobre uma “singularidade” iminente – um momento futuroo quando a IA emerge com capacidade excedendo a cognição humana – ver Bostrom, Superinteligence: Paths, Dangers, Strategies (2014).