Ir direto para menu de acessibilidade.
Portal do Governo Brasileiro

XXIX Ciclo de Estudos Estratégicos - Os Desafios do Sistema Internacional Contemporâneo para a Defesa

Início do conteúdo da página

A inteligência artificial e o seu emprego em tropas blindadas

Publicado: Quarta, 05 de Junho de 2024, 01h01 | Última atualização em Quarta, 05 de Junho de 2024, 10h46 | Acessos: 197

 

Márcio Massahiko Takano
 Major do Exército Brasileiro. Atualmente está realizando o CAEM na ECEME.

1. Introdução

Desde o lançamento do chat GPT (Generative Pre-Trained Transformer) pela OpenAI em novembro de 2022, a inteligência artificial (IA) tem se tornado um tópico de discussão recorrente tanto nos meios de comunicação, como na internet. Gigantes da indústria, como Google e Microsoft, também entraram em cena com seus próprios sistemas de conversação, como o Bart e o Novo Bing.

Outro acontecimento de profundo impacto que redefiniu a dinâmica internacional foi o conflito entre Rússia e Ucrânia. Nesse episódio, especialistas acreditavam que a Rússia, com maior Exército e meios militares, conquistaria rapidamente o território ucraniano, e que o conflito teria seu desfecho em poucos meses. Mas, o que se vê até o presente momento é um conflito que ainda não acabou e que não apresenta perspectivas para terminar. Nesse período, uma série de veículos blindados foram destruídos, tanto do lado ucraniano, como do lado russo. Diante deste cenário, surge a indagação: seria viável empregar a IA para aprimorar a utilização dos blindados, aumentando, assim, suas chances de sobrevivência em situações de combate?

Para responder esta pergunta, este artigo se dedica a explorar os avanços atuais no campo da IA e delineia potenciais cenários nos quais essa tecnologia pode otimizar de maneira significativa o emprego dos veículos blindados em um contexto de conflito armado.

2. A evolução e os fundamentos da Inteligência Artificial

A IA representa um campo multidisciplinar da ciência da computação, dedicado à concepção e desenvolvimento de agentes inteligentes capazes de raciocínio autônomo, aprendizado e tomada de ações. Esse domínio abrange um espectro complexo e interconectado de tópicos, como robótica, aprendizado de máquina, processamento de linguagem natural e visão computacional.

a. As Origens da Inteligência Artificial

O campo da IA surgiu na década de 1950, quando um grupo de pesquisadores, incluindo Alan Turing, John McCarthy e Marvin Minsky, começaram a explorar a possibilidade de criar máquinas que pudessem raciocinar como humanos. Os primeiros esforços de IA foram notavelmente bem-sucedidos. E na década de 1960, os sistemas de IA já eram capazes de realizar tarefas que antes eram consideradas exclusivas dos humanos, como jogar xadrez.

Entretanto, o percurso da IA também foi pontuado por episódios de estagnação. A década de 1970, em particular, ficou conhecida como o "inverno da IA ", caracterizada por um déficit de avanços notáveis. Este período de morosidade, porém, dissipou-se na década de 1980, com a emergência de tecnologias disruptivas como computadores pessoais e a propagação da internet, impulsionando um renascimento no campo.

As últimas décadas têm testemunhado um crescimento notável no domínio da IA. Este progresso é atribuído a múltiplos fatores, incluindo uma maior acessibilidade a dados, avanços marcantes em capacidade computacional e a elaboração de novos algoritmos de IA. Estas forças convergentes catalisaram uma trajetória ascendente na pesquisa e aplicação da IA, gerando impacto em uma miríade de setores.

Um desenvolvimento notório na recente evolução da IA é a inteligência artificial generativa. Sob esse paradigma, sistemas de IA são capacitados a criar novos conjuntos de dados, abrangendo desde textos até imagens e músicas. Ainda em sua fase incipiente, a IA generativa detém o potencial de redefinir práticas em indústrias diversas, como mídia, marketing e design.

Quadro 1 - Eventos históricos que marcaram a evolução da inteligência artificial

Ano

Fatos

1950

Alan Turing publica seu artigo "Computing Machinery and Intelligence", no qual ele apresenta o conceito de Teste de Turing, um teste de comportamento inteligente (TURING, 1950).

1956

A Primeira Conferência sobre Inteligência Artificial é realizada no Dartmouth College, nos Estados Unidos, marcando o início formal do campo da IA (MCCARTHY, 1955).

1957

Joseph Weizenbaum desenvolve ELIZA, um dos primeiros chatbots, que simula um terapeuta conversacional (WEIZENBAUM, 1966).

1965

Marvin Minsky publica seu livro "Perceptrons", que lança as bases para a aprendizagem de máquina, abordando redes neurais e processamento de padrões (MINSKY, 1965).

1972

John McCarthy e Fernando Pereira desenvolvem o Prolog, uma linguagem de programação lógica usada em IA e processamento de linguagem natural (MCCARTHY, 1955).

1979

Edward Weizenbaum desenvolve o Dendral, um sistema pioneiro utilizado para auxiliar no diagnóstico de doenças com base na análise de estruturas químicas (LINDSAY et. al, 1993).

1997

Deep Blue, um computador desenvolvido pela IBM, derrota o campeão mundial de xadrez Garry Kasparov, marcando um avanço notável na capacidade de computadores para lidar com jogos complexos.

2009

Watson, um computador desenvolvido pela IBM, derrota os dois campeões mundiais do programa de TV de perguntas e respostas Jeopardy!, Ken Jennings e Brad Rutter, demonstrando a capacidade de processamento de linguagem natural e conhecimento geral.

2011

ImageNet, um banco de dados de imagens rotuladas, é lançado e impulsiona o desenvolvimento de algoritmos de visão computacional e reconhecimento de imagens (DENG, 2009).

2012

AlexNet, uma rede neural profunda desenvolvida pelo Google Brain, vence a competição ImageNet Large Scale Visual Recognition Challenge (ILSVRC), estabelecendo o uso eficaz de redes neurais convulsionais em visão computacional (KRIZHEVSKY, 2017).

2016

AlphaGo, uma rede neural profunda desenvolvida pelo Google DeepMind, derrota o campeão mundial, Lee Sedol, destacando o poder das redes neurais em jogos complexos (SILVER, 2016).

2017

AlphaZero, uma rede neural profunda desenvolvida pelo Google DeepMind, derrota AlphaGo em apenas 40 horas de treinamento, demonstrando uma abordagem mais geral da IA para aprender a jogar jogos.

2022

Imagen, um modelo de linguagem generativa desenvolvido pelo Google AI, é lançado, representando um avanço na geração de texto coeso e coerente por sistemas de IA.

2022

Lançamento do Chat GPT pela OpenAI, um Chatbot impulsionado por inteligência artificial generativa, capaz de responder a perguntas em linguagem natural.

Fonte: O AUTOR, 2024.

 

b.  Fundamentos da Inteligência Artificial

Segundo Russell (2013), o conceito de IA pode ser classificado levando em consideração se a máquina reproduz o pensamento e a ação semelhante a um ser humano ou se ela consegue pensar e agir de forma ideal, racional. Tais conceitos estão consolidados no quadro a seguir:

Quadro 2 - Conceitos sobre inteligência artificial

Pensando como um humano

Pensando racionalmente

O novo e interessante esforço para fazer os computadores a pensarem com mentes, no sentido total e literal.

Automatização de atividades que associamos ao pensamento humano, atividades como a tomada de decisões, a resolução de problemas, o aprendizado.

O estudo das faculdades mentais pelo uso de modelos computacionais.

O estudo das computações que tornam possível perceber, raciocinar e agir.

Agindo como seres humanos

Agindo racionalmente

A arte de criar máquinas que executam funções que exigem inteligência quando executadas por pessoas.

O estudo de como os computadores podem fazer tarefas que hoje são mais bem desempenhadas pelas pessoas.

Inteligência Computacional é o estudo do projeto de agentes inteligentes.

Inteligência Artificial está relacionada a um desempenho inteligente de artefatos.

Fonte: RUSSELl, 2013.

As concepções iniciais propostas por Alan Turing (1950) em seu famoso teste de Turing, idealizava que para um computador ser considerado inteligente, ele deveria responder perguntas por escrito feitas por um ser humano de forma que ao avaliar suas respostas, essa pessoa não conseguiria distinguir se elas foram elaboradas por uma outra pessoa ou por um computador.

Para Russell (2013), para que um computador passasse no teste, ele deveria possuir as seguintes habilidades: 1) processamento de linguagem natural para permitir que ele se comunique com sucesso em um idioma natural; 2) representação de conhecimento para armazenar o que sabe ou ouve; 3) raciocínio automatizado para usar as informações armazenadas com a finalidade de responder a perguntas e tirar novas conclusões; e 4) aprendizado de máquina para se adaptar a novas circunstâncias, bem como detectar e extrapolar padrões (RUSSELL, 2013).

Uma evolução deste teste, conhecido com Teste de Turing Total, aprimoraria o teste ao permitir que a máquina interagisse, através de uma janelinha, com objetos passados pelo avaliador. Neste teste seriam necessárias mais duas habilidades: a visão computacional (para perceber os detalhes dos objetos); e a robótica (para manipulá-los e movimentar-se) (RUSSELL, 2013). A seguir, será apresentado um resumo do que cada uma dessas habilidades representa no campo de estudo da IA e as técnicas utilizadas para viabilizá-las.

O Processamento de Linguagem Natural (PLN) é uma disciplina em expansão no campo da IA, dedicada à capacitação de sistemas computacionais para compreender e interagir efetivamente com a linguagem humana. Este âmbito intrincado visa conferir às máquinas a capacidade de assimilar nuances linguísticas, contextualizar informações e manter diálogos coerentes, assemelhando-se a interações humanas autênticas.

A representação de conhecimento é um campo da IA que se preocupa com o desenvolvimento de métodos para representar o conhecimento do mundo real em um formato que possa ser compreendido e utilizado por máquinas. Isso é importante para uma ampla gama de aplicações, como o desenvolvimento de sistemas de consulta, sistemas de diagnóstico médico e sistemas de tradução automática.

3. Cenários de utilização da Inteligência Artificial

Conforme descrito anteriormente, a IA apresenta um vasto campo de pesquisa, e nos últimos anos, tem evoluído bastante no subcampo do aprendizado de máquina, proporcionado por algoritmos de redes neurais, que são treinados pelo grande volume de dados encontrados na internet. A seguir, serão apresentados alguns possíveis cenários em que a IA poderia auxiliar no emprego e no planejamento de tropas blindadas.

a. Simuladores de combate:

Com o uso de técnicas de aprendizado de máquina com o reconhecimento de padrões, seria possível verificar os erros mais comuns apresentados pela tripulação dos blindados, buscando otimizar o treinamento. Outra utilidade seria a simulação desses erros em cenários de combate, dado ao nível de experiência do operador, em um carro de combate inimigo. Com isso, seria possível avaliar possíveis efeitos desses erros na manobra da fração como um todo. O uso de algoritmos de raciocínio automatizado poderia simular adversários cada vez mais reais, à medida que os algoritmos de aprendizagem de máquina aprenderiam como os humanos desdobram seus meios e combatem nos mais variados terrenos.

Os processos de linguagem natural poderiam fornecer relatórios de desempenho de forma palatável, em texto corrido, apresentando de forma detalhada os principais erros da tropa em adestramento.

 

b. Planejamento e emprego de tropas blindadas:

Com o uso de técnicas de visão computacional aliado a modelos digitais de elevação do terreno, seria possível otimizar as rotas de deslocamento dos blindados, através do cálculo da declividade do terreno, existência de obstáculos naturais como vegetação e locais alagadiços, além de pontos vadiáveis em córregos e ravinas.

Através da instalação de sensores nos blindados, seria possível colher dados que facilitariam a estimativa logística de forma mais precisa como por exemplo, a necessidade de se trocar componentes mecânicos ou eletrônicos, ou a exata necessidade de suprimentos classes III (combustíveis, óleos e lubrificantes) e classe IX (motomecanização, aviação e naval) (BRASIL, 2020).

Utilizando drones equipados com câmeras de alta resolução e longo alcance, câmeras de visão noturna e câmeras termais e algoritmos de visão computacional, seria possível enviar de forma automatizada alertas sobre possíveis ameaças aéreas ou mesmo desenvolver sistemas de identificação de blindados, facilitando o engajamento do alvo, diminuindo o risco de fratricídio.

4. Conclusão

A evolução impressionante da IA nos últimos anos tem se destacado de maneira notável. Suas técnicas e algoritmos estão permeando de forma progressiva nossa rotina diária, tornando-se uma presença constante.

Este artigo proporcionou uma introdução concisa ao intrincado campo de pesquisa da IA, destacando conceitualmente cenários potenciais nos quais sua aplicação poderia aprimorar significativamente o emprego de veículos blindados. Tais avanços poderiam abranger áreas como a simulação de combate, planejamento e emprego de tropas blindadas.

No entanto, como acontece com qualquer ferramenta poderosa, a IA traz consigo oportunidades para o desenvolvimento e aprimoramento das táticas militares, mas também acarreta riscos consideráveis. O desenvolvimento de sistemas de IA e superinteligência tem o potencial de substituir funções humanas essenciais, desde o condutor de veículos de combate, até o operador de armamentos.

No entanto, esse notável avanço tecnológico também traz consigo um dilema preocupante. Um simples erro de programação ou um ato de sabotagem poderia fazer com que esses sistemas de armas se voltassem contra seus próprios controladores, resultando em danos significativos para as forças aliadas. Portanto, é fundamental que avanços tecnológicos ocorram de forma responsável, que as medidas de segurança sejam robustas e que acompanhem o desenvolvimento contínuo da IA. Tudo isso para garantir que sua aplicação na área militar seja benéfica e livre de riscos inaceitáveis.

 

 

 Referências Bibliográficas: 

  1. BRASIL, Ministério da Defesa. Exército Brasileiro. Brigada Blindada - EB70-MC-10. Brasília: Exército Brasileiro, 2020.

  2. DENG, Jia et al. ImageNet: A large-scale hierarchical image database. 2009 IEEE Conference on Computer Vision and Pattern Recognition, p. 248-255, 2009.

  3. KRIZHEVSKY, Alex et.al. ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM, Vol. 6, n° 6, p. 84-90, 2017.

  4. LINDSAY, Robert K.; BUCHANAN, Bruce G.; FEIGENBAUM, Edward A.; LEDERBERG, Joshua. Dendral: A case study of the first expert system for scientific hypothesis formation. Artificial Intelligence, Vol. 61, nº 2, p. 209-261, 1993.

  5. MCCARTHY, John. Memorandum on Artificial Intelligence. Hanover: Dartmouth College, 1955.

  6. MINSKY, Marvin L. Perceptrons: An Introduction to Computational Geometry. Cambridge: MIT Press, 1965.

  7. RUSSELL, S.; NORVIG, P. Inteligência artificial. Rio de Janeiro: Elsevier, 2013.

  8. SILVER, David et al. Mastering the game of Go with deep neural networks and tree search. Nature, nº 529, p. 484-489, 2016.

  9. TURING, Alan M. Computing Machinery and Intelligence. Mind, Vol. LIX, nº 236, p. 433-460, 1950.

  10. WEIZENBAUM, Joseph. ELIZA: A computer program for psychotherapy. Computational of the AGM, Vol. 9, nº 1, p. 36-45, 1966.

 

Rio de Janeiro - RJ, 05 de junho 2024.


Como citar este documento:
Takano, Márcio Massahiko. A inteligência artificial e o seu emprego em tropas blindadas. Observatório Militar da Praia Vermelha. ECEME: Rio de Janeiro. 2024.  

.

Fim do conteúdo da página