Unesp UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” Faculdade de Ciências e Letras Campus de Araraquara - SP LUANA FERNANDA VOLPI A Difusão e Transversalidade das Tecnologias da IV Revolução Industrial: Uma análise bibliométrica da Inteligência Artificial ARARAQUARA – S.P. 2022 LUANA FERNANDA VOLPI A Difusão e Transversalidade das Tecnologias da IV Revolução Industrial: Uma análise bibliométrica da Inteligência Artificial Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Economia da Faculdade de Ciências e Letras – Unesp/Araraquara, como requisito para obtenção do título de Mestre em Economia. Linha de pesquisa: Economia da Tecnologia e da Inovação. Orientador: Rogério Gomes. Coorientador: Celso Pereira Neris Júnior. ARARAQUARA – S.P 2022 V932d Volpi, Luana Fernanda A Difusão e Transversalidade das Tecnologias da IV Revolução Industrial: Uma análise bibliométrica da Inteligência Artificial / Luana Fernanda Volpi. -- Araraquara, 2022 87 p. : tabs. Dissertação (mestrado) - Universidade Estadual Paulista (Unesp), Faculdade de Ciências e Letras, Araraquara Orientador: Rogério Gomes Coorientador: Celso Pereira Neris Júnior 1. Análise bibliométrica. 2. Inteligência Artificial. 3. Tecnologia. 4. Inovação. 5. Scopus. I. Título. Sistema de geração automática de fichas catalográficas da Unesp. Biblioteca da Faculdade de Ciências e Letras, Araraquara. Dados fornecidos pelo autor(a). Essa ficha não pode ser modificada. LUANA FERNANDA VOLPI A Difusão e Transversalidade das Tecnologias da IV Revolução Industrial: Uma análise bibliométrica da Inteligência Artificial Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Economia da Faculdade de Ciências e Letras – Unesp/Araraquara, como requisito para obtenção do título de Mestre em Economia. Linha de pesquisa: Economia da Tecnologia e da Inovação. Orientador: Rogério Gomes. Coorientador: Celso Pereira Neris Júnior. Data da Defesa: 15/12/2022 MEMBROS COMPONENTES DA BANCA EXAMINADORA: __________________________________________________________________________________ Presidente e Coorientador: Dr. Celso Pereira Neris Júnior Universidade Estadual Paulista “Júlio de Mesquita Filho” – UNESP Membro Titular: Dra. Tatiana Massaroli de Melo Universidade Estadual Paulista “Júlio de Mesquita Filho” – UNESP ___________________________________________________________________________________________________________________________________________ Membro Titular: Dr. José Ricardo Fucidji Universidade Estadual de Campinas – UNICAMP Local: Universidade Estadual Paulista Faculdade de Ciências e Letras UNESP – Campus de Araraquara AGRADECIMENTOS Agradeço primeiramente a Deus que me deu forças em todos os momentos da minha jornada do mestrado, apesar de todas as dificuldades, não me deixou desistir do objetivo. Aos meus pais Regina e Luiz e também ao meu irmão Júnior, por todo apoio, carinho, por nunca duvidar das minhas capacidades, pela paciência, enfim não tenho palavras. Agradeço ao orientador Prof. Dr. Rogério Gomes pela paciência, calma, disponibilidade e profundo conhecimento que me permitiu chegar até aqui e me mostrou o melhor caminho. Ao coorientador Prof. Dr. Celso Pereira Neris Júnior pela paciência, disponibilidade, conhecimento, pelas críticas construtivas que permitem que melhore todos os dias e por todo o apoio emocional que me forneceu. Ao Grupo de Estudos em Economia Industrial (GEEIN), por me proporcionar diversos eventos e debates enriquecedores. Aos colegas que me ajudaram e me apoiaram durante o mestrado, em especial ao meu amigo da Pós Paulo Caprara. Agradeço à UNIVESP, pela bolsa concedida. RESUMO O objetivo geral deste trabalho é avaliar as características do conhecimento científico da tecnologia de IA na China, nos Estados Unidos e no Brasil. Ademais, os objetivos específicos são: uma introdução à teoria da inovação segundo o referencial neoschumpeteriano das revoluções tecnológicas no sistema capitalista; são apresentadas brevemente as definições e características das três principais tecnologias digitais IA, computação em nuvem e big data do século XXI; apresentar e analisar dados bibliométricos da base Scopus da tecnologia IA na China, Estados Unidos e Brasil. O trabalho se justifica devido à importância de instrumentos de um conjunto de políticas de inovação, como políticas industrial e tecnológica que juntas aumentam a competitividade de cada país. A metodologia empregada foi a análise descritiva da frequência do termo escolhido de IA nos títulos, resumos e palavras-chave de publicações científicas vinculadas à base de dados Scopus. A análise justifica-se devido a tecnologia de IA ainda estar em fase de desenvolvimento. Assim, as publicações científicas podem ser usadas para medir o conhecimento científico atual com o objetivo de facilitar futuras inovações. A problemática que este estudo sugeriu para ser discutido é: quais são as características do conhecimento científico relacionada à IA na China, nos EUA e no Brasil? A hipótese adotada é que a IA e suas áreas ainda estão em fase de desenvolvimento, e o número de publicações sobre essa nova tecnologia deve aumentar ao longo dos anos. Algumas das conclusões do trabalho são: foram encontradas as principais áreas de pesquisa em IA: ciência da computação, engenharia e matemática. Também pode-se concluir que a principal fonte de financiamento para pesquisa em IA nesses três países é pública. Palavras-chave: Análise bibliométrica; Inteligência Artificial; Tecnologia; Inovação; Scopus. ABSTRACT The general objective of this work is to evaluate the characteristics of scientific knowledge of AI technology in China, the United States and Brazil. Furthermore, the specific objectives are: an introduction to the theory of innovation according to the neo-Schumpeterian framework of technological revolutions in the capitalist system; are briefly the definitions and characteristics of the three main digital technologies AI, cloud computing and big data of the 21st century; present and analyze bibliometric data from the Scopus database of AI technology in China, the United States and Brazil. The work is justified due to the importance of instruments of a set of innovation policies, such an industry and technological policies that together increase the competitiveness of each country. The methodology used was the descriptive analysis of the frequency of the chosen AI term in the titles, abstracts and keywords of scientific publications linked to the Scopus database. The analysis is justified because the AI technology is still in the development phase. Thus, scientific publications can be used to measure current scientific knowledge with the aim of facilitating future innovations. The problem that this study suggested to be discussed is: what are the characteristics of scientific knowledge related to AI in China, the US and Brazil? The accepted hypothesis is that AI and its areas are still in the development phase, and the number of publications about this new technology should increase over the years. Some of the attempts of the work are: the main areas of research in AI were found: computer science, engineering and mathematics. It can also be concluded that the main source of funding for AI research in these three countries is public. Keywords: Bibliographic analysis; Artificial Intelligence; Technology; Innovation; Scopus LISTA DE GRÁFICOS Gráfico 1 – Comparação de publicações em IA por países selecionados entre 2010 e 2021...42 Gráfico 2 – Universidades brasileiras por região......................................................................51 LISTA DE QUADROS Quadro 1 – As cinco ondas longas de revoluções tecnológicas..................................................21 Quadro 2 - Tecnologias digitais segundo entidades internacionais............................................26 Quadro 3 – Evolução anual das Publicações de IA...................................................................37 Quadro 4 – Os 13 (treze) países com maior número de publicações de IA................................37 Quadro 5- Publicações de IA nos periódicos classificados entre os dois principais líderes globais (China, EUA) e Brasil................................................................................................................41 Quadro 6 – Números de publicações por áreas de destaques......................................................45 Quadro 7 - Números de publicações por fontes de financiamento público às pesquisas na China, nos EUA e no Brasil...................................................................................................................47 Quadro 8 – Financiamento privado às pesquisas na China, nos EUA e no Brasil.....................48 Quadro 9 – Principais instituições de ensino superior brasileiras e parcerias com empresas....................................................................................................................................50 Quadro 10 – Números de publicações por Universidades Brasileiras........................................53 LISTA DE FIGURAS Figura 1 - Exemplo de árvore de busca de um algoritmo de um jogo de damas.........30 LISTA DE ABREVIATURAS E SIGLAS ARPANET - Advanced Research Projects Agency Network BMS - Bristol Myers Squibb CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior CEPAL - Comissão Econômica para a América Latina e o Caribe CERN - Conseil Européen pour la Recherche Nucléaire CGVs - Cadeias Globais de Valor CIFAR - Canadian Institute for Advanced Research CINI-AIIS Lab - Laboratório de Inteligência Artificial e Sistemas Inteligentes) CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico CSNET - Computer Science Network CT&I – Ciência, tecnologia e inovação DARPA - Agência de Projetos de Pesquisa Avançada de Defesa DEC - Digital Equipment Joint Stock Company DOD - Departamento de Defesa dos EUA DOE - Departamento de Energia dos EUA E- Digital - Estratégia de Transformação Digital do Brasil EBIA - Estratégia brasileira de Inteligência Artificial EBIA - Estratégia Brasileira de Inteligência Artificial ENIAC - Electronic Numerical Integrator and Computer EUA – Estados Unidos da América FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais FAPESP - Fundação de Amparo à Pesquisa do Estado de São Paulo FMI - Fundo Monetário Internacional GSK - GlaxoSmithKline HTTP - Hypertext Transfer Protocol IA - Inteligência Artificial IaaS - Infraestrutura como Serviço IBM - International Business Machines Corporation IFMT - Instituto Federal de Mato Grosso IoT- Internet das Coisas IPO - Initial Public Offering LT - Logic Theorist MCC - Microelectronics and Computer Technology Corporation MCTI - Ministério da Ciência, Tecnologia e Inovação MILNET - Military Network NCI - Instituto Nacional do Câncer NCP - Network Control Protocol NFSC - Fundação Nacional de Ciências Naturais da China NIH – Institutos Nacionais de Saúde NIST - National Institute of Standards and Technology NITI - Instituto Nacional para Transformação da Índia NITI - National Institute for the Transformation of India NITRD - Networking and Information Technology Research and Development Subcommitte NSCAI - A Comissão de Segurança Nacional de Inteligência Artificial NSF - Agência de Defesa Nacional Americana NSF - Fundação Nacional de Ciências NSTC - National Science and Technology Council OCDE - Organização para a Cooperação e Desenvolvimento Econômico OMC - Organização Mundial do Comércio ONR - Escritório de Pesquisa Naval P&D – Pesquisa e Desenvolvimento PaaS - Plataforma como Serviço PI – Política Industrial PLN - Processamento de Linguagem Natural PMEs- Pequenas e médias empresas PNIA - Plano Nacional de Inteligência Artificial de Próxima Geração PUCPR - Pontifícia Universidade Católica do Paraná SaaS - Software a Serviço TCP/IP - Transmission Control Protocol e Internet Protocol TICs - Tecnologia da Informação e Comunicação UERJ - Universidade do Estado do Rio de Janeiro UFF- Universidade Federal Fluminense UFJF - Universidade Federal de Juiz de Fora UFMG - Universidade Federal de Minas Gerais UFPA - Universidade Federal do Pará UFPE - Universidade Federal de Pernambuco UFRGS - Universidade Federal do Rio Grande do Sul UFRJ - Universidade Federal do Rio de Janeiro UFRN - Universidade Federal do Rio Grande do Norte UFSC - Universidade Federal de Santa Catarina UFSM - Universidade Federal de Santa Maria UFU - Universidade Federal de Uberlândia UNCTAD - Conferência das Nações Unidas sobre Comércio e Desenvolvimento UNESP - Universidade Estadual Paulista UNIFEI - Universidade Federal de Itajubá UPE - Universidade de Pernambuco USP – Universidade de São Paulo WWW - World Wide Web SUMÁRIO 1 INTRODUÇÃO......................................................................................................... 14 2 INOVAÇÕES E MUDANÇAS ESTRUTURAIS................................................. 17 2.2 Aspectos teóricos das ondas longas de desenvolvimento................................... 18 2.3 Aspectos teóricos das ondas longas de desenvolvimento da abordagem neo- schumpeteriana......................................................................................................................19 2.4 Sexta onda longa..................................................................................................... 22 3 As diversas Nuances do Sistema Tecnológico Digital do Século XXI.............. 26 3.1 Definições e classificações da Inteligência Artificial (IA)..............................26 3.1.1 Período que antecedeu a IA (1943-1955).....................................................27 3.1.2 Período conhecido como a criação do termo da IA (1952-1969)................ 30 3.1.3 Período conhecido como “inverno da IA” (1966-1979).............................. 31 3.1.4 A IA torna-se um fenômeno (de 1980 à atualidade).................................... 31 3.2 Computação em nuvem................................................................................... 32 3.3 Big Data.......................................................................................................... 33 4. Os esforços de produção científica em IA................................................................ 36 4.1.1 Políticas de fomento à IA nos países....................................................................38 4.1.2 As políticas e os dados de publicações de China e EUA..................................... 40 4.1.3 As políticas de IA na China................................................................................. 42 4.1.3 As políticas de IA nos EUA................................................................................. 44 4.3 Análise descritiva das publicações de IA do Brasil................................................ 49 CONSIDERAÇÕES FINAIS........................................................................................ 59 REFERÊNCIAS............................................................................................................ 63 APÊNDICE A............................................................................................................70 APÊNDICE B............................................................................................................71 APÊNDICE C............................................................................................................72 APÊNDICE D............................................................................................................73 APÊNDICE E............................................................................................................74 APÊNDICE F.............................................................................................................75 APÊNDICE G.............................................................................................................76 APÊNDICE H.............................................................................................................77 APÊNDICE I...............................................................................................................78 APÊNDICE J..............................................................................................................79 APÊNDICE K.............................................................................................................80 APÊNDICE L.............................................................................................................81 APÊNDICE M............................................................................................................82 APÊNDICE N.............................................................................................................83 APÊNDICE O.............................................................................................................84 APÊNDICE P..............................................................................................................85 APÊNDICE Q.............................................................................................................86 APÊNDICE R.............................................................................................................87 14 1 INTRODUÇÃO Nos últimos 250 anos, o desenvolvimento tecnológico passou por um vigoroso processo de transição com o surgimento de novas invenções desde a primeira Revolução Industrial Britânica de 1771. Desde então, sucessivos períodos foram marcados por uma série de inovações ditas radicais, como a Era do Vapor e das Ferrovias (1829); a do Aço, da Eletricidade e da Engenharia pesada (1875); Petróleo, automóveis e produção em massa (1908). Atualmente, pode-se dizer que vivemos a era da tecnologia da informação e comunicação (TICs). Essa combinação de fenômenos associados à mudança tecnológica ajuda a criar uma série de mudanças que afetam todo o sistema capitalista moderno (PÉREZ, 2010). Segundo Schumpeter (1961), a inovação está no cerne da dinâmica do sistema capitalista e, se bem-sucedida, traz lucro. É também uma inovação que antecipa algumas mudanças e atividades no sistema capitalista moderno e, quando concretizadas, afetam quase todos os setores industriais e econômicos. Daí a expressão utilizada pelo autor de que o capitalismo é um processo de “destruição criadora”, ou seja, novas tecnologias são criadas o tempo todo e, ao criar novas tecnologias, setores, indústrias e ocupações são destruídos. O sistema capitalista não é linear, é um processo onde novas tecnologias e inovações são criadas o tempo todo. Kondratiev, economista russo do século XX, propôs a ideia de ondas longas para explicar o processo de desenvolvimento do sistema capitalista. Mais tarde, Schumpeter e outros autores se inspiraram no autor e incluíram o papel da inovação em suas análises dos ciclos econômicos. Segundo os autores, as revoluções tecnológicas têm o potencial de mudar todo o sistema econômico e criar setores, indústrias, produtos e serviços, além de fortalecer e rejuvenescer o que já é produzido. Assim, influenciam os hábitos de consumo, aumentam a competitividade, criam postos de trabalho, universidades e institutos de pesquisa, áreas do conhecimento, laboratórios de pesquisa e desenvolvimento (P&D) e também estratégias de um conjunto de políticas tanto de inovação quanto industrial e tecnológica para toda a sociedade (FREEMAN e PEREZ, 1988; PEREZ, 2010). Nesse sentido, o objetivo geral deste trabalho é avaliar as características do conhecimento científico sobre tecnologia de IA na China, nos Estados Unidos e no Brasil. Nesse contexto, uma forma de avaliar as várias questões (distintas) de um determinado país ou tema é por meio do método da bibliometria, que mede estatisticamente, por exemplo, a “produção” 15 de pesquisas científicas em um determinado país. Primeiramente, procuramos mostrar a evolução do número total de publicações do tema escolhido entre o período de 2010 a 2021; depois, encontramos os países que mais publicam sobre IA; definindo esses países, fizemos uma análise mais específica entre os dois principais países, China e Estados Unidos, junto com a do Brasil. Descobriu-se, com isso, quais são as áreas que mais publicam sobre o tema escolhido, quais as fontes de financiamento e quais setores recebem mais pesquisas sobre esse tema nos países selecionados. Por fim, as características da produção científica no Brasil, como as principais universidades e institutos de pesquisas, e o que eles estão pesquisando sobre a IA entre 2010 a 2021, foram investigadas. Este período foi escolhido por ser o período de maior investimento e inovações em serviços digitais da tecnologia selecionada. Com base nessa análise, o estudo se propõe a analisar as características dos países selecionados e algumas possíveis implicações dos resultados. A problemática que este estudo sugeriu para ser discutido é: quais são as características do conhecimento científico relacionada à IA na China, nos EUA e no Brasil? A hipótese adotada é que a IA e suas áreas ainda estão em fase de desenvolvimento, e o número de publicações sobre essa nova tecnologia deve aumentar ao longo dos anos. Embora a IA exista em muitos campos e serviços como robótica, aprendizado de máquina, big data, computação em nuvem, etc., ainda é uma tecnologia emergente com impactos reais e potenciais, por isso é recomendado obter novos trabalhos sobre o assunto. Compreender o que foi produzido e o que não foi produzido ajuda a entender, por exemplo, como os países que estão na fronteira tecnológica como China e os Estados Unidos, são mais bem-sucedidos no seu conjunto de políticas de inovação, enquanto o Brasil ainda busca novos caminhos e oportunidades para um processo de sucesso que dependeria de um conjunto de políticas industrial e tecnológica para serem fortalecidos. Com base nessa análise, é possível ver como está progredindo a produção de IA no mundo; qual país mais produz sobre o tema; bem como as principais fontes de financiamento sobre o tema e o desenvolvimento da produção científica nacional brasileira sobre o tema, quais universidades brasileiras mais publicam sobre IA e o que publicam. Também permite traçar novas pesquisas sobre o tema, possíveis discussões sobre os efeitos dessa nova tecnologia na economia e o questionamento: qual país será o líder na produção científica de IA no futuro? A base de dados Scopus foi escolhida para trabalhar com os dados, o que se justifica pelo fato de ser uma base de dados multidisciplinar que permite pesquisar um tema específico em diferentes áreas acadêmicas. É também uma base internacional com ampla cobertura na língua inglesa. 16 Esta dissertação está dividida em cinco partes. O primeiro capítulo diz respeito à introdução, que sintetiza brevemente os desafios e objetivos desta dissertação. O segundo capítulo corresponde ao estado da arte, onde a contextualização é feita com base na literatura sobre o tema: i) à teoria da inovação segundo o referencial neoschumpeteriano e ii) as características das revoluções tecnológicas no sistema capitalista. No terceiro capítulo são apresentadas brevemente as definições e características das três principais tecnologias digitais: IA, computação em nuvem e big data do século XXI. No quarto capítulo é feita uma análise dos resultados, onde são apresentados e discutidos os resultados obtidos para a análise descritiva geral do conhecimento científico sobre IA. No quinto capítulo apresenta as considerações finais (que tratam dos problemas analisados nesta pesquisa). 17 2 INOVAÇÕES E MUDANÇAS ESTRUTURAIS 2.1 Aspecto Teórico da Escola Evolucionária North (1990) argumenta que as mudanças institucionais afetam o desenvolvimento econômico de um sistema capitalista. Na opinião do autor, as instituições nacionais estão intimamente ligadas ao passado por meio de sua cultura e política atual; popularizando assim o conceito de dependência da trajetória institucional ou path dependency. Assim, as decisões, os lucros e todo o processo de coleta de dados das organizações são controlados por meio do ambiente institucional, o que torna o ambiente mais propício ao crescimento. Segundo Chandler (1997), o ambiente institucional de qualquer país inclui diversos atores internos e externos, como empresas, universidades, sistema financeiro e também organizações internacionais como a Organização Mundial do Comércio (OMC) e o Fundo Monetário Internacional (FMI). Por exemplo, Rosemberg e Birdzill (1986) argumentam que o Ocidente se tornou economicamente rico apenas depois de se libertar de velhas instituições. Segundo os autores, as revoluções burguesas influenciaram positivamente o crescimento dessas nações. Além disso, a criação de um novo marco legal e regulatório para cada país levou ao aumento da acumulação de capital e da competição no período. Assim, à medida que esse processo se desenvolveu, permitiu que o Ocidente ultrapassasse o Oriente economicamente no século XVII. As abordagens mais recentes da visão institucionalista, por sua vez, vem sendo advogada – em linha com o conceito de Sistema Nacional de Inovações, proposto pela primeira vez por Freeman (1987) e seguido por Nelson (1987) e Lundvall (1988), sendo fortalecida por novos autores evolucionários. O principal argumento desses autores é que as interações econômicas giram em torno de fatores políticos e sociais, que fortalecem o processo de difusão da inovação em um país. Também, na abordagem evolucionária, do lado da empresa, o processo de aprendizagem segue o desenvolvimento passado, ou seja, o crescimento de uma empresa decorre das competências acumuladas e da origem de seus ativos específicos. Como resultado, suas habilidades mudam devido a diferentes tipos de técnicas. Os ambientes de escolha são, portanto, um meio de lidar com diferentes trajetórias e diferentes estruturas de mercado. Por fim, o conhecimento da empresa é tácito, social e distribuído e depende dos diversos agentes envolvidos no processo econômico (TIGRE, 2014). 18 2.2 Aspectos teóricos das ondas longas de desenvolvimento Nos últimos anos, a teoria das ondas longas do desenvolvimento econômico capitalista se concentrou nas fases de crescimento e de declínio da atividade produtiva. A teoria das ondas longas, foi sistematizada entre 1790 e 1920 pelo economista russo Kondratieff (1979). O autor afirma que o sistema capitalista tem fases cíclicas e cada fase dura em média 50 anos. As fases têm períodos de expansão, pico, recessão e crise. Na fase de crise, o sistema se recupera, e é iniciada uma nova fase. O autor analisou cada fase, baseado em preços de commodities, primeiro na economia da França e Grã-Bretanha e, depois, para a economia mundial. Inspirado pela teoria das ondas longas de Kondratieff, Schumpeter incorpora a inovação para explicar o desenvolvimento do sistema capitalista. O autor associa as fases de boom econômico à rápida disseminação de importantes inovações durante cada revolução industrial, por exemplo, como foi o ciclo da máquina a vapor e o ciclo da eletricidade. Segundo Schumpeter (1934), um empreendedor inovador desencadeia uma onda de otimismo diante das expectativas de alto desempenho ao introduzir novos produtos e processos. Quando inovações bem-sucedidas são introduzidas, os empreendedores imitam o investimento e criam novos empregos, o que promove o crescimento econômico. Uma recessão começa quando as oportunidades para adotar novas tecnologias se esgotam. À medida que a inovação e o consumo se espalharam, as margens de lucro caíram e a capacidade ociosa aumentou. Isso faz com que as empresas reduzam a produção, o investimento, os custos e demitam trabalhadores, causando uma recessão. Assim, como demonstrou Schumpeter (1934), as mudanças que ocorrem na economia entre boom e recessão dependem de dois fatores: i) surgimento de inovações; ii) das condições institucionais apropriadas para sua difusão. Como resultado, houve uma grande mudança da estrutura antiga para a nova estrutura conhecida como "destruição criadora". Além disso, o autor considera os clusters de inovação como outro elemento determinante para o desenvolvimento. Deve-se destacar também que o período de boom terminou quando os lucros monopolistas das empresas foram rompidos e a concorrência se voltou para preços variáveis. Assim, a reversão do ciclo de depressão ocorre após o fim do processo de destruição causado por grandes inovações. Até 1970, os trabalhos tratavam de ciclos econômicos com análises de curto e médio prazo. Mas tudo mudou quando a economia mundial passou pela Grande Depressão na década de 1970, os trabalhos incluíram a teoria de longo prazo. A teoria das ondas longas de 19 desenvolvimento econômico foi aperfeiçoada por Freeman (1997). O autor introduziu o terceiro ciclo como fordismo e o quarto ciclo à difusão da microeletrônica. Algumas ressalvas sobre a teorias das ondas longas de desenvolvimento econômico devem ser levadas em consideração. Primeiro, a periodicidade de cada onda é muito discutida, mas esse não é o foco deste capítulo1. O capítulo apresenta as abordagens de Kondratiev (1998) e Schumpeter (1939) dos ciclos econômicos, envolvendo fatores históricos e estatísticos de cada país que desencadearam novas teorias propostas por Freeman (1997), Louçã (2007) e Perez (2010). A escolha do país é a variável mais interessante no segundo e terceiro ciclos de mudança de Kondratiev. Enquanto Marx analisava a Grã-Bretanha, Schumpeter também analisava a Alemanha e os Estados Unidos. Por fim, cada onda promoveu o desenvolvimento da ciência, da tecnologia, do ferro e do aço, da eletricidade e também da manufatura, à medida que a indústria química e a automobilística começaram a crescer. Na década de 70, desenvolveu os primeiros laboratórios de P&D. 2.3 Aspectos teóricos das ondas longas de desenvolvimento da abordagem neo- schumpeteriana Nas décadas de 1970 e 1980, a teoria das ondas longas inspirada em Kondratyev foi desenvolvida, depois aprofundada e confirmada pelos evolucionistas. Nesse período, destaca-se o trabalho de Freeman e Perez (1988), que visa explicar como a inovação tecnológica leva a mudanças de longo prazo, de modo que possa influenciar o progresso tecnológico contínuo. Os autores aceitam a teoria do paradigma tecnológico (DOSI, 1983) e a difusão das inovações incrementais (ROSENBERG, 1976; PATEL; PAVITT, 1994b). Além disso, o livro descreve os desafios da história econômica e as quatro revoluções tecnológicas. Para caracterizar todas elas, os autores identificaram sete componentes estruturais: (i) tecnologias emergentes; (ii) os principais players e estrutura de mercado; (iii) a composição financeira e as inovações desses players, (iv) países; (v) características do sistema 1 Marx (1867) oferece uma análise da "máquina e grande indústria" relacionada à indústria têxtil e à mecanização da máquina a vapor. Kondratiev (1998) e Schumpeter (1989) conectam cada fase da revolução industrial à era do vapor e do aço. Perez (2010) estende a periodicidade de Schumpeter ao vincular uma nova era de vapor e ferrovias, seguida por uma era de aço, eletricidade e maquinário pesado. 20 de inovação de cada país; (vi) fatores políticos e institucionais e (vii) geopolíticos dominantes (FREEMAN e PEREZ 1988, pp. 50-56). Por fim, Freeman e Louçã (2001) descreve as cinco inovações que perturbam o sistema caracterizando como revoluções tecnológicas: (i) mecanização da indústria têxtil; (ii) máquina a vapor; iii) eletricidade e química; (iv) motor a combustão e eletrônica e (v) tecnologias de informação e comunicação. O Quadro 1 abaixo apresenta um esquema elaborado por Carlota Pérez (2010). A autora associa o impacto das tecnologias, ou seja, se existe uma tecnologia que tem um efeito maior que outra. Dessa forma, ela consegue identificar o que seria daquela inovação radical, que, segundo a autora, usa o termo big bang para se referir à série de mudanças que se iniciam a cada revolução tecnológica. A primeira delas é a criação da fábrica de algodão de Arkwight em Cromford em 1771. Foi uma inovação que introduziu a primeira revolução tecnológica, a primeira Revolução Industrial. A segunda é a locomotiva a vapor inventada em 1829, que abre a segunda fase da economia, que é por meio de motores a vapor e ferrovias. O terceiro é o forno Bessemer em uma fábrica de aço em 1875. O quarto é a invenção do Ford-T em 1908 e o quinto e último é a invenção do microprocessador Inter em 1971. Neste sentido, todo big bang detona esse conjunto de transformações e uma série de revoluções tecnológicas acontecem. 21 Quadro 1 - As cinco ondas longas de revoluções tecnológicas Revolução Tecnológica Nome popular para o período País origem Inovações iniciais (Big-bang) Infraestruturas novas ou redefinidas Primeira (1771) Revolução Industrial Grã-Bretanha Inauguração da fábrica Moinho de Arkwight em Cromford Canais e vias fluviais; energia hidráulica Segunda (1829) Era do vapor e das Ferrovias Grã-Bretanha (Europa e EUA) Teste do Rocket, locomotiva a vapor na ferrovia Liverpool, Manchester Ferrovias; telégrafo; grandes portos, grandes depósitos e grandes barcos de navegação mundial; gás urbano Terceira (1875) Era do Aço, da Eletricidade e da Engenharia Pesada EUA e Alemanha, superando Grã-Bretanha Inauguração da fábrica de aço Carnegie Bessemer, na Pensilvânia Navegação mundial em velozes barcos de aço (uso do Canal de Suez); redes transnacionais de ferrovias (uso do aço barato); grandes pontes e túneis; telefone; redes elétricas (para iluminação e uso industrial) Quarta (1908) Era do Petróleo, do Automóvel e da Produção em Massa EUA e Alemanha (Europa) Primeiro modelo- T da planta de Ford em Detroit, Michigan Autopistas, portos e aeroportos; redes de oleodutos; eletricidade de plena cobertura (inclusive doméstica); telecomunicação analógica mundial Quinta (1971) Era da Informação e das Telecomunicações EUA (Europa e Ásia) Microprocessador da Intel é anunciado em Santa Clara, Califórnia Comunicação digital mundial (cabos de fibra ótica, rádio e satélite); Internet e outros serviços eletrônicos; redes elétricas de fontes múltiplas e uso flexível; transporte físico de alta velocidade. Fonte: Elaboração própria, com base em Perez (2010, p. 190). 22 2.4 Sexta onda longa O estudo das ondas longas de desenvolvimento capitalista tem provocado debates até hoje. Nesse contexto, Albuquerque (2021) entende que a invenção da World Wide Web (www) em 1991 pode ser considerada como o ponto de partida para uma nova inovação radical, em um novo big bang, iniciando assim uma possível sexta revolução tecnológica baseada na indústria de computadores e inspiradas nas cinco revoluções anteriores de Freeman e Louçã (2001) e Perez (2010). A invenção da www deveu-se ao estado de construção do sistema de inovação que ocorreu nas principais economias desenvolvidas e também ao meio do emergente sistema de inovação internacional, com a Organização Europeia para a Pesquisa Nuclear (CERN) em experimentos laboratoriais (GILLIES; CAILLIAU, 2000, p. 48-51). Como enfatizamos ao longo do capítulo, existem três hipóteses principais para a invenção da www: i) várias universidades em vários departamentos, principalmente no departamento de informática; ii) Laboratórios de P&D capazes de atender à crescente necessidade de networking e conectividade; iii) a presença de milhares de profissionais que podem dar conta do funcionamento das redes que estão sendo construídas e fortalecer o gigantesco processo descrito por Greenstein (2015, p. 23; 405), por meio de diversas inovações coletivas. Neste contexto, destaca-se a indústria de informática (MALERBA; ORSENIGO, 1996). Na década de 40, o pós-guerra e a situação provocada pelo desenvolvimento da indústria criaram condições para a invenção de novas invenções. A força motriz por trás da inovação é principalmente política e militar, mas tem uma forte influência no mundo industrial. Segundo Malerba e Orsenigo (1996), a invenção da www na indústria de computadores e, portanto, seu ciclo de vida (KLEPPER, 1997), especialmente a partir de 1946, são reforçados pelos seguintes fatores: primeiro, dependia de uma ampla série de invenções anteriores, começando com o primeiro computador eletrônico, ENIAC. Outro fator é o crescimento comercial de computadores à medida que novas empresas como Remington Rand e IBM entram no mercado. Além disso, mudanças na prestação de serviços no setor de semicondutores podem dificultar o crescimento do setor, pois os altos custos dos insumos limitam o crescimento do setor. Da mesma forma, Chandler (1997) identifica quatro etapas importantes no desenvolvimento da indústria de computadores: i) a transição do uso puramente militar para o 23 comercial; (ii) a invenção do processador 360 pela IBM; (iii) a invenção da rede de computadores; e mais recentemente (iv) criou a internet. Na trajetória das redes de computadores surge um problema: como conectar diferentes computadores e seus usuários e como resolvê-los? Greenstein (2015) responder a essa pergunta. Para tanto, tudo começou com o projeto ARPANET em 1969. Este projeto foi desenvolvido entre a Universidade da Califórnia e a Universidade de Utah. A primeira rede de computadores nasceu lá. Diferentemente de hoje, a primeira rede de computadores utilizava uma rede conectada a aparelhos telefônicos (GREENSTEIN, 2015). Entre 1973 e 1978, os pesquisadores da DARPA desenvolveram outro protocolo de rede para conectar computadores. Um protocolo chamado Transmission Control Protocol e Internet Protocol (TCP/IP) substituiu completamente o NCP em 1983. Além disso, a DARPA expandiu suas pesquisas com a criação da rede Ethernet. Essa rede possibilita a conexão de navios em unidades móveis em terra e no mar (GREENSTEIN, 2015). Em 1975, a rede ARPANET estava funcionando em 57 computadores. No mesmo ano, a Agência de Defesa Nacional Americana (NSF) assumiu o projeto. O Departamento de Defesa dos Estados Unidos construiu sua própria rede de computadores denominada CSNET - Computer Network - com o objetivo de conectar todas as salas de máquinas do país (GREENSTEIN, 2015). Entre 1975 e 1985, várias redes de telecomunicações foram criadas com diferentes fontes de financiamento, como a BITNET, que foi criada para receber e enviar mensagens eletrônicas e transferir arquivos para mais de 2.500 universidades em todo o mundo. Ao mesmo tempo, a ARPANET foi transformada em duas novas redes: MILNET para uso militar e ARPANET para uso exclusivo de universidades americanas e portuguesas (GREENSTEIN, 2015). Depois de 1985, a internet surgiu entre cientistas e programadores. No entanto, seu nome não foi usado até o final da década. A palavra conhecida hoje é de origem inglesa “internetting”. É com esta palavra que agora chamamos de internet. Até agora, o uso da rede era reservado apenas para militares e cientistas. Depois disso, sairá dos polos acadêmicos e passará a utilizar o mundo dos negócios e, eventualmente, os consumidores. A ARPANET e a NSFNET também foram substituídas por prestadores de serviços privados (GREENSTEIN, 2015). E aqui surge outro problema, como criar uma rede de acesso comum para todos os usuários? Entre 1991 e 1995, o cientista do CERN, Tim Berners-Lee, inventou um software que suporta páginas http e www. E é essa tecnologia que possibilita um uso mais intensivo e 24 extensivo da internet, pré-requisito para o crescimento comercial da rede (GREENSTEIN, 2015). Em seguida, analisamos as principais características da invenção www. Com base na teoria evolucionária, é possível derivar a maioria delas das inovações radicais da nova onda longa ou da nova revolução tecnológica. O crescimento da indústria de computadores permitiu o desenvolvimento de novas empresas e novos produtos como servidores e roteadores. Assim, à medida que a tecnologia se desenvolveu, ela criou novos problemas e novas invenções surgiram para resolvê-los, como o primeiro navegador Mosaic em 1992 e a rede de negócios Netscape durante o IPO da empresa em 1995. Ao mesmo tempo, as empresas IBM e Microsoft buscavam novas estratégias para seus modelos de negócios. Essa invenção também ajudou a criar o Google em 1998, uma das maiores empresas de busca na internet (GREENSTEIN, 2015). Durante esse processo, surgiram as invenções de computadores, como computadores de mesa, notebooks, laptops, netbooks, tablets, iPads e outros. Isso também levou ao crescimento da indústria de smartphones entre as invenções da www. Nesse contexto, investir em inovação foi essencial para promover outros setores. Os avanços na ciência, os laboratórios de pesquisa militar dos EUA, as universidades e a criação do departamento de P&D privado com uma força de trabalho altamente treinada tiveram um papel importante na promoção do desenvolvimento da ciência e tecnologia (GREENSTEIN, 2015). Nessa nova realidade, a internet é cada vez mais suficiente para implementar processos de negócios e cadeias de valor em outros setores. Hoje, o surgimento desta invenção uniu milhares de pessoas e empresas em todo o mundo. Também possibilitou uma nova fase no desenvolvimento de uma nova estrutura da economia mundial e também novas tecnologias, invenções e novas áreas de ensino (KAHLE; STULTZ, 2017). Segundo pesquisa de Lewis-Kraus (2016), as mudanças podem ser divididas em ferramentas utilizadas para produção de informação como big data e internet das coisas (IoT) e também ferramentas utilizadas para lidar com a explosão de dados, IA, por exemplo algoritmos de aprendizado de máquina e robótica. Um exemplo dessa visão é o desenvolvimento de algoritmos de tradução de texto na competição entre os maiores players da internet, como Google e Baidu (LEWIS-KRAUS, 2016). Dois exemplos do crescimento da robótica, a compra da Kiva Systems pela Amazon em 2012 (AUTHOR, 2015), bem como o interesse da Google em carros autônomos. O novo padrão imposto às novas tecnologias após a invenção da www estimulou uma nova onda de debate sobre o comportamento mais agressivo dos produtos e serviços digitais 25 desde o século XXI. Além disso, a expansão de novas tecnologias é acompanhada de fatores importantes para o desenvolvimento do sistema capitalista de produção. De acordo com essa interpretação, a OCDE (2016) lista 40 potenciais tecnologias que podem ser consolidadas nos próximos anos. O cenário atual pode causar a quebra dos modelos atuais, criando um elo entre a disseminação da www e as novas tecnologias emergentes. Para tanto, a OCDE (2016) divide metodologicamente 40 tecnologias possíveis em quatro subgrupos: tecnologia digital, biotecnologia, energia e meio ambiente. No subgrupo das tecnologias digitais classificam as tecnologias emergentes como: IA, IoT, big data, computação quântica, robótica, grid computing, computação em nuvem e blockchain. Neste sentido, seguindo os autores Kondratiev (1998); Schumpeter (1989); Freeman e Louçã (2001) e Perez (2010) que descreveram as revoluções tecnológicas e que há uma nova possibilidade como Albuquerque (2021) propõe um novo big bang que aconteceu com a invenção da www em 1991 e por sua vez criou uma nova fase da economia capitalista global que dá lugar a novas tecnologias emergentes, novas tecnologias digitais – uma delas é, segundo a OCDE, é a IA (OCDE, 2016, página .79). Assim, a seção seguinte busca descrever o que é a tecnologia de IA e seu potencial em outras tecnologias que estão emergindo neste momento no sistema capitalista global. 26 3 As diversas Nuances do Sistema Tecnológico Digital do Século XXI O surgimento da www desencadeou uma série de outras inovações. Uma delas é a grande explosão de dados ou big data que acometeu o mundo moderno. Segundo o relatório da UNCTAD (2019, p. 10), apenas 100GB/s foram produzidos em 2002. Este número subiu para 46.600GB/s em 2017 e, em 2022, o mundo produzirá 150.000 GB/s. Esse tema tem sido discutido na conhecida economia de dados (Mayer-Schools; Ramge, 2018; Veldkamp; General, 2019). Ainda segundo os autores, novos sistemas tecnológicos surgem a partir de determinadas tecnologias. O Quadro 2 resume as principais entidades internacionais e suas classificações sobre tecnologias digitais. Segundo Sturgeon (2019, p. 3), as tecnologias podem ser agrupadas em três categorias principais: (i) IA; (ii) computação em nuvem e (iii) big data, que juntos formam a base de um sistema de tecnologia digital onde um desenvolve o outro. Quadro 2 - Tecnologias digitais segundo entidades internacionais Entidades Tecnologias Conferência das Nações Unidas sobre Comércio e Desenvolvimento (UNCTAD, 2019) Blockchain, impressão 3D, internet das coisas, 5G, computação em nuvem, automação e robótica e inteligência artificial/analytics Comissão Econômica para a América Latina e o Caribe (CEPAL,2018) Internet das coisas, blockchain, plataformas digitais, internet das coisas industrial, manufatura avançada, inteligência artificia Organização para a Cooperação e Desenvolvimento Econômico (OCDE,2016) Inteligência Artificial, computação em nuvem, internet das coisas, big data, blockchain, grid computing, robótica, computação quântica União Europeia (UE, 2016) Internet das coisas, big data, computação em nuvem, robótica, inteligência artificial, impressão 3D, plataformas Fonte: Elaboração própria (adaptado de NETO; BONACELLI; PACHECO, 2020). 3.1 Definições e classificações da Inteligência Artificial (IA) A tecnologia de IA refere-se a um conjunto de algoritmos definidos por humanos como "uma máquina que pode, para um determinado objetivo fazer previsões, recomendações ou tomar decisões que influenciam ambientes reais ou virtuais’’ (OCDE, 2019, p. 15) e é suscetível 27 a mudanças repentinas nos métodos de produção e nas interações interpessoais na comunicação. Os algoritmos de IA são projetados para funcionar em diversos setores, desde manufatura, finanças e transporte até saúde e segurança (OCDE, 2022). Na literatura podemos encontrar duas abordagens para a tecnologia, a “IA fraca” e “IA forte”. Então: i) A “IA fraca”: descreve se uma máquina que pode realmente pensar, agir ou mostrar inteligência, mas não entende realmente o ambiente (NEAPOLITAN, JIANG, 2018; FRANKISH, RAMSEY, 2014); ii) A “IA forte”: por um lado, é um computador que na verdade é um cérebro, capaz de entender o ambiente externo e ter um estado cognitivo que é a inteligência no nível humano (NEAPOLITAN, JIANG, 2018; FRANKISH, RAMSEY, 2014). A construção da IA nasceu durante a Segunda Guerra Mundial (1939-45). Segundo Gomes (2010), podemos identificar quatro marcos para o nascimento dessa tecnologia que está revolucionando a ciência e a produção industrial na atualidade. Eles serão descritos a seguir. 3.1.1 Período que antecedeu a IA (1943-1955) A primeira pesquisa sobre a ideia de “inteligência artificial” está em A Logical Calculus of the Ideas Immanent in Nervous Activity (traduzido para: um cálculo lógico das ideias imanentes na atividade nervosa), de Warren Sturgis McCulloch e Walter Pitts (1943). Neste artigo, os autores mencionam pela primeira vez que uma rede neural é uma estrutura construída a partir de algoritmos artificiais que imitam o sistema nervoso humano (RUSSELL e NORVIG, 2004). Esta pesquisa está relacionada à ideia de IA forte mencionada anteriormente. Outro trabalho relevante na época foi a pesquisa do matemático americano Claude Shannon, na década de 1950, sobre como "ensinar" um computador a jogar xadrez por meio de cálculos matemáticos mais simples e eficientes. Em 1950, segundo Gomes (2010), Turing fez 28 a primeira pergunta: “As máquinas podem pensar?”2. Para responder à pergunta, Turing cria o Jogo da Imitação, que seria: Um homem (A), uma mulher (B) e um interrogador ou interrogadora (C) participam do jogo da imitação. O interrogador está separado dos outros dois jogadores. Cada pessoa tem um objetivo diferente no jogo: C faz perguntas aos outros dois participantes e seu objetivo é identificar corretamente qual o homem e qual a mulher; o objetivo de A, por sua vez, é induzir C ao erro; por fim, a meta de B é dar respostas que auxiliem C na correta identificação. Portanto, A poderia fornecer respostas 3 típicas femininas, como dizer, por exemplo, que tem cabelo comprido e usa vestido. Por sua vez, B poderia dizer para não acreditar em A, e que ela era a verdadeira mulher. Caso tenha sucesso, C acabará o jogo com o seguinte veredicto: A é homem e B é mulher, situação esta em que B também atinge seu objetivo. Por outro lado, A sairá vitorioso perante seus companheiros de jogo se C disser que A é mulher e B é homem. (TURING, 1996, p. 21). Turing perguntou mais tarde "o que acontece quando uma máquina substitui A neste jogo?", ou seja, o que acontece quando um computador tenta imitar um humano (TURING, 1996, p. 22). Responder a esta pergunta é, para um cientista, como dizer se uma máquina pode realmente pensar TURING (1950 apud Teixeira 1996, p.25-26), "isso significa que o programa de computador é inteligente se as respostas do questionador não puderem ser estatisticamente significativamente diferentes das de um jogador humano4”. Esse problema é conhecido como teste de Turing e, até hoje, os inventores de novos softwares são recompensados5. Portanto, ao desenvolver o teste, o autor procurou se manter dentro dos limites da abordagem das bases neurobiológicas da consciência. Nas palavras de Turing (1996, p. 41): Não quero dar a impressão de que penso não existir nenhum mistério no que diz respeito à consciência. Existe, por exemplo, algo assim como um paradoxo vinculado às tentativas de localizá-la. Mas não acredito que tais mistérios tenham de ser necessariamente resolvidos antes de podermos responder à pergunta que nos preocupa neste artigo. 2 O artigo publicado originalmente de Computing Machinery and Intelligence, em 1950, no periódico britânico Mind. Este artigo foi traduzido para o português por Fábio de Carvalho Hansen com o título de Computação e Inteligência, In: J. F. Teixeira, Cérebros, máquinas e consciência: uma introdução à filosofia da mente. (São Carlos: Editora da UFSCar, 1996), p. 19-60. 3 As respostas proporcionadas a C devem ser digitalizadas (ou datilografadas, como à invenção da época, a máquina de escrever). 4 Nota-se que Turing não afirmava que todos os computadores digitais teriam potencial de passar no teste. Também, o cientista não afirma que os computadores, na segunda metade do século XX, teriam bom desempenho no teste, mas, sim, que seríamos capazes de inventar computadores com essa funcionalidade (TURING, 1996, p. 25-26). 5 Nomeado de prêmio Loebner por Hugh Loebner, o qual ofereceu um prêmio de 100 mil dólares para o primeiro programa de computador que passe na sua versão do teste de Turing. Embora nenhum programa tenha ganho o Grande Prêmio, há um prêmio menor de 2 mil dólares para o programa de computador mais humano da competição, e isso atrai boas tentativas.” (WHITBY, 2004, p. 32). 29 Em 1951, nasceu a primeira invenção de um simulador de cadeia neural artificial, a Calculadora Neural-Análoga Estocástica de Reforço (SNARC). O autor foi Marvin Minsky, aluno de Warren Sturgis McCulloch e Walter Pitts, os pesquisadores do primeiro artigo discutido acima (GONÇALVES,2022). Um ano depois, em 1952, dois pesquisadores, Artur Samuel da IBM e Christopher Strachey da Universidade de Oxford, simularam versões separadas do jogo de damas desenvolvido para computadores (NILSSON, 2010): As implementações de Samuel e Strachey são significativas porque demonstram as primeiras instâncias em que um computador foi usado para desempenhar uma atividade patentemente humana, e já começou fazendo isso — mesmo com as severas limitações dos computadores do início da década de 1950 — de maneira rápida e eficiente. Samuel iria ainda mais longe, e em 1955 melhoraria seu jogo, inserindo elementos que permitiam ao computador utilizar informações de jogos anteriores, e assim melhorar seu desempenho. Esta é a primeira instância de aprendizado de máquina que temos registrada na história dos computadores digitais (NILSSON, 2010 apud OLIVEIRA, 2018, p.17). O jogo (programa) constrói uma "árvore" de imagens cujas probabilidades se movem por meio de métodos que dependem da recompensa de cada jogador6. Depois de construir a árvore, o programa tenta prever as possibilidades e obter o caminho mais valioso. A Figura 1 ilustra um algoritmo gerado artificialmente cujo objetivo principal é comunicar inferências humanas por meio da execução da máquina. Entre os muitos problemas práticos que podem ser aplicados por meio da programação lógica, destacam-se os videogames. Nesse exemplo, é possível observar o desenvolvimento tecnológico da IA, que ocorre em cada etapa do desenvolvimento da inteligência humana, que controla o movimento dos computadores e os ensina a repetir seus movimentos. 6 Os programas de Samuel e Strachey são desenvolvidos pela aplicação de métodos heurísticos na solução de respostas em relação ao problema na criação de um algoritmo. 30 Figura 1 - Exemplo de árvore de busca de um algoritmo de um jogo de damas Fonte: adaptada de Nilsson (2010). Embora existam pesquisas nessa área, o termo “inteligência artificial” ainda não existe. A IA nasce assim de um vasto campo da ciência, que inclui não só as ciências exatas, mas também as ciências sociais e biológicas do século XX. Nesse sentido, um de seus inventores é John McCarthy, e isso será discutido na próxima seção. 3.1.2 Período conhecido como a criação do termo da IA (1952-1969) O termo “inteligência artificial” tornou-se amplamente conhecido em 1956 em uma conferência nos Estados Unidos ("Inteligência Artificial" no Dartmouth College), que reuniu cerca de 20 cientistas e pesquisadores de diversas áreas (FRANKISH, RAMSEY, 2014). A partir de então, instituições governamentais e privadas7 passaram a investir nessa área e adotaram o conceito como disciplina (OLIVEIRA,2018). 7 Incluído a Agência para Projetos de Pesquisa Avançada (ARPA, atual DARPA) dos Estados Unidos, mesmo lugar onde nasceu a internet. 31 Esse período foi caracterizado por intensa euforia, mas sem avanços científicos na área. Segundo Gomes (2010), os destaques da conferência do Dartmouth College foram Newell e Simon inventando o programa de computador Logic Theorist (LT). 3.1.3 Período conhecido como “inverno da IA” (1966-1979) O conhecimento teórico sobre IA se desenvolveu desde a década de 1970, mas o desenvolvimento tecnológico dos computadores não acompanhou o ritmo necessário para o progresso dos pesquisadores da área. Esse período foi chamado de "inverno da IA" e é caracterizado por baixas expectativas, redução de investimentos e falta de progresso no campo em todo o mundo. Nesse caso, é possível compreender apenas o campo teórico da IA, mas sua aplicação ainda não foi possível devido às limitações do desenvolvimento tecnológico da microeletrônica, principalmente no campo da informática e da robótica. Muita coisa ficou adormecida na década de 1970. Foi na década de 1980 que começamos a reviver o campo da IA e, muito temporariamente, a promover outros campos de pesquisa chamados "sistemas especialistas", introduzidos por Edward Feigenbaum. Nucci Netto (2020) explicou que estes sistemas: [...] são softwares que realizam atividades complexas e específicas de um campo, fazendo o papel de seres humanos, porém com um raciocínio mais veloz e também uma base de conhecimento muito vasta, esses sistemas aproximam a inteligência artificial do mercado corporativo e vários setores começam a notar a utilidade dos programas computacionais inteligentes e focados, por exemplo, as aplicações financeiras. O sistema especialista ajuda na análise de risco de crédito bancário e utiliza algoritmos para melhorar o seu desempenho na negociação de ações e gestão de ativos no mercado financeiro. (NUCCI NETTO, 2020, p. 14). Olhando para esse período, fica claro que algumas aplicações da tecnologia de IA já estavam em desenvolvimento, mas ainda não estavam maduras o suficiente para resolver problemas práticos importantes. 3.1.4 A IA torna-se um fenômeno (de 1980 à atualidade) Foi somente no final da década de 1980 que grandes investimentos e avanços em IA aconteceram, principalmente com o avanço da Terceira Revolução Industrial baseada em 32 processos, eletrônica e automação (COUTINHO, 1992) e, mais recentemente, por conta da chamada “IV Revolução Industrial”, baseada em digitalização e informação (OCDE, 2017). Um exemplo importante do desenvolvimento da tecnologia de IA é o sistema R1, segundo Gomes (2010). Este foi o primeiro sistema comercial de sucesso produzido pela Digital Equipment Joint Stock Company (DEC). O sistema foi projetado para executar novas tarefas de programação; em 1986, o programa rendeu à empresa cerca de 40 milhões de dólares por ano. Logo depois, outras empresas como a Du Pont a compraram, economizando cerca de 10 milhões de dólares por ano. Outro avanço tecnológico que marcou aquela época foi a Microelectronics and Computer Technology Corporation (MCC), considerada um dos maiores grupos de investimento de P&D na indústria americana de computadores. Nesse período, grandes empresas da América do Norte começaram a investir em sistemas inteligentes de IA (GOMES, 2010). Do ponto de vista da análise histórica, a difusão criada pela nova tecnologia de IA traz consigo importantes mudanças na estrutura social e produtiva do sistema capitalista. Ainda, como descreve Perez e Freman (1988), o desenvolvimento econômico é associado pelo processo de evolução e mudanças no sistema capitalista, uma vez que essa transformação só é possível devido ao surgimento de novas tecnologias, instituições e indústrias. Nesse sentido, os países que não conseguem se adaptar às mudanças institucionais decorrentes de processos históricos em novos paradigmas ficam para trás no processo de desenvolvimento. Os países que realmente podem adotar e desenvolver essas novas tecnologias serão capazes de subir na escada tecnológica, acompanhando cada longa onda de inovação. 3.2 Computação em nuvem O professor Ramnath Chellappa introduziu pela primeira vez a "computação em nuvem" moderna na academia em 1997 (MOHAMED, 2009). Desde então, tem havido um interesse em encontrar uma definição abrangente desta tecnologia. Além disso, o NIST (National Institute of Standards and Technology) define "computação em nuvem" como a capacidade de fornecer recursos de computação por meio da internet, incluindo vários serviços, servidores, armazenamento e aplicativos (ARMBRUST et al., 2010). 33 A agência também define a tecnologia de computação em nuvem como composta por cinco características principais: (i) autoatendimento sob demanda: acesso em qualquer lugar e sem intervenção humana; (ii) ampla conectividade de rede: disponível em diversos dispositivos eletrônicos como laptops, netbooks, smartphones e ipad; (iii) grupo de recursos: inclui diversos serviços como armazenamento e processamento de dados; (iv) flexibilidade rápida, como sendo a capacidade de receber o serviço rapidamente, permitindo que os usuários alterem várias preferências sem entrar em contato com o provedor de serviços; (v) serviços de medição: gerenciamento e monitoramento de diferentes tipos de serviços prestados pelo provedor de serviços em nuvem. Para cumprir os cinco papéis descritos, as soluções também devem ser integradas como um serviço (modelo de serviço). Assim, podemos dividir o serviço em nuvem em três camadas: (i) Software a Serviço (SaaS); (ii) Plataforma como Serviço (PaaS) e Infraestrutura como Serviço (IaaS). O armazenamento de dados geralmente é feito por meio de serviços disponíveis que permitem que vários arquivos sejam compartilhados entre um grande número de usuários. Por fim, o NIST identifica quatro modelos de implantação de nuvem, que podem ser divididos em privados, públicos, comunitários e híbridos. 3.3 Big Data O campo de Big Data não é novo, existe há mais de 30 anos. Voltando no tempo, o termo Big Data foi oficialmente criado em 2005 por Roger MagoulasDe (GOSWAMI; CHANDRA, 2015), diretor de Pesquisa de Mercado da O'Reilly Mediapor. Big data é definido como dados que excedem o poder de processamento dos sistemas de banco de dados convencionais porque são muito grandes, produzidos muito rapidamente ou não atendem aos requisitos de arquitetura tradicionais " (Pierson, p. 17, 2015). Inicialmente, ao caracterizar a tecnologia Big Data, segundo Laney (2001), foram estudadas as três principais características da informação, que juntas formam os 3Vs: volume, velocidade e variedade. O volume pode ser expresso como uma grande quantidade de dados produzidos por meios de TI, que corresponde ao tamanho dos dados a serem produzidos e armazenados (RIAHI, RIAHI, 2018). Velocidade refere-se ao tempo que leva para produzir informações, pois os aparelhos eletrônicos e os computadores também possuem tecnologia de amostragem. 34 É assim que os dados são armazenados e deletados em tempo real8(RAUTENBERG, CARMO, 2019; RIAHI, RIAHI, 2018). Por fim, a variedade, que confirma a natureza do conhecimento como heterogeneidade, é representada por diferentes formas, estruturas e semânticas e também vem de diferentes fontes (LANEY, 2001; RAUTENBERG, CARMO, 2019). No entanto, à medida que a pesquisa sobre esse tópico cresceu, surgiram mais três Vs: velocidade, variabilidade e valor. A definição de big data, portanto, possui seis características: quantidade, velocidade, variabilidade, autenticidade, mutabilidade e valor (AKHTAR, 2018). Em geral, o novo "V" refere-se à singularidade e autenticidade dos dados. Se os dados coletados forem de baixa qualidade, os resultados do processamento de dados também serão ruins (CELESTINO, 2014; RAUTENBERG, CARMO, 2019). Por outro lado, a variabilidade refere-se à consistência desses dados. A diferença entre autenticidade e transformação é que nesta última os dados podem ter a mesma semântica, mas um significado completamente diferente. Além disso, para Rautenberg e Carmo (2019, p. 57), há o "foco em entender e lidar com fenômenos microscópicos e transitórios conhecidos". Em última análise, valor significa fazer perguntas durante a coleta, armazenamento e processamento de dados durante a análise, porque fazer as perguntas certas durante o processo é essencial para obter bons dados (AKHTAR, 2018). Portanto, a tecnologia big data busca e extrai grandes quantidades de dados para obter informações usando ferramentas para trabalhar com esses dados, o que causa dificuldades na decodificação devido à sua natureza heterogênea e relacionamento complexo (RIAHI, RIAHI, 2018; ZWITTER, 2015). Nesse sentido, a tecnologia de Big Data pode ser usada em quase todos os lugares do mundo atual; de artigos a revistas científicas, redes sociais como o YouTube e discussões no Twitter. Eles também trabalham como serviços em vários setores, como finanças, bancos e compras on-line, onde grandes quantidades de dados são monitoradas, coletadas e armazenadas a cada segundo para ajudar a gerenciar o comportamento do cliente e do marketing. Por fim, as tecnologias digitais, como big data e computação em nuvem, foram identificadas como uma forma de criar dados para um sistema de IA. Além disso, essas tecnologias vêm sendo desenvolvidas há décadas, mas somente na última década foram criadas 8 Nesse contexto, é importante enfatizar outro conceito de velocidade: os dados envelhecem e perdem valor com o tempo. Diante disso, vale também analisar seu significado, mesmo que permaneçam relevantes (AKHTAR, 2018). 35 as condições necessárias para que deslanchem e alcancem grandes resultados na sociedade e na economia. 36 4. Os esforços de produção científica em IA 4.1 A evolução do número total de publicações de IA entre os países Os resultados são apresentados em três subseções. Primeiramente, aqui nesta subseção, procuramos mostrar a evolução do número total de publicações do tema escolhido entre o período de 2010 a 2021; depois, faremos uma análise específica entre os dois principais países, China e Estados Unidos, fazendo uma comparação com o Brasil e; por fim, será feita uma análise descritiva dos dados do Brasil. Descobriu-se quais são as áreas que mais publicam sobre o tema escolhido e, em seguida, quais são as fontes de financiamento nesses países e quais setores recebem mais pesquisas sobre esse tema nos países selecionados. As buscas foram realizadas de fevereiro a maio de 2022 na base de dados Scopus. O termo buscado foi “artificial intelligence”. Este termo foi pesquisado nos campos dos títulos (article titles), resumos (abstracts) e nas palavras-chave (keywords) de todas as publicações disponíveis na plataforma. Ressalte-se que o número total de publicações do tema escolhido pode abranger mais de uma área de estudo e mais de um país, o que faz com que, por vezes, os percentuais, quando somados, alcançam mais de cem por cento. O ano da publicação foi limitado entre dois períodos: 2010-2015 e 2016-2021. A pesquisa teve um retorno de 278.263 registros. Com base nos resultados, verificou-se uma expressiva evolução da produção mundial de IA. Entre 2010 e 2021, a quantidade de publicações mais que dobrou (Quadro 3). A análise desses dois períodos mostra o desenvolvimento global do interesse por essa área de pesquisa, considerando que a produção passou de 13.856 publicações em 2010 para 41.294 em 2021. As frequências mostram, respectivamente, o quanto as publicações de cada ano representava em relação ao total de publicações do final do período, frequência relativa, e o acúmulo de publicações relativo em cada ano, frequência acumulada relativa. Por exemplo, é possível observar que em 2017, já havia um estoque de publicações de 71%. Ao passo que, comparado com os anos seguintes, a participação da quantidade de publicações por ano ainda está abaixo de 10%. Isso indica um avanço recente no total de publicações em Inteligência Artificial. 37 Quadro 3 – Evolução anual das Publicações de IA Ano Publicaçõe s Frequência Relativa Frequência acumulada Frequência Acumulada Relativa Total 278.263 100% 278.263 100% 2021 41.294 15% 264.407 95% 2020 35.901 13% 248.528 89% 2019 28.935 10% 231.552 83% 2018 27.337 10% 215.286 77% 2017 22.906 8% 198.091 71% 2016 22.382 8% 178.755 64% 2015 19.336 7% 156.373 56% 2014 17.195 6% 133.467 48% 2013 16.266 6% 106.130 38% 2012 16.976 6% 77.195 28% 2011 15.879 6% 41.294 15% 2010 13.856 5% Fonte: Scopus. Elaboração própria. A análise também destacou os países mais importantes. O quadro 4 mostra as contribuições dos treze primeiros países em termos absolutos e relativos. A China tem o maior número, respondendo por 57.883 da produção mundial, 20,8 % do total, seguida pelos Estados Unidos com 50.836, 18,3 % do total. Em seguida, está a Índia também com 22.642 (8,1%). O Brasil é o 13º país com mais publicações, 5.283 (1,9%). Quadro 4 – Os 13 (treze) países com maior número de publicações de IA (2010-2021) Ordem País 278.263 % 1° China 57.883 20,8 2° Estados Unidos 50.836 18,3 3º Índia 22.642 8,1 4° Reino Unido 18.049 6,5 5° Alemanha 14.800 5,3 6° Itália 11.103 4,0 7° França 10.888 3,9 8° Espanha 10.686 3,8 9° Japão 9.882 3,6 10° Canadá 9.609 3,5 11° Austrália 8.200 2,9 12° Coreia do Sul 6.534 2,3 13° Brasil 5.283 1,9 Fonte: Scopus. Elaboração própria. 38 Além de mensurar o conhecimento científico sobre IA no mundo, é importante apontar como esse conhecimento se desdobra juntamente com outros fatores, como os esforços tecnológicos de cada país, por exemplo, como um conjunto de políticas de inovação, industriais e política tecnológica conseguem aumentar a competitividade de cada país. Dentre essas atividades, os itens mais importantes são destacados a seguir em cada país. 4.1.1 Políticas de fomento à IA nos países China. A China está caminhando para subir a escada tecnológica a partir da construção de sistemas inovadores e mais avançados com tecnologias consideradas chave para o futuro da IA a partir de três planos (HIRATUKA; DIEGUES, 2021, p.7-10): (i) "Made in China 2025”, lançado em 2015; (ii) “Internet Plus”, lançado em 2015 e (iii) Plano Nacional de Inteligência Artificial de Próxima Geração (PNIA), lançado em 2017. EUA. O investimento do governo em IA americana começou durante o segundo governo de Barack Obama (2013-2017) sob o Departamento de Defesa dos EUA, do National Science and Technology Council (NSTC). E teve continuidade na administração de Donald Trump (2017-2020), que estabeleceu o subcomitê Networking and Information Technology Research and Development Subcommitte (NITRD). Ambos os governos visavam fortalecer novas estratégias tecnológicas para o país, buscando parcerias entre governo, universidades e organismos internacionais (CÓBE et al., 2020). Atualmente, o presidente Joe Biden anunciou o "Made in America" a fim de fortalecer os setores intensivos em capital e intensivos em P&D. Índia. Os esforços em torno dos pacotes mais importantes do governo indiano foram denominados em relatório do National Institute for the Transformation of India (NITI) e combinam três principais estratégias nacionais: (i) a criação de laboratórios nacionais (com foco em pesquisa básica), capacitando o treinamento de cidadãos indianos para habilidades e trabalho qualificado; (ii) investimentos em P&D em cinco setores estratégicos de IA saúde, agricultura, educação, cidades inteligentes e mobilidade) para melhorar indicadores econômicos e sociais; e (iii) exportação de tecnologia para outros países (DUTTON, 2018). Reino Unido. O Reino Unido lançou uma estratégia nacional de IA em 2018, denominada Artificial Intelligence Sector Deal, com três objetivos: (i) monopolizar o controle 39 de dados de players de tecnologia; (ii) incentivos de controle de dados e (iii) incentivos fiscais para pequenas e médias empresas (PMEs) (HOUSE OF LORDS, 2019). Como observa Dutton (2018), a estratégia do Reino Unido visa desenvolver um conjunto de regulamentos e princípios éticos para cobrir as várias aplicações da IA e o exercício dos direitos fundamentais. Além disso, a estratégia nacional buscou expandir o Instituto Alan Turing por meio da criação de programas de bolsas para especialistas em IA, Turing Fellowships, além de uma agência nacional de Ética e Inovação de Dados. Finalmente, o governo ofereceu pacotes e incentivos fiscais para empresas nacionais e estrangeiras de tecnologia. Alemanha. A Alemanha é uma das principais economias do mundo e um dos mais importantes centros de inovação. Desde 2018, o governo federal lançou uma série de estratégias nacionais para fortalecer e expandir a pesquisa em IA no país (BMWI, 2018). Desde o anúncio da Indústria 4.0, o governo federal lançou um pacote abrangente de políticas que inclui novos centros de pesquisa, cooperação franco-alemã em P&D, financiamento regional de grupos e apoio a PMEs e Startups, além de atrair talentos internacionais. Exemplos incluem o centro de pesquisa Alexander von Humboldt Foundation e Plattforma Lernende Systeme (IEDI, 2017b). Itália. O governo italiano tem direcionado suas estratégias de política pública para a IA. Lançado em 2018, o programa "Inteligência Artificial: Ao Serviço dos Cidadãos" foi desenvolvido por um grupo de pessoas da Agência Digital Italiana. O plano inclui referências a serviços governamentais, incluindo preocupações com dados (segurança cibernética), trabalhadores qualificados e questões regulatórias de tecnologia de IA (AGID, 2018). Além disso, em 2018, foi criado o laboratório nacional de IA "CINI-AIIS Lab (Laboratório de Inteligência Artificial e Sistemas Inteligentes)". O foco é ampliar a pesquisa básica e fortalecer as áreas de ciências exatas no país e transferir esse conhecimento para o setor privado e também para a administração pública (DUTTON, 2018). França. A estratégia nacional de IA da França está contida no relatório AI for Humanity, publicado em 2018. As direções de ação mais importantes são: (i) desenvolvimento de políticas destinadas a melhorar o acesso à informação dos dados; (ii) direcionar quatro setores estratégicos - saúde, meio ambiente, transporte e defesa; (iii) aumentar o potencial da pesquisa francesa e investir em talentos; (iv) trabalho; (v) tornar a IA mais ecológica (OCDE,2021). Espanha. A Espanha desenvolveu uma forte estratégia nacional de IA intitulada Spanish RDI Strategy in Artificial Intelligence, lançado em 2019 (CÓBE et al., 2020). A proposta de IA concentra-se em seis objetivos: (i) estimular a pesquisa, o desenvolvimento técnico e a inovação tecnológica; (ii) promover o desenvolvimento de competências digitais, incentivando o talento nacional e atraindo o talento global; ; (iii) desenvolvimento de 40 plataformas de informação e infraestrutura tecnológica de suporte à IA; (iv) integração da AI nas cadeias globais de valor (CGVs);(v) incentivo ao uso na administração pública e em missões estratégicas nacionais e (vi) criar e desenvolver um marco ético e normativo. Japão. O Japão começou a desenvolver uma estratégia nacional de tecnologia de IA com o Artificial Intelligence Techonology Strategy, lançado em 2017 (CÓBE et al., 2020). Com foco em três eixos: (i) uso e aplicação de IA para uso público de dados; (ii) criação de ecossistemas através de conexão de redes e (iii) políticas que incluem novos investimentos em P&D, novos talentos internacionais, transparência da informação de dados públicos e a regulação de Startups. Canadá. O Canadá desenvolveu uma estratégia nacional de tecnologia de IA com o Pan-Canadian AI Strategy, lançado em 2017 (CHIARINI e SILVEIRA, 2022, p.6). O foco é fortalecer a pesquisa e atrair pesquisadores. Para tanto, criou centros de pesquisa acadêmica de excelência em Edmonton, Montreal, Toronto e Waterloo. Os pacotes e planos do governo do Canadá podem ser encontrados no Canadian Institute for Advanced Research (CIFAR), por meio do programa AI and Society. Austrália. Desde 2018, o governo australiano desenvolveu sua estratégia nacional de IA com o programa Prosperity Through Innovation, para financiar projetos de pesquisa e inovação (CÓBE et al., 2020). Coréia do Sul. Na Coreia do Sul, a proposta de IA do governo foi apresentada na National Strategy for Artificial Intelligence, em 2019. A política tem três eixos principais: (i) criar uma infraestrutura de classe mundial para TI inteligente; (ii) promover a implementação de TI inteligente em todos os setores e (iii) medidas proativas para renovar e fortalecer o sistema de apoio social. Outras estratégias do governo sul-coreano incluem o projeto ExoBrian, lançado em 2014. O foco do pacote é um ramo da IA chamado de Processamento de Linguagem Natural (PLN). Os setores chaves incluem saúde, jurídico e financeiro. Lançado em 2015, o projeto DeepView é voltado para aplicações de dados visuais. 4.1.2 As políticas e os dados de publicações de China e EUA O quadro 5 mostra que, enquanto no primeiro período os Estados Unidos lideraram a criação de conhecimento científico sobre inteligência artificial, isso não ocorreu no segundo período. A produção de inteligência artificial na China, que atingiu o número de 17.786 no 41 primeiro período 2010-2015, chegou a 40.097 no segundo período, 2016-2021, superando os Estados Unidos. A produção de pesquisa em IA no Brasil, entre o período de 2010 e 2015, atingiu 1.947 registros, enquanto que no período 2016 e 2021 este número foi de 3.336, conforme o Quadro 5. Quadro 5 - Publicações de IA nos periódicos classificados entre os dois principais líderes globais (China, EUA) e Brasil País China País Estados Unidos País Brasil Ano 57.883 % Ano 50.836 % Ano 5.283 % 2021 10.289 17,8 2021 6.483 12,8 2021 730 13,8 2020 10.113 17,5 2020 6.251 12,3 2020 492 9,3 2019 6.514 11,3 2019 5.009 9,9 2019 554 10,5 2018 5.548 9,6 2018 5.798 11,4 2018 582 11,0 2017 3.764 6,5 2017 4.465 8,8 2017 476 9,0 2016 3.869 6,7 2016 4.397 8,6 2016 502 9,5 2015 2.472 4,3 2015 4.111 8,1 2015 384 7,3 2014 2.335 4,0 2014 3.301 6,5 2014 363 6,9 2013 2.472 4,3 2013 3.142 6,2 2013 353 6,7 2012 3.195 5,5 2012 2.877 5,7 2012 312 5,9 2011 4.346 7,5 2011 2.719 5,3 2011 233 4,4 2010 2.966 5,1 2010 2.283 4,5 2010 302 5,7 Fonte: Scopus. Elaboração própria. A posição do Brasil na produção mundial mudou significativamente nos dois quinquênios (2010-2015 e 2016-2021). O Brasil subiu duas posições, de 15ª para a 13ª. Na mesma análise, os Estados Unidos perderam uma posição do 1º para o 2º lugar, enquanto a China subiu uma posição do 2º para o 1º lugar. O gráfico abaixo mostra a alternância de posições ao longo do período analisado entre China e EUA. 42 Gráfico 1 – Comparação de publicações em IA por países selecionados entre 2010 e 2021 Fonte: Scopus. Elaboração própria 4.1.3 As políticas de IA na China A China aumentou suas publicações de IA desde 2015, quando duas grandes estratégias nacionais foram anunciadas. O primeiro é o plano “Made in China 2025”, que tem como foco a Indústria 4.0. O segundo plano é o “Internet Plus”, que enfatiza a integração da economia digital com foco em serviços e funções digitais (HIRATUKA; DIEGUES, 2021). No entanto, o Plano Nacional para a Nova Geração de Inteligência Artificial (PNIA) foi publicado apenas em 2017 com o objetivo claro de integrar política industrial (PI) e ciência, tecnologia e inovação (CT&I) para atrair não apenas setores high - tech, mas também outros segmentos estratégicos considerados pelo país como segurança e proteção ambiental. Este objetivo é composto por duas metas. A primeira é a criação de cidades "inteligentes", a partir de aplicações de serviços de IA. Em segundo lugar, há uma forte presença do Estado com pacotes e incentivos fiscais vinculados à disseminação do conhecimento científico entre atores públicos e privados para promover o desenvolvimento mútuo (Robertson et al. 2021). No plano, são adotadas estratégias de longo prazo organizadas em duas metas. A primeira meta é torna a China um país inovativo, ou seja, criar um ambiente favorável para as atividades inovativas, reformar o sistema de incentivos, criar um conjunto de políticas de apoio 43 e políticas regulatórias até 2025. Em 2030, espera-se, com o plano, que a China se junte aos países líderes em inovação. O plano coloca a IA no centro de uma visão de futuro onde essa sociedade mais inovadora é persistente, não apenas do ponto de vista de estímulos a pesquisa básica, mas também com a difusão da tecnologia como fundamental para alterar uma série de fatores associados à governança pública, bem-estar social (por exemplo, na área da saúde, TI, educação, na área da proteção ambiental e na área de defesa e segurança nacional). Para fortalecer o campo da IA, segundo Webster et al., (2017), o governo está focando nos campos das novas tecnologias, como big data,computação quântica, inteligência de mídia cruzada e híbrida homem-máquina, inteligência de enxame (Swarm Intelligence) e aprendizado de máquina (Machine Learning). Em termos de sistemas técnicos, os aplicativos de IA precisam ser fortalecidos e desenvolvidos. Para isso, algoritmos de aprendizado de máquina (Machine Learning) e aprendizado profundo (Deep Learning) são desenvolvidos em conjunto com máquinas altamente avançadas, como softwares e hardwares que estão surgindo em outro setor, como o de semicondutores. Além disso, uma força de trabalho experiente de engenheiros, matemáticos e cientistas de dados fortalecerá o relacionamento entre homem e máquina. Diante disso, desenvolveu-se todo um cenário que dá aos sistemas inteligentes oportunidades de aprimorar as aplicações da IA não apenas em setores econômicos, mas também em setores estratégicos como a segurança nacional e ambiental, proporcionando ao país grandes saltos no progresso tecnológico. Finalmente, o plano enfatiza a importância da integração civil-militar. A cooperação de todos os campos científicos da sociedade é para a promoção comum do desenvolvimento científico do país. Segundo Kania (2020), a estratégia do governo chinês é se tornar uma referência global em tecnologia de IA. Para tanto, os pacotes de incentivos fiscais visam desenvolver diversas áreas da IA, como robótica, processamento de linguagem natural (PLN), aprendizado de máquina e algoritmos de aprendizado profundo e visão computacional, que são aplicados a sistemas inteligentes capazes de desenvolver armas, veículos, e mísseis e assim por diante. Além disso, também é importante destacar que o projeto nacional chinês PNIA destaca o gap da China em relação a países que já ascenderam à vanguarda da tecnologia em áreas consideradas estratégicas para pesquisa básica como os semicondutores, software e mão de obra especializada. Esses elementos têm um efeito positivo no fortalecimento de todo o sistema de inovação do país (DING, 2018). 44 4.1.3 As políticas de IA nos EUA O Plano Estratégico Nacional de Pesquisa e Desenvolvimento de Inteligência Artificial dos EUA foi lançado em 2016, durante o segundo mandato do presidente Barack Obama. O objetivo do projeto é identificar estratégias futuras para construir novos caminhos para o desenvolvimento de inteligência artificial e outras tecnologias emergentes (NSTC, 2016). Os cinco objetivos foram divididos em: (i) pacotes fiscais para o setor privado, bem como institutos acadêmicos; ii) segurança nacional; iii) atrair especialistas na área; (iv) desenvolver indicadores para medir IA e (v) treinar e testar dados do governo (NSTC, 2016, p. 35). Mesmo durante o governo Trump, o país continua a política de desenvolver IA não apenas em setores econômicos, mas também nas áreas de proteção ambiental e segurança nacional. O foco principal é fortalecer a governança entre empresas privadas, institutos de pesquisa e instituições militares para acelerar o desenvolvimento mútuo (THE WHITE HOUSE, 2018, s.p.). Nesse sentido, a Comissão de Segurança Nacional sobre Inteligência Artificial (NSCAI) apresentou considerações para a integração da IA em setores-chave de exportação, como semicondutores e equipamentos de fabricação. Segundo os autores do documento, o país deve usar meios para controlar a exportação de semicondutores, por exemplo, com o objetivo de estar na vanguarda da tecnologia e também dos interesses militares. A indústria de semicondutores seria, portanto, a base industrial para a indústria de digitalização, ajudando a automatizar sistemas que se expandem à medida que os dados se expandem. Portanto, o setor de semicondutores seria o primeiro pilar da construção da tecnologia digital e possui dois subsetores. A primeira são os chips, que são circuitos integrados utilizados em chips de memória, processamento de radiofrequência para comunicação com infraestrutura de comunicação. A segunda são os sensores que reproduzem as aplicações da IA em sinais sonoros, fala, temperatura em sinais digitais, responsáveis pela digitalização do mundo físico (NSCAI, 2021, p. 230.) Ao contrário da China e dos Estados Unidos, o Brasil não tinha uma estratégia específica de IA até 2018. O tema foi abordado pela primeira vez no mesmo ano em um plano de governo focado no futuro das estratégias econômicas digitais na Estratégia de Transformação Digital do Brasil (E- Digital). No entanto, o tema será fortalecido pela Estratégia Brasileira de Inteligência 45 Artificial (EBIA), lançada em 2021, que visa promover a maior capacidade de inovação tecnológica do setor no país. 4.2 As áreas e as fontes de financiamento O Quadro 6 analisa os dados das publicações por áreas em três países, China, EUA e Brasil. Embora o tema da Inteligência Artificial abarque um conjunto de áreas e temas, conforme visto nas políticas dos países citadas anteriormente, é possível observar que, em média, quase 70% das publicações dos três países estão concentradas na área “ciência da computação”, no período de 2010 a 2021. Quadro 6 – Números de publicações por áreas de destaques China Estados Unidos Brasil Ordem Área 57.883 (%) Ordem Área 50.836 (%) Ordem Área 5.283 (%) 1° Ciência da Computação 41.144 71,1 1° Ciência da Computação 33.409 66,0 1° Ciência da Computação 3.871 73,0 2° Engenharias 16.076 27,8 2° Engenharias 11.569 23,0 2° Matemática 1.503 28,0 3º Matemática 14.110 24,4 3º Matemática 10.965 22,0 3º Engenharias 1.228 23,0 4° Física e Astronomia 6.407 11,1 4° Medicina 7.412 15,0 4° Medicina 414 8,0 5° Ciências da decisão 4.270 7,4 5° Ciências Sociais 2.932 6,0 5° Ciências Sociais 315 6,0 Fonte: Scopus. Elaboração própria. Em segundo lugar, na China e EUA, estão as “engenharias”. No Brasil, este lugar é ocupado pela “matemática”. Como a tecnologia de IA se concentra na criação e programação de algoritmos, é necessário estudar a lógica numérica, como cálculo, probabilidade e estatística. Este fato justifica o status das três principais áreas. Outras áreas de estudo são: "medicina", um campo que estuda as funções, mudanças e desenvolvimento de todo o corpo humano. Os avanços nessas áreas dependem de ferramentas (software) que possam ser utilizadas para desenvolver sistemas inteligentes. A "física e astronomia", campos dedicados a experimentos e simulações virtuais e, finalmente "ciências da decisão", um campo que utiliza a criação de sistemas de aprendizagem como aprendizado de máquina (machine learning) e (deep learning) 46 que são subáreas da IA e "ciências sociais", um campo dedicado a três campos de estudo diferentes: antropologia, sociologia e ciência política. Outro indicador importante é a fonte de financiamento, observado no quadro 7. Observou-se, em um primeiro momento, que mais da metade das fontes de financiamento estão “indefinidos” na base Scopus, o que ocorre quando não há nenhuma instituição ou empresa associada ao estudo. Por isso, este estudo excluiu as categorias "indefinidas". Os Quadro 7 e 8 apresentam os percentuais relativos ao total de publicações financiadas pelo setor público e privado, em valores absolutos e relativos para o período de 2010 e 2021. As cinco principais fontes de financiamento para pesquisas relacionadas a publicações de IA nos três países são órgãos governamentais, segundo o quadro 7. A organização chinesa Fundação Nacional de Ciências Naturais da China (NFSC) foi a que mais apareceu, seguida pela Fundação Nacional de Ciências (NSF) e em terceiro lugar ficou o Conselho de Desenvolvimento Científico e Tecnológico da Tecnologia Nacional Brasileira (CNPq), respectivamente. 47 Quadro 7 - Números de publicações por fontes de financiamento público às pesquisas na China, nos EUA e no Brasil China Estados Unidos Brasil Ordem Governo 57.833 (%) Ordem Governo 50.836 (%) Ordem Governo 5.283 (%) 1° Fundação Nacional de Ciências Naturais da China (NFSC) 15.630 27% 1° Fundação Nacional de Ciências (NSF) 6.234 12% 1° Conselho Nacional de Desenvolvime nto Científico e Tecnológico (CNPq) 1.075 20% 2° Programa Nacional de Pesquisa e Desenvolvime nto da China 2.406 4% 2° Instituto Nacional de Saúde 2.536 5% 2° Coordenação de Aperfeiçoamen to de Pessoal de Nível Superior (CAPES) 856 16% 3º Fundos de Pesquisa para as Universidades Centrais 2.200 4% 3º Fundação Nacional de Ciências Naturais da China (NFSC) 1.711 3% 3º Ministério da Ciência, Tecnologia e Inovação 453 9% 4° Ministério da Educação da China 1.787 3% 4° Departame nto de Defesa dos EUA (SecDef) 1.395 3% 4° Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) 393 7% 5° Ministério da Ciência e Tecnologia da China 1.685 3% 5° Escritório de Pesquisa Naval da Marinha dos EUA 958 2% 5° Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) 157 3% Fonte: Scopus. Elaboração própria Hoje, muitas empresas utilizam sistemas de IA para criar novos produtos e/ou serviços inovadores para aumentar a produtividade, além de reduzir custos e tempo. O Quadro 8 mostra os quatro principais setores e empresas que aparecem no financiamento das pesquisas associadas às publicações: tecnologia da informação (TI) em 57,6%, seguida de farmacêuticos e serviços hospitalares com cerca de 40%, agricultura com cerca de 1% e petróleo com 1%. 48 Quadro 8 – Financiamento privado às pesquisas na China, nos EUA e no Brasil Ordem País Setor Empresas 1.239 % 1° EUA TI Google 238 19,2 2° EUA TI Nvidia 176 14,2 3º EUA TI Microsoft 164 13,2 4° EUA TI Intel 134 10,8 5° Suíça Farmacêutico Novartis 65 5,2 6° Suíça Farmacêutico Roche 59 4,8 7° EUA Farmacêutico Pfizer 56 4,5 8° EUA Farmacêutico GE Healthcare 54 4,4 9° Alemanha Farmacêutico Merck 51 4,1 10° Inglaterra Farmacêutico AstraZeneca 50 4,1 11° EUA Farmacêutico Genentech 50 4,1 13° Inglaterra Farmacêutico GlaxoSmithKline(GSK) 39 3,1 14° EUA Farmacêutico Medtronic 35 2,8 15° EUA Farmacêutico Bristol Myers Squibb (BMS) 33 2,7 16° Brasil Petróleo Petrobras 12 1,0 17° Brasil Agrícola Embrapa 9 0,7 18° Alemanha Farmacêutico, Agrícola e saúde Bayer 8 0,7 19° EUA TI Dell 3 0,2 20° Itália Farmacêutico Chiesi 3 0,2 Fonte: Scopus. Elaboração própria. Segundo Gupta (2018), os serviços de TI e nuvem são o futuro dos subcampos de IA. Isso explica o aparecimento de líderes em tecnologias como Google, Nvidia, Microsoft e Intel. Em relação aos produtos farmacêuticos, merecem destaque as empresas Novartis e Roche na Suíça, onde a indústria farmacêutica é destaque; seguida pela Alemanha (Merck e Bayer), país onde a Indústria 4.0 teve início em 2011; seguido pela Inglaterra (AstraZeneca e GlaxoSmithKline (GSK) e Itália (Chiesi). A IA também é aplicada na área de equipamentos e serviços hospitalares e, novamente, os Estados Unidos (GE Healthcare; Genentech e Medtronic) lideram a participação desses setores, conforme o quadro 8. Segundo Albuquerque e Cassiolato (2002), o desenvolvimento 49 de tecnologias médicas é altamente dependente de P&D, pois necessitam altos investimentos e conhecimento especializado, além da cooperação entre as universidades, empresas, institutos de pesquisas e agências governamentais. Observa-se que nenhuma empresa de tecnologia chinesa é mostrada e apenas duas empresas brasileiras (Petrobras e Embrapa). As empresas norte-americanas de TI (Google/Alphabet, Nvidia, Microsoft, Intel e Dell) são as maiores consumidoras mundiais de semicondutores e são também as maiores empresas de internet. Além disso, a IA é uma tecnologia de uso civil e militar, e os Estados Unidos têm como parceiros militares a OTAN (Itália e Reino Unido) o que permite o desenvolvimento e a transferência de tecnologias entre os países. 4.3 Análise descritiva das publicações de IA do Brasil O Quadro 9 apresenta as principais instituições de ensino superior que foram identificadas nas publicações científicas. Das 18 instituições encontradas durante a análise, verificou-se que a Universidade Federal de Juiz de Fora (UFJF) foi a instituição de ensino que publicou o maior número de publicações sobre esta temática, sendo 19 no total. A segunda instituição com mais publicações é a Universidade de São Paulo (USP), com um total de 16 publicações. A Universidade Federal Fluminense (UFF) é a terceira entre as universidades brasileiras, com um total de 13. A Universidade Federal de Uberlândia (UFU) e a Universidade Federal do Rio Grande do Norte (UFRN) são a quarta, com um total de 9. A Universidade do Pará (UFPA) e a Universidade Federal do Rio de Janeiro (UFRJ) em quinto, num total de 8. A Universidade de Pernambuco (UPE) está em sexto lugar, com um total de 6. As demais instituições identificaram apenas cinco, quatro ou três cada. Além disso, foi encontrada apenas uma universidade privada de ensino superior, a Pontifícia Universidade Católica do Paraná (PUCPR). Além disso, o Quadro 9 também mostra as parcerias entre empresas brasileiras e universidades. A Embrapa (1) estudo com a UFJF; Petrobras (1), Algar Telecom (1) e Kyros Tecnologia (1) publicaram estudo com a USP; a Toyota Brasil (1) com a UFF; Kyros Tecnologia (4) estudos com a UFU, assim como Algar Telecom (2) e Bayer (2) com a UFU cada, Google (1) estudo com a UFRN, Petrobrás (1) com a UFRJ; Google (2) com a UFPE e também Samsung Eletrônica da Amazônia (1) estudo com a UFPE e Petrobrás (1) com a UFSC. 50 Quadro 9 - Principais instituições de ensino superior brasileiras e parcerias com empresas Empresas Instituições Brasileiras 131 % Embrapa (1) Universidade Federal de Juiz de Fora (UFJF) 19 14,5 Petrobrás (1) Algar Telecom (1) Kyros Tecnologia (1) Universidade de São Paulo (USP) 16 12,2 Toyota Brasil (1) Universidade Federal Fluminense (UFF) 13 9,9 Kyros Tecnologia (4) Algar Telecom (2) Bayer (2) Universidade Federal de Uberlândia (UFU) 9 6,9 Google (1) Universidade Federal do Rio Grande do Norte (UFRN) 9 6,9 Universidade Federal do Pará (UFPA) 8 6,1 Petrobrás (1) Universidade Federal do Rio de Janeiro (UFRJ) 8 6,1 Universidade de Pernambuco (UPE) 6 4,6 Universidade Federal de Itajubá (UNIFEI) 5 3,8 Google (2) Samsung Eletrônica da Amazônia (1) Universidade Federal de Pernambuco (UFPE) 5 3,8 Universidade Federal de Santa Maria (UFSM) 5 3,8 Universidade Federal do Rio Grande do Sul (UFRGS) 5 3,8 Pontifícia Universidade Católica do Paraná (PUCPR) 4 3,1 Universidade Estadual Paulista (UNESP) 4 3,1 Universidade Federal de Minas Gerais (UFMG) 4 3,1 Petrobrás (1) Universidade Federal de Santa Catarina (UFSC) 4 3,1 Universidade do Estado do Rio de Janeiro (UERJ) 4 3,1 Instituto Federal de Mato Grosso (IFMT) 3 2,3 Fonte: Scopus. Elaboração própria. A maioria dos estudos foi realizada na região Sudeste, com destaque para os estados de Minas Gerais (28,3%) e Rio de Janeiro (19,1%). Constata-se que esta área reúne o maior número de programas de pós-graduação e pesquisadores de nosso país, o que justifica o aumento da produção. No entanto, destaca-se um número significativo de produções da região Nordeste (15,3%), o que mostra o avanço dessa região nas pesquisas, enquanto na região Sul é de 13,8%. Chama atenção também a baixa prevalência do assunto nas regiões norte (6,1%) e centro-oeste (2,3%) do país (ver Figura 2). 51 Gráfico 2 – Universidades brasileiras por região Fonte: Scopus. Elaboração própria. O Quadro 10 permite visualizar o total de artigos científicos sobre inteligência artificial no Brasil, com base nos anos de publicação. O número é crescente ao longo dos anos, juntamente em decorrência do crescimento da produção científica mundial sobre o assunto. Percebe-se que, desde 2014, o número de publicações no país aumentou significativamente, o que confirma o crescente interesse pelo tema a contar desses anos. 52 Quadro 10 - Números de publicações por Universidades Brasileiras (continua)