Apenas como referência, listamos abaixo algumas tarefas onde a inteligência artificial (IA) já igualou ou superou a capacidade humana, com base em fontes acadêmicas e benchmarks reconhecidos.

​

1. Classificação de Imagens

O benchmark ImageNet é um dos mais famosos neste campo. Já em 2015 o sistema de IA ResNet, desenvolvido pela equipe de Microsoft Research, alcançou uma taxa de erro de 3,57% na classificação de imagens, superando a taxa de erro humana estimada em 5,1% .
Referência: He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. 

 

2. Reconhecimento de Fala

No reconhecimento de fala, o Word Error Rate (WER) é a métrica padrão. Em 2017, o sistema de reconhecimento de fala da Microsoft atingiu um WER de 5,1%, comparável ao desempenho humano em conversas telefônicas, que varia entre 5-6% .
Referência: Xiong, W., Droppo, J., Huang, X., Seide, F., Seltzer, M. L., Stolcke, A., ... & Zweig, G. (2017). The Microsoft 2017 Conversational Speech Recognition System. 

​

3. Diagnóstico Médico (Radiologia)

Sistemas de IA têm demonstrado desempenho superior a radiologistas humanos em várias tarefas de diagnóstico por imagem. Um exemplo notável é a detecção de pneumonia em radiografias de tórax, onde modelos de IA, como os desenvolvidos por CheXNet, superaram a média dos radiologistas.
Referência: Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., ... & Ng, A. Y. (2017). CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning. 

​

4. Jogos Estratégicos (Xadrez, Go)

Como já mencionado, o sucesso da IA em jogos como xadrez e Go é bem documentado, e um exemplo clássico é o da vitória do AlphaGo sobre o campeão mundial de Go Lee Sedol, e no ano seguinte (2017) sobre o campeâo chinês Ke Jie.
Referência: Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., ... & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. 

​

5. Tradução Automática

Em 2016, o Google Neural Machine Translation (GNMT) mostrou-se capaz de realizar traduções com uma qualidade que se aproximava da tradução humana para vários pares de idiomas. Estudos subsequentes demonstraram melhorias contínuas.
Referência: Wu, Y., Schuster, M., Chen, Z., Le, Q. V., Norouzi, M., Macherey, W., ... & Dean, J. (2016). Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation. 

​

6. Compreensão de Leitura
O Stanford Question Answering Dataset (SQuAD) é um dos benchmarks mais utilizados para avaliar a compreensão de leitura por sistemas de IA. Em 2018, o modelo BERT (Bidirectional Encoder Representations from Transformers) desenvolvido pelo Google superou o desempenho humano no SQuAD 1.1, com uma pontuação de exatidão (F1 score) de 93,2%, enquanto a pontuação humana era de aproximadamente 91,2% .
Referência: Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. 

​

7. Competições de Matemática

O MATH Dataset é um conjunto de dados que consiste em problemas de matemática de nível colegial e olímpico. Em 2021, o modelo GPT-3 da OpenAI, embora ainda não tenha superado os humanos em todas as competições matemáticas, demonstrou capacidades impressionantes. Modelos mais recentes, como os baseados na arquitetura GPT-4, têm mostrado melhorias significativas em resolver problemas complexos de matemática, aproximando-se do desempenho humano. Entretanto, é importante ressalvar que apesar dos avanços em tarefas de compreensão de leitura e matemática, o desempenho dos sistemas de IA ainda pode variar significativamente dependendo da complexidade e do contexto dos problemas. A IA pode encontrar dificuldades em problemas que exigem uma compreensão profunda de conceitos abstratos ou que envolvem múltiplas etapas de raciocínio, algo que humanos conseguem realizar de maneira mais intuitiva.

Referência: Hendrycks, D., Burns, C., Basart, S., Zou, A., Mazeika, M., Song, D., & Steinhardt, J. (2021). Measuring Mathematical Problem Solving With the MATH Dataset.