Como os LLMs Estão Nos Forçando a Redefinir Inteligência

Há um ditado antigo: Se parece com um pato, nada como um pato e faz quack como um pato, então provavelmente é um pato. Essa forma simples de raciocínio, frequentemente ligada ao poeta de Indiana James Whitcomb Riley, moldou como pensamos sobre inteligência artificial por décadas. A ideia de que o comportamento é suficiente para identificar inteligência inspirou o famoso “Jogo de Imitação” de Alan Turing, agora chamado de Teste de Turing.

Turing sugeriu que se um ser humano não consegue distinguir se está conversando com uma máquina ou outro ser humano, então a máquina pode ser considerada inteligente. Tanto o teste do pato quanto o teste de Turing sugerem que o que importa não é o que está dentro de um sistema, mas como ele se comporta. Durante décadas, esse teste guiou os avanços em IA. No entanto, com a chegada dos grandes modelos de linguagem (LLMs), a situação mudou. Esses sistemas podem escrever textos fluentes, manter conversas e resolver tarefas de maneiras que parecem surpreendentemente humanas. A pergunta não é mais se as máquinas podem imitar a conversa humana, mas se essa imitação é verdadeira inteligência. Se um sistema pode escrever como nós, raciocinar como nós e até criar como nós, devemos chamá-lo de inteligente? Ou o comportamento sozinho não é mais suficiente para medir a inteligência?

A Evolução da Inteligência de Máquina

Os grandes modelos de linguagem mudaram a forma como pensamos sobre IA. Esses sistemas, anteriormente limitados a gerar respostas de texto básicas, agora podem resolver problemas lógicos, escrever código de computador, redigir histórias e até ajudar com tarefas criativas como roteirização. Um dos principais desenvolvimentos nesse progresso é sua capacidade de resolver problemas complexos por meio de raciocínio passo a passo, um método conhecido como Raciocínio em Cadeia de Pensamentos. Ao dividir um problema em partes menores, um LLM pode resolver problemas matemáticos complexos ou puzzles lógicos de uma maneira que se assemelha ao raciocínio humano. Essa capacidade permitiu que eles igualassem ou até superassem o desempenho humano em benchmarks avançados como MATH ou GSM8K. Hoje, os LLMs também possuem capacidades multimodais. Eles podem trabalhar com imagens, interpretar exames médicos, explicar puzzles visuais e descrever diagramas complexos. Com esses avanços, a pergunta não é mais se os LLMs podem imitar o comportamento humano, mas se esse comportamento reflete uma compreensão genuína.

Rastros de Pensamento Semelhante ao Humano

O sucesso dos LLMs está redefinindo a forma como entendemos a inteligência. O foco está mudando de alinhar o comportamento da IA com os humanos, como sugerido pelo teste de Turing, para explorar como os LLMs espelham o pensamento humano na forma como processam informações (ou seja, pensamento verdadeiramente semelhante ao humano). Por exemplo, em um estudo recente, os pesquisadores compararam o funcionamento interno dos modelos de IA com a atividade cerebral humana. O estudo descobriu que os LLMs com mais de 70 bilhões de parâmetros não apenas alcançaram a precisão humana, mas também organizaram as informações internamente de maneiras que correspondiam aos padrões cerebrais humanos.

Quando os humanos e os modelos de IA trabalharam em tarefas de reconhecimento de padrões, os exames de imagem cerebral mostraram padrões de atividade semelhantes nos participantes humanos e nos padrões computacionais correspondentes nos modelos de IA. Os modelos agruparam conceitos abstratos em suas camadas internas de maneiras que correspondiam diretamente à atividade das ondas cerebrais humanas. Isso sugere que o raciocínio bem-sucedido pode exigir estruturas organizacionais semelhantes, seja em sistemas biológicos ou artificiais.

No entanto, os pesquisadores são cuidadosos em notar as limitações desse trabalho. O estudo envolveu um número relativamente pequeno de participantes humanos, e os humanos e as máquinas abordaram as tarefas de maneira diferente. Os humanos trabalharam com padrões visuais, enquanto os modelos de IA processaram descrições de texto. A correlação entre o processamento humano e da máquina é intrigante, mas não prova que as máquinas entendem conceitos da mesma maneira que os humanos.

Há também diferenças claras no desempenho. Enquanto os melhores modelos de IA se aproximaram da precisão humana em padrões simples, eles mostraram quedas de desempenho mais dramáticas em tarefas complexas em comparação com os participantes humanos. Isso sugere que, apesar das semelhanças na organização, pode haver diferenças fundamentais na forma como os humanos e as máquinas processam conceitos abstratos difíceis.

A Perspectiva Cética

Apesar dessas descobertas impressionantes, um forte argumento sugere que os LLMs não são mais do que um mímico muito habilidoso. Essa visão vem do experimento de pensamento do filósofo John Searle, a “Sala Chinesa”, que ilustra por que o comportamento pode não ser igual à compreensão.

Nesse experimento de pensamento, Searle nos pede para imaginar uma pessoa trancada em uma sala e que só fala inglês. A pessoa recebe símbolos chineses e usa um livro de regras em inglês para manipular esses símbolos e produzir respostas. De fora da sala, suas respostas parecem exatamente como as de um falante nativo de chinês. No entanto, Searle argumenta que a pessoa não entende nada sobre chinês. Ela simplesmente segue regras sem qualquer compreensão real.

Críticos aplicam a mesma lógica aos LLMs. Eles argumentam que esses sistemas são “papagaios estocásticos” que geram respostas com base em padrões estatísticos em seus dados de treinamento, e não em compreensão genuína. O termo “estocástico” se refere à sua natureza probabilística, enquanto “papagaio” enfatiza seu comportamento imitativo sem compreensão real.

Várias limitações técnicas dos LLMs também apoiam esse argumento. Os LLMs frequentemente geram “alucinações”; respostas que parecem plausíveis, mas são completamente incorretas, enganosas e sem sentido. Isso acontece porque eles selecionam palavras estatisticamente plausíveis em vez de consultar uma base de conhecimento interna ou entender a verdade e a falsidade. Esses modelos também reproduzem erros e vieses humanos. Eles se confundem com informações irrelevantes que os humanos facilmente ignorariam. Eles exibem estereótipos raciais e de gênero porque aprenderam com dados que contêm esses vieses. Outra limitação reveladora é o “viés de posição”, onde os modelos sobrealimentam informações no início ou no final de documentos longos, enquanto negligenciam o conteúdo do meio. Esse fenômeno “perdido no meio” sugere que esses sistemas processam informações de maneira muito diferente dos humanos, que podem manter a atenção em todo o documento.

Essas limitações destacam um desafio central: embora os LLMs sejam excelentes em reconhecer e reproduzir padrões de linguagem, isso não significa que eles realmente entendam o significado ou o contexto do mundo real. Eles se saem bem em lidar com sintaxe, mas permanecem limitados quando se trata de semântica.

O Que Conta como Inteligência?

A discussão finalmente se resume a como definimos inteligência. Se a inteligência é a capacidade de gerar linguagem coerente, resolver problemas e se adaptar a novas situações, então os LLMs já atendem a esse padrão. No entanto, se a inteligência exige autoconsciência, compreensão genuína ou experiência subjetiva, esses sistemas ainda estão aquém.

A dificuldade é que não temos uma maneira clara ou objetiva de medir qualidades como compreensão ou consciência. Tanto em humanos quanto em máquinas, inferimos essas qualidades a partir do comportamento. O teste do pato e o teste de Turing uma vez forneceram respostas elegantes, mas na era dos LLMs, eles podem não ser mais suficientes. As capacidades dos LLMs nos forçam a reconsiderar o que realmente conta como inteligência e se nossas definições tradicionais estão acompanhando a realidade tecnológica.

O Resumo

Os grandes modelos de linguagem desafiam a forma como definimos a inteligência de IA. Eles podem imitar o raciocínio, gerar ideias e realizar tarefas que antes eram vistas como exclusivamente humanas. No entanto, eles carecem da consciência e do alicerce que moldam o verdadeiro pensamento semelhante ao humano. Seu surgimento nos obriga a questionar não apenas se as máquinas agem de forma inteligente, mas o que a inteligência em si realmente significa.