Pensar como um ser humano: a IA pode desenvolver raciocínio analógico?

Quando se deparam com algo novo, os seres humanos instintivamente buscam comparações. Uma criança que aprende sobre átomos pode ouvir que os elétrons orbitam o núcleo “como os planetas orbitam o sol”. Um empreendedor pode apresentar sua startup como “Uber para banho e tosa de animais de estimação”. Um cientista pode explicar a um público não especializado que o cérebro processa informações “como um computador”.

Essa habilidade mental – ver como uma coisa se assemelha a outra em sua estrutura mais profunda – é chamada de raciocínio analógico. E pode ser o ingrediente que separa a inteligência humana da IA em sua forma atual. Se queremos desenvolver alguma vez a Inteligência Artificial Geral – o Santo Graal da IA que até agora se mostrou esquivo – devemos descobrir se é possível para as máquinas aprender a pensar analogicamente. As apostas não poderiam ser mais altas. Se a resposta for “Não”, então mesmo os sistemas de IA mais sofisticados permanecerão para sempre nada mais do que calculadoras glorificadas. Eles serão incapazes de resolver problemas que exigem mais do que uma reorganização dos dados nos quais foram treinados.

A Arquitetura do Entendimento

O raciocínio analógico funciona no nível de semelhanças estruturais, e não superficiais. Por exemplo, o que torna os corações e as bombas de água semelhantes? Certamente não é a aparência física. É o fato de que ambos realizam a mesma função, nomeadamente fazer circular fluido por um sistema. E é exatamente essa capacidade de mapear relações típicas de um contexto para outro que torna o aprendizado humano, a criatividade e a resolução de problemas tão únicos.

Há uma grande quantidade de exemplos do mundo real. Pegue August Kekulé, o brilhante químico alemão, que recebeu uma dica sobre a estrutura do benzeno na forma de um sonho em que ele viu uma cobra mordendo sua própria cauda. Hoje, os programadores aplicam lições de organizar uma cozinha ao estruturar o código, e os professores explicam a corrente elétrica comparando-a com a água fluindo por tubos.

Os sistemas de IA atuais, no entanto, encontram essa habilidade cognitiva comum muito difícil. Quando solicitados, os grandes modelos de linguagem (LLM) atuais estão mais do que felizes em explicar por que “o tempo é dinheiro” ou completar puzzles de raciocínio verbal. Mas evidências crescentes sugerem que eles frequentemente estão envolvidos em uma correspondência sofisticada de padrões, em vez de um mapeamento estrutural genuíno. Quando os pesquisadores apresentam a esses modelos novos problemas de raciocínio analógico que se desviam de seus dados de treinamento, o desempenho frequentemente despenca. Isso ocorre porque os LLMs são excelentes em reproduzir analogias que eles viram antes, mas falham quando solicitados a forjar novas conexões.

Nenhum Raciocínio Analógico, Nenhuma IA Geral

Evidentemente, o raciocínio analógico é a condição indispensável da IA Geral. Sem ele, os sistemas de IA permanecem frágeis, incapazes de adaptar o conhecimento relevante em um domínio para resolver problemas em outro. Por exemplo, imagine um carro autônomo que aprendeu a navegar pelas ruas ensolaradas da Califórnia, mas não pode extrapolar esse aprendizado para lidar com condições nevadas. O sistema de IA do carro é um comparador de padrões caro, não um sistema capaz de inteligência genuína. A verdadeira inteligência exigiria a flexibilidade cognitiva para reconhecer que dirigir em estradas cobertas de gelo é estruturalmente comparável a outros cenários de superfícies escorregadias, mesmo que os detalhes sejam diferentes.

O mesmo princípio se aplica em domínios além dos veículos autônomos, claro. O pensamento analógico também impulsiona o progresso na ciência, no diagnóstico médico, no raciocínio jurídico e em empreendimentos criativos. Os sistemas de IA sem essa capacidade se assemelham a um estudioso que memorizou uma biblioteca inteira, mas não pode sintetizar esse conhecimento entre disciplinas. Impressionante, sim, mas apenas de uma maneira estreitamente limitada.

Construindo a Mente Analógica

Então, o que seria necessário para desenvolver sistemas de IA capazes de raciocínio analógico semelhante ao humano? Com base em pesquisas emergentes e na natureza fundamental do pensamento analógico, várias condições e técnicas críticas parecem ser necessárias.

Dados de Treinamento Estruturalmente Ricos e Diversos

A primeira exigência é ter sistemas de IA treinados em dados que vão além de padrões de texto de nível superficial. A internet, com seu vasto repositório de artigos científicos, documentação técnica, obras criativas e conteúdo explicativo, é um bom ponto de partida. Mas não são apenas quaisquer dados da internet que servirão. O que é necessário é diversidade estrutural. Em outras palavras, para guiar os sistemas de IA a aprender a reconhecer padrões abstratos, os desenvolvedores devem começar a expô-los a contrastes desde o primeiro dia de treinamento. Seus dados de treinamento poderiam apresentar plantas arquitetônicas ao lado de partituras musicais, provas matemáticas juntamente com poesia, ou argumentos legais ao lado de receitas de culinária. Como cada domínio incorpora diferentes tipos de estruturas relacionais, um futuro sistema de IA geral se beneficiaria desse tipo de exercício.

Mais importante ainda, esses dados precisam preservar e destacar relações estruturais, e não apenas correlações estatísticas. Grafos de conhecimento, diagramas causais e relações conceituais explicitamente mapeadas poderiam ajudar os sistemas de IA a aprender a “ver” a estrutura em vez de memorizar associações mecanicamente. Pense nisso como ensinar a IA não apenas o que as coisas são, mas como elas se relacionam entre si segundo princípios definidos.

Testando Além do Conjunto de Treinamento

Para garantir que os sistemas de IA estejam aprendendo a raciocinar analogicamente, e não apenas aprimorando suas habilidades de imitação, precisamos de ferramentas que investiguem deliberadamente sua capacidade de mapear estruturas em situações que nunca encontraram antes. Isso envolve a construção de problemas de teste que são intencionalmente dissemelhantes de qualquer coisa que possa aparecer nos dados de treinamento – o que os pesquisadores chamam de tarefas “contrafatuais”.

Por exemplo, em vez de pedir a um sistema de IA para completar analogias padrão como “filhote é para cão como gatinho é para ____”, poderíamos apresentá-lo com problemas que usam conceitos inventados ou pedir que ele mapeie relações entre domínios que nunca viu conectados. Ele pode reconhecer que a relação entre ingredientes e uma receita é paralela à relação entre evidências e um argumento legal, mesmo que nunca tenha encontrado essa comparação específica? Esses testes revelariam se o sistema compreende estruturas subjacentes ou apenas se lembra de exemplos semelhantes.

Medindo o que importa

A boa notícia para os desenvolvedores de IA é que há décadas de pesquisas em ciência cognitiva lidando especificamente com como os humanos processam analogias. Eles podem usar essa pesquisa para desenvolver benchmarks robustos para o raciocínio analógico. No entanto, esses benchmarks devem ir além de simplesmente contar respostas corretas em testes de analogia. O que realmente é necessário são métricas que capturem se os sistemas de IA podem identificar quais relações são relevantes para mapear, ignorando semelhanças superficiais e mantendo a consistência em seus mapeamentos.

Isso pode envolver sistemas de pontuação que recompensam a identificação de relações de ordem superior. Por exemplo, um sistema de IA pontuará mais alto se puder não apenas reconhecer que tanto os átomos quanto os sistemas solares envolvem órbitas, mas também entender as relações causais que governam essas órbitas. Outra competência a ser avaliada poderia ser se o sistema de IA pode gerar espontaneamente analogias apropriadas para explicar conceitos novos, não apenas completar problemas de analogia pré-estruturados.

Apoiando por meio de Prompting

Pesquisas recentes sugerem que a capacidade de um sistema de IA de pensar analogicamente depende em grande parte de como ele é solicitado a fazê-lo. Prompting analógico – guiando explicitamente os modelos pelo processo de mapeamento estrutural – pode suscitar um raciocínio mais sofisticado do que apresentar problemas sem preparação prévia. Isso pode envolver primeiro pedir ao sistema que identifique relações em um domínio de origem, então explicitamente solicitá-lo a mapear essas relações em um domínio de destino.

Essa técnica pode servir a dois propósitos: melhorar as habilidades analógicas dos sistemas de IA atuais e gerar dados de treinamento para modelos futuros. Ao registrar instâncias bem-sucedidas de raciocínio analógico guiado, exemplos podem ser criados que podem ensinar sistemas subsequentes a participar desse processo de maneira mais natural.

Arquiteturas Híbridas

Alcançar o raciocínio analógico semelhante ao humano pode exigir ir além das abordagens puras de rede neural. Sistemas híbridos que combinam reconhecimento de padrões com raciocínio simbólico – representando explicitamente e manipulando relações estruturais – podem fornecer a peça que falta. Embora as redes neurais sejam excelentes em aprender padrões implícitos, os sistemas simbólicos podem impor a consistência estrutural e o mapeamento lógico que o raciocínio analógico exige.

As arquiteturas híbridas ainda estão em sua infância, mas os pesquisadores estão ativamente explorando seu potencial. Alguns, por exemplo, argumentam a favor de combinar redes neurais com raciocínio simbólico, o que pode levar a capacidades analógicas aprimoradas. Outros promovem modelos híbridos construídos para abordar a tendência dos modelos de IA de confabular e pensar analogicamente de uma maneira superficial.

Para Onde Agora?

Dependendo de a quem se pergunte, o raciocínio analógico já está emergindo ou os sistemas de IA estão apenas se tornando mais sofisticados em sua imitação. Qualquer que seja a posição mais próxima da verdade, está claro que, se o sonho da IA Geral for realizado, exigirá mais do que apenas modelos maiores ou mais dados. Exigirá também algumas inovações fundamentais em como estruturamos, treinamos e avaliamos nossos sistemas de IA.

À medida que as capacidades transformadoras da IA se desdobram, o raciocínio analógico passa a representar tanto um benchmark crítico de desempenho quanto um lembrete sombrio da lacuna entre as capacidades atuais da IA e a cognição humana genuína. Quando um sistema de IA pode ver que a democracia é para os cidadãos o que uma orquestra é para os músicos – reconhecendo não as características de superfície, mas as relações estruturais profundas sobre coordenação, representação e harmonia emergente – ele terá cruzado um limiar crucial em direção à verdadeira inteligência.