A Inteligência artificial e a cognição humana

Olá, bem-vindos a mais uma exploração de conhecimento aqui com a gente. Hoje o papo é sobre um tema, olha, fascinante: a conexão entre inteligência artificial e cognição. A gente vai tentar entender como se busca construir máquinas inteligentes. Muitas vezes, sabe, olhando para a mente humana como inspiração. E também dar uma revisitada nas ideias pioneiras do Alan Turing. Aquela pergunta clássica, né? Máquinas podem pensar?

Para essa nossa conversa, a gente está com as atas de um workshop internacional de 2013, o AEC Artificial Intelligence and Cognition. Foi um encontro importante nessa área. E também, claro, trechos do artigo fundamental do Alan Turing, lá de 1950, Computing Machinery and Intelligence- um mar.

Então a nossa missão aqui é tentar destilar os pontos mais importantes disso tudo, como a EA busca inspiração na cognição, pelo menos como era isso em 2013, e o que o Turing, lá atrás, pensava sobre essa grande questão. Será que máquinas podem mesmo pensar? Ok, vamos tentar desempacotar isso.

Começando então pelo workshop, YC 2013. Esse evento juntou gente de IA, Ciência Cognitiva, Computação, Filosofia, várias áreas, todo mundo olhando para esse desafio da inteligência. E o objetivo era meio que duplo, pelo que entendi: usar modelos da cognição humana para fazer IAs melhores. E ao mesmo tempo usar a própria IA como uma ferramenta, tipo uma bancada de testes, para entender melhor a nossa mente. é isso? exatamente essa troca

É assim, o coração da área, né? A IA que a gente chama de clássica, muito na lógica pura, às vezes ela patina um pouco em problemas que nós humanos resolvemos com mais. Digamos, jogo de cintura. A ciência cognitiva dá pistas. Sabe, sobre como a gente lida com ambiguidade, como aprende o tal do bom senso e, por outro lado, tentar construir um modelo computacional de uma teoria cognitiva, nossa. Isso é um teste de fogo pra teoria. Será que funciona mesmo na prática? Colocar pra rodar, né? Entendi.

E parece que o workshop foi bem disputado, né? Poucos trabalhos aceitos, de vários países. Isso geralmente indica que as discussões ali foram relevantes. Que tipo de abordagem o pessoal estava explorando nessa interface e à cognição lá em 2013? Tinha algum tema que se destacava mais? Olha, observando os artigos que foram apresentados, dá para perceber umas tendências fortes sim.

Uma delas era essa busca por mais flexibilidade e adaptabilidade na IA, tentar superar aquela rigidez de sistemas mais antigos. Outro tema bem presente era como lidar com o conhecimento do senso comum e a tal da tipicalidade, sabe? Aquelas coisas que a lógica formal pura tem uma dificuldade danada para capturar. Interessante. Vamos pegar essa ideia da flexibilidade primeiro. Tinha algum exemplo que chamou a atenção lá no Workshop?

Eu vi um trabalho sobre um robô de serviço, um tal de RIM. Ele precisava entender comandos de voz e fazer tarefas tipo pega a bebida na cozinha. Mas o diferencial pelo que eu li não era só o robô conseguir fazer a tarefa. Mas como ele decidia o que fazer? Era isso. Exato. Foi um trabalho bem interessante.

Em vez de usar um planejador de A tradicional, daqueles que geralmente precisam de um plano super detalhado e pré-programado para cada tarefa específica, eles usaram o que chamam de arquitetura cognitiva. Nesse caso, a Assow. A ideia central é que o robô tem um conjunto de habilidades básicas: navegar, pegar objetos, reconhecer coisas, e a SOA funciona como um raciocinador, vamos dizer assim.

Ela combina essas habilidades na hora, dinamicamente, para tentar cumprir o objetivo que veio no comando de voz. Ah, então a grande sacada seria que: para ensinar uma tarefa nova, bastaria adicionar a habilidade que faltava, tipo reconhecer um objeto novo. E o próprio sistema conseguiria integrar isso sem precisar que alguém refizesse todos os planos do zero. Isso só bem, mas Adaptável mesmo. Exatamente essa a promessa. Mais adaptabilidade.

Se aparece um objeto novo para pegar, você adiciona a habilidade de reconhecer e manipular aquele objeto específico. E o sistema poderia usar isso junto com as habilidades de navegação que ele já tinha, por exemplo. Claro que, na prática, os desafios são enormes, né? Entender a linguagem natural com toda ambiguidade. Eles até classificavam os comandos. Tinha categoria 1, que eram os mais complexos, incompletos.

Além disso, tem que integrar a percepção do ambiente em tempo real, lidar com imprevistos. Mas aponta para um miá que tenta agir de um jeito menos engessado, mais parecido com a nossa capacidade de improvisar, sabe? Faz todo sentido. E sobre o outro tema que você mencionou, A questão do senso comum, da tipicalidade, como é que a IA tentava lidar com isso?

Porque a gente sabe, né? Pássaros voam. Mas a gente também sabe que pinguins são pássaros e não voam. Como um sistema lida com essa informação que é típica, mas não é 100% universal? Ah, esse é um osso duro de roê para Iá. Sistemas baseados em lógica formal muito rigorosa, como aquelas ontologias que o pessoal usa na web semântica. Pensa nelas como dicionários super precisos para máquinas, definindo relações tipo: todo pinguim é um pássaro.

Esses sistemas tropeçam feio nessas generalizações do senso comum. Teve um trabalho no WAUC do Gigignone e colegas que tentaram atacar isso de frente. Bem interessante. E como eles fizeram? Qual foi a abordagem? A inspiração veio, olha só, direto da psicologia cognitiva. Especificamente da teoria do processo dual, que ficou famosa com o Daniel Kennemann, aquela ideia de dois sistemas de pensamento: o sistema 1, que é rápido, intuitivo, baseado em protótipos e associações,

E o sistema 2, que é mais lento, deliberativo, baseado em regras lógicas. Ah, o famoso pensar rápido e devagar, já ouvi falar. Exatamente esse. O sistema que eles propuseram tentava combinar as duas coisas: a representação lógica formal, mais parecida com o sistema 2, Com uma representação baseada em tipicalidade ou protótipos, mais para o lado do sistema I. E para fazer isso, eles usaram uma ideia chamada espaços conceituais. De um filósofo e cientista cognitivo, o Peter Gardenford.

Basicamente representa conceitos geometricamente, como se os conceitos fossem lugares no mapa mental, sabe? Conceitos parecidos ficam mais próximos nesse mapa. Deixa eu ver se eu peguei a ideia. Seria tipo, o sistema poder dar uma resposta rápida, baseada no protótipo- ah, pássaro, voa. Mas também tem a capacidade de fazer uma análise lógica mais cuidadosa se precisar. Tipo: Opa, peraí, esse pássaro é um pinguim. E a regra específica diz que pinguim não voa.

É isso? No experimento deles, por exemplo, se você desse à descrição, o grande carnívoro com listras pretas e amarelas, a resposta rápida, prototípica do sistema I seria tigre. Fácil. Mas se a descrição fosse o grande peixe que come plâncton, a resposta prototípica talvez até fosse baleia por associação comum, né? Só que aí entrava o sistema 2, a análise lógica com a ontologia, e ele diria: opa, baleia mamífero, não peixe.

Então a resposta mais consistente, ontologicamente falando, seria algo como tubarão-baleia. É uma tentativa de dar para a IA um pouco dessa flexibilidade do senso comum, sabe? Reconhecer que nem todo conhecimento é preto no branco. Nossa, muito interessantíssimo. Buscar inspiração direta em modelos de como nós parecemos pensar para resolver um problema da IA. E esses espaços conceituais.

Parece uma ferramenta poderosa mesmo, para representar conhecimento de um jeito menos rígido. Sim, com certeza. E outros trabalhos lá no workshop exploraram essa ideia também. Teve um dia Algelo e colegas que argumentava que a IA não precisa só usar esses mapas conceituais que já existem, mas ela também precisa ser capaz de criar novos mapas.

Combinar informações de domínios diferentes. O exemplo que eles davam era tipo juntar espaço e tempo para criar o conceito de velocidade. Mostra essa busca por representações mais ricas, mais dinâmicas do conhecimento. Então, pelo que a gente viu do IC 2013, tinha uma IA buscando ser mais adaptável, tentando incorporar ao senso comum, usando representações de conhecimento mais flexíveis.

E muitas vezes se inspirando diretamente na cognição humana. É fascinante ver esse movimento. E aqui- aqui é onde a coisa fica. Realmente interessante. Porque toda essa busca de um jeito ou de outro leva a gente de volta para uma pergunta fundamental. Uma pergunta feita muito antes disso tudo.

Vamos para o artigo do Alan Turing, de 1950. Nesse artigo, Computing Machinery and Intelligence, o Turing lança a pergunta, né? Aquela que praticamente fundou a IA como campo de estudo. Podem as máquinas pensar? Mas ele percebe logo de cara que definir máquina e definir pensar é um vespeiro filosófico sem fim. Então ele propõe uma abordagem diferente, mais prática. O jogo da imitação.

Que hoje a gente ama mais de teste de Turing. É uma jogada de mestre, né? Em vez de se perder em definições abstratas de pensamento ou consciência, ele propõe um teste operacional, algo que você pode teoricamente realizar. Originalmente, o jogo era com três pessoas: um homem A, uma mulher B e um interrogador C. O interrogador ficava separado, fazia perguntas por escrito, tipo por um teletipo na época. E o objetivo do interrogador era descobrir quem era o homem e quem era a mulher.

A proposta do Turing foi: e se a gente trocar uma das pessoas, digamos o A, por uma máquina? Agora o interrogador continua fazendo perguntas, mas tem que descobrir quem é o humano e quem é a máquina, só pela conversa escrita. E a máquina passaria no teste se o interrogador. Não conseguisse acertar quem é quem, com uma frequência maior do que acertaria se chutasse, basicamente. Se a máquina conseguisse se passar por humano na conversa de forma convincente.

O foco é totalmente na capacidade intelectual, na conversa, no raciocínio, ignorando completamente a aparência física. Isso foi genial. Exatamente. E é crucial entender o contexto. Quando Turing fala de máquinas, ele está pensando principalmente nos computadores digitais que estavam surgindo ali. Máquinas de estado discreto. Com os componentes básicos, memória, o store, unidade executiva, Executive Unit, e o controle, que segue as instruções de um programa. A ideia do programa armazenado.

Ele até discute a ideia de máquinas universais. Quer dizer, um único computador digital, se programado corretamente, poderia, em teoria, imitar qualquer outra máquina de estado discreto. Por isso, para ele, a pergunta podem as máquinas pensar? Podia ser focada nesses computadores digitais programáveis.

Era uma forma de tornar a questão mais concreta. E o mais impressionante para mim, lendo esse artigo de 1950, É que o Turing já antecipa e responde a um monte de objeções que a gente ouve até hoje sobre a ideia de máquinas pensantes. É como se ele tivesse uma bola de cristal para os debates futuros. Em dúvida, ele dedica uma parte enorme do artigo só para isso. É uma demonstração de pensamento crítico, assim, fora de série. Ele não foge das questões difíceis. Vamos dar uma olhada em algumas.

Tinha a objeção teológica, né? A ideia de que pensar exige uma alma imortal que só Deus dá, e máquinas não teriam alma. Como é que o Turing lidou com essa? Bom, de forma bem pragmática. Ele basicamente considera que argumentos teológicos, por mais importantes que sejam para quem tem fé, ficam fora do escopo da análise científica. Não são testáveis, não são refutáveis por esse método. Então, ele prefere focar no que pode ser observado e analisado logicamente. Certo.

Tinha outra que ele chamou de cabeça na areia. Que é basicamente, nossa, as consequências de máquinas pensantes seriam terríveis, então é melhor nem acreditar que isso é possível. É, e essa ele descarta rapidinho. Diz que isso é puro pensamento desejoso, né? É uma reação emocional ao medo das consequências, não um argumento lógico sobre a possibilidade em si. Não diz nada se a máquina pode ou não pensar. Faz sentido.

E a objeção matemática, aquela baseada nos trabalhos do Gödel sobre os limites dos sistemas formais, essa parece mais Mais técnica, mais forte, talvez. Sim, essa é mais sofisticada. A objeção usa os teoremas da incompletude de Gooddown para dizer o seguinte. Qualquer sistema lógico formal consistente, como uma máquina seria, sempre terá afirmações verdadeiras que ele não consegue provar dentro do próprio sistema.

Aí o argumento era: olha, isso é uma limitação que as máquinas têm, mas que o intelecto humano supostamente não tem. O Turing rebate de algumas formas. Primeiro, ele questiona se a gente tem certeza que o intelecto humano não tem limitações parecidas. Segundo, ele lembra que humanos erram, o que os sistemas formais de Goedel, em teoria, não fariam.

E por fim, mesmo que essa limitação teórica exista, a máquina ainda poderia ser extremamente inteligente em muitos outros aspectos, talvez até superando os humanos em várias tarefas. A limitação não impediria a inteligência em geral. Entendi. Agora, talvez a objeção mais famosa que a gente ouve muito até hoje é o argumento da consciência.

A ideia de que, beleza, a máquina pode até simular um comportamento inteligente, escrever um poema, mas ela não sente nada, não tem experiência subjetiva, não tem emoção, não sabe o que está fazendo de verdade. Ele até cita uma frase do professor Jefferson, né? Dizendo que só quando uma máquina escrever um soneto porque sentiu algo e não por uma combinação de símbolos, Aí sim a gente poderia dizer que ela pensa. E a resposta do Turing para essa objeção é.

O próprio jogo da imitação. É brilhante, ele diz que essa objeção, no fundo, exige que a gente seja a máquina para saber se ela realmente pensa ou sente. O que é impossível, né? Leva ao solipsismo a ideia de que só podemos ter certeza da nossa própria mente. Então o teste foca no que a gente pode observar. O comportamento, a capacidade de interagir inteligentemente por meio da linguagem.

É uma forma de contornar a necessidade de definir ou medir a consciência interna, que é inacessível para um observador externo. Genial, ele muda o foco. Em vez de perguntar o que se passa lá dentro. Ele pergunta: o que essa máquina consegue fazer que se parece compensar? E ele ainda lista outras objeções, né? Aquelas do tipo, ah, mas máquina nunca vai poder ter iniciativa, ter senso de humor, aprender com experiência, se apaixonar. Sim, os argumentos de várias incapacidades.

A resposta geral do Turing para isso é que essas críticas geralmente se baseiam nas limitações das máquinas que existiam na época dele. Não levam em conta o potencial futuro, especialmente o aprendizado de máquina, que ele incrivelmente já vislumbrava lá em 1950. Muitas dessas supostas incapacidades, ele argumenta, São só variações disfarçadas do argumento da consciência? Ou são simplesmente desafios técnicos?

Que poderiam um dia ser superados com mais desenvolvimento. Nossa, o legado do Turing com esse artigo é gigantesco. Ele não só fez a pergunta certa, mas ele a reformulou do jeito que tornou a inteligência artificial um campo de pesquisa prático, viável. Focado em desempenho e em comportamento observável. Precisamente. E aí a gente vê a conexão clara com os trabalhos lá do Workshop Aik 2013, décadas depois.

A busca continua, né? Os pesquisadores no AIC estavam tentando construir sistemas que exibissem comportamentos inteligentes específicos. Como se adaptar a tarefas, usar o senso comum, representar conceitos de forma flexível e muitas vezes buscando inspiração em como a gente acha que a cognição humana faz essas coisas. É como se eles estivessem construindo peças, componentes que talvez um dia pudessem formar um todo capaz de. Quem sabe jogar o jogo da imitação de forma convincente.

Então, para a gente ir amarrando, o que tudo isso significa? De um lado, a gente tem essa pesquisa em IA, que busca ativamente inspiração na cognição humana, como a gente viu nos exemplos do Ice Key. Para criar sistemas mais robustos, mais flexíveis, e do outro lado, a gente tem a questão fundamental do Turing sobre o que realmente significa pensar. E o teste dele, que, mesmo com todas as críticas e debates que vieram depois, continua sendo uma referência.

Continua nos forçando a refletir sobre a inteligência, seja ela artificial ou a nossa mesa. WACIC, por exemplo, mostram avanços em construir partes da inteligência inspiradas na cognição. Lidar com protótipos, planejar de forma mais flexível, extrair conhecimento de texto, são peças importantes desse quebra-cabeça imenso.

Mas o Turing, com o teste dele, nos desafiou a pensar no desempenho do sistema como um todo, na capacidade de interagir de forma ampla, natural, indistinguível de um ser humano naquela situação específica do teste. A pergunta que fica no ar é quão perto a gente está de conseguir integrar essas diferentes capacidades, muitas delas inspiradas na cognição, in algo coeso, algo que pudesse realmente sustentar uma conversa natural e abrangente?

Demonstrar raciocínio flexível e ser um bom jogador no jogo da imitação. Mesmo com todos os avanços recentes que a gente vê todo dia, e mesmo olhando para esses sistemas que já buscam inspiração na cognição, Que habilidades cruciais será que ainda faltam para a gente chegar naquela visão desafiadora que o Turing colocou pra gente há mais de 70 anos? Fica aí a pergunta para a gente continuar pensando.