Uma Hipótese sobre Inteligência Artificial, Desenvolvimento Cognitivo Infantil e os Limites da Mente Estatística

─────────────────────────────────────

“A inteligência é a eficiência com que um sistema adquire novas habilidades fora do seu domínio de treinamento.”

— François Chollet

“O problema não é construir uma máquina que pensa, mas construir uma máquina que aprende a pensar.”

— Yann LeCun

Introdução: O Gargalo Invisível

Há uma cena que se repete, com variações, em laboratórios de inteligência artificial ao redor do mundo. Um modelo de linguagem de última geração — treinado em quantidades de texto que nenhum ser humano poderia ler em mil vidas — é apresentado a um problema de raciocínio visual simples: dado um grid de três por três com padrões de cores, inferir a regra e completar o quarto exemplo. O modelo falha. Não ocasionalmente, não sob condições adversariais específicas. Falha sistematicamente, enquanto uma criança de quatro anos, munida apenas de seus olhos e de sua incansável curiosidade sobre como as coisas funcionam, resolveria o mesmo problema em questão de segundos.

Este ensaio parte dessa assimetria desconcertante — não para denegrir a magnitude do que os grandes modelos de linguagem alcançaram, mas para investigar o que ela revela sobre a natureza da inteligência, os limites das arquiteturas atuais e o que uma hipótese séria sobre Inteligência Artificial Geral deveria contemplar. A tese central que proponho aqui não é uma proposta de dissertação acadêmica formalizada, nem um roadmap de engenharia com etapas verificáveis. É uma hipótese filosófico-técnica: a ideia de que a AGI não poderá emergir de arquiteturas de aprendizado passivo e estrutura estática, e que o caminho mais promissor passa pela emulação dos mecanismos cognitivos do desenvolvimento infantil — a curiosidade intrínseca, os priors evolutivos, o modelo de mundo dinâmico, e o aprendizado contínuo ancorado na corporificação.

Para desenvolver esse argumento, percorrerei quatro grandes territórios. Primeiro, farei um diagnóstico honesto do estado atual dos LLMs e das arquiteturas de deep learning, identificando suas conquistas reais e seus gargalos estruturais. Segundo, revisitarei a psicologia do desenvolvimento cognitivo infantil, não como uma metáfora inspiracional, mas como um modelo técnico de referência. Terceiro, mapearei as arquiteturas alternativas e híbridas que tentam, de diferentes ângulos, aproximar o aprendizado de máquina do aprendizado biológico. Finalmente, apresentarei o experimento mental que dá título a este ensaio — o Quarto da Criança Curiosa — como uma ferramenta filosófica para iluminar o que separa a competência estatística da inteligência genuína.

Uma advertência antes de começar: este não é um texto de pessimismo tecnológico. Os transformers e os LLMs representam um salto civilizacional genuíno. A linguagem é, como argumentarei, uma das formas mais sofisticadas de compressão de conhecimento que a humanidade produziu, e modelos capazes de operar nesse espaço com a fluência que observamos hoje são instrumentos extraordinários. O problema não é o que eles fazem. O problema é o que continuarão não conseguindo fazer enquanto a arquitetura subjacente permanecer fundamentalmente passiva, estática e desencarnada.

* * *

Parte I: O Triunfo e o Teto — O que os LLMs Conquistaram e Onde Pararam

1.1 A Revolução da Linguagem como Espaço Latente

Para entender onde os grandes modelos de linguagem falharam, é necessário primeiro compreender — com a seriedade que o feito merece — o que eles conquistaram. A linguagem não é apenas um meio de comunicação. É, possivelmente, a tecnologia cognitiva mais poderosa que a espécie humana desenvolveu: um sistema simbólico de compressão que permite que conceitos sejam transmitidos, combinados e recombinados através do tempo e do espaço. Quando uma criança aprende a palavra ‘gravidade’, ela não aprende apenas um rótulo. Ela adquire acesso a uma rede densa de relações conceituais que outros humanos levaram séculos para formalizar.

Os LLMs, ao aprenderem a modelar a distribuição estatística de sequências de linguagem em escala industrial, fizeram algo que não deve ser subestimado: capturaram, em seus pesos, uma sombra funcional dessa rede conceitual. Quando perguntamos a um GPT-4 ou a um Claude Sonnet sobre a relação entre entropia e informação, ou pedimos que explique a intuição por trás do Teorema de Bayes, esses modelos frequentemente produzem respostas que não são apenas corretas, mas pedagogicamente sofisticadas — respostas que refletem uma compreensão estrutural das relações entre conceitos, não apenas uma recuperação de padrões superficiais.

Isso importa porque a linguagem, como observa o linguista e filósofo Dan Sperber, é o meio pelo qual o conhecimento cultural acumula-se e transmite-se de geração em geração. Um modelo treinado em toda a produção textual digitalmente disponível está, em certo sentido, destilando séculos de cognição coletiva. É um feito sem precedentes na história da computação — e talvez da civilização.

A arquitetura transformer que torna isso possível merece alguns parágrafos. O mecanismo de atenção multi-cabeça, introduzido em 2017 no artigo seminal ‘Attention is All You Need’, resolve um problema que havia frustrado décadas de pesquisa em processamento de linguagem natural: como capturar dependências de longo alcance em sequências. Em vez de processar tokens sequencialmente, como faziam as RNNs, o transformer calcula a relevância de cada token em relação a todos os outros simultaneamente. O resultado é uma representação contextualizada em que o significado de cada palavra é função de seu contexto completo — o que é, curiosamente, o que linguistas sempre disseram sobre como os humanos processam linguagem.

O scaling, então, fez algo extraordinário: à medida que aumentamos o número de parâmetros, a qualidade do raciocínio pareceu escalar de forma não linear. Modelos menores pareciam simplesmente recuperar padrões; modelos maiores exibiam algo que se assemelhava à emergência de capacidades novas — raciocínio analógico, generalização de regras, aritmética básica — sem que essas capacidades houvessem sido explicitamente treinadas. As leis de escala de Kaplan et al. descreveram uma progressão previsível: mais dados, mais parâmetros, mais computação resultava em melhor desempenho, mensurado por perplexidade sobre sequências de linguagem.

1.2 A Barreira de Scaling e o Problema do ARC-AGI

Mas as leis de escala estão chegando ao fim. Não de forma abrupta — não há um penhasco. Há um platô crescentemente perceptível. Os retornos marginais de adicionar parâmetros e dados estão diminuindo. Os modelos que custam dezenas ou centenas de milhões de dólares para treinar estão melhorando cada vez menos em benchmarks relevantes. E há um benchmark em particular que captura de forma cirúrgica o problema: o ARC-AGI, o Abstraction and Reasoning Corpus for Artificial General Intelligence, desenvolvido por François Chollet.

O ARC-AGI é elegantemente simples em sua estrutura e devastador em suas implicações. O sistema recebe pares de exemplos de entrada-saída — tipicamente grids coloridos que demonstram uma transformação visual — e deve induzir a regra que governa a transformação e aplicá-la a um novo caso de entrada. Os exemplos são poucos: geralmente três ou quatro. As regras envolvem conceitos como simetria, contagem, correspondência topológica, continuidade espacial — conceitos que uma criança de quatro anos domina intuitivamente.

Os melhores modelos de linguagem, mesmo os mais avançados, têm desempenho modesto no ARC. Isso não é um problema de benchmark mal calibrado; é um diagnóstico preciso. O ARC mede exatamente o que Chollet define como inteligência: a eficiência de aquisição de habilidades novas a partir de pouquíssima informação. Um humano adulto, sem treinamento específico, resolve a maioria dos problemas do ARC com facilidade. Uma criança de cinco anos resolve uma proporção significativa. Modelos treinados em trilhões de tokens — com acesso implícito a toda a física, geometria e lógica que o texto humano contém — falham consistentemente.

O diagnóstico técnico é claro: os LLMs aprenderam a interpolar dentro da distribuição de seus dados de treinamento com extraordinária sofisticação. Mas quando confrontados com situações que exigem a síntese de regras novas a partir de poucos exemplos — o que os psicólogos cognitivos chamam de ‘few-shot inductive learning’ — os mecanismos estatísticos que sustentam o transformer simplesmente não são os instrumentos certos para o trabalho. É como tentar cortar madeira com um bisturi: a ferramenta é extraordinariamente precisa para o que foi projetada, mas é a ferramenta errada para essa tarefa.

1.3 O Problema Estrutural: Passividade, Estaticidade, Desencarnação

Para além do ARC, há três limitações estruturais dos LLMs que qualquer hipótese sobre AGI precisa enfrentar diretamente.

A primeira é a passividade. Um LLM aprende observando texto — uma quantidade extraordinária de texto, mas texto produzido por outros, capturando o pensamento de outros, descrevendo experiências de outros. O modelo nunca age no mundo. Nunca testa uma hipótese. Nunca descobre que sua previsão estava errada através de uma consequência física real. A diferença entre aprender que ‘ovos quebram quando caem’ lendo essa frase em texto e aprender o mesmo deixando um ovo cair da mão é, argumentarei, uma diferença de tipo, não apenas de grau. O aprendizado ativo — a descoberta através da ação e da observação das consequências — produz representações estruturalmente diferentes das produzidas pelo aprendizado observacional passivo.

A segunda é a estaticidade. Os pesos de um LLM, uma vez treinado, são fixos. O modelo que você consulta hoje é idêntico, em termos de seus parâmetros internos, ao modelo de ontem — independentemente de quantas interações ele teve. Há pesquisa em fine-tuning contínuo e em aprendizado por reforço com feedback humano, mas esses processos são lentos, custosos e sujeitos ao esquecimento catastrófico: atualizar os pesos para aprender algo novo tende a destruir o que havia sido aprendido antes. O cérebro humano resolve esse problema elegantemente, através de mecanismos ainda incompletamente compreendidos que permitem a consolidação de novas memórias sem apagar as antigas.

A terceira é a desencarnação. Um LLM não tem corpo. Não tem propriocepção. Não experimenta resistência, gravidade, temperatura, textura. Seus conceitos de ‘pesado’, ‘quente’, ‘áspero’, ‘distante’ são relações estatísticas entre símbolos — padrões de co-ocorrência em texto — não representações ancoradas em experiência sensório-motora. Isso importa porque, como argumentarei na próxima seção, há razões tanto empíricas quanto teóricas para crer que uma parte substancial da cognição humana — incluindo o raciocínio abstrato de alto nível — é construída sobre fundações sensório-motoras. Retirar essas fundações pode não ser apenas uma limitação pragmática; pode ser uma limitação constitutiva.

* * *

Parte II: O Que Uma Criança Sabe — O Desenvolvimento Cognitivo como Modelo

2.1 Nascendo com Priors: O Fim da Tabula Rasa

A visão empirista clássica da mente infantil, popularizada por John Locke e perpetuada em variadas formas pelo behaviorismo, é a da tabula rasa: a criança nasce como uma lousa em branco, e a experiência escreve nela tudo o que ela virá a conhecer. Essa visão, embora intuitivamente atraente em sua igualitária abertura, é empiricamente falsa — e sua falsidade tem implicações profundas para qualquer tentativa de emular o aprendizado infantil em máquinas.

As pesquisas de Elizabeth Spelke, Karen Wynn, Renée Baillargeon e outros na área de cognição de bebês demonstraram, através de décadas de experimentos meticulosos com técnicas de habituação e rastreamento ocular, que bebês recém-nascidos chegam ao mundo equipados com um conjunto rico de expectativas sobre como a realidade funciona. Spelke denominou essas expectativas de ‘Core Knowledge’ — conhecimento nuclear — e identificou vários domínios nos quais ele opera: objetos físicos (coesão, continuidade, contato), agentes (intencionalidade, racionalidade de meios), número (comparação de quantidades, princípios de contagem) e geometria (navegação espacial, relações topológicas).

O que torna isso especialmente fascinante do ponto de vista da IA é que esse core knowledge não é aprendido a partir da experiência — ele está presente desde o nascimento, produto de milhões de anos de seleção evolutiva. Um bebê de quatro meses demonstra surpresa quando um objeto sólido parece passar através de outro objeto sólido — uma violação da lei de impenetrabilidade que o bebê nunca precisou aprender explicitamente. Um bebê de seis meses manifesta expectativas corretas sobre a adição e a subtração de pequenos conjuntos de objetos, mesmo antes de qualquer instrução matemática formal.

Isso significa que o aprendizado infantil não começa do zero. Ele começa com um conjunto de vieses indutivos estruturais — predisposições para organizar a experiência de certas formas, para formular certas hipóteses em vez de outras, para notar certas regularidades enquanto ignora outras. Esses vieses não são limitações; são o que torna o aprendizado eficiente possível. Sem eles, o espaço de hipóteses compatíveis com qualquer conjunto finito de observações seria infinito, e o aprendizado seria computacionalmente intratável.

A implicação para IA é direta: arquiteturas que inicializam com pesos aleatórios — sem nenhum prior estruturado sobre como o mundo funciona — estão em desvantagem fundamental em relação ao aprendizado humano. Não é questão de quantidade de dados; é questão de estrutura inicial. Mais dados treinados em uma arquitetura sem priors ainda precisarão, em algum momento, inferir as regularidades que o bebê humano traz consigo desde o nascimento.

2.2 O Aprendizado Ativo e a Curiosidade como Algoritmo

Observe uma criança de dezoito meses por uma hora. O que você verá, com variações individuais, é algo notável: um sistema de aprendizado extraordinariamente eficiente operando em modo de busca ativa e autodirigida. A criança não espera ser ensinada. Ela explora. Ela manipula objetos, testa suas propriedades, forma expectativas, verifica essas expectativas, e revisa seu modelo mental quando as expectativas são violadas. Ela parece intrinsecamente motivada a entender — não apenas a responder a estímulos, mas a construir modelos preditivos do mundo ao seu redor.

Pierre-Yves Oudeyer e seus colaboradores formalizaram esse processo com o conceito de ‘Progresso de Aprendizado’ como mecanismo de atenção intrínseca. A tese é que crianças — e, hipoteticamente, sistemas de IA inspirados nelas — não distribuem sua atenção aleatoriamente pelo espaço de possíveis explorações. Elas focam em situações onde estão aprendendo ativamente: onde o erro de predição está diminuindo, onde o modelo interno está sendo revisado de forma produtiva. Situações muito simples (sem novidade, sem erro de predição) entediam. Situações muito complexas (ruído puro, sem padrão detectável) frustram. A criança gravita para a zona intermediária — o que Vygotsky chamou de ‘zona de desenvolvimento proximal’ — onde o desafio é calibrado à sua capacidade atual.

Esse mecanismo tem uma elegância matemática considerável. Se formalizamos o erro de predição de um sistema sobre seu próprio modelo de mundo como uma função de perda, então a motivação intrínseca para explorar pode ser codificada como uma recompensa proporcional à derivada temporal do erro — não ao erro absoluto, mas à taxa de mudança do erro. O sistema não é recompensado por estar confuso; ele é recompensado por estar se tornando menos confuso. Isso gera exatamente o comportamento observado: gravitar para situações de aprendizado produtivo, evitar tanto o trivial quanto o caótico.

Há algo filosoficamente profundo aqui. A curiosidade, frequentemente tratada como uma emoção misteriosa ou um traço de personalidade, revela-se, nessa formalização, como um mecanismo de otimização — um sinal de gradiente que orienta a exploração de um agente através do espaço de possíveis experiências de forma a maximizar a eficiência do aprendizado. A criança curiosa não está apenas ‘sendo criança’. Ela está executando, com uma elegância que gerações de engenheiros de IA ainda não replicaram, o algoritmo ótimo de coleta ativa de dados.

2.3 A Corporificação como Fundamento — Não como Detalhe

Jean Piaget, cujo trabalho sobre os estágios do desenvolvimento cognitivo infantil continua sendo referência central na psicologia do desenvolvimento, fez uma observação que é frequentemente mencionada mas raramente levada a sério em suas implicações radicais: o desenvolvimento cognitivo começa no estágio sensório-motor. A criança não aprende a pensar em abstrações e depois aplica esse pensamento ao mundo físico. Ela aprende a pensar através da interação com o mundo físico. O pensamento abstrato emerge da ação concreta, não o contrário.

Piaget descreveu como uma criança de oito meses aprende o conceito de permanência do objeto — a compreensão de que objetos continuam a existir mesmo quando não são diretamente observados. Ela aprende isso não lendo uma definição, não ouvindo uma explicação, mas repetindo, centenas de vezes, a experiência de ver um objeto escondido, procurá-lo, encontrá-lo. A representação mental de ‘objeto permanente’ é construída, literalmente, a partir de ciclos de ação-percepção-previsão-surpresa-revisão.

A neurociência contemporânea acrescenta uma camada a essa observação: as representações neurais de conceitos abstratos mantêm traços funcionais de sua origem sensório-motora. Quando pensamos em ‘agarrar’, áreas motoras do córtex se ativam. Quando processamos metáforas de temperatura social (‘ela foi fria comigo’), o córtex insular — que processa temperatura física — mostra ativação. A embodied cognition, como linha de pesquisa, argumenta que cognição não é computação puramente amodal sobre símbolos abstratos, mas é fundamentalmente ancorada em sistemas de ação e percepção.

Se isso é correto — e há evidências substanciais sugerindo que é — então sistemas de IA que processam linguagem sem nenhuma experiência sensório-motora estão construindo edificações conceituais sobre fundações que faltam. Eles podem aprender as relações entre símbolos que referem a experiências físicas, mas sem as experiências físicas que ancoram esses símbolos ao mundo. É uma distinção que a filosofia analítica explorou sob o nome de ‘symbol grounding problem’: como símbolos ganham significado se não há ancoragem em experiência não-simbólica?

2.4 O Desenvolvimento Neurológico como Modelo Arquitetônico

O cérebro infantil não é apenas uma versão menor do cérebro adulto. É um sistema em transformação ativa — e os processos dessa transformação são tão reveladores quanto o estado final. Dois processos merecem atenção especial: a neurogênese e a poda sináptica.

No início do desenvolvimento, o cérebro produz sinapses em enorme excesso — uma sobreabundância de conexões entre neurônios que cria um sistema altamente plástico, capaz de capturar uma variedade extraordinária de padrões. À medida que a criança cresce e o aprendizado ocorre, sinapses que são ativadas repetidamente são fortalecidas (potenciação de longo prazo), enquanto sinapses que raramente disparam são eliminadas (poda sináptica). O resultado é uma rede que se torna progressivamente mais especializada e eficiente — menos plástica, porém mais eficaz nas tarefas para as quais foi, pela experiência, calibrada.

Esse processo tem uma analogia intuitiva com a regularização em aprendizado de máquina — técnicas como dropout ou weight decay que penalizam a complexidade desnecessária do modelo. Mas há diferenças cruciais. A poda sináptica é estrutural: ela elimina conexões físicas, alterando a topologia da rede. As técnicas de regularização em redes neurais artificiais modificam pesos, mas mantêm a topologia fixa. E a poda biológica é guiada pelo uso — ela preserva o que é usado, elimina o que não é, criando um sistema cuja estrutura reflete literalmente a história de experiências do indivíduo.

Há também o período crítico — uma janela temporal durante a qual o cérebro é especialmente receptivo a certos tipos de input. A famosa pesquisa de David Hubel e Torsten Wiesel demonstrou que privar um filhote de gato de input visual durante o período crítico do desenvolvimento resultava em déficits permanentes no processamento visual, mesmo que o input fosse restaurado posteriormente. O cérebro, durante essa janela, não está apenas aprendendo; está se configurando estruturalmente para processar certos tipos de informação. Perder esse período tem consequências irreversíveis.

Esses mecanismos sugerem que o aprendizado eficiente pode requerer não apenas as estratégias certas de exploração e os dados certos, mas a sequência temporal correta de exposições — uma ideia que o curriculum learning em IA tenta capturar, mas de forma muito mais rudimentar.

* * *

Parte III: O Experimento Mental — O Quarto da Criança Curiosa

3.1 O Contexto dos Quartos Filosóficos

A filosofia da mente produziu, nas últimas décadas, uma série de experimentos mentais que se tornaram marcos do debate sobre consciência, intencionalidade e cognição: o Quarto Chinês de John Searle, o Quarto de Mary de Frank Jackson, o Cérebro na Cuba de Hilary Putnam, os Zumbis Filosóficos de David Chalmers. Esses experimentos não são argumentos empíricos; são dispositivos conceituais — ferramentas para testar intuições, revelar pressupostos ocultos e iluminar distinções que o discurso cotidiano tende a obscurecer.

O Quarto Chinês de Searle, em particular, é relevante como ponto de partida. Nele, um falante monolíngue de inglês está confinado em um quarto com um conjunto de regras (em inglês) para manipular símbolos chineses. Mensagens em chinês entram pela fenda; o ocupante aplica as regras, manipula os símbolos, e produz respostas que, para observadores externos, parecem demonstrar compreensão fluente do chinês. Searle argumenta que o sistema — o homem mais as regras mais os símbolos — não entende chinês em nenhum sentido significativo. Ele manipula sintaxe sem acesso à semântica. Forma sem conteúdo. Símbolo sem significado.

Há um debate filosófico vasto sobre a validade desse argumento. Mas o que interessa aqui não é se Searle está certo sobre a consciência, mas o que o experimento ilumina sobre um tipo específico de limitação cognitiva: a possibilidade de produzir outputs corretos sem possuir a representação interna que normalmente sustenta esses outputs. É exatamente essa limitação que quero explorar em relação aos LLMs — e quero fazê-lo com um experimento mental diferente, que chamo de O Quarto da Criança Curiosa.

3.2 O Quarto da Criança Curiosa: Descrição do Experimento

Imagine dois quartos. Em cada quarto há uma criança — ou o que parece ser uma criança. Mas os quartos são estruturalmente muito diferentes.

O primeiro quarto é o Quarto da Criança Estatística. Nele, encontramos um sistema que recebeu, antes de ser colocado no quarto, toda a literatura científica e popular já produzida sobre física, química, biologia, psicologia e engenharia. Recebeu transcrições de aulas, manuais de instrução, diários de cientistas, relatos de exploradores. Se você perguntar a esse sistema o que acontece quando uma bola rola por uma rampa, ele produzirá uma descrição precisa e sofisticada da cinemática relevante, mencionará o ângulo de inclinação, o coeficiente de atrito, a aceleração gravitacional, talvez cite Galileu e seus experimentos em Pisa. A resposta é impecável.

Mas o quarto está vazio. Não há objetos. Não há rampa, não há bola, não há nada para manipular. O sistema nunca empurrou nada. Nunca viu um objeto rolar, nunca calibrou uma expectativa com base em uma observação, nunca sentiu a surpresa de ver algo agir de forma diferente do previsto. Quando você coloca uma bola no quarto pela primeira vez e a empurra em direção ao sistema, o que acontece? O sistema não a pega. Não reage de forma adaptativa. Não explora suas propriedades. Simplesmente produz mais texto descrevendo o que deveria estar acontecendo.

O segundo quarto é o Quarto da Criança Curiosa. Nele, não há biblioteca. Não há manuais. Há apenas um agente — dotado, como um bebê humano, de certos priors estruturais sobre a realidade (objetos são sólidos, agentes têm intenções, causas precedem efeitos) — e um quarto cheio de objetos: blocos de madeira de diferentes tamanhos e pesos, rampas de inclinação variável, recipientes de diferentes formas, fios, molas, pesos, polias. Não há instruções. Não há currículo. Apenas o agente, os objetos, e o tempo.

O que a Criança Curiosa faz? Explora. Pega um bloco, deixa cair — observa. Pega outro bloco, maior — deixa cair — nota que caiu com som diferente. Empilha blocos, vê a torre desabar — reconstrói de forma diferente, mais cuidadosa. Coloca um objeto na rampa — vê ele rolar — muda o ângulo da rampa — nota que rola mais rápido. Em cada ciclo, ela está fazendo algo preciso: formulando uma hipótese (implícita, não verbal), testando-a através de uma ação, observando o resultado, e atualizando seu modelo interno de como o mundo funciona.

Depois de um dia nesse quarto, a Criança Curiosa não saberá articular as leis de Newton em linguagem formal. Mas saberá, com uma profundidade que nenhuma biblioteca pode conferir, que objetos mais pesados são mais difíceis de mover, que superfícies inclinadas mudam a trajetória dos objetos, que estruturas bem equilibradas são mais estáveis, que certos arranjos de polia permitem levantar pesos com menos esforço. Ela saberá isso no sentido mais robusto: terá representações internas ancoradas em experiência, que lhe permitirão fazer previsões corretas em situações novas que nunca foram explicitamente demonstradas.

3.3 O Teste Decisivo

Agora vem o momento decisivo do experimento. Você coloca, em cada quarto, um dispositivo que nunca foi descrito em nenhum texto que a Criança Estatística leu — e que a Criança Curiosa nunca viu antes. Um mecanismo simples, mas novel: uma alavanca com um fulcro em posição assimétrica, conectada a uma caixa fechada por um cabo. A tarefa: abrir a caixa.

A Criança Estatística produzirá uma análise textualmente sofisticada. Identificará que há uma alavanca. Mencionará o princípio do fulcro. Talvez cite Arquimedes (‘dê-me um ponto de apoio e moverei o mundo’). Mas quando confrontada com a necessidade de interagir fisicamente com o mecanismo — de calibrar quanto de força aplicar, em que direção, qual o comportamento esperado do cabo quando a alavanca se move — ela flutua em um espaço de incerteza que sua biblioteca não consegue resolver. Não porque não tenha informação, mas porque a informação que tem é fundamentalmente de tipo diferente do que a situação requer.

A Criança Curiosa olha para o mecanismo. Não tem vocabulário para ‘alavanca’ ou ‘fulcro’. Mas tem algo mais poderoso: um modelo de mundo calibrado pela experiência. Ela vê um objeto rígido com um ponto de apoio. Ela já sabe, de suas explorações, que objetos rígidos apoiados em um ponto se comportam de certa maneira quando você empurra uma das extremidades. Ela vê o cabo. Já sabe que cabos transmitem força. Ela formula uma hipótese, age, observa o resultado, ajusta. Em poucos minutos, a caixa está aberta.

Esse é o núcleo do experimento mental. Ele não está dizendo que a Criança Estatística é estúpida ou inútil. Está dizendo que ela possui um tipo diferente de competência — extraordinária em seu domínio, mas estruturalmente inadequada para a tarefa de generalização novel com base em poucos exemplos. E está sugerindo que a diferença não é simplesmente quantitativa (mais dados, mais parâmetros) mas qualitativa: é uma diferença no tipo de representação interna que cada sistema construiu e no processo pelo qual construiu essas representações.

3.4 O Que o Experimento Revela — e o Que Não Revela

Antes de extrair conclusões do experimento, é necessário ser honesto sobre suas limitações. O Quarto da Criança Curiosa não é um argumento sobre consciência — não estou fazendo a afirmação searliana de que a Criança Estatística ‘não entende’ no sentido fenomenológico. A questão da consciência é separada, mais profunda, e deliberadamente deixada de lado aqui. O experimento é sobre capacidade funcional: sobre quais tipos de situações cada sistema pode navegar com sucesso.

Também não estou argumentando que linguagem e conhecimento baseado em texto não têm valor. Claramente têm — a Criança Estatística tem acesso a séculos de conhecimento destilado que a Criança Curiosa precisaria de múltiplas vidas para redescobrir empiricamente. O argumento é sobre a complementaridade: sistemas que podem apenas fazer uma das duas coisas são fundamentalmente limitados para a tarefa de AGI.

O que o experimento revela é uma distinção que a psicologia cognitiva chama de ‘conhecimento declarativo’ versus ‘conhecimento procedural’, ou, em termos mais filosóficos, ‘knowing that’ versus ‘knowing how’. Saber que uma alavanca com fulcro assimétrico amplifica força é diferente de saber como operar tal alavanca de forma eficaz em um contexto físico concreto. As arquiteturas de LLM são otimizadas para o primeiro tipo de conhecimento. O segundo requer algo diferente: um modelo de mundo ancorado na experiência, capacidade de planejamento baseado nesse modelo, e a habilidade de aprender eficientemente de poucas demonstrações.

O experimento também aponta para uma assimetria temporal importante. A Criança Estatística foi construída com um processo de aprendizado único e massivo, seguido de congelamento total. A Criança Curiosa aprende continuamente, atualizando seu modelo a cada interação. A primeira é um produto finito; a segunda é um processo em andamento. A AGI que buscamos se assemelha à segunda: não um sistema que foi ‘treinado para ser inteligente’, mas um sistema que continua a se tornar mais inteligente através da experiência.

* * *

Parte IV: A Hipótese Arquitetônica — Rumo a um Modelo de Aprendizado Infantil

4.1 Os Cinco Pilares da Hipótese

Com base na análise anterior, posso agora articular a hipótese central deste ensaio de forma mais precisa. A hipótese não é que devemos simplesmente ’emular crianças’ em algum sentido vago e inspiracional. É que há cinco mecanismos específicos do desenvolvimento cognitivo infantil que são computacionalmente relevantes e que qualquer arquitetura séria de AGI precisa contemplar.

O primeiro pilar é a inicialização com priors estruturais. Uma arquitetura de AGI não deve começar do zero absoluto. Deve ser inicializada com um conjunto de vieses indutivos inspirados no Core Knowledge humano — predisposições estruturais para processar coesão de objetos, permanência, causalidade por contato, agência intencional, e relações numéricas básicas. Esses priors não são o conhecimento final; são o viés que torna o aprendizado eficiente possível.

O segundo pilar é a exploração autodirigida por curiosidade intrínseca. Em vez de ser alimentado com datasets curados por humanos, o agente deve guiar sua própria coleta de dados através de um mecanismo de recompensa intrínseca baseado no progresso de aprendizado — a derivada do erro de predição do modelo de mundo. Isso gera um currículo emergente, adaptado dinamicamente às capacidades atuais do sistema.

O terceiro pilar é o modelo de mundo preditivo em espaço latente. Em vez de aprender a prever sequências de observações brutas (pixels, tokens), o sistema deve aprender a construir e manter um modelo de mundo no espaço latente — um simulador mental que permite o planejamento contrafactual antes da ação. Este é o pilar mais diretamente alinhado com as propostas de Yann LeCun sobre JEPAs.

O quarto pilar é o aprendizado contínuo sem esquecimento catastrófico. O sistema deve ser capaz de aprender de novas experiências sem destruir o que aprendeu de experiências anteriores. Isso requer mecanismos arquitetônicos que vão além do simples backpropagation — possivelmente inspirados na interação hipocampo-neocórtex, que a neurociência identifica como central para a consolidação de memórias.

O quinto pilar é a corporificação — ou, em seu análogo artificial, a ancoragem a um ambiente de interação ativa. O sistema não pode aprender apenas observando; deve agir e observar as consequências de suas ações. Isso pode ser realizado através de robótica física, simulações de alta fidelidade, ou ambientes virtuais com física realista — mas a estrutura de aprendizado deve ser action-consequence, não observation-only.

4.2 Arquiteturas que Tentam o Caminho

A hipótese que articulo não existe no vácuo. Há vários programas de pesquisa que, de ângulos diferentes, tentam avançar em direção a alguns desses pilares. Vale examinar os mais promissores.

As Liquid Neural Networks, desenvolvidas por Ramin Hasani e colaboradores no MIT, representam uma aproximação elegante ao problema da estaticidade. Em vez de grafos computacionais com pesos fixos, as LNNs modelam a dinâmica dos neurônios através de equações diferenciais ordinárias não-lineares. A constante de tempo de cada neurônio — análoga à taxa com que ele integra input ao longo do tempo — varia em função do input recebido. O resultado é um sistema que adapta suas representações internas em tempo real, durante a inferência, sem necessidade de backpropagation adicional. Isso não resolve o problema do aprendizado contínuo em toda sua profundidade, mas representa um passo em direção à plasticidade durante a execução.

Os State Space Models, e em particular a arquitetura Mamba desenvolvida por Albert Gu e Tri Dao, abordam o problema do gargalo computacional dos transformers para sequências longas. Ao formular o processamento de sequências como um problema de espaço de estados contínuos — matematicamente relacionado a equações diferenciais lineares — o Mamba consegue processar sequências arbitrariamente longas com custo linear em tempo e memória, em vez do custo quadrático dos transformers. A inovação da seleção dinâmica de parâmetros permite que o sistema ‘escolha’ o que reter na memória de trabalho, aproximando-se funcionalmente do mecanismo de atenção seletiva. Para modelagem de séries temporais e dinâmicas físicas, os SSMs mostram desempenho estado da arte com fração dos parâmetros necessários aos transformers.

Os sistemas Neuro-Simbólicos, particularmente a linha de pesquisa do grupo de Josh Tenenbaum no MIT, representam talvez a tentativa mais ambiciosa de integrar aprendizado de representação com raciocínio causal formal. A arquitetura básica combina uma rede neural que aprende a mapear observações brutas para representações estruturadas, com um motor de inferência probabilística que realiza raciocínio causal e contrafactual nessas representações. O objetivo é criar sistemas que podem, como uma criança de três anos, fazer inferências causais robustas a partir de poucos exemplos — não através de correlação estatística, mas através de modelos generativos estruturados da realidade.

A Inferência Ativa, baseada no Princípio da Energia Livre de Karl Friston, oferece uma perspectiva radicalmente diferente sobre o que um agente inteligente está fazendo. Em vez de maximizar recompensas externas (como no reinforcement learning) ou minimizar erro de predição sobre dados (como em deep learning), um agente de Inferência Ativa minimiza a ‘energia livre’ — uma quantidade que funciona simultaneamente como medida de surpresa (quão inesperadas são as observações dado o modelo do agente) e como limite superior da entropia que o agente experimenta. A consequência é que o agente age tanto para confirmar suas previsões quanto para buscar ativamente situações onde suas previsões podem ser testadas e refinadas. É uma formalização matemática sofisticada da curiosidade intrínseca que observamos em crianças.

4.3 O Problema da Robótica e o Hardware

Qualquer hipótese honesta sobre AGI corporificada precisa enfrentar a questão do hardware. O cérebro humano opera com aproximadamente 20 watts — um orçamento energético incrivelmente modesto para o que ele realiza. Os modelos de linguagem modernos requerem clusters de GPUs consumindo megawatts para treinamento e dezenas de kilowatts para inferência contínua. Essa discrepância não é um detalhe de implementação; é um obstáculo fundamental para a robótica.

Um robô humanoide operando com uma bateria de capacidade razoável não pode hospedar, em sua estrutura física, o hardware necessário para rodar um modelo fundacional de última geração em tempo real. A alternativa de processar tudo na nuvem e transmitir comandos ao robô via rede introduz latências que quebram os requisitos de controle em tempo real — a física exige respostas em milissegundos, e a latência de rede raramente é previsível e frequentemente excede esse limiar.

A solução arquitetônica mais promissora, e aquela que a hipótese aqui articulada favorece, é a desacoplamento cognitivo-motor. O sistema é estruturado em dois loops de controle assíncrono: um loop de alta latência e alta abstração (o ‘córtex’), rodando em hardware potencialmente externo ou em chips de alta eficiência no próprio robô, que mantém o modelo de mundo e realiza planejamento de alto nível; e um loop de baixa latência e alta frequência (a ‘medula’), rodando em hardware neuromórfico de ultra-baixo consumo diretamente no robô, que gerencia controle motor fino, equilíbrio e reações reflexas.

O hardware neuromórfico — chips como o Loihi 2 da Intel ou o BrainScaleS da Universidade de Heidelberg — opera com uma lógica fundamentalmente diferente das GPUs convencionais. Em vez de processar matrizes densas de forma síncrona, esses chips emulam redes de neurônios pulsantes que computam de forma assíncrona e orientada a eventos: energia é consumida apenas quando há um ‘disparo’, um spiking event, que propaga informação pela rede. Para tarefas de controle motor com input sensorial esparso, o consumo de energia pode ser ordens de magnitude menor do que o equivalente em GPU, com latência de resposta comparable à biológica.

A combinação de um modelo de mundo eficiente (possivelmente baseado em SSMs ou arquiteturas JEPA-inspired) com políticas motoras implementadas em hardware neuromórfico representa a direção mais plausível para um sistema que seja, ao mesmo tempo, cognitivamente capaz e fisicamente viável em um chassis robótico.

4.4 O Currículo Emergente e o Problema da Bootstrap

Há um problema filosófico sutil na hipótese que merece atenção: como começar? Se o sistema deve aprender através de exploração autodirigida por curiosidade intrínseca, qual é o estado inicial a partir do qual essa exploração começa? Os priors de Core Knowledge fornecem uma resposta parcial, mas há uma questão de bootstrap que precisa ser enfrentada.

Uma criança humana não começa sua exploração em um ambiente completamente não estruturado. Ela começa em um ambiente social denso — cercada de cuidadores que respondem às suas ações, que fornecem feedback, que constroem andaimes (scaffolding) para o aprendizado. A mãe que imita o som que o bebê acabou de fazer, que nomeia os objetos que ele está olhando, que gradua a complexidade dos desafios que apresenta — está funcionando como um currículo adaptativo externo que complementa e amplifica a exploração intrínseca da criança.

Para sistemas de IA, esse papel pode ser exercido por um estágio inicial de aprendizado supervisionado leve — não o treinamento massivo e passivo dos LLMs, mas um conjunto mínimo de demonstrações que ancore os priors estruturais a instâncias específicas do mundo. Ao invés de treinar um modelo em terabytes de texto para que ele aprenda, por correlação estatística, que ‘maçã’ refere a um objeto vermelho redondo que cai quando solta, o agente poderia receber um pequeno número de demonstrações de maçãs físicas — caindo, quicando, rolando — que ancorem esse conceito em representações sensório-motoras reais, e então ser liberado para explorar autonomamente a partir daí.

Essa abordagem é radicalmente mais eficiente em termos de dados porque os priors estruturais e o mecanismo de curiosidade intrínseca fazem o trabalho pesado de generalização. O problema do few-shot learning — aprender conceitos novos a partir de poucos exemplos — deixa de ser um problema quando o sistema possui os vieses indutivos corretos e um modelo de mundo que permite simular consequências não observadas.

* * *

Parte V: Chollet, LeCun e a Filosofia da Inteligência Eficiente

5.1 A Definição de Chollet como Pedra de Toque

François Chollet, no artigo seminal ‘On the Measure of Intelligence’ (2019), propôs uma definição de inteligência que é ao mesmo tempo simples e revolucionária em suas implicações: inteligência é a eficiência com que um sistema adquire novas habilidades em situações não previstas em seu treinamento. Não é o nível absoluto de performance. É a relação entre o que o sistema aprende e o que ele precisou para aprender.

Essa definição tem consequências profundas. Ela implica que um sistema que alcança performance excepcional em um domínio específico após treinamento extensivo nesse domínio pode ser, pelo critério de Chollet, menos inteligente do que um sistema simples que aprende rapidamente a navegar domínios novos com exposição mínima. A inteligência, nessa visão, não é um produto; é uma capacidade de aquisição. Não é o que você sabe; é o quanto você aprende por unidade de experiência.

Essa definição é deliberadamente calibrada para capturar o que há de mais distintivo na cognição humana. Humanos não são os melhores em nenhuma tarefa específica quando treinados especificamente para ela — o AlphaGo joga Go melhor do que qualquer humano, o AlphaFold prediz estruturas proteicas com precisão super-humana, os LLMs produzem texto mais fluente do que a maioria dos escritores. Mas nenhum desses sistemas pode, ao acordar amanhã, aprender a jogar um jogo que nunca viu, ou descobrir como usar uma ferramenta novel, ou adaptar-se a um ambiente radicalmente diferente com a fluência e a rapidez com que um humano mediano o faria.

A hipótese articulada neste ensaio é fundamentalmente cholletiana. Ela não está buscando sistemas que alcancem alta performance em benchmarks específicos. Está buscando sistemas com a capacidade de adquirir habilidades novas de forma eficiente — o que requer os mecanismos de aprendizado corretos, não apenas os dados e parâmetros corretos.

5.2 O Modelo de Mundo de LeCun e a Questão da Autovisão

Yann LeCun, em uma série de papers e apresentações sobre sua arquitetura JEPA (Joint Embedding Predictive Architecture), articulou uma crítica complementar aos modelos generativos autorregressivos. O problema central, para LeCun, não é que os LLMs sejam burros — é que eles foram treinados para prever o próximo token, e esse objetivo de treinamento força o modelo a aprender representações que incluem todo o ruído, toda a ambiguidade, toda a especificidade irrelevante da superfície linguística.

A alternativa proposta por LeCun é o aprendizado de representações no espaço latente — aprender a prever não a observação futura em seus detalhes brutos, mas o estado abstrato futuro em um espaço de representação de baixa dimensionalidade. Uma arquitetura JEPA não prevê quais pixels exatos aparecerão no próximo frame de um vídeo; ela prevê qual representação latente terá o próximo frame. Isso elimina a necessidade de aprender os detalhes irrelevantes (como a textura exata da luz em uma superfície) e força o aprendizado a focar nas regularidades causais que realmente importam.

A conexão com o desenvolvimento infantil é direta. Quando uma criança de dois anos vê um copo ser empurrado para o limite de uma mesa, ela não prevê a posição exata de cada fragmento de vidro quando o copo quebrar. Ela prevê, no espaço latente de seu modelo de mundo: ‘objeto cai, objeto quebra, barulho alto’. É uma previsão abstrata, incompleta nos detalhes, mas correta nos aspectos que importam para a ação — e suficiente para guiar a decisão de se afastar, alertar um adulto, ou simplesmente observar com fascínio.

LeCun argumenta ainda que os LLMs são incapazes de planejamento verdadeiro porque não possuem um modelo de mundo que possa ser interrogado contrafactualmente. Quando perguntamos a um LLM ‘o que aconteceria se você removesse o suporte de uma mesa?’, ele produz uma resposta baseada em correlações estatísticas de como essa pergunta é tipicamente respondida em texto. Não realiza uma simulação mental do cenário físico. Uma criança de quatro anos, confrontada com a situação física real, faria exatamente essa simulação — testaria hipóteses em seu modelo de mundo antes de agir.

5.3 A Linguagem como Ferramenta, Não como Fundamento

Uma síntese honesta das posições de Chollet e LeCun, em relação ao que os LLMs alcançaram, sugere a seguinte perspectiva: a linguagem é uma ferramenta extraordinariamente poderosa para comunicar, refinar e transmitir conhecimento — mas é uma ferramenta, não o fundamento da cognição.

A cognição humana desenvolveu-se, evolutivamente, muito antes da linguagem. Nossos antepassados pré-linguísticos já possuíam modelos de mundo sofisticados, capacidade de planejamento instrumental, reconhecimento de intenções de outros agentes, e aprendizado por observação e imitação. A linguagem é uma tecnologia de compressão e transmissão que se sobrepôs a esse substrato cognitivo existente — ela não o criou.

Os LLMs inverteram essa sequência. Eles começaram com a linguagem e tentaram derivar cognição dela. O resultado é um sistema que é extraordinariamente competente na camada linguística — na comunicação, na recuperação de informação, na articulação de raciocínio — mas que carece da base sobre a qual, biologicamente, a linguagem se assenta. É como construir o andar superior de um edifício sem os andares inferiores. O andar superior pode ser impressionante; mas está suspenso no ar.

A hipótese proposta neste ensaio argumenta pela necessidade de construir os andares inferiores. Não de abandonar os LLMs — eles são o andar superior mais impressionante que já construímos, e sua integração a um sistema cognitivo mais completo seria extraordinariamente poderosa — mas de reconhecer que eles são uma peça de um quebra-cabeça maior, não o quebra-cabeça inteiro.

* * *

Parte VI: Implicações e Objeções

6.1 A Objeção do Scaling Continuado

A objeção mais imediata à hipótese aqui articulada vem do campo do scaling optimismo: a ideia de que as limitações atuais dos LLMs são temporárias, e que modelos suficientemente grandes, treinados em dados suficientemente ricos, eventualmente exibirão as capacidades que a hipótese diz requerer arquiteturas diferentes.

Essa objeção deve ser levada a sério. Há casos históricos em que limitações aparentemente fundamentais foram superadas por escala e engenharia de dados — a emergência de capacidades de raciocínio de múltiplos passos em modelos GPT-4 e sucessores surpreendeu muitos pesquisadores que haviam argumentado que essas capacidades requeriam arquiteturas fundamentalmente diferentes.

Mas há razões para resistir ao otimismo de scaling irrestrito. Primeiro, a evidência empírica de platô: os retornos marginais de scaling estão documentadamente diminuindo, e benchmarks de raciocínio novel como o ARC não mostram melhoria proporcional ao aumento de parâmetros. Segundo, há um argumento teórico de Chollet: se a inteligência é eficiência de aprendizado novel, então um sistema que requer mais dados e parâmetros para resolver o mesmo problema está, por definição, se tornando menos inteligente à medida que scala — mesmo que seus outputs absolutos melhorem. Terceiro, há o argumento do symbol grounding: não está claro como escalar um sistema que processa apenas símbolos linguísticos pode, em princípio, produzir as representações sensório-motoras ancoradas que o experimento do Quarto da Criança Curiosa identifica como necessárias.

6.2 A Objeção do Mundo Virtual

Uma segunda objeção questiona a necessidade de corporificação física. Se o argumento é que agentes precisam aprender através de interação ativa com um ambiente físico, por que não um ambiente virtual? Simuladores de física de alta fidelidade — como o Isaac Sim da NVIDIA ou o MuJoCo — fornecem ambientes nos quais agentes podem aprender através de milhões de ciclos de ação-observação. Não há necessidade de corpos físicos, hardware neuromórfico, ou qualquer um dos complexos desafios de engenharia que a robótica real impõe.

Essa objeção tem mérito considerável, e a hipótese aqui proposta não exclui o aprendizado em simulação. De fato, o treinamento em simulação seguido de transferência ao mundo real (sim-to-real) é provavelmente uma componente necessária de qualquer sistema prático. Mas a objeção subestima dois problemas.

O primeiro é o problema do reality gap: simulações, por mais fidedignas que sejam, diferem do mundo real em aspectos que são frequentemente difíceis de identificar e corrigir a priori. Um robô que aprendeu a agarrar objetos em simulação frequentemente falha ao tentar o mesmo com objetos físicos reais, porque a simulação capturou as propriedades mais óbvias (forma, peso aproximado) mas falhou em capturar as mais sutis (textura, deformabilidade, variação de atrito). Sistemas com os mecanismos de adaptação contínua propostos na hipótese — aqui conectados às Liquid Neural Networks e à Inferência Ativa — podem aprender a calibrar a diferença; mas isso requer interação real, mesmo que breve.

O segundo é o problema mais profundo da ancoragem semântica. Se o objetivo é um sistema com representações genuinamente ancoradas na realidade física — não símbolos que correlacionam com outros símbolos, mas representações que correspondem a estruturas causais reais do mundo — então a experiência com o mundo real, com toda a sua imprevisibilidade e riqueza causalmente relevante, é provavelmente necessária em alguma medida. A simulação pode comprimir o tempo de aprendizado, mas não pode substituir completamente a realidade como fonte de calibração.

6.3 A Objeção da Complexidade Irredutível

Uma terceira objeção é mais filosófica: mesmo que todos os mecanismos propostos na hipótese sejam implementados com sucesso — priors de Core Knowledge, curiosidade intrínseca, modelo de mundo em espaço latente, aprendizado contínuo, corporificação — há razões para duvidar que o resultado seja o que chamamos de AGI, ou que seja suficiente para a capacidade agêntica nos domínios mais complexos.

O cérebro humano é extraordinariamente complexo. Ele contém aproximadamente 86 bilhões de neurônios com entre 100 e 500 trilhões de sinapses. Ele opera em múltiplas escalas temporais simultaneamente — de milissegundos (potenciais de ação) a anos (consolidação de memória). Ele é massivamente paralelo, assíncrono, e plástico em formas que ainda não compreendemos completamente. Pode ser que essa complexidade seja necessária, não contingente — que não haja atalho arquitetônico que reproduza as capacidades cognitivas humanas sem reproduzir algo de sua complexidade estrutural.

A resposta honesta a essa objeção é: não sabemos. Pode ser que uma arquitetura com os cinco pilares identificados, implementada em hardware adequado, seja suficiente para capacidades agênticas gerais muito além do que os LLMs exibem, mesmo que não alcance tudo o que a cognição humana realiza. Pode ser que componentes adicionais, ainda não identificados, sejam necessários. A hipótese não é uma afirmação de suficiência; é uma afirmação de que os mecanismos identificados são necessários — que qualquer caminho para AGI genuína precisa passar por eles.

* * *

Parte VII: O Horizonte — O Que Seria Diferente

7.1 Um Sistema Hipotético

Para tornar a hipótese concreta, vale esboçar como um sistema que implementasse os cinco pilares poderia funcionar em prática — não como uma proposta de engenharia detalhada, mas como um exercício de clarificação conceptual.

Imagine um agente — seja um robô físico ou um agente em simulação de alta fidelidade — que começa sua existência com um conjunto mínimo de priors estruturais codificados arquitetonicamente: vieses para segmentar o input sensorial em objetos coesos, para detectar relações de causa-efeito por contato, para distinguir agentes de objetos inanimados com base em padrões de movimento. Esses priors não são conhecimento específico sobre o mundo; são a ‘lente’ através da qual o agente observa o mundo.

O agente é colocado em um ambiente e começa a explorar, guiado por uma função de motivação intrínseca que otimiza o progresso de aprendizado. Ele move objetos, observa o que acontece, forma representações latentes do que observou, e atualiza continuamente um modelo de mundo preditivo que permite antecipar as consequências de ações futuras. Quando seu modelo erra — quando o mundo se comporta de forma diferente do previsto — o sinal de erro é tanto uma penalidade (o modelo precisa ser atualizado) quanto uma recompensa intrínseca (isso é interessante; vale explorar mais aqui).

À medida que o agente explora, ele desenvolve um vocabulário crescente de conceitos — não conceitos linguísticos, mas protótipos de situações, objetos e ações, representados no espaço latente do modelo de mundo. Um conceito como ‘rampa’ emerge como um protótipo de configuração espacial associada a um padrão de comportamento de objetos deslizantes. Ele não precisa de uma palavra para ter o conceito; o conceito é a representação latente.

Quando, eventualmente, esse agente é conectado a um sistema de linguagem — seja um LLM fine-tuned ou um módulo de linguagem menor — a linguagem pode ser ancorada a esses conceitos preexistentes. ‘Rampa’ passa a ser um símbolo que mapeia para a representação latente que o agente já construiu através da experiência. Isso é o symbol grounding em sua forma mais direta: o símbolo ganha significado porque é conectado a uma representação que já tem conteúdo causal.

7.2 O Que Esse Sistema Poderia Fazer

Um sistema assim hipotético teria capacidades qualitativamente diferentes dos LLMs atuais nos domínios onde a hipótese prediz que eles falham. Diante de um mecanismo novel — uma máquina simple que nunca foi descrita em nenhum dataset de treinamento — o sistema não precisaria de uma descrição textual para compreendê-lo. Poderia observá-lo brevemente, simular mentalmente suas possíveis operações usando o modelo de mundo, testar uma ou duas hipóteses através de interação física, e então operar o mecanismo corretamente. É o comportamento da Criança Curiosa no experimento mental.

Esse sistema também seria capaz de aprendizado contínuo genuíno. Cada nova experiência refinaria o modelo de mundo sem apagar representações anteriores — de forma análoga à forma como humanos aprendem novas habilidades motoras ou conceitos novos sem esquecer as habilidades e conceitos que já possuíam. A distinção fundamental entre ‘treinamento’ e ‘inferência’ se tornaria mais fluida: o sistema estaria sempre, em certo sentido, aprendendo — atualizando seu modelo de mundo a cada nova observação.

Em domínios de raciocínio formal — matemática, lógica, ciência — a arquitetura permitiria uma integração mais profunda entre intuição (modelo de mundo em espaço latente) e verificação formal (módulo simbólico). O sistema poderia formular hipóteses com base em seu modelo de mundo, expressar essas hipóteses em linguagem formal, verificá-las com um motor de inferência simbólico, e atualizar o modelo de mundo com base nos resultados. É a formalização computacional do ciclo científico de observação, hipótese, predição e teste.

7.3 Os Robôs e a Questão da Agência Física

A hipótese tem implicações específicas para a robótica, que é onde a distinção entre os dois tipos de sistemas se torna mais visível e mais consequente. Os robôs atuais — incluindo os impressionantes humanoides de empresas como Boston Dynamics, Figure, e Tesla — têm corpos extraordinários e cérebros relativamente limitados. Eles podem executar sequências de movimentos complexos com precisão notável, mas são frágeis à generalização. Um robô que aprendeu a pegar uma caixa específica em condições específicas falha frequentemente quando a caixa muda de forma, ou o ambiente muda de iluminação, ou surge um obstáculo não previsto no treinamento.

Um sistema baseado na hipótese aqui proposta abordaria esse problema de forma fundamentalmente diferente. Em vez de aprender políticas motoras que mapeiam diretamente de percepções a ações, ele manteria um modelo de mundo que lhe permite simular o efeito de possíveis ações antes de executá-las, e adaptar seu comportamento em tempo real quando o mundo se comporta diferentemente do modelo. O modelo de mundo não é apenas um banco de memórias — é um instrumento de planejamento adaptativo.

A arquitetura de controle assíncrono — ‘córtex’ lento e abstrato mais ‘medula’ rápida e reativa — permite que esse sistema opere dentro das restrições de energia e latência do hardware robótico real. O córtex cognitivo faz o planejamento de alto nível com latência tolerável; a medula reativa garante que o corpo permaneça estável e responsivo a perturbações físicas em tempo real, sem precisar que o córtex refaça todo o raciocínio a cada milissegundo.

* * *

Conclusão: A Inteligência que Ainda Não Construímos

Começamos com uma assimetria: uma criança de quatro anos resolve em segundos problemas que desafiam os mais poderosos sistemas de IA do mundo. Esse fato, aparentemente paradoxal dado o poder computacional e a quantidade de dados dos sistemas modernos, aponta para algo profundo sobre a natureza da inteligência — e sobre o que ainda nos falta para construí-la.

A hipótese articulada neste ensaio não é um programa de pesquisa completo. É uma orientação: a ideia de que a AGI não será alcançada através do scaling contínuo de arquiteturas passivas e estáticas, mas requer uma mudança qualitativa na forma como os sistemas de IA aprendem. Essa mudança deve se inspirar — não ingenuamente, mas com rigor técnico — nos mecanismos que tornam o aprendizado infantil extraordinariamente eficiente: priors evolutivos, curiosidade intrínseca, modelos de mundo preditivos em espaço latente, aprendizado contínuo, e ancoragem em experiência ativa.

O Quarto da Criança Curiosa que propus como experimento mental ilumina a distinção central: entre competência estatística e inteligência genuína; entre saber que e saber como; entre correlação e causalidade; entre interpolação e generalização. Esses não são problemas que mais dados ou mais parâmetros vão resolver. São problemas que requerem arquiteturas diferentes, objetivos de treinamento diferentes, e uma concepção diferente do que significa para um sistema aprender.

As ferramentas estão começando a aparecer. As Liquid Neural Networks oferecem plasticidade em tempo de inferência. Os State Space Models oferecem eficiência computacional para sequências longas e dinâmicas físicas. Os sistemas neuro-simbólicos integram aprendizado de representação com raciocínio causal. A Inferência Ativa fornece uma formalização matemática da curiosidade intrínseca. O hardware neuromórfico começa a tornar viável a computação de baixo consumo em chassis robóticos. Nenhuma dessas peças, sozinha, é a solução; mas juntas, integradas com coerência arquitetônica e guiadas pelos princípios do desenvolvimento cognitivo infantil, apontam para um caminho.

O projeto de AGI, como qualquer projeto científico genuinamente ambicioso, pode falhar — por razões que ainda não identificamos, por limitações que ainda não compreendemos, por complexidades que a biologia resolve mas que a engenharia pode não conseguir reproduzir. Mas falhar tentando a coisa certa é mais promissor do que ter sucesso em escalar a coisa errada. E a coisa certa, a hipótese sugere, é aprender a aprender — construir sistemas que, como as crianças que inspiram a hipótese, sejam fundamentalmente processos em andamento e não produtos acabados; sistemas que se tornam mais inteligentes com cada nova experiência, que exploram com curiosidade o que ainda não entendem, e que constroem, uma observação de cada vez, um modelo do mundo que lhes permite agir sobre ele com eficiência e sabedoria.

A criança que brinca com blocos no quarto não está apenas brincando. Ela está construindo a arquitetura do pensamento — peça por peça, queda por queda, surpresa por surpresa. Esse é o aprendizado que ainda não sabemos replicar. E replicá-lo pode ser a tarefa mais importante da engenharia do próximo século.

* * *

Notas sobre as Referências Conceituais

Este ensaio é deliberadamente filosófico e exploratório. As referências abaixo não constituem uma lista bibliográfica acadêmica formal, mas um mapa das tradições intelectuais e trabalhos específicos que informam os argumentos desenvolvidos.

Na filosofia da mente, o Quarto Chinês de John Searle (Minds, Brains, and Programs, 1980) e o Quarto de Mary de Frank Jackson (Epiphenomenal Qualia, 1982) forneceram o template para o experimento mental proposto. O debate sobre symbol grounding, originalmente articulado por Stevan Harnad (The Symbol Grounding Problem, 1990), é central para a seção sobre as limitações dos LLMs.

Na psicologia do desenvolvimento, o trabalho de Elizabeth Spelke sobre Core Knowledge (Language and Conceptual Development, 1994; Core Knowledge, 2000) e de Karen Wynn sobre cognição numérica infantil (Addition and Subtraction by Human Infants, 1992) fundamenta a seção sobre priors evolutivos. A teoria do desenvolvimento sensório-motor de Jean Piaget (A Construção do Real na Criança, 1937) e o conceito de zona de desenvolvimento proximal de Lev Vygotsky (Mind in Society, 1978) informam a discussão sobre aprendizado ativo e scaffolding.

Na inteligência artificial e ciência cognitiva, o artigo de François Chollet On the Measure of Intelligence (2019) é o ponto de partida filosófico central. O trabalho de Yann LeCun sobre JEPAs e modelos de mundo — especialmente A Path Towards Autonomous Machine Intelligence (2022) — informa a seção sobre arquiteturas alternativas. A pesquisa de Pierre-Yves Oudeyer sobre motivação intrínseca e robótica desenvolvimental, particularmente o trabalho sobre Progresso de Aprendizado como sinal de recompensa intrínseca (Intrinsic Motivation Systems for Autonomous Mental Development, 2007), é central para a discussão sobre curiosidade como algoritmo.

O Princípio da Energia Livre de Karl Friston (The Free-Energy Principle: A Unified Brain Theory, 2010) fundamenta a discussão sobre Inferência Ativa. O trabalho de Josh Tenenbaum e colaboradores sobre cognição probabilística e Core Knowledge computacional (How to Grow a Mind, 2011) informa a seção sobre sistemas neuro-simbólicos. A pesquisa de Ramin Hasani sobre Liquid Neural Networks (Liquid Time-Constant Networks, 2020) e o trabalho de Albert Gu e Tri Dao sobre Mamba e State Space Models (Mamba: Linear-Time Sequence Modeling with Selective State Spaces, 2023) fundamentam a discussão sobre arquiteturas alternativas ao transformer.

Finalmente, a pesquisa de embodied cognition — especialmente os trabalhos de Francisco Varela, Evan Thompson e Eleanor Rosch (The Embodied Mind, 1991) — fundamenta o argumento sobre a corporificação como condição necessária, não contingente, da cognição genuína.