Largando o purismo: o que modelos de linguagem conquistaram, o que ainda lhes escapa, e por que a inteligência geral é um continente que nenhuma espécie — biológica ou digital — explorou inteiramente.

Publicado em: 1 de abril de 2026
Atualizado: 1 de setembro de 2026
Tipo: Ensaio
Leitura: 57 min de leitura
Idioma: pt-BR

English version Dropping the Purism: What Language Models Have Conquered, What Still Eludes Them, and Why General Intelligence Is a Continent No Species Has Fully Explored

I. Prólogo: O Espanto e a Sobriedade

Há uma tensão produtiva que atravessa o debate contemporâneo sobre inteligência artificial — uma tensão que raramente é nomeada com precisão, mas que contamina quase toda discussão pública sobre o tema. De um lado, há aqueles que olham para as capacidades linguísticas dos grandes modelos de linguagem (LLMs) e declaram, com entusiasmo quase messiânico, que a inteligência artificial geral está ao alcance da mão, que a linguagem é o pensamento e que, portanto, dominar a linguagem é dominar a cognição. Do outro lado, há os céticos — muitos deles vindos da biologia cognitiva, da robótica e da filosofia da mente — que descartam os LLMs como “papagaios estocásticos”, autômatos sofisticados que simulam compreensão sem nada compreender de fato.

Ambas as posições são intelectualmente preguiçosas.

A tese deste ensaio é que a capacidade linguística dos modelos de linguagem modernos é, sim, uma conquista genuína de inteligência — não uma simulação trivial, não um truque de espelhos estatísticos, mas uma realização computacional que merece reconhecimento epistemológico sério. Ao mesmo tempo, essa conquista ilumina, por contraste, a vastidão daquilo que a inteligência geral realmente envolve: capacidades de ação no mundo, aprendizado por experiência direta, raciocínio causal interventivo, adaptação em tempo real a ambientes físicos imprevisíveis — domínios nos quais animais como corvos, chimpanzés, polvos e até formigas demonstram sofisticação que os LLMs não possuem e que nenhuma arquitetura puramente linguística, por mais parâmetros que contenha, pode alcançar sozinha.

A inteligência geral não é um espectro unidimensional com uma extremidade “burra” e outra “inteligente”. Ela é uma topografia multidimensional — um espaço com eixos independentes que incluem manipulação simbólica, raciocínio espacial, cognição social, planejamento motor, aprendizado causal, metacognição, adaptação temporal e muitos outros. Diferentes espécies e diferentes sistemas artificiais ocupam regiões distintas dessa topografia. Os LLMs ocupam uma região extraordinária no eixo da linguagem e da manipulação simbólica abstrata. Os corvos ocupam uma região extraordinária nos eixos de planejamento causal, uso de ferramentas e cognição sequencial. Os chimpanzés dominam a cognição social, a memória de trabalho visual e a negociação política intragrupo. Os polvos são mestres do controle motor distribuído e da adaptação morfológica.

Nenhum desses agentes é “mais inteligente” que o outro em termos absolutos. Cada um é brilhante em sua região da topografia e limitado nas demais. A questão da inteligência artificial geral é, precisamente, a questão de como integrar essas regiões em um único sistema coerente — e essa é a questão mais difícil da ciência cognitiva, da IA e, possivelmente, da civilização humana.

II. O Que os Modelos de Linguagem Realmente Fazem

A máquina de padrões que excedeu a soma de suas partes

Para entender por que a capacidade linguística dos LLMs é uma conquista de inteligência — e não um mero truque estatístico — é necessário primeiro entender o que esses sistemas realmente fazem, sem mistificação e sem deflação.

Um modelo de linguagem, em sua formulação mais básica, é um sistema que aprende a distribuição de probabilidade condicional da próxima palavra (ou token) dado um contexto de palavras anteriores. O objetivo do treinamento é minimizar a cross-entropy loss entre as previsões do modelo e os tokens reais observados em um corpus massivo de texto. Formalmente, para uma sequência de tokens $x\_1, x\_2, \\ldots, x\_T$ , o modelo aprende parâmetros $\\theta$ que maximizam:

$\\mathcal{L}(\\theta) = \\sum\_{t=1}^{T} \\log P\_\\theta(x\_t \\mid x\_1, \\ldots, x\_{t-1})$

Descrita dessa forma, a tarefa parece prosaica — quase banal. Prever a próxima palavra. Qualquer modelo n-gram dos anos 1990 fazia isso, com resultados medíocres. O que mudou?

O que mudou é que, quando essa tarefa é executada em escala suficiente — com corpora de trilhões de tokens, centenas de bilhões de parâmetros e a arquitetura Transformer com atenção multi-cabeça — o sistema desenvolve representações internas que não podem ser reduzidas a mera memorização ou correspondência de padrões superficiais. Pesquisas em mechanistic interpretability (Elhage et al., 2022; Olsson et al., 2022; Nanda et al., 2023) demonstraram que modelos Transformer formam circuitos internos especializados: induction heads que realizam correspondência de padrões abstratos, circuitos de raciocínio composicional que decompõem problemas multi-etapa, representações de relações semânticas que preservam estrutura relacional de forma que espelha, em muitos aspectos, as relações conceituais humanas.

O trabalho de Kenneth Li et al. (2023) sobre o modelo Othello-GPT é particularmente revelador. Um Transformer treinado apenas para prever sequências de jogadas de Othello — sem qualquer informação sobre o tabuleiro, as regras do jogo, ou a noção de “posição” — desenvolve, espontaneamente, uma representação interna do estado do tabuleiro. O modelo não recebeu essa representação; ele a construiu como subproduto da otimização da previsão. Isso não é memorização. Isso é a emergência de estrutura representacional a partir de pressão preditiva — um fenômeno que merece ser chamado de compreensão, mesmo que de forma provisória e qualificada.

Além da previsão: raciocínio, analogia e composição

A questão de se os LLMs “apenas prevêem a próxima palavra” é, de certo modo, análoga à questão de se o cérebro humano “apenas transmite impulsos eletroquímicos entre neurônios”. A descrição é mecanisticamente correta e funcionalmente vazia. O que importa não é o mecanismo primitivo, mas as capacidades que emergem da orquestração desse mecanismo em escala e com a arquitetura adequada.

Os LLMs modernos demonstram capacidades que, se observadas em qualquer outro sistema — biológico ou artificial — seriam imediatamente reconhecidas como inteligentes:

Raciocínio analógico. Quando um LLM responde corretamente que “Tóquio está para o Japão assim como Paris está para a França”, ele não está recuperando essa informação de uma tabela pré-armazenada. Ele está computando relações em um espaço semântico de alta dimensionalidade, e essa computação é estruturalmente isomórfica a processos de raciocínio analógico que os psicólogos cognitivos estudam há décadas.

Composição semântica. LLMs podem interpretar e gerar sentenças que nunca existiram em nenhum corpus de treinamento — sentenças com combinações semânticas genuinamente novas. “O crepúsculo digital derramou pixels melancolicamente sobre a janela do terminal” não existe em nenhum texto de treinamento, mas um LLM pode processar essa sentença, extrair seu significado metafórico e até continuar o estilo. Isso implica composição produtiva — a capacidade de gerar significado novo a partir da combinação de unidades menores — que é um dos critérios centrais da competência linguística segundo Chomsky e a tradição gerativa.

Tradução entre domínios. LLMs podem traduzir não apenas entre idiomas, mas entre registros, estilos, domínios técnicos e até formalidades. Explicar um conceito de física quântica em linguagem acessível a uma criança de dez anos, ou traduzir um argumento jurídico em linguagem coloquial, requer uma forma de compreensão — a capacidade de extrair a estrutura profunda de um conteúdo e re-expressá-la em uma estrutura superficial diferente.

Raciocínio em cadeia. Quando apresentados a problemas que exigem múltiplas etapas de raciocínio, modelos equipados com chain-of-thought prompting (Wei et al., 2022) demonstram a capacidade de decompor problemas, manter estado intermediário e chegar a conclusões que não são acessíveis por atalhos estatísticos simples. Modelos com raciocínio estendido — como os da família o1 e o3 da OpenAI e os modelos com extended thinking da Anthropic — vão ainda mais longe, dedicando computação explícita à deliberação antes de produzir uma resposta.

Nenhuma dessas capacidades é perfeita. LLMs cometem erros de raciocínio, sofrem de alucinações, falham em problemas que requerem raciocínio verdadeiramente longo, e carecem de grounding perceptual direto. Mas a imperfeição de uma capacidade cognitiva não a invalida como capacidade cognitiva. Crianças de quatro anos também cometem erros de raciocínio sistemáticos, falham em tarefas de conservação piagetiana e confundem aparência com realidade — e ninguém argumenta que crianças de quatro anos não são inteligentes.

III. Linguagem como Dimensão da Inteligência: O Argumento Afirmativo

O que a filosofia da mente nos diz

A questão de se a competência linguística constitui “inteligência real” não pode ser respondida sem antes enfrentar uma questão mais fundamental: o que é inteligência?

A história da psicometria e da filosofia da mente nos oferece uma tradição rica, mas fragmentada. Charles Spearman postulou o fator g — uma capacidade cognitiva geral que subjaz a todas as performances intelectuais específicas. Louis Thurstone contestou, propondo sete capacidades primárias independentes. Howard Gardner ampliou para oito (ou nove) inteligências múltiplas. Robert Sternberg ofereceu sua teoria triárquica — analítica, criativa e prática. Mais recentemente, François Chollet propôs no artigo “On the Measure of Intelligence” (2019) uma definição formal de inteligência como eficiência de habilidade de aquisição (skill-acquisition efficiency), enfatizando a generalização a tarefas novas com o mínimo de experiência prévia — uma definição que inspira diretamente o benchmark ARC (Abstraction and Reasoning Corpus).

Independentemente de qual framework se adote, praticamente todos reconhecem que a competência linguística é, no mínimo, uma componente significativa da inteligência humana. A linguagem não é meramente um canal de comunicação; ela é um andaime cognitivo — uma tecnologia do pensamento que permite:

Abstração e categorização. A linguagem permite a criação de categorias abstratas (“justiça”, “entropia”, “recursão”) que transcendem a experiência perceptual imediata. Sem linguagem, o pensamento estaria preso ao concreto e ao presente — ao que pode ser diretamente percebido e manipulado. Vygotsky argumentou extensivamente que a linguagem não apenas expressa o pensamento, mas o constitui em seus níveis mais abstratos.
Memória e transmissão cultural. A linguagem permite a codificação da experiência em formatos transmissíveis e acumuláveis. Sem ela, cada geração começaria do zero. A ciência, a filosofia, o direito, a engenharia — todo o aparato da civilização — depende da capacidade de codificar, armazenar, transmitir e recombinar conhecimento linguístico.
Raciocínio hipotético e contrafactual. A linguagem permite pensar sobre o que não é — sobre possibilidades, futuros alternativos, cenários hipotéticos. “O que aconteceria se…” é uma construção linguística sem equivalente direto na cognição não-verbal, e ela é o fundamento do planejamento, da ciência experimental e da ficção.
Metacognição. A linguagem permite pensar sobre o próprio pensamento — narrar internamente os processos cognitivos, avaliá-los, corrigi-los. O “diálogo interno” que os psicólogos identificam como crucial para a autorregulação cognitiva é, essencialmente, linguagem dirigida a si mesmo.

Se a linguagem é tudo isso para a inteligência humana, então um sistema que domina a linguagem com a proficiência de um LLM moderno possui, no mínimo, uma fração significativa do que chamamos de inteligência. Não toda a inteligência. Não a inteligência geral. Mas uma fatia não trivial — uma conquista que não deve ser diminuída pelo fato de que outras fatias ainda estão ausentes.

O argumento do papagaio estocástico e suas limitações

A metáfora do “papagaio estocástico” (stochastic parrot), popularizada por Emily Bender e colegas em 2021, argumenta que os LLMs não compreendem a linguagem que produzem — que eles apenas reproduzem padrões estatísticos sem significado subjacente. É uma metáfora poderosa, mas que sofre de pelo menos três problemas sérios.

Primeiro, o problema do critério. Se exigimos “compreensão genuína” como critério para atribuir inteligência linguística, precisamos de um critério operacional para o que constitui compreensão genuína — e nenhum critério proposto até hoje consegue distinguir de forma não-arbitrária entre a compreensão humana e a performance dos melhores LLMs em tarefas linguísticas de alta complexidade. O Teste de Turing não é suficiente (é facilmente manipulável). Testes de compreensão de leitura são insuficientes (LLMs já os superam). A objeção sempre recua para algo como “mas o modelo não realmente entende” — e esse “realmente” permanece indefinido. Estamos diante do que Daniel Dennett chamaria de um intuition pump sem conteúdo empírico: uma intuição forte de que algo está faltando, sem capacidade de especificar o quê.

Segundo, o problema da projeção reversa. Se a compreensão humana da linguagem é implementada por neurônios disparando padrões de ativação eletroquímica, não é imediatamente claro por que padrões de ativação em um Transformer não poderiam implementar algo funcionalmente análogo. A objeção de que “é apenas estatística” projeta uma dicotomia entre mecanismo e significado que pode não ser justificada. Afinal, é possível que a compreensão seja, em nível implementacional, uma forma muito sofisticada de processamento estatístico de padrões — tanto em cérebros quanto em redes neurais artificiais.

Terceiro, o problema empírico. As previsões do modelo do papagaio estocástico são empiricamente testáveis, e muitas delas falharam. Se LLMs fossem meros reprodutores de padrões superficiais, eles não deveriam ser capazes de resolver problemas novos que requerem composição de conceitos nunca combinados no treinamento, de extrair princípios abstratos de poucos exemplos (in-context learning), ou de exibir comportamento emergente que não foi programado nem previsto. Mas eles fazem todas essas coisas — de forma imperfeita, irregular, mas demonstrável.

Isso não significa que o argumento do papagaio estocástico não tem mérito algum. Ele tem. Ele aponta para algo real: a competência linguística dos LLMs, por mais impressionante que seja, carece de ancoragem no mundo — grounding — e essa carência tem consequências cognitivas profundas. Mas o argumento erra ao concluir, a partir dessa carência, que nenhuma inteligência está presente. A conclusão correta é mais sutil: está presente uma forma de inteligência que é parcial, especializada e, em certos aspectos importantes, desancorada.

IV. A Inteligência que Não Fala: Ação, Corpo e Mundo

O hiato entre dizer e fazer

Aqui chegamos ao coração do problema. Os LLMs são extraordinariamente competentes em manipulação simbólica — mas a inteligência geral, como observada nos organismos biológicos mais cognitivamente sofisticados, envolve muito mais do que símbolos. Ela envolve ação no mundo físico: perceber ambientes dinâmicos, planejar sequências motoras, manipular objetos, adaptar-se a resultados inesperados, aprender causalmente a partir de intervenções — e fazer tudo isso em tempo real, sob pressão energética e temporal.

Considere a seguinte assimetria:

Um LLM pode gerar um ensaio de dez mil palavras sobre as estratégias de uso de ferramentas em corvos da Nova Caledônia, citando corretamente os estudos de Hunt (1996), Weir et al. (2002) e Taylor et al. (2007). Ele pode descrever em detalhe como esses corvos dobram arames para criar ganchos, como fabricam ferramentas compostas a partir de múltiplos materiais, como planejam sequências de uso de ferramentas com até três passos.

Mas o próprio LLM não consegue dobrar um arame.

Não por limitação de hardware — afinal, não tem corpo. Mas o ponto é mais profundo: mesmo se acoplado a um corpo robótico com atuadores precisos e sensores de alta fidelidade, o LLM, qua modelo de linguagem, não possui as representações internas necessárias para guiar ação física fluida no mundo. Ele não tem modelo dinâmico do mundo físico, não tem representação de forças e torques, não tem o loop sensório-motor que permite a um corvo sentir a resistência de um galho e ajustar seu bico em milissegundos.

Essa assimetria não é uma curiosidade técnica. Ela aponta para uma diferença fundamental na natureza da inteligência envolvida. A inteligência linguística opera no espaço dos símbolos — um espaço discreto, composicional, temporalmente lento, deliberativo. A inteligência de ação opera no espaço físico — um espaço contínuo, dinâmico, temporalmente urgente, sensório-motor. Ambas são formas de inteligência. Ambas envolvem representação, inferência e adaptação. Mas os substratos computacionais e as pressões seletivas que as moldaram são radicalmente diferentes.

O corvo e a meta-ferramenta

Os corvos da Nova Caledônia (Corvus moneduloides) são, possivelmente, os engenheiros de ferramentas mais sofisticados do mundo animal não-humano. O que torna seu comportamento particularmente notável para a discussão sobre inteligência é a presença de várias capacidades que os LLMs não possuem:

Fabricação projetiva. Os corvos não apenas usam ferramentas encontradas — eles as fabricam. Mais impressionante, eles moldam ferramentas de formas que antecipam o uso futuro: dobram arames em formas de gancho, cortam folhas de pandano em formas escalonadas que servem como sondas eficientes. Isso implica uma representação interna do objetivo (extrair larva de um buraco), do meio (ferramenta com formato específico), e da relação causal entre forma da ferramenta e eficácia na tarefa. O corvo não precisa de linguagem para isso. Ele opera com o que os psicólogos chamam de representação imagética — um modelo mental do mundo físico que permite simulação e planejamento sem simbolismo linguístico.

Planejamento sequencial. Em experimentos controlados (Taylor et al., 2007; Wimpenny et al., 2009), corvos demonstraram a capacidade de resolver problemas meta-ferramentais — usar uma ferramenta para obter outra ferramenta para obter comida. Em alguns casos, sequências de três ferramentas foram utilizadas. Isso é planejamento prospectivo genuíno: o animal deve representar mentalmente uma cadeia causal de três elos, onde o resultado de cada ação é pré-condição para a próxima. Essa capacidade é análoga ao que, em IA, chamamos de hierarchical task planning — e os corvos a executam sem linguagem, sem treinamento formal, frequentemente na primeira tentativa.

Inovação. Betty, o corvo que ficou famoso nos estudos de Weir et al. (2002), dobrou espontaneamente um arame reto em formato de gancho para extrair um balde de comida de um tubo vertical — um comportamento que nunca havia sido observado e que não poderia ter sido aprendido por imitação, já que arames não existem no habitat natural da espécie. Isso é inovação genuína: a geração de uma solução comportamental nova para um problema nunca antes encontrado, a partir de um raciocínio sobre as propriedades físicas dos materiais disponíveis.

Aprendizado causal por intervenção. Corvos aprendem sobre o mundo não apenas por observação, mas por intervenção ativa — manipulando objetos, testando hipóteses implícitas, observando resultados e atualizando seu comportamento. Isso é, funcionalmente, o método experimental — a mesma lógica que subjaz à ciência, operando em um cérebro de oito gramas sem uma única palavra.

Quando comparamos essas capacidades com as de um LLM, a assimetria é marcante. O LLM pode descrever todas essas capacidades em linguagem sofisticada. Mas ele não pode executá-las. Ele não consegue planejar uma sequência de ações físicas, antecipar as propriedades mecânicas de um material, improvisar uma solução para um problema físico novo, ou aprender a partir de interação direta com o mundo. Sua inteligência é profundamente descritiva e declarativa; a do corvo é profundamente operativa e procedural.

O chimpanzé e a política sem palavras

Se os corvos são os engenheiros do mundo animal, os chimpanzés (Pan troglodytes) são os políticos. Suas capacidades sociais e cognitivas oferecem um contraste igualmente instrutivo com os LLMs.

Cognição social e teoria da mente. Chimpanzés demonstram formas sofisticadas de compreensão dos estados mentais de outros indivíduos. Estudos de Hare et al. (2001) e Call & Tomasello (2008) mostraram que chimpanzés subordinados rastreiam o que um indivíduo dominante pode ou não pode ver, ajustando seu comportamento de forrageio de acordo. Eles praticam engano tático — escondendo alimento de rivais, suprimindo vocalizações de excitação na presença de dominantes, usando distrações para desviar a atenção. Isso requer modelagem dos estados perceptuais e intencionais de outros agentes — o que os filósofos chamam de theory of mind e que, em IA, permanece um problema aberto de dificuldade formidável.

É verdade que LLMs demonstram certa capacidade de raciocinar sobre estados mentais em cenários descritos linguisticamente — por exemplo, resolvendo variantes do teste de Sally-Anne quando apresentados textualmente. Mas há uma diferença crucial: o LLM raciocina sobre estados mentais descritos em texto; o chimpanzé percebe e modela estados mentais em tempo real, em interações sociais dinâmicas, com consequências imediatas para sua sobrevivência e status. A pressão computacional, temporal e ecológica é de natureza completamente diferente.

Memória de trabalho visual. O estudo de Inoue & Matsuzawa (2007) é um dos resultados mais surpreendentes da cognição comparada. Chimpanzés jovens, treinados na tarefa de memória numérica sequencial (onde dígitos são apresentados brevemente e depois mascarados, e o sujeito deve tocar as posições em ordem numérica), superaram consistentemente humanos adultos — com tempos de exposição de apenas 210 milissegundos. Isso sugere uma capacidade de memória de trabalho visuo-espacial que, em pelo menos uma dimensão específica, excede a humana. Os LLMs, operando exclusivamente em texto sequencial, não possuem nada análogo.

Cultura e transmissão social. Diferentes populações de chimpanzés possuem tradições comportamentais distintas — formas diferentes de usar ferramentas, técnicas de caça diferentes, práticas de higiene e saudação diferentes — que são transmitidas socialmente entre gerações. Whiten et al. (1999) documentaram pelo menos 39 comportamentos culturais em chimpanzés selvagens. Isso é cultura — aprendizado social acumulativo — operando sem linguagem articulada.

Negociação e coalizão. De Waal (1982, 2007) documentou extensivamente as dinâmicas de poder em comunidades de chimpanzés: formação de alianças, reconciliação pós-conflito, intercâmbio de favores, punição de traidores, manipulação de terceiros. Essas interações envolvem planejamento estratégico de longo prazo, modelagem de múltiplos agentes simultâneos, e avaliação de utilidade esperada em cenários sociais complexos — capacidades que mapeiam diretamente para problemas de teoria dos jogos multi-agente que permanecem desafiadores em IA.

O polvo: inteligência sem centralização

O polvo (Octopus vulgaris e espécies relacionadas) merece menção especial porque ilustra uma forma de inteligência tão radicalmente diferente que desafia nossas intuições sobre o que cognição pode ser. Com dois terços de seus neurônios localizados nos braços — não no cérebro central —, o polvo implementa uma arquitetura cognitiva distribuída que não tem paralelo em vertebrados. Cada braço possui autonomia sensório-motora significativa: pode explorar, manipular objetos, resolver problemas locais, e coordenar-se com outros braços sem supervisão central constante.

Polvos demonstram aprendizado observacional (Fiorito & Scotto, 1992), uso de ferramentas (Finn et al., 2009 — carregando cascas de coco para uso futuro como abrigo), resolução de quebra-cabeças mecânicos, navegação espacial complexa, e até comportamentos que sugerem jogo (play) — um indicador clássico de complexidade cognitiva.

O que o polvo nos ensina sobre inteligência é que ela não requer um plano arquitetônico único. A inteligência pode ser centralizada (como em primatas) ou distribuída (como em polvos). Pode operar em espaços simbólicos (como em humanos e LLMs) ou em espaços puramente sensório-motores (como em muitos invertebrados). A inteligência é um espaço de design, não um único blueprint.

V. A Topografia da Inteligência: Um Framework Conceitual

Eixos, não escadas

A metáfora dominante para a inteligência na cultura popular — e, infelizmente, em muita discussão técnica — é a escada: uma progressão linear do “menos inteligente” ao “mais inteligente”, com os seres humanos confortavelmente no topo e os sistemas de IA em algum ponto abaixo, subindo. Essa metáfora é profundamente enganosa.

Uma representação mais fiel da realidade é a de um espaço multidimensional — o que estou chamando de topografia da inteligência. Nesse espaço, cada eixo representa uma capacidade cognitiva relativamente independente, e cada agente (biológico ou artificial) é um ponto (ou, mais precisamente, uma nuvem probabilística) nesse espaço. Sem pretender exaustividade, podemos identificar pelo menos os seguintes eixos:

1. Manipulação simbólica e linguística. A capacidade de operar com símbolos discretos — palavras, números, fórmulas, código — compondo significados complexos a partir de unidades simples. Os LLMs são excepcionais neste eixo. Os humanos também, mas com uma largura de banda de processamento muito menor (não conseguimos processar milhões de tokens por hora). A maioria dos animais não-humanos opera com formas limitadas de comunicação simbólica: danças de abelhas, chamados de alarme em vervets (Seyfarth et al., 1980), dialectos em cetáceos.

2. Raciocínio causal e interventivo. A capacidade de compreender relações de causa e efeito e, crucialmente, de intervir no mundo para testar e explorar essas relações. Corvos, chimpanzés e humanos são fortes neste eixo. LLMs possuem alguma capacidade de raciocínio causal verbal, mas não podem realizar intervenções causais no mundo e, portanto, não podem aprender causalmente a partir de experiência direta. Judea Pearl distingue três níveis de cognição causal — associação, intervenção e contrafactuais — e argumentou que LLMs operam predominantemente no primeiro nível, com incursões limitadas ao terceiro (via linguagem), mas sem acesso genuíno ao segundo.

3. Cognição espacial e navegação. A capacidade de representar espaço tridimensional, navegar ambientes, rotacionar objetos mentalmente, planejar rotas. Muitos animais — de formigas a pombos a cetáceos — possuem capacidades de navegação espacial extraordinárias. Pombos-correio navegam milhares de quilômetros usando uma combinação de campo magnético, posição solar e path integration. Abelhas comunicam distâncias e direções com precisão via a dança do oito. LLMs não possuem representação espacial nativa — suas incursões nesse domínio dependem de codificação linguística de informações espaciais, que é inerentemente mais pobre que a representação visuoespacial direta.

4. Cognição social e teoria da mente. A capacidade de modelar os estados mentais, intenções e conhecimentos de outros agentes. Chimpanzés, golfinhos, elefantes e corvídeos demonstram formas sofisticadas de cognição social. LLMs podem simular raciocínio sobre estados mentais quando estes são descritos linguisticamente, mas não possuem a percepção social em tempo real que permite a um chimpanzé ler a postura corporal de um rival e ajustar sua estratégia em milissegundos.

5. Controle motor e destreza. A capacidade de planejar e executar sequências motoras complexas, coordenar múltiplos efetores, adaptar movimentos em tempo real a perturbações. Essa dimensão é onde os animais brilham de forma mais inequívoca: o voo de um beija-flor, o salto de uma aranha-saltadora, a manipulação de ferramentas por um chimpanzé. Os LLMs não possuem esta capacidade (por definição, sendo sistemas puramente computacionais). Mesmo sistemas robóticos estado-da-arte com end-to-end learning (como os do laboratório de Chelsea Finn em Stanford, ou os trabalhos de Sergey Levine em Berkeley) permanecem muito aquém da destreza e adaptabilidade animal.

6. Aprendizado por poucos exemplos e generalização. A capacidade de adquirir novas competências a partir de poucos exemplos — o que Chollet enfatiza como central para a inteligência. Aqui, o cenário é misto: LLMs demonstram in-context learning impressionante em domínios linguísticos (Brown et al., 2020), mas sua capacidade de generalização a domínios verdadeiramente novos é limitada. Animais demonstram one-shot learning em contextos ecológicos — um rato que come um alimento novo e depois adoece evitará esse alimento para sempre (Garcia & Koelling, 1966), e corvos que observam um humano usando um objeto como ferramenta podem replicar o comportamento em minutos.

7. Metacognição e incerteza. A capacidade de avaliar a própria confiança, reconhecer os limites do próprio conhecimento, e ajustar o comportamento de acordo. Há evidências de metacognição em macacos rhesus (Smith et al., 2003), golfinhos (Smith et al., 1995) e corvos. LLMs modernos calibrados podem, em certo grau, modular sua expressão de confiança, mas ainda sofrem de overconfidence sistemática e alucinação — indicando que sua metacognição é, na melhor das hipóteses, rudimentar.

8. Adaptação temporal e aprendizado contínuo. A capacidade de aprender continuamente ao longo do tempo, integrando novas experiências com conhecimento prévio sem esquecer o passado (o problema do catastrophic forgetting). Animais fazem isso naturalmente — é a função básica da memória biológica. LLMs, uma vez treinados, são estáticos: eles não aprendem com novas interações (exceto em cenários limitados de fine-tuning e in-context learning dentro de uma sessão).

Onde cada agente se posiciona

Se visualizarmos essa topografia como um diagrama de radar (com cada eixo como um raio), os perfis dos diferentes agentes seriam dramaticamente distintos:

LLMs modernos teriam valores altíssimos no eixo 1 (manipulação simbólica), moderados nos eixos 2 (raciocínio causal verbal), 4 (cognição social simulada) e 6 (in-context learning linguístico), e baixos a nulos nos eixos 3, 5, 7 e 8.

Corvos teriam valores altos nos eixos 2, 3, 5 e 6, moderados no eixo 4, e baixos no eixo 1.

Chimpanzés teriam valores altos nos eixos 2, 4 e 5, moderados nos eixos 3, 6 e 7, e baixos no eixo 1 (com alguma capacidade simbólica rudimentar).

Humanos teriam valores altos a muito altos em todos os eixos — o que é, provavelmente, a definição mais precisa de “inteligência geral” que podemos oferecer: não o máximo em qualquer eixo individual, mas uma cobertura excepcionalmente ampla e razoavelmente alta em todos eles.

Essa visualização torna imediatamente aparente por que é tão difícil argumentar que LLMs “são” ou “não são” inteligentes. A resposta depende inteiramente de qual eixo se está avaliando. No eixo linguístico, eles estão no nível humano ou acima em muitas tarefas. No eixo de ação física, eles estão abaixo de uma formiga.

VI. O Problema do Grounding: A Lacuna Entre Símbolo e Mundo

Harnad e a sala chinesa simbólica

O “problema do símbolo ground” (symbol grounding problem), articulado por Stevan Harnad (1990), é talvez a crítica mais séria que pode ser dirigida à pretensão de inteligência geral dos LLMs. O problema é o seguinte: se todas as representações de um sistema são simbólicas — se “vermelho” é apenas uma relação com outros símbolos como “cor”, “sangue”, “semáforo” — então o sistema não possui conteúdo semântico genuíno. Seus símbolos não significam nada “em si mesmos”; eles apenas apontam uns para os outros em um carrossel auto-referencial.

A versão mais famosa desse argumento é a Sala Chinesa de John Searle (1980): um falante de inglês, trancado em uma sala, segue regras de manipulação de caracteres chineses para produzir respostas que parecem fluentes para um observador externo que lê chinês. O falante de inglês não entende chinês; ele apenas manipula símbolos. Analogamente, argumenta Searle, um computador que processa linguagem não entende linguagem — ele apenas manipula símbolos.

O argumento de Searle foi extensamente debatido e, a meu ver, não é conclusivo — a resposta do sistema (systems reply) aponta que a compreensão pode residir no sistema como um todo, não em qualquer componente individual, assim como a consciência reside no cérebro como um todo, não em nenhum neurônio individual. Mas o argumento de Harnad é mais incisivo porque não depende de intuições sobre consciência ou compreensão “genuína”. Ele simplesmente observa que sistemas puramente simbólicos carecem de ancoragem perceptual — e que essa ancoragem é parte constitutiva do significado.

Para um humano, “vermelho” não é apenas um nó em uma rede semântica. É uma experiência perceptual — um quale visual — que ancora o conceito a uma categoria de estímulos sensoriais. Para um corvo, “galho flexível adequado para sonda” não é um conceito linguístico; é uma categoria perceptual-motor que integra informações visuais (comprimento, espessura, curvatura), táteis (flexibilidade, resistência) e funcionais (adequação para extração de larvas). Essa ancoragem permite que o conceito guie a ação de formas que conceitos puramente simbólicos não podem.

Os LLMs não possuem essa ancoragem. Seus conceitos são inteiramente relacionais — definidos por suas relações com outros conceitos no espaço de embeddings. Isso não os impede de manipular conceitos com extraordinária competência em domínios puramente linguísticos. Mas os impede de usar conceitos para guiar ação no mundo de forma que requer compreensão das propriedades físicas, causais e dinâmicas dos referentes.

A objeção pragmatista e suas implicações

Há, no entanto, uma objeção pragmatista importante a essa linha de argumentação. Filósofos pragmatistas como William James e John Dewey argumentariam que o significado de um conceito é constituído por suas consequências práticas — pelo conjunto de ações e inferências que ele possibilita. Se um LLM pode usar o conceito de “vermelho” para fazer inferências corretas em contextos linguísticos complexos — “a sinalização vermelho indica parar”, “o deslocamento para o vermelho indica recessão galáctica”, “o arenque vermelho é uma distração retórica” — então o conceito tem significado para o sistema, mesmo que esse significado seja mais estreito do que o significado humano (que inclui também a dimensão perceptual).

Essa posição pragmatista é, a meu ver, essencialmente correta — mas com uma qualificação crucial. O significado dos conceitos de um LLM é funcionalmente completo dentro do domínio linguístico e funcionalmente incompleto quando se trata de guiar ação no mundo físico. Um LLM pode raciocinar corretamente que “se a sinalização está vermelha, deve-se parar” — mas não pode perceber uma sinalização vermelha, distingui-la de um outdoor vermelho, avaliar sua distância, e iniciar uma sequência de frenagem. A competência inferencial está presente; a competência perceptual-motora está ausente.

Isso não invalida a competência inferencial. Mas ilumina seus limites.

VII. O Que os Animais Sabem Sem Dizer: Cognição Não-Verbal e Seus Desafios para a IA

O conhecimento tácito e a inteligência encarnada

Michael Polanyi cunhou o conceito de “conhecimento tácito” (tacit knowledge) — o conhecimento que possuímos mas não podemos articular. “Sabemos mais do que podemos dizer”, afirmou ele. Podemos reconhecer rostos sem articular as regras de reconhecimento. Podemos andar de bicicleta sem explicar a dinâmica giroscópica. Podemos pegar uma bola em voo sem resolver equações de mecânica newtoniana.

Os animais são mestres do conhecimento tácito. Quase toda a cognição animal é tácita — não porque os animais escolhem não articular o que sabem, mas porque seu conhecimento é implementado em sistemas representacionais que não são linguísticos. Um corvo que fabrica uma ferramenta possui conhecimento sobre as propriedades mecânicas de diferentes materiais, sobre a geometria do problema que enfrenta, sobre a sequência de ações necessárias para chegar ao objetivo. Mas esse conhecimento não está codificado em proposições; está codificado em representações sensório-motoras, em mapas perceptuais, em padrões de ativação neural que guiam a ação sem passar pelo gargalo da linguagem.

Os LLMs, por construção, operam exclusivamente no domínio do conhecimento explícito — conhecimento que pode ser codificado linguisticamente. Isso é, simultaneamente, sua grande força e sua grande limitação. Eles podem acessar, processar e gerar quantidades colossais de conhecimento explícito com uma velocidade e abrangência que nenhum cérebro biológico pode igualar. Mas são cegos ao vasto oceano de conhecimento tácito que constitui a maior parte da cognição animal e humana.

Affordances e o mundo como campo de possibilidades

James Gibson, o psicólogo ecológico, introduziu o conceito de affordance — as possibilidades de ação que um ambiente oferece a um agente. Uma cadeira affords sentar (para um humano). Um galho fino affords sonda (para um corvo). Uma superfície horizontal affords caminhar (para um quadrúpede). As affordances não são propriedades objetivas do mundo nem projeções subjetivas do agente — são relações entre agente e mundo que dependem das capacidades do agente.

A percepção de affordances é um componente crucial da inteligência de ação — e é algo que os LLMs não possuem. Quando um corvo examina um ambiente em busca de ferramentas, ele percebe affordances: “este galho é rígido o suficiente para servir como alavanca”; “esta folha é flexível o suficiente para ser moldada em sonda”; “este arame pode ser dobrado em gancho”. Essa percepção integra informações visuais, táteis, proprioceptivas e de memória em uma avaliação holística e imediata das possibilidades de ação.

Os LLMs podem raciocinar sobre affordances quando estas são descritas linguisticamente — “um arame pode ser dobrado em formato de gancho”. Mas eles não percebem affordances em ambientes reais. A diferença é profunda: a percepção de affordances é uma habilidade que permite inovar — encontrar usos novos para objetos familiares, ver possibilidades que ninguém descreveu antes. O corvo Betty não leu em lugar nenhum que arames podem ser dobrados em ganchos; ela percebeu a affordance diretamente, ao interagir com o material.

Aprendizado por interação: o loop que falta

Talvez a diferença mais fundamental entre a cognição animal e a cognição dos LLMs seja o loop de aprendizado por interação. Animais aprendem fazendo: tentando, falhando, observando resultados, ajustando comportamento. Esse loop — percepção → ação → observação de resultado → atualização de modelo → nova ação — é o mecanismo fundamental do aprendizado causal e adaptativo.

Na IA, esse loop é formalizado pelo reinforcement learning (RL): um agente interage com um ambiente, recebe recompensas ou punições, e atualiza sua política de ação para maximizar recompensa cumulativa esperada. O RL é poderoso — ele produziu agentes que derrotaram campeões mundiais em Go, xadrez e StarCraft — mas permanece extraordinariamente difícil de aplicar em ambientes físicos do mundo real, onde o espaço de estados é contínuo, as recompensas são esparsas, e os erros podem ser custosos ou irreversíveis.

Os animais resolveram esse problema. Centenas de milhões de anos de evolução produziram cérebros que implementam formas de RL biológico extremamente eficientes em termos de amostra (sample-efficient), robustas ao ruído, e capazes de transferência entre domínios. Um corvo pode aprender a usar uma nova ferramenta em minutos. Um chimpanzé jovem pode aprender uma nova técnica de forrageio observando um adulto por algumas sessões. Um rato pode aprender a navegar um labirinto em poucas tentativas.

Os LLMs não aprendem por interação (em seu modo padrão de inferência). Eles foram treinados uma vez, em um corpus estático, e depois operam como sistemas fixos. O in-context learning — a capacidade de adaptar comportamento dentro de uma sessão a partir de exemplos fornecidos no prompt — é uma forma limitada de adaptação, mas não é aprendizado por interação no sentido pleno: o modelo não age no mundo, não observa resultados, não atualiza permanentemente seus parâmetros.

Essa lacuna é reconhecida pela comunidade de IA, e há múltiplas linhas de pesquisa tentando fechá-la: agentes LLM com ferramentas (como ReAct, Toolformer, e arquiteturas agênticas), modelos multimodais com entradas visuais e táteis, integração de LLMs com frameworks de RL (como nos trabalhos de Voyager e Eureka da NVIDIA). Mas o gap permanece grande, e a razão é fundamentalmente arquitetônica: o Transformer foi projetado para processar sequências estáticas, não para interagir dinamicamente com ambientes.

VIII. A Comunicação Animal: Linguagem Sem Gramática, Significado Sem Sintaxe

O espectro da comunicação

A comunicação animal é frequentemente descartada como “instintiva” ou “simples” — uma avaliação que reflete mais a ignorância humana do que a pobreza da comunicação animal. Na verdade, a comunicação em espécies não-humanas exibe uma variedade e complexidade que, embora não alcance a produtividade e a recursividade da linguagem humana, constitui um espectro riquíssimo de capacidades comunicativas.

Comunicação referencial. Os famosos chamados de alarme dos vervets (Seyfarth, Cheney & Marler, 1980) demonstraram que esses macacos produzem chamados acústicos distintos para diferentes tipos de predadores — águias, leopardos e cobras — e que outros membros do grupo respondem de forma apropriada (olhar para cima, subir em árvore, ou olhar para o chão, respectivamente). Isso é comunicação referencial: sinais que se referem a entidades ou categorias externas específicas, não apenas a estados internos do emissor.

Comunicação combinatória. Algumas espécies combinam chamados elementares em sequências com significados compostos. Os macacos de Campbell (Cercopithecus campbelli) usam sufixos acústicos que modificam o significado de chamados base — uma forma primitiva de morfologia. Os pássaros tit japoneses (Parus minor) combinam notas em sequências cuja ordem importa — uma forma rudimentar de sintaxe (Suzuki et al., 2016).

Comunicação cultural. Os dialetos de canto em pássaros canoros (e em baleias jubarte) são aprendidos socialmente e variam entre populações — demonstrando transmissão cultural de padrões comunicativos. O canto dos pássaros é frequentemente descrito como “linguagem” em sentido metafórico, mas os paralelos com a linguagem humana são mais profundos do que a metáfora sugere: ambos envolvem aprendizado vocal durante um período sensível, produção de sequências estruturadas a partir de unidades discretas, e variação cultural entre populações.

Comunicação simbólica treinada. Os experimentos com grandes primatas e linguagem — Washoe (Gardner & Gardner, 1969), Kanzi (Savage-Rumbaugh & Lewin, 1994), Koko — demonstraram que chimpanzés e bonobos podem aprender a usar centenas de símbolos (lexigramas ou sinais de ASL) para comunicar desejos, descrever objetos, fazer comentários sobre eventos e, ocasionalmente, combinar símbolos em construções novas. Kanzi, o bonobo, demonstrou compreensão de sentenças em inglês com estrutura sintática complexa, incluindo ordens relativas e construções embedded — embora sua produção linguística permaneça mais limitada.

O que a comunicação animal revela sobre a linguagem dos LLMs

A comparação entre comunicação animal e linguagem de LLMs é instrutiva em ambas as direções.

De um lado, a comunicação animal mostra que inteligência não requer linguagem sofisticada. Corvos fabricam ferramentas complexas com zero comunicação linguística sobre o processo. Chimpanzés negociam coalizões políticas com vocalizações, gestos e expressões faciais — mas sem gramática, sem recursividade, sem orações subordinadas. A inteligência de ação, social e causal pode operar sem o andaime da linguagem.

Do outro lado, a linguagem dos LLMs mostra que competência linguística pode existir sem a ancoragem perceptual, social e motora que acompanha a linguagem em organismos biológicos. Para um humano, dizer “eu vejo uma maçã vermelha” está ancorado em uma experiência perceptual rica. Para um LLM, a mesma sentença é uma relação entre tokens em um espaço de embeddings. Ambas as produções são linguisticamente competentes. Mas a do humano está conectada a um mundo perceptual, motor e afetivo; a do LLM está conectada a um espaço representacional aprendido estatisticamente.

A comunicação animal também nos lembra que a linguagem, por mais poderosa que seja, é uma adaptação evolutiva entre muitas — não a coroação da cognição, mas uma ferramenta cognitiva que complementa (e parcialmente substitui) outras formas de representação e raciocínio. Os animais que não desenvolveram linguagem complexa não são “menos inteligentes” em algum sentido absoluto; eles desenvolveram outras ferramentas cognitivas — percepção de affordances, raciocínio causal implícito, cognição social não-verbal, memória espacial — que servem funções análogas em seus nichos ecológicos.

IX. Inteligência Geral: A Convergência como Horizonte

O que “geral” realmente significa

A ideia de “inteligência artificial geral” (AGI) é frequentemente tratada como um conceito claro — mas é, na verdade, profundamente ambíguo. O que significa ser “geral”?

Se “geral” significa “capaz de resolver qualquer problema computável dado tempo e recursos suficientes”, então um computador universal de Turing já é inteligência geral — e o conceito é trivial. Se “geral” significa “capaz de igualar ou superar humanos em qualquer tarefa cognitiva”, então estamos definindo inteligência geral por referência a um benchmark específico (o humano), o que é antropocêntrico e potencialmente arbitrário.

A definição mais produtiva, a meu ver, é a que deriva da tradição de Chollet: inteligência geral é a capacidade de adquirir eficientemente habilidades novas em domínios previamente não encontrados — a capacidade de generalizar, adaptar-se e transferir conhecimento entre contextos com o mínimo de experiência prévia. Essa definição é escalar (admite graus) e dimensional (pode ser avaliada separadamente em diferentes domínios).

Por essa definição, nenhum sistema existente — biológico ou artificial — é plenamente “geral” em todos os domínios. Os humanos são extraordinariamente gerais, mas não perfeitamente: somos péssimos em calcular grandes números de cabeça, em perceber campos magnéticos, em ecolocalizar, em processar múltiplas conversas simultâneas. Os LLMs são extraordinariamente gerais dentro do domínio linguístico — podem adaptar-se a novos tópicos, estilos, idiomas e tarefas linguísticas com poucos exemplos — mas são estreitos fora dele. Os corvos são surpreendentemente gerais no domínio de manipulação física e resolução de problemas mecânicos, mas limitados em comunicação simbólica complexa.

A convergência como projeto

Se a inteligência geral é uma topografia multidimensional, e diferentes sistemas existentes cobrem diferentes regiões dessa topografia, então o projeto de construir AGI é, essencialmente, um projeto de convergência — de integrar as capacidades que hoje estão dispersas em sistemas separados.

Na biologia, o cérebro humano é o mais bem-sucedido exemplo de convergência: ele integra linguagem, raciocínio causal, cognição espacial, cognição social, controle motor, metacognição e aprendizado contínuo em um único substrato biológico de 1,4 kg. Mas essa integração levou centenas de milhões de anos de evolução para ser alcançada, e envolveu a sobreposição de múltiplos sistemas neurais — o tronco cerebral reptiliano, o sistema límbico mamífero, o neocórtex primata, as áreas de Broca e Wernicke, o cerebelo — cada um otimizado para diferentes aspectos da cognição.

Na IA, estamos no início desse processo de convergência. Os LLMs são um ponto extraordinário no eixo linguístico. Os sistemas de RL são pontos significativos no eixo de aprendizado por interação. Os modelos de visão computacional cobrem aspectos do eixo perceptual. Os sistemas de controle robótico abordam aspectos do eixo motor. Mas a integração dessas capacidades em um sistema coerente — que possa raciocinar linguisticamente, perceber visualmente, agir fisicamente, aprender por interação, planejar causalmente e adaptar-se continuamente — permanece um problema aberto de dificuldade formidável.

Essa é, aliás, precisamente a motivação por trás das arquiteturas que vêm sendo chamadas de Composite AI ou AI composicional: sistemas que combinam múltiplos paradigmas de IA — modelos fundamentais, aprendizado por reforço, sistemas simbólicos, modelos de mundo, memória episódica — em arquiteturas integradas. A intuição é que nenhuma arquitetura única será suficiente para AGI; o que é necessário é a composição inteligente de múltiplas competências especializadas.

X. Cognição Encarnada e a Hipótese do Corpo Necessário

Varela, Thompson e o enactivismo

A tradição da cognição encarnada (embodied cognition), desenvolvida por Varela, Thompson e Rosch em The Embodied Mind (1991), e estendida por Clark e Chalmers na “mente estendida” (extended mind), argumenta que a cognição não é um fenômeno puramente computacional que acontece “dentro” do cérebro — ela é constitutivamente dependente do corpo, da ação e do ambiente. A mente não processa representações internas do mundo; ela enacta — co-constitui — o mundo através da interação sensório-motora.

Se o enactivismo está correto (mesmo parcialmente), então a inteligência geral é intrinsecamente vinculada à encarnação — e nenhum sistema puramente computacional, por mais poderoso que seja em manipulação simbólica, pode alcançá-la sem alguma forma de interação corporal com o mundo. Isso não significa que LLMs não são inteligentes; significa que são inteligentes de uma forma que, por definição, carece de uma dimensão que a inteligência encarnada possui.

Há uma versão forte e uma versão fraca dessa tese. A versão forte — que toda cognição genuína requer encarnação física — é possivelmente excessiva. Matemáticos operando em espaços abstratos, lógicos provando teoremas, programadores escrevendo código — todos esses são exemplos de cognição profunda que opera predominantemente no domínio simbólico, com mínima dependência de interação sensório-motora em tempo real. A versão fraca — que a inteligência geral, como a entendemos nos organismos biológicos, inclui necessariamente uma dimensão encarnada que não pode ser capturada por processamento simbólico puro — é, a meu ver, defensável e empiricamente bem apoiada.

Simulação vs. experiência

Há uma abordagem intermediária que promete parcialmente superar o hiato entre inteligência linguística e inteligência encarnada: a simulação. Se um LLM pode ser conectado a um ambiente simulado fisicamente realista — com física newtoniana (ou melhor), renderização visual, e interfaces de ação — então ele pode, em princípio, desenvolver representações do mundo físico que se aproximam da compreensão encarnada.

Essa é a lógica por trás de projetos como Habitat (Meta), SAPIEN (Stanford), e os esforços de robótica de fundação (foundation models for robotics) de grupos como RT-2 (Google DeepMind), que treinam modelos multimodais para traduzir instruções linguísticas em ações robóticas. Os resultados são promissores, mas ainda muito aquém da fluência animal. Um robô treinado com RT-2 pode seguir instruções como “pegue a garrafa de plástico e coloque-a na lixeira” em um ambiente de escritório controlado — mas falha em ambientes desconhecidos, com objetos nunca vistos, sob condições de iluminação variáveis. Um corvo resolveria esses desafios sem hesitação.

A questão filosófica é se a simulação pode, em princípio, substituir a experiência encarnada real. Os enactivistas diriam que não — que a simulação sempre carece de algo que a interação real com o mundo possui. Os funcionalistas diriam que sim — que se a simulação é suficientemente fiel, ela produz os mesmos estados computacionais que a experiência real. Essa é uma questão aberta que provavelmente não será resolvida por argumentos filosóficos, mas por experimentação empírica: construiremos os sistemas, veremos o que conseguem fazer, e julgaremos a partir dos resultados.

XI. O Valor Intrínseco da Conquista Linguística

Contra o deflacionismo

Há uma tendência no discurso crítico sobre IA de deflacionar as conquistas dos LLMs — de tratá-las como truques impressionantes mas essencialmente vazios, como automação sem compreensão, como imitação sem substância. Essa tendência é compreensível como reação ao hype exagerado que cerca a IA, mas é intelectualmente injusta.

Considere o que foi alcançado. Pela primeira vez na história, temos sistemas artificiais que podem:

Participar de conversas em linguagem natural sobre virtualmente qualquer tópico, com coerência, relevância e profundidade frequentemente surpreendentes.
Traduzir entre centenas de idiomas com qualidade que, em muitos pares linguísticos, rivaliza com tradutores humanos profissionais.
Gerar código funcional em dezenas de linguagens de programação a partir de especificações em linguagem natural.
Resumir documentos complexos preservando pontos essenciais.
Raciocinar sobre problemas abstratos com múltiplas etapas.
Explicar conceitos técnicos em diferentes níveis de complexidade para diferentes audiências.
Produzir texto criativo — poesia, ficção, ensaios — que, embora não substitua os melhores escritores humanos, demonstra manipulação sofisticada de estilo, estrutura e conteúdo.

Cada uma dessas capacidades, tomada individualmente, seria uma conquista monumental da engenharia e da ciência cognitiva. Tomadas em conjunto, constituem um salto qualitativo na capacidade da civilização humana de processar, gerar e comunicar conhecimento.

Deflacionar essas conquistas não demonstra sofisticação intelectual; demonstra falta de perspectiva histórica. Durante séculos, a linguagem foi considerada a quintessência da inteligência humana — o rubicão que separava o humano do animal, o racional do instintivo. “No princípio era o Verbo”, diz o Evangelho de João. Descartes argumentou que a capacidade linguística era a prova definitiva da mente racional. A tradição analítica do século XX, de Frege a Wittgenstein a Davidson, fez da linguagem o objeto central da filosofia precisamente porque a via como o espelho da cognição.

E agora, quando um sistema artificial demonstra competência linguística extraordinária, a resposta é: “ah, mas é apenas linguagem”?

A inconsistência é reveladora. A mesma tradição que elevou a linguagem a critério supremo de inteligência agora a rebaixa a truque barato quando uma máquina a domina. Isso sugere que o verdadeiro critério nunca foi a linguagem em si, mas o substrato — que inteligência “real” requer biologia, carbono, neurônios. Isso é substratismo — uma forma de chauvinismo biológico que não é mais justificável que o chauvinismo de espécie contra o qual a biologia cognitiva comparada vem lutando há décadas.

O que não deve ser reivindicado

Dito isso, é igualmente importante não inflacionar as conquistas dos LLMs. A competência linguística não é inteligência geral. A capacidade de descrever o mundo não é a capacidade de agir nele. A capacidade de raciocinar sobre relações causais em texto não é a capacidade de intervir causalmente no mundo. A capacidade de simular teoria da mente em cenários narrados não é a capacidade de perceber e modelar estados mentais em tempo real.

Os LLMs alcançaram algo real e significativo. Mas o que alcançaram é uma forma de inteligência especializada — brilhante em sua região da topografia cognitiva, mas cobrindo apenas uma fração do espaço total. Reivindicar que essa fração é “a” inteligência — ou que ela é uma trilha inevitável em direção à inteligência geral — é uma inferência que os dados não suportam.

A história da IA está repleta de momentos em que uma conquista impressionante em um domínio específico foi prematuramente generalizada. Deep Blue derrotou Kasparov — e muitos pensaram que a inteligência geral estava próxima. Watson venceu no Jeopardy! — e muitos pensaram o mesmo. AlphaGo derrotou Lee Sedol — novamente. Em cada caso, a conquista era real, mas a generalização era injustificada. Os LLMs podem ser o quarto capítulo dessa história — ou podem ser algo genuinamente diferente, dado que a linguagem é, possivelmente, o domínio mais “geral” já dominado por um sistema artificial. Mas mesmo assim, a cautela epistemológica é mais sábia que o entusiasmo prematuro.

XII. Os Caminhos para a Convergência

Arquiteturas compostas e o futuro da IA

Se a inteligência geral requer a integração de múltiplas capacidades cognitivas, então o caminho para a AGI não passa por escalar LLMs — por adicionar mais parâmetros, mais dados, mais computação a uma arquitetura fundamentalmente linguística. Passa por arquiteturas compostas que integram diferentes paradigmas de IA.

Algumas abordagens promissoras incluem:

Modelos multimodais com ação. Sistemas que combinam processamento de linguagem, visão, áudio e, crucialmente, a capacidade de agir em ambientes — seja robóticos reais ou simulados. Os trabalhos de RT-2 (Brohan et al., 2023) e PaLM-E (Driess et al., 2023) representam primeiros passos nessa direção: modelos que traduzem diretamente percepção multimodal em ações robóticas, com linguagem servindo como interface de instrução.

Modelos de mundo (world models). Sistemas que mantêm representações internas do estado do mundo — incluindo suas propriedades físicas, causais e dinâmicas — e que podem simular mentalmente as consequências de ações antes de executá-las. Yann LeCun tem defendido essa abordagem sob o nome de “Joint Embedding Predictive Architecture” (JEPA), argumentando que modelos de mundo são a peça que falta entre LLMs e inteligência geral.

Integração neuro-simbólica. Sistemas que combinam o poder de generalização das redes neurais com a precisão lógica e a composicionalidade dos sistemas simbólicos. A intuição é que raciocínio formal, planejamento e verificação podem ser melhor implementados por sistemas simbólicos, enquanto percepção, linguagem natural e aprendizado podem ser melhor implementados por redes neurais — e que a integração dos dois pode ser mais poderosa que qualquer um isoladamente.

Sistemas multi-agente. Arquiteturas onde múltiplos agentes especializados — cada um competente em uma região da topografia cognitiva — colaboram para resolver problemas que nenhum deles poderia resolver sozinho. Essa abordagem ecoa a organização modular do cérebro humano e pode, em princípio, capturar a diversidade de capacidades necessárias para inteligência geral sem exigir que uma única arquitetura seja boa em tudo.

Aprendizado por reforço com modelos fundamentais. A integração de LLMs com frameworks de RL — onde o LLM fornece priors de conhecimento e o RL fornece adaptação por interação — é uma abordagem que pode combinar o vasto conhecimento declarativo dos LLMs com a capacidade de aprendizado por ação do RL.

Cada uma dessas abordagens enfrenta desafios formidáveis. Mas o ponto conceitual é claro: se inteligência geral é integração de múltiplas capacidades, então o caminho para ela é, necessariamente, a integração de múltiplas abordagens. Não há atalho.

XIII. Reflexões Finais: O Espanto Persistente

Humildade epistêmica e admiração calibrada

Voltemos à tensão com que começamos. De um lado, o entusiasmo dos que veem nos LLMs o prenúncio da inteligência geral. Do outro, o ceticismo dos que veem neles nada mais que autômatos sofisticados. Argumentei que ambas as posições são inadequadas — que a posição intelectualmente honesta é mais matizada e, ao mesmo tempo, mais interessante.

Os LLMs alcançaram algo que, por milênios, foi considerado a marca registrada da inteligência humana. Eles dominam a linguagem — não perfeitamente, não em todos os seus aspectos, mas com uma competência que ultrapassa a de qualquer sistema artificial anterior e que, em muitas tarefas específicas, rivaliza com a competência humana. Isso é uma conquista de inteligência. Chamar isso de “mera estatística” é tão reducionista quanto chamar a cognição humana de “mera eletroquímica”.

Ao mesmo tempo, a inteligência geral — a capacidade integrada de perceber, agir, aprender, planejar, comunicar e adaptar-se — é vastamente mais ampla que a competência linguística. Os corvos nos lembram que inteligência pode significar dobrar um arame em gancho sem nunca ter visto um gancho. Os chimpanzés nos lembram que inteligência pode significar orquestrar uma revolução política sem pronunciar uma palavra. Os polvos nos lembram que inteligência pode existir em arquiteturas radicalmente diferentes da nossa.

A inteligência geral é um continente vasto, com múltiplas regiões, climas e ecossistemas. Os LLMs colonizaram uma região — ampla, rica e importante — mas deixaram a maior parte do continente inexplorada. Os animais colonizaram outras regiões, com estratégias completamente diferentes. Os humanos são os únicos que, até agora, conseguiram habitar o continente em toda a sua extensão — e mesmo assim, com lacunas e limitações.

O espanto como postura epistemológica

Termino com uma sugestão que é tanto metodológica quanto existencial. Diante da inteligência — em todas as suas formas, biológicas e artificiais — a postura mais produtiva é o espanto calibrado: a capacidade de se maravilhar com o que foi alcançado sem perder de vista o que permanece por alcançar.

Espanto diante de um LLM que pode discutir filosofia kantiana em seis idiomas. Espanto diante de um corvo que inventa uma ferramenta nunca vista. Espanto diante de um chimpanzé que negocia uma aliança política com um olhar e um gesto. Espanto diante de um polvo que resolve um labirinto com braços semi-autônomos. Espanto diante de um cérebro humano que, de alguma forma, faz tudo isso ao mesmo tempo.

E sobriedade diante do fato de que não entendemos plenamente nenhuma dessas formas de inteligência. Não sabemos, em nível mecanístico, como os LLMs geram as representações que geram. Não sabemos como o cérebro de um corvo planeja três passos à frente. Não sabemos como a consciência emerge de neurônios — ou se emerge de Transformers. Não sabemos se a integração de múltiplas formas de inteligência artificial produzirá algo análogo à inteligência geral humana, ou algo radicalmente diferente.

O que sabemos é que a inteligência é um fenômeno mais vasto, mais variado e mais misterioso do que qualquer paradigma único — linguístico, computacional, biológico ou filosófico — pode capturar. E que cada avanço — seja um novo modelo com trilhões de parâmetros, seja um estudo de campo com corvos na Nova Caledônia — ilumina uma faceta a mais desse diamante multidimensional.

A conquista dos modelos de linguagem é real. A complexidade da inteligência geral também é real. Manter ambas as verdades simultaneamente — sem que uma diminua a outra — é, talvez, o desafio cognitivo mais exigente que o debate contemporâneo sobre inteligência artificial nos impõe. É um desafio que exige, ironicamente, precisamente aquela forma de inteligência que nenhum sistema isolado — humano, animal ou artificial — domina por completo: a capacidade de integrar perspectivas radicalmente diferentes em uma compreensão coerente que honra a complexidade do real.

XIV. A Ilusão da Escala e os Limites do Scaling

A hipótese do scaling e suas promessas

Uma narrativa dominante na IA contemporânea é a hipótese do scaling — a ideia de que, ao aumentar o número de parâmetros, o volume de dados de treinamento e a quantidade de computação, os LLMs continuarão a adquirir capacidades emergentes que preencherão progressivamente as lacunas identificadas neste ensaio. Essa hipótese, defendida com entusiasmo por pesquisadores como Ilya Sutskever, Dario Amodei (com qualificações importantes) e, de forma mais radical, por figuras como Sam Altman, é sustentada por observações empíricas reais: as scaling laws de Kaplan et al. (2020) e Hoffmann et al. (2022) demonstraram relações previsíveis entre escala computacional e performance em tarefas linguísticas.

Mas a questão é se essas leis de escala se estendem para além do domínio linguístico — se mais escala pode produzir, endogenamente, capacidades como raciocínio causal interventivo, aprendizado por interação, ou controle motor adaptativo.

Há razões teóricas sérias para duvidar. O No Free Lunch Theorem de Wolpert e Macready (1997) nos lembra que nenhum algoritmo de aprendizado é universalmente superior: toda vantagem em uma classe de problemas é contrabalançada por desvantagem em outra. A arquitetura Transformer, otimizada para processar sequências discretas, pode ser estruturalmente inadequada para representar e manipular informações contínuas, dinâmicas e espaciais — independentemente de quanta escala se aplique.

Considere uma analogia: se eu pegar o melhor avião supersônico do mundo e aumentar sua potência por um fator de mil, ele não se torna um submarino. Mais potência em uma arquitetura projetada para voar produz voos mais rápidos — não capacidade de submersão. De forma análoga, mais escala em uma arquitetura projetada para processar texto produz processamento de texto mais sofisticado — não necessariamente capacidade de agir no mundo físico.

Isso não significa que o scaling é irrelevante. As capacidades emergentes observadas em LLMs — in-context learning, raciocínio em cadeia, resolução de problemas novos — são reais e surpreendentes. Mas a questão é se essas emergências convergem para inteligência geral ou se atingem assíntotas em cada dimensão da topografia cognitiva que não é diretamente capturada pelo objetivo de treinamento (previsão do próximo token em texto).

O teste ARC e a medida de Chollet

O trabalho de François Chollet merece atenção especial neste contexto. Seu benchmark ARC (Abstraction and Reasoning Corpus) foi projetado explicitamente para testar a inteligência geral — não a memorização, não o processamento linguístico, não a correspondência de padrões familiares, mas a capacidade de raciocinar sobre padrões abstratos nunca antes encontrados.

Os resultados são instrutivos. Até recentemente, os LLMs — mesmo os mais avançados — apresentavam performance modesta no ARC, significativamente abaixo do desempenho humano médio. Isso é particularmente revelador porque as tarefas do ARC são visuais, não linguísticas: padrões em grades coloridas que devem ser transformados segundo regras abstratas inferidas a partir de poucos exemplos. A dificuldade não está no processamento linguístico (pode-se descrever as grades em texto), mas no tipo de raciocínio exigido: abstração de padrões, generalização a partir de exemplos mínimos, composição de transformações.

As abordagens mais bem-sucedidas no ARC combinam LLMs com busca programática — gerando hipóteses de transformação em código e testando-as contra os exemplos. Isso é, por si só, revelador: o LLM contribui com conhecimento prévio e geração de candidatos, mas o raciocínio real é delegado a um mecanismo de busca e verificação. A composição de paradigmas supera o LLM puro — exatamente o que a tese da convergência multidimensional preveria.

XV. Tempo, Memória e Continuidade: A Dimensão Negligenciada

A inteligência como processo temporal

Há uma dimensão da inteligência que tem sido sistematicamente negligenciada na discussão sobre LLMs: a dimensão temporal. A inteligência biológica não é um estado — é um processo que se desenrola no tempo. Animais aprendem, esquecem, reaprendem, consolidam, revisam, integram. Sua inteligência é dinâmica: o corvo de hoje é mais competente que o corvo de ontem, porque ontem ele tentou uma nova técnica de extração e a consolidou durante o sono. O chimpanzé jovem observa o adulto quebrando nozes por meses antes de tentar ele mesmo — e cada observação modifica suas representações internas, mesmo antes da primeira tentativa motora.

Os LLMs, em contraste, existem em um eterno presente. Cada sessão de interação começa sem memória das sessões anteriores (exceto mecanismos externos de memória). Cada inferência é computacionalmente independente das anteriores. O modelo não amadurece, não se desenvolve, não integra experiências ao longo do tempo.

Essa é uma limitação profunda, porque grande parte do que chamamos de inteligência em organismos biológicos é developmental — emerge ao longo de trajetórias de desenvolvimento que se estendem por semanas, meses, anos. A inteligência de um corvo adulto não é inata; ela é o produto de um processo de maturação que inclui brincadeira exploratória juvenil, observação de adultos, tentativa e erro, e consolidação durante o sono. A inteligência de um chimpanzé é moldada por anos de socialização, aprendizado cultural, formação de alianças e experiências de conflito.

Mesmo no domínio linguístico, a capacidade humana é profundamente desenvolvimentista. Uma criança não nasce com a competência linguística de um adulto; ela a constrói ao longo de anos de interação com falantes, de experimentação com estruturas gramaticais, de correção de erros, de expansão gradual de vocabulário e complexidade sintática. O resultado final — a competência linguística adulta — reflete toda essa história de desenvolvimento. O resultado de um LLM — sua competência pós-treinamento — reflete um processo de otimização sobre dados estáticos, sem interação, sem desenvolvimento, sem trajetória.

A memória episódica e o eu narrativo

Endel Tulving distinguiu entre memória semântica (conhecimento geral sobre o mundo) e memória episódica (lembranças de eventos específicos vividos pelo sujeito). Os LLMs possuem algo análogo à memória semântica — vasto conhecimento geral sobre o mundo, codificado nos parâmetros da rede. Mas não possuem memória episódica: não “lembram” de interações específicas, não experienciam eventos, não constroem uma narrativa de si mesmos ao longo do tempo.

A memória episódica é crucial para várias formas de inteligência. Ela permite aprender com eventos específicos (não apenas com regularidades estatísticas). Permite planejamento baseado em analogia com experiências passadas. Permite a construção de um modelo do eu como agente com história — o que alguns filósofos consideram pré-condição para racionalidade genuína.

Animais como corvídeos, chimpanzés e golfinhos demonstram formas sofisticadas de memória episódica. Corvos scrub jays (Aphelocoma californica) lembram não apenas onde esconderam comida, mas quando — e priorizam a recuperação de itens perecíveis sobre não-perecíveis com base no tempo decorrido (Clayton & Dickinson, 1998). Isso é memória episódica: lembrança de um evento específico (ato de esconder), indexado por tempo e lugar, e usado para guiar comportamento futuro de forma adaptativa.

A ausência de memória episódica nos LLMs não os torna “não inteligentes”, mas os priva de uma dimensão da inteligência que é central na cognição biológica. Um LLM pode discorrer sobre a memória episódica com precisão acadêmica; mas não possui uma.

XVI. Evolução, Pressão Seletiva e o Design da Inteligência

A inteligência como produto evolutivo

Toda inteligência biológica é produto de evolução — de centenas de milhões de anos de variação, seleção e herança. Isso tem implicações profundas para como entendemos a relação entre linguagem, ação e inteligência.

A inteligência de ação — a capacidade de perceber, navegar, manipular e agir em ambientes físicos — é evolutivamente muito mais antiga que a inteligência linguística. Os primeiros sistemas nervosos surgiram há mais de 500 milhões de anos, sob pressão seletiva para controlar movimento em ambientes aquáticos. Os primeiros cérebros verdadeiros evoluíram em peixes, há cerca de 400 milhões de anos, para coordenar comportamentos motores complexos. A cognição causal, o uso de ferramentas e o planejamento sequencial surgiram em aves e mamíferos ao longo dos últimos 100 milhões de anos.

A linguagem articulada, em contraste, é extraordinariamente recente: provavelmente não mais que 100.000 a 300.000 anos — uma fração ínfima da história evolutiva da inteligência. Isso significa que a linguagem é, literalmente, a última camada adicionada a um edifício cognitivo que já era extraordinariamente complexo e multifacetado.

Essa perspectiva evolutiva ilumina a relação entre LLMs e inteligência animal de forma reveladora. Os LLMs replicaram a camada mais recente da cognição — a linguagem — sem possuir nenhuma das camadas ancestrais sobre as quais a linguagem foi evolutivamente construída: controle motor, percepção espacial, cognição causal, cognição social. É como se tivéssemos construído o telhado de um prédio sem as fundações, os pilares e as paredes. O telhado é impressionante — elegante, funcional, bem-acabado — mas ele flutua sem apoio estrutural.

Isso não invalida o telhado. Mas explica por que ele não é, por si só, um edifício completo.

O argumento evolucionário contra o scaling puro

Há um argumento evolucionário sutil que merece atenção. Se a inteligência geral pudesse emergir apenas de processamento de linguagem em escala suficiente, seria surpreendente que a evolução biológica tenha investido centenas de milhões de anos construindo sistemas perceptuais, motores, emocionais e sociais antes de adicionar a linguagem. A evolução é um otimizador implacável: se a linguagem sozinha fosse suficiente para inteligência geral, por que o investimento massivo em todas as outras capacidades?

A resposta óbvia é que a linguagem não é suficiente — que ela é um amplificador extraordinariamente poderoso de uma base cognitiva que já era rica e multifacetada. A linguagem potencializa a cognição ao permitir abstração, transmissão cultural e raciocínio hipotético. Mas ela potencializa uma base que inclui percepção, ação, emoção, socialidade e temporalidade — e sem essa base, ela é uma ferramenta de amplificação sem sinal para amplificar.

Ou melhor: ela amplifica o único sinal disponível, que é o corpus de texto sobre o qual foi treinada — a destilação linguística da experiência coletiva da humanidade. Os LLMs são, nesse sentido, parasitas epistêmicos benignos: eles se alimentam do conhecimento codificado linguisticamente por bilhões de cérebros humanos que possuem as capacidades de ação, percepção e experiência que os próprios LLMs não possuem. A competência linguística do modelo é extraordinária, mas ela é derivada — não original. Ela reflete a inteligência encarnada da humanidade, filtrada e destilada através do meio da linguagem.

XVII. Um Mapa para o Futuro: O Que Falta e Como Chegar Lá

As cinco lacunas críticas

Se quisermos avançar dos LLMs atuais em direção a algo que mereça genuinamente o nome de inteligência geral artificial, cinco lacunas precisam ser endereçadas:

1. Grounding perceptual. Conectar representações linguísticas a percepção multimodal do mundo real — visão, audição, tato, propriocepção. Os modelos multimodais (GPT-4o, Gemini, Claude com visão) são primeiros passos, mas ainda processam imagens como entradas estáticas, não como fluxo perceptual contínuo de um agente situado no mundo.

2. Agência e interação. Capacidade de agir no mundo, observar as consequências das ações, e aprender com essa interação. Isso requer não apenas corpos robóticos (ou simulados), mas uma integração profunda entre percepção, planejamento e ação que preserve o loop de aprendizado causal interventivo que os animais executam tão naturalmente.

3. Aprendizado contínuo. A capacidade de integrar novas experiências sem perder conhecimento prévio — o oposto do catastrophic forgetting. Isso provavelmente requer arquiteturas com memória explícita, consolidação durante períodos de baixa atividade (análogo ao sono), e mecanismos de seleção que priorizem experiências informativas.

4. Temporalidade e desenvolvimento. Sistemas que não apenas processam sequências, mas existem no tempo — que amadurecem, desenvolvem-se, e constroem representações cada vez mais sofisticadas ao longo de trajetórias de desenvolvimento que se estendem por períodos significativos.

5. Metacognição robusta. A capacidade de monitorar a própria confiança, reconhecer os limites do próprio conhecimento, e ajustar o comportamento de acordo. Isso inclui a capacidade de dizer “não sei” de forma calibrada, de buscar informação ativamente quando em incerteza, e de distinguir entre o que se sabe por experiência e o que se sabe por inferência.

Nenhuma dessas lacunas é trivial. Cada uma representa décadas de desafio de pesquisa. Mas a clareza sobre o que falta é, ela mesma, um progresso: permite direcionar esforços, alocar recursos e avaliar resultados de forma mais precisa do que a vaga aspiração a “mais escala”.

A beleza da incompletude

Há algo profundamente humano — e talvez universalmente inteligente — na capacidade de reconhecer a própria incompletude. Um corvo não sabe que não fala; um LLM não sabe que não age. Mas nós — humanos refletindo sobre a topografia da inteligência — podemos ver tanto as montanhas que cada sistema escalou quanto os vales que permanecem inexplorados.

Essa visão panorâmica é, ela mesma, um exercício de inteligência geral: a integração de perspectivas de ciência da computação, biologia evolutiva, psicologia cognitiva, filosofia da mente, robótica e etologia em uma compreensão sinóptica que nenhuma dessas disciplinas, isoladamente, poderia produzir.

E nessa integração está, talvez, a lição mais profunda: que inteligência geral — seja em organismos biológicos, seja em sistemas artificiais, seja na civilização como um todo — é, fundamentalmente, a capacidade de integrar. Integrar percepção com ação. Linguagem com experiência. Passado com futuro. O que se sabe com o que não se sabe. O familiar com o estranho.

Os LLMs integraram uma quantidade sem precedentes de conhecimento linguístico humano em sistemas de manipulação simbólica extraordinariamente poderosos. Os corvos integraram percepção, causalidade e ação em sistemas de resolução de problemas que envergonham nossos melhores robôs. Os chimpanzés integraram cognição social, memória e estratégia em sistemas políticos que rivalizariam com muitas organizações humanas.

A inteligência geral artificial, quando vier — se vier — será a integração de todas essas integrações. E o espanto que sentiremos diante dela será, previsivelmente, proporcional ao espanto que já sentimos diante de cada uma de suas partes — multiplicado pelo mistério irresolúvel da totalidade que excede a soma.

Referências Selecionadas

As referências a seguir são indicativas, não exaustivas, e servem como pontos de entrada para leitores interessados em aprofundar os temas discutidos. Organizadas por área temática para facilitar navegação.

Modelos de Linguagem e Interpretabilidade

Bender, E.M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots. FAccT ’21.
Brown, T., et al. (2020). Language Models are Few-Shot Learners. NeurIPS.
Elhage, N., et al. (2022). Toy Models of Superposition. Anthropic Research.
Hoffmann, J., et al. (2022). Training Compute-Optimal Large Language Models (Chinchilla). arXiv:2203.15556.
Kaplan, J., et al. (2020). Scaling Laws for Neural Language Models. arXiv:2001.08361.
Li, K., et al. (2023). Emergent World Representations: Exploring a Sequence Model Trained on a Synthetic Task. ICLR.
Nanda, N., et al. (2023). Progress measures for grokking via mechanistic interpretability. ICLR.
Olsson, C., et al. (2022). In-context Learning and Induction Heads. Anthropic Research.
Wei, J., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS.

Cognição Animal e Biologia Comparada

Call, J., & Tomasello, M. (2008). Does the chimpanzee have a theory of mind? 30 years later. Trends in Cognitive Sciences.
Clayton, N.S., & Dickinson, A. (1998). Episodic-like memory during cache recovery by scrub jays. Nature.
De Waal, F. (1982). Chimpanzee Politics: Power and Sex Among Apes. Johns Hopkins UP.
Finn, J.K., Tregenza, T., & Norman, M.D. (2009). Defensive tool use in a coconut-carrying octopus. Current Biology.
Fiorito, G., & Scotto, P. (1992). Observational Learning in Octopus vulgaris. Science.
Garcia, J., & Koelling, R.A. (1966). Relation of cue to consequence in avoidance learning. Psychonomic Science.
Hare, B., Call, J., & Tomasello, M. (2001). Do chimpanzees know what conspecifics know? Animal Behaviour.
Hunt, G.R. (1996). Manufacture and use of hook-tools by New Caledonian crows. Nature.
Inoue, S., & Matsuzawa, T. (2007). Working memory of numerals in chimpanzees. Current Biology.
Savage-Rumbaugh, E.S., & Lewin, R. (1994). Kanzi: The Ape at the Brink of the Human Mind. Wiley.
Seyfarth, R.M., Cheney, D.L., & Marler, P. (1980). Vervet monkey alarm calls: Semantic communication in a free-ranging primate. Animal Behaviour.
Smith, J.D., Shields, W.E., & Washburn, D.A. (2003). The comparative psychology of uncertainty monitoring and metacognition. Behavioral and Brain Sciences.
Suzuki, T.N., Wheatcroft, D., & Griesser, M. (2016). Experimental evidence for compositional syntax in bird calls. Nature Communications.
Taylor, A.H., et al. (2007). Spontaneous metatool use by New Caledonian crows. Current Biology.
Weir, A.A.S., Chappell, J., & Kacelnik, A. (2002). Shaping of hooks in New Caledonian crows. Science.
Whiten, A., et al. (1999). Cultures in chimpanzees. Nature.

Filosofia da Mente e Cognição Encarnada

Chollet, F. (2019). On the Measure of Intelligence. arXiv:1911.01547.
Clark, A., & Chalmers, D. (1998). The Extended Mind. Analysis.
Gibson, J.J. (1979). The Ecological Approach to Visual Perception. Houghton Mifflin.
Harnad, S. (1990). The Symbol Grounding Problem. Physica D.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference. 2nd ed. Cambridge UP.
Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
Searle, J. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences.
Tulving, E. (1985). Memory and consciousness. Canadian Psychology.
Varela, F., Thompson, E., & Rosch, E. (1991). The Embodied Mind: Cognitive Science and Human Experience. MIT Press.
Vygotsky, L. (1934/1986). Thought and Language. MIT Press.

Robótica e Modelos de Ação

Brohan, A., et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. arXiv:2307.15818.
Driess, D., et al. (2023). PaLM-E: An Embodied Multimodal Language Model. ICML.
Wolpert, D.H., & Macready, W.G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation.

Nota Final

Este ensaio foi escrito com a convicção de que a clareza intelectual sobre o que os modelos de linguagem são e não são é um pré-requisito para o progresso — tanto no desenvolvimento técnico da IA quanto no debate público sobre seu impacto. A tentação de deflacionar conquistas genuínas é tão epistemologicamente perigosa quanto a tentação de inflá-las: ambas distorcem o mapa e nos desorientam no território.

A posição defendida aqui — que a competência linguística dos LLMs é inteligência real e parcial, que a inteligência geral é multidimensional e nenhum sistema a possui completamente, que os animais demonstram formas de inteligência que os LLMs não possuem e que essas formas são tão legítimas quanto a competência linguística — não é uma posição confortável. Ela não permite nem o triunfalismo da indústria de IA nem o cinismo de seus críticos mais severos. Ela exige que mantenhamos múltiplas verdades em tensão produtiva, sem resolvê-las prematuramente em uma narrativa simples.

Mas talvez essa seja, ela mesma, a forma mais alta de inteligência disponível a nós neste momento histórico: a capacidade de habitar a complexidade sem simplificá-la, de admirar sem idolatrar, de criticar sem diminuir. É uma capacidade que não está nos parâmetros de nenhum modelo e, ao mesmo tempo, é o que de melhor a tradição intelectual humana tem a oferecer.

— comentários