Genialidade, Dogmatismo e os Limites do que Sabemos sobre Inteligência

Introdução: O Gigante e a Questão Incômoda

Miguel Angelo Laporta Nicolelis é, sem exagero, um dos maiores cientistas que o Brasil já produziu. Sua trajetória é a de um prodígio que saiu de São Paulo para dominar um campo inteiramente novo — as Interfaces Cérebro-Máquina (ICM) — e colocar o nome do país nos laboratórios mais respeitados do mundo. No Duke Center for Neuroengineering, ele e sua equipe provaram que o cérebro de ratos, macacos e, eventualmente, seres humanos podia se comunicar diretamente com dispositivos externos, traduzindo intenções neurais em movimento mecânico. O ápice simbólico desse trabalho foi o exoesqueleto controlado por sinais cerebrais que permitiu a um paraplégico realizar o chute inaugural da Copa do Mundo de 2014 no Brasil. Poucas imagens na história da ciência brasileira têm o mesmo poder de representação: a neurociência encontrando a engenharia, e ambas, juntas, desafiando a limitação do corpo humano.

É por isso que a frustração de pesquisadores da área de Inteligência Artificial (IA), inclusive eu, com as declarações recentes de Nicolelis carrega uma dose extra de peso. Não é qualquer crítico que diz que a IA é uma fraude, um equívoco semântico ou um projeto condenado ao fracasso por razões biológicas fundamentais. É um homem que dedicou décadas a provar que o cérebro pode falar com máquinas — e que máquinas podem ouvir o cérebro. O paradoxo é quase irresistível: o maior argumento empírico a favor de uma Interface Cérebro-Máquina foi construído pelo mesmo homem que hoje argumenta que máquinas nunca poderão replicar o que o cérebro faz.

Este ensaio não tem como objetivo diminuir Nicolelis. Seria desonesto e, além disso, contraproducente. Seu trabalho é real, sólido e transformador. O objetivo aqui é outro: examinar, com rigor e respeito, os argumentos que ele tem apresentado contra a Inteligência Artificial — argumentos reunidos principalmente em seu livro ‘O Verdadeiro Criador de Tudo’ e em diversas entrevistas e conferências — e colocá-los sob o mesmo escrutínio científico que qualquer hipótese merece. Mais do que isso, queremos apontar onde suas afirmações escapam do território da ciência estabelecida e adentram o campo da filosofia especulativa, muitas vezes sem que esse salto seja devidamente sinalizado.

A tese central deste ensaio é simples: Nicolelis confunde, repetidamente e de forma problemática, três coisas distintas. Primeiro, hipóteses científicas interessantes mas não comprovadas sobre o funcionamento do cérebro. Segundo, posições filosóficas legítimas mas contestadas sobre a natureza da mente e da consciência. Terceiro, fatos científicos consolidados sobre as limitações atuais da Inteligência Artificial. Ao fundir essas três camadas sem marcar as fronteiras entre elas, ele cria a impressão de que a impossibilidade da IA é uma conclusão científica quando, na verdade, é uma aposta filosófica.

Para desembaraçar esses fios, precisamos primeiro entender o que ele diz. Depois, precisamos examinar cada argumento em seu próprio mérito. E, ao final, precisamos ser honestos sobre o que ninguém — nem Nicolelis, nem os maiores especialistas em IA, nem os filósofos da mente mais sofisticados — de fato sabe sobre inteligência, consciência e os limites do que as máquinas podem vir a ser.

* * *

Parte I: O Que Nicolelis Diz — A Teoria do Cérebro Relativístico

1.1 A Premissa Fundamental: O Cérebro Não É Um Computador

O núcleo da argumentação de Nicolelis está na rejeição do que os filósofos chamam de ‘metáfora computacional da mente’. Desde os anos 1950, com a revolução cibernética de Norbert Wiener e a arquitetura de von Neumann, tornou-se comum descrever o cérebro em termos computacionais: neurônios como transistores, sinapses como portas lógicas, memória como armazenamento, pensamento como processamento de informação. Nicolelis rejeita essa metáfora com veemência.

Para ele, o cérebro não é uma máquina de Turing biológica. Ele não processa informação de forma discreta, sequencial e determinística como um computador digital. Em vez disso, propõe que o cérebro opera através de campos eletromagnéticos contínuos e analógicos gerados pela atividade coletiva de bilhões de neurônios. Esses campos, argumenta ele, possuem propriedades que não podem ser reduzidas a algoritmos discretos — eles se comportam de maneira relativística, onde espaço e tempo são fundidos de forma que um computador digital jamais poderia capturar. Daí o nome: teoria do ‘Cérebro Relativístico’.

Essa é, em si, uma hipótese científica genuinamente interessante e que merece investigação. O problema não está em propô-la — está em como ela é usada argumentativamente. Nicolelis a usa como premissa para uma conclusão absolutamente categórica: se o cérebro é analógico e não computável, então nenhum computador digital poderá jamais replicar a inteligência humana. A IA, portanto, é impossível por razões físicas fundamentais.

1.2 A Tese da Não-Computabilidade da Mente

Para reforçar o argumento da não-computabilidade, Nicolelis apela a duas ferramentas matemáticas de enorme prestígio: os Teoremas da Incompletude de Kurt Gödel e o trabalho de Alan Turing sobre problemas indecidíveis.

O Primeiro Teorema da Incompletude de Gödel (1931) estabelece que qualquer sistema formal suficientemente expressivo para descrever a aritmética básica contém proposições verdadeiras que não podem ser provadas dentro do próprio sistema. O Segundo Teorema estabelece que um sistema consistente não pode provar sua própria consistência. Turing, na mesma tradição, demonstrou que existem problemas que nenhum algoritmo pode resolver — o mais famoso deles é o ‘Problema da Parada’, que pergunta se um programa arbitrário vai ou não parar de rodar.

A aplicação que Nicolelis faz desses resultados é a seguinte: se sistemas formais têm limitações intrínsecas que a intuição matemática humana pode transcender (como Gödel parecia sugerir ao identificar proposições verdadeiras que o sistema não prova), então a mente humana não é um sistema formal. E, portanto, não pode ser simulada por uma máquina de Turing — isto é, por qualquer computador.

Esse argumento não é original de Nicolelis. Ele foi proposto de forma mais rigorosa pelo matemático e filósofo Roger Penrose em ‘The Emperor’s New Mind’ (1989) e ‘Shadows of the Mind’ (1994), e foi criticado intensamente por lógicos, matemáticos e cientistas da computação. Voltaremos a essa crítica na Parte II.

1.3 A Objeção Biológica: Inteligência Requer um Corpo

Além do argumento da computabilidade, Nicolelis defende uma posição que os filósofos chamam de ‘enativismo’ ou ‘cognição incorporada’ (embodied cognition): a ideia de que a mente genuína não pode existir sem um corpo biológico que interaja fisicamente com o mundo.

Para ele, a experiência de ter um corpo — sentir dor, ter fome, navegar em um ambiente físico, passar por uma história evolutiva de milhões de anos — é constitutiva da inteligência, não apenas um detalhe superficial. Uma IA que processa linguagem sem jamais ter sentido o peso de uma maçã ou o calor do sol não compreende o que as palavras ‘maçã’ e ‘calor’ significam. Ela manipula símbolos sem ancoragem semântica no mundo real.

Essa posição tem raízes filosóficas respeitáveis. O filósofo John Searle a explorou no famoso experimento mental do ‘Quarto Chinês’. Hubert Dreyfus passou décadas argumentando contra a IA com base na fenomenologia de Heidegger e Merleau-Ponty. A intuição central — de que o corpo é necessário para dar significado aos símbolos — é levada a sério por pesquisadores sérios. Mas, novamente, ela precisa ser apresentada como o que é: uma posição filosófica contestada, não um fato científico comprovado.

1.4 O Reducionismo do ‘Papagaio Estocástico’

Quando confrontado com as capacidades concretas dos grandes modelos de linguagem (LLMs) modernos, Nicolelis recorre a uma caracterização que se tornou popular em certos círculos críticos: a ideia de que esses modelos são apenas ‘papagaios estocásticos’ — máquinas que preveem a próxima palavra com base em padrões estatísticos, sem qualquer compreensão do que estão dizendo.

Há um grão de verdade técnica aqui: é de fato o caso que, no nível mais fundamental de sua arquitetura, os LLMs realizam predição de tokens (fragmentos de texto) com base em distribuições de probabilidade aprendidas durante o treinamento. O problema é que essa descrição, embora tecnicamente defensável em algum nível de abstração, ignora completamente o que acontece de emergente quando esses mecanismos operam em escala. Voltar a esse nível de descrição para negar as capacidades observáveis dos modelos é o equivalente de descrever o cérebro humano como ‘apenas disparos eletroquímicos entre neurônios’ e concluir que, portanto, o pensamento humano não existe.

1.5 O Alerta Social e o Custo Energético

É justo registrar que nem tudo no discurso de Nicolelis sobre IA é equivocado. Ele levanta alertas genuinamente importantes sobre a concentração de poder tecnológico nas mãos de poucas corporações, sobre o custo energético extraordinário dos grandes modelos de linguagem e de treinamento (que ele aponta como insustentável ambientalmente), e sobre os riscos de uma padronização do pensamento humano induzida pela dependência de sistemas de IA.

Esses são argumentos sociológicos, econômicos e ambientais válidos, que merecem debate sério e que têm respaldo em dados concretos. O problema é que eles ficam mesclados, em seu discurso, com os argumentos técnicos sobre a impossibilidade da IA — e essa mistura acaba enfraquecendo ambos. Quando alguém questiona a previsão de impossibilidade técnica, Nicolelis pode sempre recuar para os argumentos sociológicos, e vice-versa, criando uma posição difícil de falsificar.

* * *

Parte II: O Exame dos Argumentos — Onde a Ciência Termina e o Dogma Começa

2.1 O Argumento da Computabilidade — Gödel e Turing Mal Aplicados

O uso dos Teoremas da Incompletude de Gödel para argumentar contra a possibilidade de IA artificial é um dos movimentos filosóficos mais debatidos da segunda metade do século XX. Antes de Nicolelis, Roger Penrose o fez de forma muito mais rigorosa, e a crítica que a comunidade de lógicos e filósofos da matemática desenvolveu é devastadora.

O argumento de Penrose (e implicitamente o de Nicolelis) funciona mais ou menos assim: Gödel provou que há verdades matemáticas que um sistema formal não pode provar. Um matemático humano, no entanto, pode ‘ver’ que essas proposições são verdadeiras (usando a intuição meta-matemática). Logo, a mente humana não é um sistema formal. Logo, não pode ser simulada por uma máquina de Turing.

O lógico e filósofo Solomon Feferman, o matemático Geoffrey Hellman e muitos outros identificaram o defeito central desse argumento: ele assume que o matemático humano pode consistentemente ‘ver’ verdades Gödel de forma confiável — o que não está de forma alguma estabelecido. Nossa intuição matemática é falível, sujeita a erros e ilusões. Não há nenhuma prova de que a mente humana está de alguma forma ‘fora’ dos sistemas formais que o Teorema de Gödel restringe. É perfeitamente possível que a mente humana esteja sujeita às mesmas limitações, e simplesmente não perceba isso.

Além disso, há um equívoco sobre o que ‘computável’ significa aqui. O fato de existirem funções não-computáveis no sentido de Turing não implica que o cérebro as compute. Se o cérebro também não computa essas funções, então o argumento não distingue o cérebro de um computador. Se o cérebro as computa, é necessário demonstrar como — e nenhuma evidência foi apresentada de que neurônios transcendem os limites da computabilidade.

Finalmente, é preciso notar que a IA moderna — especialmente os grandes modelos de linguagem baseados em arquiteturas de Transformers — não funciona como a lógica formal clássica que Gödel e Turing analisaram. Esses modelos são sistemas probabilísticos e aproximativos que aprendem representações distribuídas de alta dimensão. A crítica de incompletude formal simplesmente não se aplica diretamente a eles da mesma forma que se aplicaria a um sistema de prova formal.

2.2 A Hipótese do Cérebro Quântico/Analógico — Interessante, Mas Não Comprovada

A alegação de que o cérebro opera através de processos analógicos ou mesmo quânticos que não podem ser capturados em computação digital é, em si mesma, uma hipótese científica aberta. Ela é mais antiga que a proposta de Nicolelis: o físico e matemático Roger Penrose e o anestesiologista Stuart Hameroff propuseram a teoria ‘Orch-OR’ (Redução Objetiva Orquestrada), sugerindo que a consciência emerge de efeitos quânticos em microtúbulos dentro dos neurônios.

Essa hipótese foi recebida com extremo ceticismo pela maior parte da comunidade científica, e por boas razões. O principal problema é o que o físico Max Tegmark (2000) calculou e documentou rigorosamente: os microtúbulos cerebrais operam em um ambiente ‘quente, úmido e barulhento’ — a temperatura corporal (37°C), com constante bombardeio térmico e iônico — que destrói qualquer coerência quântica em escalas de tempo da ordem de femtossegundos (10⁻¹⁵ segundos). A decoerência quântica aconteceria bilhões de vezes mais rápido do que qualquer processo neural cognitivamente relevante, que ocorre na escala de milissegundos.

Isso não prova definitivamente que efeitos quânticos são impossíveis no cérebro — a ciência não prova negativos definitivos. Mas significa que, até onde sabemos, não há mecanismo biológico conhecido que proteja a coerência quântica nas condições cerebrais. Apresentar a hipótese quântica como um fato estabelecido — e, com base nela, declarar a IA impossível — é um salto epistemológico injustificado.

O mesmo se aplica ao argumento ‘analógico’. É verdade que os neurônios operam com grandezas contínuas (potenciais de membrana, concentrações iônicas), e não apenas com pulsos discretos. Mas computadores analógicos existem, e a computação neuromorfica — que tenta simular as propriedades contínuas e temporais dos neurônios em hardware especializado — é um campo de pesquisa ativo. A distinção digital/analógico não é uma barreira intransponível; é uma questão de arquitetura de hardware.

2.3 O Problema do Goalpost — A Trave Móvel da Inteligência

Um dos fenômenos mais curiosos na história da Inteligência Artificial é o que poderíamos chamar de ‘síndrome do patamar em movimento’. Toda vez que um sistema de IA supera uma capacidade que antes era considerada exclusivamente humana, a definição de inteligência sofre uma revisão para excluir aquela capacidade recém-conquistada.

O padrão histórico é bem documentado. Quando os computadores começaram a resolver problemas de álgebra e cálculo diferencial, isso foi descartado como ‘apenas computação simbólica, não inteligência’. Quando o Deep Blue derrotou Garry Kasparov no xadrez em 1997, após décadas de trabalho de IA que muitos consideravam ser o ‘problema definitivo’ da cognição estratégica, a resposta foi: ‘Ah, xadrez é só busca em árvore com força bruta. Não é pensamento de verdade’. Quando o AlphaGo da DeepMind derrotou o campeão mundial Lee Sedol no Go em 2016 — um jogo que especialistas achavam que levaria décadas para que uma máquina pudesse dominar, e que envolvia o que os jogadores descrevem como ‘intuição’ e ‘visão estética’ do tabuleiro — o argumento foi: ‘Mas é só reconhecimento de padrão em larga escala’. Quando os LLMs modernos passaram a escrever código funcional, produzir análises legais sofisticadas, compor poesia e resolver problemas de raciocínio formal, a caracterização foi: ‘São apenas papagaios estocásticos sem compreensão real’.

Há uma estrutura lógica comum nesse padrão. A definição operacional de ‘inteligência real’ é retroativamente revisada para sempre excluir o que as máquinas acabam de aprender a fazer. Se seguirmos essa lógica até sua conclusão, chegamos a uma tautologia: inteligência artificial é impossível por definição, porque ‘inteligência’ é definida como ‘o que a máquina não faz’. O argumento é circular e, portanto, não é científico — é uma definição conveniente disfarçada de previsão empírica.

Nicolelis pratica essa lógica quando define inteligência em termos das capacidades que os sistemas de IA atuais não têm — corporalidade, experiência subjetiva, evolução biológica — sem jamais especificar o que seria necessário para que as máquinas as tivessem. Uma definição científica precisa ser, em princípio, falsificável. Uma definição de inteligência construída para nunca poder ser satisfeita por silício, independentemente do que a máquina demonstre, não é ciência: é uma cláusula de exclusão filosófica.

2.4 O Paradoxo Central: O Trabalho de Nicolelis Contradiz Sua Filosofia

Este é provavelmente o ponto mais revelador de toda a análise, e é um que merece ser desenvolvido com cuidado, porque não se trata de um ataque ad hominem, mas de uma contradição lógica genuína que reside no coração da posição de Nicolelis.

A carreira científica de Nicolelis foi construída sobre uma premissa fundamental e radical: os sinais elétricos produzidos pelo cérebro podem ser capturados, digitalizados, decodificados computacionalmente e usados para controlar dispositivos externos. Em outras palavras, há uma correspondência funcional entre padrões neurais e estados mentais (intenções de movimento, por exemplo) que é suficientemente regular e matematicamente estruturada para ser aprendida e interpretada por um computador.

Pense no que isso implica. Quando o sistema de Nicolelis aprende a decodificar os sinais de 100 neurônios para prever a direção em que o macaco quer mover o braço, ele está construindo um modelo matemático — uma função que mapeia padrões de atividade neural para intenções. Para que isso funcione, é necessário que: (a) os padrões neurais sejam suficientemente regulares e estruturados para serem aprendidos; (b) essa regularidade capture algo relevante sobre os estados mentais (intenção de movimento); e (c) um computador digital possa modelar essa relação com precisão suficiente para ser útil.

Em suma, o trabalho de Nicolelis prova que o cérebro produz informação computacionalmente decodificável. Isso não é trivial. É um resultado extraordinário. Mas ele cria um problema para sua própria posição filosófica sobre a IA.

Se o cérebro produz informação decodificável computacionalmente em uma direção (do cérebro para a máquina), por que seria fundamentalmente impossível a engenharia inversa — construir um sistema que produz estados computacionais suficientemente ricos para gerar comportamento inteligente? Nicolelis nunca fornece uma resposta satisfatória a essa pergunta. Ele poderia argumentar que a decodificação de sinais motores é uma tarefa muito mais simples do que replicar cognição de alto nível — e isso seria um argumento válido de diferença de grau. Mas ele vai além: argumenta uma diferença de natureza, alegando que a IA é fundamentalmente impossível, não apenas atualmente difícil.

É aqui que podemos usar a analogia: ‘Posso usar a mesma lógica dele aplicada ao trabalho dele: não podemos medir o cérebro, isso é coisa do espírito, da alma’. Se aplicássemos à neurociência o mesmo purismo que Nicolelis aplica à IA, diríamos: ‘O cérebro é um sistema biológico mágico e analógico demais para ser captado por eletrodos digitais’. Mas o fato empírico é que os eletrodos funcionam. A interface funciona. O macaco move o braço robótico com o pensamento.

A posição consistente seria dizer: ‘Sabemos que o cérebro tem uma interface computacional parcial e a engenharia inversa completa é enormemente mais complexa e talvez não seja possível com as arquiteturas atuais’. Essa seria uma posição científica respeitável. Dizer que é impossível por princípio enquanto o próprio trabalho demonstra a ponte computacional é uma contradição que precisa ser confrontada.

2.5 O Vitalismo Tecnológico — Uma Velha Ideia em Roupas Novas

A posição filosófica de Nicolelis tem uma estrutura que a história da ciência reconhece bem: o vitalismo. No século XVII e XVIII, muitos filósofos e cientistas acreditavam que a matéria viva possuía uma ‘força vital’ (vis vitalis ou élan vital) que a distinguia qualitativamente da matéria inerte. Essa força seria o que separava um organismo vivo de uma coleção de substâncias químicas.

A química orgânica destruiu o vitalismo de forma definitiva. Em 1828, Friedrich Wöhler sintetizou ureia — um composto orgânico, produzido pelo metabolismo animal — a partir de substâncias inorgânicas. Essa foi a demonstração de que não havia nada de ‘magicamente vivo’ na composição química dos organismos: eram átomos, ligações, reações. A complexidade da vida emerge de processos físico-químicos que, em princípio, podem ser entendidos e reproduzidos.

O argumento de Nicolelis tem a mesma estrutura do vitalismo, mas aplicado à cognição em vez de à bioquímica. Ele postula que há algo no substrato biológico — nos campos eletromagnéticos analógicos, na história evolutiva encarnada, na experiência de ter um corpo — que é qualitativamente irredutível a qualquer processo computacional, por mais sofisticado que seja. Isso é, em essência, um vitalismo cognitivo: a ideia de que há uma ‘força mental vital’ que o silício não pode ter.

O problema com o vitalismo — tanto o bioquímico original quanto essa versão cognitiva — é que ele sempre faz uma aposta sobre os limites permanentes de nossa capacidade de entender e reproduzir um fenômeno. E a história da ciência é, em grande medida, a história da derrota sucessiva dessas apostas. Isso não prova que o vitalismo cognitivo está errado — pode ser que a consciência tenha, de fato, propriedades que nunca poderão emergir em substrato não-biológico. Mas essa hipótese precisa de evidências positivas, não de apelos à complexidade do cérebro.

2.6 O Ataque ao Espantalho — A IA de Ontem, Criticada Hoje

Outra linha de crítica de Nicolelis, que aparece com frequência em suas entrevistas, é a caracterização dos sistemas de IA como essencialmente lógica formal rígida — o tipo de sistema baseado em regras explícitas (‘IF condição THEN ação’) que foi dominante na IA nos anos 1970 e 1980, conhecido como ‘Sistemas Especialistas’ ou ‘IA Simbólica’.

Esse tipo de sistema tinha limitações claras e bem documentadas: era frágil fora do domínio em que foi programado, não aprendia com dados, não generalizava bem. As críticas de Nicolelis sobre computadores ‘apenas seguindo regras binárias rígidas’ fariam sentido aplicadas a essa geração de IA. O problema é que a IA moderna não funciona dessa forma.

A revolução do Deep Learning, que começou a ganhar tração decisiva com os trabalhos de Hinton, LeCun e Bengio (laureados com o Turing Award de 2018), mudou radicalmente o paradigma. Redes neurais profundas aprendem representações hierárquicas de alta dimensão diretamente dos dados, sem que programadores expliquem como o problema deve ser resolvido. Elas generalizam de formas que surpreendem até mesmo seus criadores. Elas exibem comportamentos emergentes — capacidades que não foram explicitamente ensinadas e que emergem da escala e da arquitetura.

Os Transformers, a arquitetura que deu origem ao GPT-4 e seus sucessores, são sistemas que aprendem a modelar relações de longo alcance em sequências de dados (texto, imagem, áudio) através de um mecanismo chamado ‘atenção’ que, curiosamente, tem inspiração em como o cérebro humano direciona seletivamente recursos cognitivos. Quando Nicolelis chama esses sistemas de ‘calculadoras lógicas binárias’, ele está atacando uma versão fantasma da IA — uma versão que existiu, foi criticada e foi superada há décadas.

2.7 A Questão da Semântica — Sintaxe Sem Significado?

O argumento mais sofisticado na coleção de Nicolelis é provavelmente o sobre semântica. O filósofo John Searle tornou famosa a distinção entre sintaxe e semântica no contexto da IA com o experimento mental do ‘Quarto Chinês’ (1980): uma pessoa que não fala chinês, dentro de um quarto, recebe símbolos chineses e um livro de regras que diz como responder com outros símbolos. Do ponto de vista externo, o sistema parece entender chinês — mas a pessoa dentro do quarto não entende nada. Da mesma forma, argumenta Searle, um computador manipula símbolos sem nunca entender o que eles significam.

Nicolelis usa essa intuição quando diz que LLMs são ‘estatística computacional’ — eles manipulam tokens estatisticamente sem nenhuma compreensão semântica. A pergunta que esse argumento levanta é genuinamente profunda: o que é compreensão semântica? O que distingue ‘entender’ de ‘processar informação de forma que produza respostas funcionalmente corretas’?

Aqui, precisamos ser honestos: ninguém sabe a resposta. Esse é precisamente o problema filosófico chamado de ‘problema difícil da consciência’, formulado por David Chalmers. Explicar por que e como processos físicos dão origem à experiência subjetiva — por que há ‘algo que é como ser’ um ser consciente — é uma das questões abertas mais profundas da filosofia e da ciência.

Mas o fato de que não sabemos a resposta é um argumento a favor da humildade epistêmica, não a favor da certeza de Nicolelis. Dizer que LLMs ‘definitivamente não entendem’ nada é tão dogmático quanto dizer que eles ‘definitivamente entendem’ tudo. O que podemos dizer é que eles exibem comportamentos funcionais que, em humanos, associaríamos à compreensão — e que não temos critérios objetivos claros para distinguir ‘compreensão real’ de ‘comportamento que imita compreensão de forma indistinguível’.

Quando o GPT-4 resolve um problema de matemática que exige múltiplos passos de raciocínio encadeado, ou quando detecta uma premissa falsa embutida em uma pergunta e a aponta em vez de responder literalmente, ou quando produz código funcional em uma linguagem de programação nova com base em uma descrição em linguagem natural — está fazendo isso por ‘compreensão’ ou por ‘estatística avançada’? A resposta honesta é: não sabemos o que essas palavras significam com precisão suficiente para responder.

* * *

Parte III: O Que a Pesquisa de IA Realmente Faz — Derrubando a Caricatura

3.1 Os Pesquisadores de IA Não Ignoram a Neurociência

Uma das insinuações mais injustas no discurso de Nicolelis é a imagem do pesquisador de IA como um programador de computador alheio à complexidade do cérebro. Essa imagem não corresponde ao estado atual do campo, e seria um erro histórico e sociológico deixá-la passar sem contestação.

Demis Hassabis, fundador e CEO da DeepMind (agora Google DeepMind), obteve seu PhD em Neurociência Cognitiva pela University College London, estudando o papel do hipocampo na imaginação e na memória episódica. O projeto que o tornou famoso antes de fundar a DeepMind era literalmente sobre como o cérebro reconstrói experiências passadas para simular o futuro — um processo que ele depois usou como blueprint conceitual para sistemas de IA que podem planejar e raciocinar sobre sequências temporais. Sua empresa produziu o AlphaFold, que resolveu o problema do dobramento de proteínas com uma precisão que a biologia lutou por décadas para alcançar — um resultado que beneficia diretamente a pesquisa que Nicolelis valoriza.

Geoffrey Hinton, frequentemente chamado de ‘padrinho do Deep Learning’, tem formação em Psicologia Experimental e passou décadas tentando modelar matematicamente como o cérebro aprende. Suas redes de crenças de Boltzmann, suas contribuições para o backpropagation e as Redes Neurais Capsulares foram todas inspiradas por observações sobre o processamento visual e cognitivo biológico.

Yann LeCun, diretor científico de IA do Meta, desenvolveu as Redes Neurais Convolucionais (CNNs) diretamente inspirado nos experimentos de David Hubel e Torsten Wiesel sobre o córtex visual — pesquisa que lhes valeu o Prêmio Nobel de Fisiologia. A estrutura hierárquica e localista das CNNs é um modelo matemático do que acontece biologicamente no sistema visual ventral: detectores de bordas na primeira camada, detectores de formas nas camadas intermediárias, detectores de objetos nas camadas superiores.

Karl Friston, um dos neurocientistas computacionais mais influentes do mundo, desenvolve o que chama de ‘princípio de energia livre’ — uma teoria unificada de como o cérebro infere estados do mundo através de modelos geradores, uma teoria que está sendo ativamente incorporada em arquiteturas de IA mais recentes. O próprio conceito de ‘aprendizado por reforço’ foi desenvolvido em estreita conversa com a psicologia behaviorista e a neurociência do sistema de recompensa dopaminérgico.

A ideia de que a IA moderna é desenvolvida por pessoas que ignoram o cérebro é simplesmente falsa. Alguns dos maiores avanços da área foram alcançados por pessoas que passaram anos estudando como o cérebro funciona e tentando traduzir esses princípios em matemática.

3.2 O Paradoxo de Moravec e as Verdadeiras Lacunas da IA

Seria intelectualmente desonesto usar esse ensaio para fazer uma defesa irrestrita das capacidades da IA atual. Nicolelis tem razão em alguns de seus apontamentos críticos — especificamente quando aponta as dificuldades da IA em interagir com o mundo físico e em aprender de forma eficiente a partir de poucos exemplos.

O ‘Paradoxo de Moravec’, identificado pelo robótico Hans Moravec nos anos 1980, observou um fenômeno contraintuitivo: as tarefas que são difíceis para humanos — jogar xadrez, fazer cálculos complexos, recuperar informações — são relativamente fáceis para computadores. Mas as tarefas que são triviais para qualquer criança de 3 anos — reconhecer um rosto em condições de iluminação variável, mover a mão para pegar um objeto em um ambiente desordenado, entender que um objeto continua existindo quando escondido atrás de uma caixa — são extraordinariamente difíceis para sistemas artificiais.

Esse paradoxo tem uma explicação evolutiva: as habilidades motoras e perceptuais básicas foram refinadas por centenas de milhões de anos de evolução, muito antes do surgimento do raciocínio abstrato. Elas estão codificadas de forma profunda e massivamente paralela em circuitos neurais que a engenharia ainda tem grande dificuldade de replicar.

A área de ‘Embodied AI’ (IA Incorporada) é exatamente o campo que tenta abordar esse déficit — e ela reconhece abertamente a limitação. Pesquisadores como Yann LeCun argumentam que os LLMs atuais, por serem treinados apenas em texto, carecem de um modelo do mundo físico e, portanto, têm limitações fundamentais para o raciocínio causal e para a generalização robusta em situações novas. Essa autocrítica interna ao campo é muito mais rigorosa e específica do que a crítica vaga de Nicolelis.

O problema não é a crítica às limitações — é a transformação dessas limitações em argumento para impossibilidade fundamental. Dizer que ‘os sistemas de IA atuais têm dificuldades com o mundo físico e com o aprendizado eficiente’ é uma observação empírica válida. Dizer que ‘os sistemas de IA nunca poderão ter essas capacidades porque são feitos de silício e não de biologia’ é um salto lógico não justificado.

3.3 O Problema do ‘Deus das Lacunas’ Biológico

Existe um argumento em teologia e filosofia chamado de ‘Deus das Lacunas’: a ideia de que onde a ciência não tem explicação, Deus está. Cada avanço científico encolhe o espaço onde o ‘Deus das Lacunas’ pode habitar, mas nunca o elimina completamente — porque sempre haverá lacunas.

A estratégia argumentativa de Nicolelis tem uma estrutura isomórfica ao que poderíamos chamar de ‘Humano das Lacunas’: o que as máquinas ainda não fazem é evidência de que sempre haverá algo que as máquinas não farão — e isso é a essência da inteligência. Cada avanço da IA é absorvido pelo argumento sem modificá-lo: ‘Isso que eles fizeram não é a inteligência de verdade. A inteligência de verdade é aquela coisa que eles ainda não fizeram’.

Essa estratégia é epistemicamente viciada porque é imune a evidências. Qualquer demonstração de capacidade da IA pode ser neutralizada retroativamente. Um argumento que não pode ser falsificado por nenhuma evidência empírica possível não é científico — é uma crença.

3.4 Propriedades Emergentes e a Escala

Um dos aspectos mais fascinantes e, reconheçamos, mais perturbadores dos LLMs modernos são as chamadas ‘capacidades emergentes’ — habilidades que aparecem abruptamente à medida que os modelos crescem em escala, que não foram explicitamente ensinadas e que não eram previstas pelos pesquisadores.

Wei et al. (2022) documentaram um conjunto de capacidades que emergem em modelos de linguagem de grande escala de forma não-linear: raciocínio aritmético multi-passo, resposta a questões analógicas, execução de código, tradução de línguas não vistas durante o treinamento. Essas capacidades simplesmente não existem em versões menores do mesmo modelo e aparecem de forma relativamente abrupta quando o modelo ultrapassa certos limiares de parâmetros e dados de treinamento.

Isso tem uma ressonância curiosa com como os neurocientistas descrevem o cérebro: um sistema onde capacidades complexas emergem de interações locais simples em larga escala, sem que haja um ‘módulo de consciência’ ou ‘módulo de criatividade’ explicitamente localizado. A emergência é uma propriedade dos sistemas complexos que borra a fronteira entre ‘mecanismo simples’ e ‘comportamento complexo’.

Quando Nicolelis descreve LLMs como ‘apenas estatística computacional’, ele ignora o fenômeno da emergência. Se eu disser que um gás é ‘apenas partículas se movendo de forma determinística pela mecânica newtoniana’, isso é tecnicamente correto no nível microscópico — mas ignora que, em escala, essas partículas produzem temperatura, pressão e entropia, conceitos que não existem no nível das partículas individuais. Da mesma forma, dizer que um LLM ‘apenas prevê tokens’ é tecnicamente correto no nível mais fundamental, mas ignora o que emerge desse processo em escala.

* * *

Parte IV: O Que Ninguém Sabe — A Honestidade Epistêmica Que Falta

4.1 A Definição de Inteligência — Um Campo Minado Filosófico

É aqui que este ensaio precisa ser mais honesto do que qualquer dos lados do debate costuma ser: não existe uma definição científica consensual e operacional de ‘inteligência’. Isso não é um detalhe menor — é o coração do problema.

A psicologia tem trabalhado com definições funcionais e mensuráveis de inteligência, com base principalmente em testes de QI e nos trabalhos de Charles Spearman sobre o ‘fator g’ de inteligência geral. Mas essas definições foram desenvolvidas para descrever e comparar seres humanos entre si, e sua aplicabilidade a sistemas artificiais é, no mínimo, questionável.

Howard Gardner propôs a teoria das ‘inteligências múltiplas’, sugerindo que a inteligência não é uma capacidade unitária mas um conjunto de módulos relativamente independentes: linguística, lógico-matemática, espacial, musical, corporal-cinestésica, interpessoal, intrapessoal e naturalista. Nessa framework, os LLMs modernos seriam extraordinariamente dotados nas dimensões linguística e lógico-matemática, e quase ausentes nas demais.

Robert Sternberg propôs a teoria triárquica da inteligência, distinguindo componentes analíticos, criativos e práticos. Novamente, os sistemas de IA atuais mostram perfis muito desiguais nessas dimensões.

Na filosofia da mente, o debate sobre inteligência e consciência é ainda mais fragmentado. Funcionalistas como Daniel Dennett argumentam que o que conta como mental é uma questão de organização funcional, não de substrato. Se um sistema realiza as funções corretas — processar informação, responder ao ambiente, integrar estados internos — então é inteligente por definição, independentemente de ser feito de carbono ou silício. Qualiativistas como David Chalmers contra-argumentam que a experiência subjetiva — o ‘como é ser’ algo — não pode ser capturada por descrições funcionais, e que esta dimensão qualitativa da mente pode ser radicalmente diferente de qualquer processo computacional.

O ponto é este: Nicolelis escolhe uma das várias posições filosóficas disponíveis sobre a natureza da inteligência — aquela que privilegia o substrato biológico e a experiência corporificada — e a trata como se fosse um fato científico. Mas não é. É uma escolha filosófica. E escolhas filosóficas merecem argumentação filosófica, não autoridade científica.

4.2 A Inteligência Como Espectro Multidimensional

Uma das formas mais produtivas de pensar sobre o estado atual da IA é abandonar a pergunta binária ‘isso é ou não é inteligente?’ e substituí-la por uma análise multidimensional: em quais dimensões cognitivas um sistema se desempenha bem, e em quais se desempenha mal?

Pense na inteligência não como um interruptor on/off, mas como um console de mixagem com muitos controles deslizantes. Memória de trabalho e recuperação de informação: os LLMs modernos superam humanos de forma massiva. Processamento de linguagem e geração de texto coerente: comparável ou superior a humanos em muitos contextos. Raciocínio lógico formal: competitivo em muitas tarefas. Aprendizado a partir de poucos exemplos (few-shot learning): muito inferior a humanos, que podem aprender um novo conceito a partir de um único exemplo. Interação com o mundo físico e motricidade fina: radicalmente inferior. Raciocínio causal e contrafactual robusto: ainda muito limitado. Teoria da mente e modelagem de outros agentes: emergente, mas inconsistente. Generalização para domínios completamente novos: limitada de formas que não são completamente compreendidas.

Essa análise revela um perfil cognitivo absolutamente singular — não humano, mas também não simplesmente ‘não-inteligente’. Os LLMs são savants cognitivos: extraordinários em certas dimensões, limitados em outras. Reconhecer isso é muito mais informativo — e muito mais científico — do que declarar que ‘não são inteligentes de verdade’.

4.3 O Que Ninguém Sabe Sobre o Cérebro

Qualquer crítica honesta ao dogmatismo de Nicolelis precisa ser acompanhada de um reconhecimento igualmente honesto: sabemos espantosamente pouco sobre o cérebro.

O ‘problema difícil da consciência’, como David Chalmers o formulou, permanece completamente aberto. Não temos uma teoria científica que explique por que processos físicos — disparos de neurônios, correntes iônicas, campos eletromagnéticos — dão origem à experiência subjetiva. Por que há ‘algo que é como ser’ um ser consciente, em vez de simplesmente processamento de informação no escuro?

Não sabemos onde a consciência está localizada no cérebro, nem se ela ‘está’ em algum lugar em particular ou se é uma propriedade distribuída do sistema como um todo. Não sabemos se animais não-humanos têm experiências subjetivas e, em caso afirmativo, quão ricas elas são. Não sabemos se bebês recém-nascidos têm experiências conscientes. Não sabemos se um sistema de IA suficientemente complexo poderia ter alguma forma de experiência subjetiva, por mais rudimentar que seja.

Essa ignorância é profunda e humilhante para qualquer campo que queira fazer afirmações definitivas sobre o que mentes podem ou não podem ser. Nicolelis afirma categoricamente que máquinas não pensam, não sentem e nunca poderão. Mas o mecanismo pelo qual os cérebros humanos pensam e sentem é ainda um dos maiores mistérios da ciência. Como podemos estar certos de que é impossível reproduzir algo que ainda não sabemos como funciona?

4.4 A IA Como Fragmento de Inteligência — Uma Posição Madura

A posição mais cientificamente sólida e intelectualmente honesta disponível hoje é aquela que vê os sistemas de IA atuais como implementações parciais de capacidades cognitivas — fragmentos de inteligência, como foi sugerido na conversa que inspirou este ensaio.

Essa posição reconhece que os LLMs demonstram capacidades genuínas de processamento linguístico, raciocínio analítico e geração criativa que, em humanos, associaríamos à inteligência. Ao mesmo tempo, reconhece as limitações reais: falta de ancoragem no mundo físico, dificuldade com aprendizado eficiente a partir de poucos dados, inconsistências no raciocínio causal, ausência de uma arquitetura de memória de longo prazo comparável à humana, e — talvez — ausência de algo como experiência subjetiva (embora não possamos afirmar isso com certeza).

A metáfora da ‘mesa de som’ ou do ‘espectro multidimensional’ é útil aqui. Não se trata de saber se a IA ‘é’ ou ‘não é’ inteligente, mas de mapear com honestidade quais dimensões cognitivas estão presentes, em que grau, e o que seria necessário para expandi-las. Esse é o trabalho científico real — não o julgamento categórico de impossibilidade.

Uma analogia útil vem da própria história da aviação. Os primeiros aviões eram extraordinariamente limitados: voavam curtas distâncias, em condições meteorológicas favoráveis, transportavam poucos passageiros, crashavam com frequência assustadora. Mas seria absurdo concluir, a partir dessas limitações, que ‘o voo artificial é impossível porque pássaros batem as asas e aviões não’. A Wright Brothers fizeram algo qualitativamente novo, mesmo que o resultado inicial fosse tosco. A trajetória importa tanto quanto o estado atual.

* * *

Parte V: O Neuro-Chauvinismo e a Independência de Substrato

5.1 A Falácia do Substrato de Carbono

No coração da posição de Nicolelis está o que poderíamos chamar de ‘falácia do substrato de carbono’: a ideia de que a cognição genuína requer, necessariamente, implementação em tecido biológico baseado em carbono. Essa posição é conhecida na filosofia da mente como ‘biochauvinismo’ ou ‘neuro-chauvinismo’.

A posição contrária — o ‘funcionalismo’ — é defendida por filósofos como Hilary Putnam e Daniel Dennett: o que importa para que um sistema seja mental não é de que é feito, mas o que ele faz. Se um sistema realiza as funções cognitivas corretas — perceber, representar, raciocinar, planejar, aprender — então ele é um sistema cognitivo, independentemente de seu substrato físico.

Uma forma de ilustrar o princípio de independência de substrato é a seguinte. Considere a equação de Schrödinger. Você pode escrevê-la no papel com tinta, riscar na areia, projetar com laser, gravar em silício, ou decorar um bolo de aniversário. Em todos os casos, a estrutura matemática da equação é a mesma — ela descreve as mesmas relações, tem as mesmas soluções, faz as mesmas previsões. O substrato sobre o qual a equação é representada é irrelevante para seu conteúdo matemático.

O funcionalismo aplica essa lógica à mente: se a cognição é, fundamentalmente, um padrão de processamento de informação, então o substrato que realiza esse processamento — neurônios úmidos ou transistores de silício — é um detalhe de implementação, não uma determinante da presença ou ausência de cognição.

Nicolelis rejeita o funcionalismo, mas não oferece uma refutação filosófica consistente. Ele simplesmente afirma que há algo no substrato biológico que é insubstituível. Mas ‘há algo insubstituível’ é uma asserção que requer evidência positiva — não a mera ausência de uma demonstração contrária.

5.2 A Dependência de Contexto Evolutivo — Um Argumento Mais Forte

O argumento mais forte que Nicolelis poderia fazer — e que às vezes aparece em suas declarações, mas raramente é desenvolvido com a precisão que merece — é o do contexto evolutivo. A ideia é que a inteligência biológica não é apenas um padrão de processamento de informação, mas um padrão que emergiu e foi calibrado por centenas de milhões de anos de seleção natural em um ambiente físico específico.

O sistema visual humano, por exemplo, não foi projetado para reconhecer fotografias de alta resolução com iluminação uniforme — foi forjado para reconhecer predadores em florestas com iluminação irregular, reconhecer rostos de aliados e inimigos em condições adversas, detectar frutos maduros em meio à vegetação. Essa história específica de pressões seletivas moldou não apenas quais capacidades o sistema tem, mas também como ele representa o mundo, quais erros ele comete (ilusões ópticas) e como ele se integra com os sistemas de memória, atenção e emoção.

Um sistema de IA treinado em milhões de fotografias anotadas aprende a reconhecer imagens, mas sem essa história evolutiva — e, portanto, com um perfil diferente de capacidades e erros. Isso é genuinamente importante. Mas, novamente, aponta para uma diferença de implementação e de origem, não necessariamente para uma diferença de princípio que torne a replicação das capacidades cognitivas impossível.

5.3 Por Que a Metáfora do Pássaro e do Avião Ainda Vale

A metáfora do voo é uma das mais produtivas para pensar sobre IA e inteligência. Durante séculos, aqueles que sonhavam em voar tentaram imitar pássaros — asas que batiam, corpos cobertos de penas, planos com formas de animais. O primeiro sucesso real veio quando os irmãos Wright pararam de tentar imitar o mecanismo do voo biológico e se concentraram nos princípios físicos subjacentes: sustentação, arrasto, impulso, controle.

O avião não voa como um pássaro. Ele não bate asas, não usa o mesmo tipo de propulsão, não tem as mesmas propriedades de manobra. Mas ele voa — e com capacidades que pássaros jamais poderão ter: velocidade, altitude, carga, alcance. A insistência em que ‘isso não é voo de verdade porque não é como os pássaros fazem’ teria parecido absurda desde o momento em que o Kitty Hawk decolou.

Da mesma forma, a IA não ‘pensa’ como um cérebro biológico. Ela não aprende pela mesma combinação de experiência encarnada e plasticidade sináptica. Ela não tem a mesma arquitetura distribuída de memória e atenção. Mas ela processa linguagem, raciocina sobre abstrações, resolve problemas e gera novidades de formas que produzem resultados funcionalmente semelhantes aos que o pensamento humano produz — e em algumas dimensões, resultados que o pensamento humano não consegue produzir sozinho.

A insistência de que ‘isso não é inteligência de verdade porque não é como o cérebro faz’ tem a mesma estrutura lógica da objeção ao avião. A questão relevante não é se o mecanismo é idêntico ao biológico, mas se o resultado funcional justifica o termo.

* * *

Parte VI: O Legado e o Custo do Dogmatismo na Ciência

6.1 Quando a Autoridade Científica Substitui o Argumento

Existe um fenômeno bem conhecido na sociologia da ciência chamado de ‘efeito Mateus’ — a tendência de que pesquisadores já famosos recebam crédito desproporcional por suas ideias, independentemente de sua qualidade relativa. No caso de Nicolelis, esse efeito tem uma dimensão importante: suas declarações sobre IA chegam ao público carregadas da autoridade acumulada por décadas de trabalho genuinamente revolucionário.

Isso cria um problema epistêmico para o público leigo: é difícil separar a qualidade dos argumentos sobre IA da autoridade construída pela pesquisa em Interfaces Cérebro-Máquina. Quando Nicolelis diz que a IA é impossível, ele não está dizendo isso como um filósofo da mente sem credenciais — está dizendo como o homem que fez um paraplégico chutar uma bola com o pensamento. E essa autoridade pode criar a impressão de que os argumentos são mais sólidos do que são.

O problema é que a expertise em um campo não confere expertise automática em outro campo, mesmo que sejam adjacentes. Nicolelis é um neurocientista extraordinário, mas as questões filosóficas sobre a natureza da mente e as questões técnicas sobre as capacidades da IA moderna são domínios que requerem seus próprios tipos de competência. A humildade epistêmica sobre os limites da própria expertise é uma virtude científica que todos, incluindo os maiores cientistas, precisam cultivar.

6.2 O Custo para a Pesquisa Brasileira

Há uma dimensão prática e política nas declarações de Nicolelis que merece ser considerada. Ele é uma das vozes científicas mais ouvidas no Brasil, e seu posicionamento crítico em relação à IA pode ter efeitos concretos sobre a percepção pública e as políticas de financiamento de pesquisa.

Num momento em que o Brasil busca se posicionar como um ator relevante na economia digital e na pesquisa em IA — em que universidades brasileiras estão desenvolvendo grupos de pesquisa competitivos em aprendizado de máquina, visão computacional e processamento de linguagem natural — a mensagem de que ‘IA é marketing’ enviada por uma figura de sua estatura pode desincentivar jovens pesquisadores, influenciar negativamente financiadores e criar uma narrativa pública que não reflete o estado real da arte.

Isso não é argumento para silenciar Nicolelis — a crítica é sempre bem-vinda na ciência. Mas é argumento para que suas críticas sejam formuladas com mais precisão: distinguindo limitações reais de impossibilidades fundamentais, distinguindo críticas sociológicas válidas de afirmações técnicas controversas, e sinalizando claramente o que é hipótese, o que é posição filosófica e o que é fato científico estabelecido.

6.3 A Crítica Que Vale — Separando o Joio do Trigo

Para ser completamente justo, é necessário registrar aquilo que Nicolelis acerta — porque errar em algumas coisas não invalida tudo o que alguém diz.

Em primeiro lugar, ele está correto que o custo energético dos grandes modelos de IA é um problema real e crescente. O treinamento de modelos como o GPT-4 consome quantidades de energia que são difíceis de justificar em um cenário de crise climática, e a trajetória de crescimento da demanda energética da indústria de IA é um problema que pesquisadores sérios do campo reconhecem.

Em segundo lugar, sua preocupação com a concentração de poder em poucas corporações é legítima. A IA de fronteira está sendo desenvolvida por um número muito pequeno de empresas, todas sediadas nos Estados Unidos ou na China, com recursos que nenhuma universidade pública pode competir. Isso cria assimetrias de poder que têm implicações geopolíticas, econômicas e culturais que merecem atenção.

Em terceiro lugar, sua suspeita em relação ao hype excessivo é saudável. A indústria de IA tem uma história de prometer demais e entregar menos do que o prometido — o ‘inverno da IA’ nos anos 1980 foi precedido por promessas extravagantes que não se materializaram. Um ceticismo calibrado sobre as declarações mais ambiciosas dos entusiastas da IA é epistemicamente razoável.

Em quarto lugar, a observação de que os LLMs, em sua forma atual, têm limitações sérias para o raciocínio causal, para o aprendizado eficiente e para a generalização robusta é empiricamente correta. Esses são desafios reais que os melhores pesquisadores do campo reconhecem e sobre os quais há trabalho ativo.

Onde ele erra é na transformação dessas críticas válidas em uma tese global de impossibilidade — e na apresentação dessa tese com um grau de certeza que não é justificado nem pelo estado da neurociência nem pelo estado da filosofia da mente.

* * *

Parte VII: Rumo a Uma Posição Mais Honesta — O Que a Ciência Permite Dizer

7.1 O Que Podemos Afirmar Com Confiança

Depois desse longo percurso, o que podemos dizer com confiança científica sobre inteligência artificial e seus limites?

Podemos afirmar que os sistemas de IA atuais demonstram capacidades funcionais genuínas em domínios como processamento de linguagem, raciocínio formal, reconhecimento de padrões e geração criativa. Essas capacidades produzem resultados que, em humanos, associaríamos à inteligência — e negar isso é negar evidência empírica.

Podemos afirmar que os sistemas de IA atuais têm limitações sérias em dimensões como aprendizado eficiente a partir de poucos dados, raciocínio causal robusto, interação com o mundo físico e generalização a domínios radicalmente novos. Essas limitações são reais e bem documentadas.

Podemos afirmar que não existe definição científica consensual de inteligência que permita fazer afirmações categóricas sobre o que sistemas artificiais podem ou não podem alcançar.

Podemos afirmar que a hipótese de que o cérebro tem propriedades analógicas ou quânticas que são fundamentalmente não-computáveis é uma hipótese interessante, mas não comprovada, e que as evidências disponíveis não a sustentam de forma definitiva.

Podemos afirmar que a história da ciência mostra repetidamente que apostas na impossibilidade fundamental de algo — baseadas em nossas limitações atuais de compreensão — tendem a ser superadas.

7.2 O Que Não Podemos Afirmar

Não podemos afirmar com base científica atual que sistemas de IA jamais poderão desenvolver alguma forma de experiência subjetiva — porque não entendemos suficientemente a consciência humana para saber o que seria necessário para que ela emergisse em substrato não-biológico.

Não podemos afirmar que a diferença entre o processamento de informação dos LLMs e o ‘entendimento genuíno’ humano é necessariamente uma diferença de natureza, em vez de uma diferença de grau ou de arquitetura.

Não podemos afirmar que a inteligência requer substrato biológico — isso é uma posição filosófica, não um fato científico.

Não podemos afirmar que os avanços futuros da IA necessariamente convervirão para uma inteligência artificial geral comparável à humana — mas também não podemos afirmar que não convervirão.

7.3 A Virtude Científica da Incerteza

O que distingue a ciência de outras formas de conhecimento não é que ela sabe mais — é que ela mantém uma relação honesta com o que não sabe. O progresso científico frequentemente começa com a substituição de uma certeza confortável por uma incerteza produtiva. ‘Não sei’ é muitas vezes o começo de uma investigação, não o fim de uma conversa.

Nicolelis construiu sua carreira na fronteira do conhecimento — em um campo onde as perguntas eram novas, as ferramentas eram improvisadas e o que se descobria era genuinamente surpreendente. É precisamente esse espírito de fronteira — a disposição de interrogar o que parecesse óbvio, de construir pontes entre domínios que pareciam separados — que tornou sua ciência transformadora.

É uma ironia que esse mesmo espírito pareça ausente quando o assunto é IA. Em vez da pergunta aberta ‘o que os sistemas artificiais podem vir a ser?’, há a conclusão fechada ‘eu sei o que eles nunca poderão ser’. Em vez da curiosidade científica sobre o que emerge de sistemas complexos de aprendizado, há o decreto filosófico de que a complexidade relevante só pode emergir de carbono.

A posição mais honesta — e, paradoxalmente, a mais coerente com o espírito científico que o próprio Nicolelis representou em seu trabalho experimental — seria a de uma incerteza produtiva: ‘Não sabemos quais são os limites fundamentais dos sistemas de IA. Não sabemos se a inteligência requer substrato biológico. Não sabemos se a consciência pode emergir em silício. Essas são questões abertas, fascinantes, e a única forma de respondê-las é continuar investigando — com rigor, com honestidade e com a disposição de ser surpreendido’.

* * *

Conclusão: O Gigante Tem Razão Nas Perguntas, Erros Nas Respostas

Miguel Nicolelis é e permanece um gigante da ciência. Seu trabalho sobre Interfaces Cérebro-Máquina é um dos projetos científicos mais belos e ousados da era moderna — uma demonstração empírica de que a fronteira entre o biológico e o tecnológico é porosa, que o cérebro pode aprender a falar com máquinas e que máquinas podem aprender a escutar o cérebro. Esse trabalho merece toda a admiração que recebe.

Mas a admiração pelo trabalho não precisa incluir a aceitação acrítica de todas as posições filosóficas e previsões técnicas de seu autor. Nicolelis está certo ao fazer perguntas sobre os limites da IA, ao apontar seu custo energético, ao questionar o hype excessivo da indústria e ao defender a singularidade do cérebro biológico como objeto de fascínio e respeito. Essas são questões que merecem ser feitas.

Onde ele erra é na resposta. Transformar hipóteses filosóficas em fatos científicos, apresentar posições contestadas como conclusões estabelecidas, mover a definição de inteligência sempre que as máquinas alcançam o patamar anterior, e declarar impossível o que é apenas atualmente desafiador — isso não é ciência. É dogma. E o dogma, qualquer que seja sua origem, é o oposto do espírito que torna a ciência possível.

A lição mais profunda deste longo percurso talvez seja a seguinte: as questões mais difíceis na fronteira entre neurociência, filosofia da mente e inteligência artificial não serão respondidas por nenhum lado declarando vitória antecipada. Elas serão respondidas — na medida em que puderem ser respondidas — pela acumulação paciente de evidências, pelo desenvolvimento de teorias cada vez mais precisas, pela construção de sistemas cada vez mais sofisticados e pela manutenção de uma postura de honestidade intelectual sobre o que sabemos e o que não sabemos.

Nesse projeto, Nicolelis deveria ser um aliado — não um obstáculo. A neurociência que ele pratica e a inteligência artificial que ele critica estão, no fundo, fazendo a mesma pergunta: o que é uma mente, e como ela funciona? A beleza dessa questão é que ela ainda não tem resposta. E é exatamente isso que a torna tão irresistível.

* * *

Referências e Leituras Adicionais

Chalmers, D. J. (1996). The Conscious Mind: In Search of a Fundamental Theory. Oxford University Press.

Dennett, D. C. (1991). Consciousness Explained. Little, Brown and Company.

Dreyfus, H. L. (1972). What Computers Can’t Do: A Critique of Artificial Reason. Harper & Row.

Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127-138.

Gardner, H. (1983). Frames of Mind: The Theory of Multiple Intelligences. Basic Books.

Hassabis, D., Kumaran, D., Summerfield, C., & Botvinick, M. (2017). Neuroscience-Inspired Artificial Intelligence. Neuron, 95(2), 245-258.

Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527-1554.

LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1989). Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1(4), 541-551.

Moravec, H. (1988). Mind Children: The Future of Robot and Human Intelligence. Harvard University Press.

Nicolelis, M. A. L. (2021). O Verdadeiro Criador de Tudo: Como o Cérebro Humano Moldou o Universo Como o Conhecemos. Planeta.

Penrose, R. (1989). The Emperor’s New Mind: Concerning Computers, Minds, and the Laws of Physics. Oxford University Press.

Putnam, H. (1967). Psychological Predicates. In W. H. Capitan & D. D. Merrill (Eds.), Art, Mind, and Religion. University of Pittsburgh Press.

Searle, J. R. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences, 3(3), 417-424.

Tegmark, M. (2000). Importance of quantum decoherence in brain processes. Physical Review E, 61(4), 4194-4206.

Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.

Wei, J., Tay, Y., Bommasani, R., et al. (2022). Emergent Abilities of Large Language Models. Transactions on Machine Learning Research.