Por que pesquisadores dizem que IA baseada em texto é só reprodução de linguagem
IA baseada em texto tem dominado debates públicos e investimentos bilionários, mas pesquisadores afirmam que esses sistemas não equivalem à inteligência humana. Enquanto executivos das big techs anunciam prazos ambiciosos para a chegada da AGI, cientistas dizem que os modelos atuais reproduzem padrões linguísticos em escala, e não o raciocínio que sustenta o pensamento humano.
Promessas das big techs e declarações polêmicas
Nos últimos anos, líderes do setor fizeram previsões públicas sobre o avanço meteórico da IA. Mark Zuckerberg chegou a dizer que “desenvolver superinteligência está à vista”. Dario Amodei foi citado defendendo que “sistemas mais inteligentes do que ganhadores do Nobel podem surgir já em 2026”, e Sam Altman, da OpenAI, “afirma estar confiante de que já existe clareza sobre como construir AGI”. Essas declarações sustentam uma narrativa segundo a qual basta ampliar dados e potência computacional para alcançar uma inteligência geral semelhante à humana.
Para muitos pesquisadores, porém, essa visão parte de uma premissa equivocada: confundir a escala e fluência do processamento de linguagem com a presença de pensamento genuíno.
O limite dos modelos de linguagem segundo a ciência
Especialistas lembram que modelos de linguagem são, fundamentalmente, mecanismos de previsão de texto treinados em grandes volumes de dados. Eles detectam correlações estatísticas e geram respostas plausíveis, sem necessariamente entender ou raciocinar sobre o mundo da maneira como os humanos fazem.
Um artigo publicado na revista Nature por Evelina Fedorenko, Steven T. Piantadosi e Edward A.F. Gibson resume essa posição ao afirmar que “a linguagem é principalmente uma ferramenta de comunicação, não a fonte do pensamento”. Pesquisas em neurociência reforçam essa distinção, mostrando que processos como raciocínio, resolução de problemas e teoria da mente envolvem redes cerebrais distintas daquelas usadas para expressar ou compreender frases.
Casos clínicos também ilustram o ponto. Pessoas com danos cerebrais podem perder a fala sem perder a capacidade de pensar, e crianças pequenas demonstram habilidades cognitivas antes de desenvolverem linguagem articulada. Esses achados sugerem que a cognição antecede e transcende a linguagem, e que dominar texto não é sinônimo de possuir pensamento independente.
Propostas além dos LLMs e desafios persistentes
Dentro e fora da indústria, cresce a preocupação de que ampliar apenas modelos de linguagem não levará necessariamente à AGI. Pesquisadores e alguns executivos defendem abordagens multimodais, que integrem memória persistente, raciocínio simbólico, planejamento e percepção, em vez de depender exclusivamente de leitura e escrita.
Figuras como Yoshua Bengio, Eric Schmidt e Gary Marcus propõem que a definição de AGI deve abranger múltiplas capacidades, incluindo memória, raciocínio e interpretação visual, e não apenas o domínio do texto. Ainda assim, mesmo sistemas que executem bem tarefas humanas enfrentam um problema conceitual: a criatividade e a capacidade de romper paradigmas podem depender de motivações internas e de mecanismos que não existem em modelos treinados apenas para reproduzir padrões passados.
Filósofos como Thomas Kuhn e Richard Rorty lembram que grandes avanços ocorrem quando agentes se tornam insatisfeitos com modelos existentes e propõem novas interpretações da realidade. Uma IA que aprenda apenas a partir de dados históricos pode ser extremamente útil para reorganizar e aplicar informações, sem, contudo, gerar conhecimento radicalmente novo.
Em resumo, a crítica central é que IA baseada em texto tende a ser uma poderosa tecnologia de processamento de linguagem, porém limitada quando o objetivo é replicar o conjunto de capacidades cognitivas humanas. Pesquisadores defendem maior investimento em arquiteturas que integrem percepção, ação, memória e raciocínio, se o objetivo for chegar mais perto do que consideramos inteligência geral.
Enquanto as big techs continuam a apostar em escalonamento de modelos e infraestrutura, a comunidade científica pede cautela e refinamento conceitual. A pergunta que fica é se será suficiente aumentar a escala e os dados, ou se será preciso reimaginar a própria arquitetura da máquina para que ela deixe de ser apenas uma grande reprodutora de linguagem e passe, de fato, a se aproximar das formas complexas de pensamento humano.
Deixe um comentário