 |
| Será que processamento bruto pode ser considerado inteligência. Foto: Ilustração/Gemini |
Enquanto empresas e governos disputam quem desenvolverá a inteligência artificial mais avançada do mundo, uma pergunta fundamental parece ficar em segundo plano: estamos realmente criando inteligência ou apenas sistemas cada vez mais eficientes em processar informações?
A corrida pela inteligência artificial está acelerando. Novos modelos são lançados, algoritmos se tornam mais sofisticados e empresas investem bilhões para desenvolver sistemas capazes de escrever, programar, criar imagens e resolver problemas complexos.
Agora, com o debate sobre a chamada superinteligência, surge uma questão ainda mais profunda: antes de tentar criar uma inteligência superior à humana, será que definimos corretamente o que significa ser inteligente?
Essa pergunta não é apenas tecnológica. Ela também envolve a filosofia, a psicologia, a psicanálise e a neurociência. Afinal, inteligência não é um conceito simples, e sua definição continua sendo objeto de discussão.
O que realmente significa ser inteligente?
Imagine uma máquina capaz de receber informações, reconhecer padrões e executar tarefas com uma precisão impressionante. Ela pode identificar objetos, responder perguntas e seguir instruções complexas.
Mas será que essas capacidades, por si só, são suficientes para afirmar que ela compreende aquilo que está fazendo?
O processamento de informações é uma parte importante da inteligência, mas não encerra a discussão. Também precisamos considerar a interpretação, o contexto, a capacidade de lidar com situações novas e a maneira como o conhecimento é aplicado.
No caso dos seres humanos, nossa relação com o mundo não se limita a armazenar informações. Interpretamos experiências, relacionamos acontecimentos, formulamos hipóteses e encontramos possibilidades que nem sempre foram explicitamente ensinadas.
É justamente essa diferença que merece ser investigada quando falamos sobre inteligência artificial.
O exemplo de uma simples maçã
Imagine uma maçã sobre uma mesa.
Um robô equipado com um sistema de inteligência artificial pode ser programado para reconhecer aquela fruta e realizar determinadas tarefas. Ele pode colocá-la em uma fruteira, cortá-la em pedaços ou preparar um suco.
Se o sistema estiver limitado a essas funções, suas possibilidades serão restritas ao que foi implementado ou ao que ele consegue aprender a executar dentro de suas capacidades.
Agora, pense em um ser humano diante da mesma maçã.
Ele pode comê-la com casca, descascá-la, preparar um suco, fazer uma torta, produzir uma geleia ou simplesmente guardar a fruta para mais tarde.
Também pode perceber que a maçã está madura demais para ser consumida diretamente, mas ainda serve para uma receita. Pode lembrar de uma experiência anterior, combinar ingredientes disponíveis e inventar uma maneira diferente de aproveitar a fruta.
A questão não é apenas quantas ações diferentes ele consegue realizar. É como relaciona o objeto ao contexto, às experiências anteriores, aos objetivos e às possibilidades que identifica naquela situação.
O ser humano não precisa receber uma lista explícita de todas as maneiras possíveis de utilizar uma maçã para imaginar novos usos.
Esse exemplo ajuda a formular uma pergunta importante: até que ponto um sistema artificial consegue generalizar, adaptar-se a situações imprevistas e encontrar soluções que não foram antecipadas por seus desenvolvedores?
É importante reconhecer que sistemas modernos de IA também podem combinar conhecimentos e propor usos novos para objetos conhecidos. Portanto, o contraste não é absoluto. A questão mais profunda é se essa capacidade de produzir novas possibilidades equivale à compreensão humana ou se existe uma diferença qualitativa entre elas.
A máquina sabe o que é uma maçã ou apenas reconhece o conceito?
Aqui chegamos ao ponto central da discussão.
Um sistema de IA pode reconhecer uma maçã em uma fotografia, descrever seu sabor com base em informações aprendidas e sugerir dezenas de receitas. Pode até controlar um robô para preparar uma delas.
Essas são capacidades reais, que podem ser avaliadas por meio de testes e resultados observáveis.
Entretanto, o desempenho não responde automaticamente a todas as perguntas sobre compreensão. Reconhecer características de uma fruta, produzir uma descrição correta e manipular fisicamente o objeto não demonstram, por si só, que o sistema tenha uma experiência subjetiva da maçã ou compreenda seu significado da mesma maneira que um ser humano.
Isso não significa que toda atividade da IA seja mera repetição. Os modelos atuais conseguem generalizar padrões e produzir combinações que não aparecem literalmente nos exemplos de treinamento.
O problema está em transformar essa competência observável em uma conclusão definitiva sobre a natureza da inteligência.
Uma máquina pode apresentar resultados surpreendentes sem que saibamos exatamente até que ponto esses resultados correspondem a uma compreensão genuína.
A diferença entre informação, inteligência e sabedoria
Ter informação não é necessariamente compreender. Compreender não é necessariamente ter sabedoria.
Uma pessoa pode memorizar milhares de fatos e ainda assim tomar decisões ruins. Pode conhecer uma teoria sem conseguir aplicá-la adequadamente a uma situação real.
A sabedoria envolve questões adicionais, como julgamento, experiência, consideração das consequências e avaliação do que faz sentido em determinado contexto.
Por isso, medir a inteligência de um sistema apenas pela quantidade de informações processadas, pela velocidade de resposta ou pelo número de tarefas concluídas oferece uma visão incompleta do problema.
É necessário perguntar quais capacidades estão sendo avaliadas, como foram medidas e o que os resultados realmente permitem concluir.
A inteligência artificial consegue descobrir algo realmente novo?
Existe outra questão fundamental nessa discussão: de onde vem o conhecimento produzido pela inteligência artificial?
Os sistemas atuais são desenvolvidos a partir de grandes quantidades de dados, que podem incluir livros, artigos científicos, reportagens, imagens, vídeos, códigos de programação e outros conteúdos. Durante o treinamento, aprendem padrões presentes nesses materiais e utilizam o que aprenderam para produzir respostas e executar tarefas.
Isso levanta uma pergunta: se uma máquina aprende a partir do conhecimento produzido por seres humanos, até que ponto ela consegue ir além desse conhecimento?
É importante reconhecer que os sistemas de IA não se limitam a copiar e colar informações. Eles podem combinar conceitos, formular hipóteses, propor soluções inéditas e produzir resultados que não existiam exatamente daquela forma nos dados de treinamento.
Mas existe uma diferença entre produzir algo novo e descobrir algo verdadeiro sobre o mundo.
Uma resposta pode ser inédita e, ainda assim, estar errada. Uma hipótese pode parecer promissora, mas não resistir a testes. Uma combinação de ideias pode ser original sem representar uma descoberta científica relevante.
Uma descoberta exige mais do que novidade: é necessário investigar se o resultado corresponde à realidade, testar hipóteses e apresentar evidências que permitam verificar as conclusões.
Por outro lado, também seria incorreto afirmar que sistemas de IA são incapazes de contribuir para descobertas. Eles já são utilizados em pesquisas científicas para identificar padrões, sugerir moléculas, analisar dados e auxiliar na formulação de hipóteses. O significado dessas contribuições depende do problema, da validação dos resultados e do papel desempenhado pelos pesquisadores.
A questão mais profunda, portanto, não é apenas se uma máquina consegue produzir algo que nunca foi escrito antes. É se consegue investigar um problema de maneira confiável, avaliar as próprias hipóteses, reconhecer limitações e contribuir para a produção de conhecimento verificável.
Talvez o verdadeiro desafio não seja fazer uma máquina reproduzir todo o conhecimento humano, mas compreender até que ponto ela consegue transformar informação em descobertas confiáveis.
E isso nos leva novamente à pergunta central: estamos avaliando a inteligência pela capacidade de gerar resultados ou pela capacidade de compreender, investigar e descobrir?
O que a filosofia, a psicologia e a neurociência têm a dizer?
Essas áreas não oferecem uma definição única e consensual de inteligência, mas ajudam a examinar diferentes dimensões do problema.
A psicologia investiga capacidades como raciocínio, aprendizagem, resolução de problemas e adaptação a situações novas.
A neurociência estuda os mecanismos cerebrais envolvidos na percepção, na memória, na aprendizagem e na tomada de decisões.
A filosofia da mente questiona o que significa compreender, ter uma experiência subjetiva e possuir uma mente.
Já a psicanálise trabalha com teorias próprias sobre o inconsciente, o desejo e a formação da subjetividade. Suas contribuições não devem ser confundidas com um consenso científico sobre a definição de inteligência artificial.
Essas perspectivas não provam, em conjunto, que uma máquina seja incapaz de qualquer forma de inteligência. Elas mostram, porém, que reduzir toda a discussão à capacidade de processar dados deixa questões importantes sem resposta.
E se estivermos chamando de superinteligência algo que ainda não compreendemos completamente?
O termo superinteligência costuma descrever um sistema hipotético capaz de superar os seres humanos em uma ampla gama de capacidades cognitivas.
Essa definição pode ser útil quando falamos de desempenho: um sistema poderia superar pessoas em determinadas tarefas científicas, matemáticas ou computacionais.
Mas existe uma diferença entre afirmar que uma máquina supera os seres humanos em um conjunto de tarefas e afirmar que ela é superior à inteligência humana em todos os sentidos possíveis.
Para sustentar uma afirmação tão abrangente, seria necessário definir quais dimensões de inteligência estão sendo consideradas e como poderiam ser avaliadas.
É aqui que o debate precisa ser mais cuidadoso. A palavra “superinteligência” pode descrever uma hipótese tecnológica, mas não deve ser tratada como prova de consciência, sabedoria ou compreensão equivalente à humana.
A mudança de nome não responde à pergunta
O debate ganhou uma dimensão política nos Estados Unidos com a decisão de Donald Trump de adotar a terminologia "Superinteligência" nas comunicações oficiais abrangidas pela ordem executiva de 29 de setembro de 2026 e com o anúncio, em 4 de outubro, de Jay Clayton para liderar uma força-tarefa relacionada ao tema.
Esses acontecimentos colocam em discussão a maneira como o governo americano pretende tratar a tecnologia.
Mas mudar a terminologia oficial não altera, por si só, as capacidades dos sistemas existentes. A questão científica continua sendo a mesma: o que essas máquinas conseguem fazer, em quais condições conseguem fazer isso e o que seus resultados demonstram sobre suas capacidades?
A definição política de um termo e a demonstração científica de uma capacidade são coisas diferentes.
Estamos medindo inteligência ou desempenho?
Talvez a pergunta mais importante não seja apenas quem desenvolverá o modelo mais rápido, poderoso ou eficiente.
Talvez precisemos perguntar o que estamos tentando construir e quais critérios utilizamos para dizer que uma máquina é inteligente.
O exemplo da maçã mostra por que vale a pena investigar essa questão. Não basta observar que um sistema reconhece um objeto ou executa uma tarefa. Precisamos examinar sua capacidade de se adaptar, relacionar conhecimentos, lidar com situações imprevistas e produzir soluções que vão além de instruções específicas.
Mesmo essas capacidades, contudo, não resolvem automaticamente a questão da consciência ou da experiência subjetiva.
A inteligência humana continua sendo um fenômeno complexo, e a inteligência artificial precisa ser avaliada com critérios claros, sem exageros nem conclusões antecipadas.
Antes de disputar quem construirá a maior superinteligência, talvez devêssemos responder a uma pergunta mais básica: o que exatamente estamos chamando de inteligência?
Essa é uma discussão que não pertence apenas aos laboratórios de tecnologia. Ela também diz respeito à filosofia, à ciência e à maneira como compreendemos a nós mesmos.
