Onde está o limite das capacidades da IA atual

O poder computacional para treinar modelos de linguagem hoje é discutido no nível de chefes de Estado, e não apenas nos conselhos de administração das empresas de tecnologia. A corrida pela liderança em IA virou um fator geopolítico, comparável em peso ao controle de tecnologias nucleares. Mas, por trás dessa agitação, há uma pergunta fundamental que o setor prefere ignorar: existe um teto de princípio para o que a inteligência artificial, na forma atual, é capaz de fazer?

Para responder, é preciso antes esclarecer a terminologia. Genrikh Altshuller, inventor e metodólogo soviético, criador da teoria de resolução de problemas de invenção (TRIZ), fazia uma distinção clara entre dois tipos de problemas. O primeiro são os problemas rotineiros. Eles podem ser enormemente complexos do ponto de vista computacional, exigir terabytes de dados e meses de trabalho de supercomputadores, mas sua solução está inteiramente dentro do sistema de conhecimento já existente. Em essência, são tarefas de busca e combinação do que a humanidade já sabe. É justamente aqui que os modelos de linguagem atuais mostram resultados impressionantes: eles vasculham, sintetizam e adaptam o conhecimento existente com uma velocidade e em uma escala inacessíveis à mente humana.

O segundo tipo são os problemas inventivos. É o território em que não basta encontrar uma resposta no espaço do conhecido: é preciso sair dele. Criar uma nova abstração, descobrir uma regularidade que ninguém formulou antes ou propor uma solução que contradiz as ideias aceitas. É aqui que começa a parte mais interessante, e a mais inquietante para quem acredita na inevitabilidade de uma IA "forte".

Os grandes modelos de linguagem atuais, apesar do desempenho impressionante, funcionam por generalização estatística de padrões dos dados de treinamento. Eles não "entendem" no sentido em que um ser humano entende: reconhecem estruturas e as reproduzem com variações. Isso os torna ferramentas brilhantes para tarefas rotineiras de qualquer complexidade, de escrever código a partir de modelos conhecidos a diagnosticar doenças com base em dados médicos acumulados. Mas, quando se trata de uma descoberta genuína, de enxergar o que não está nos dados, o modelo chega a um beco sem saída epistemológico. Ele não consegue sair do espaço de conhecimento em que foi treinado.

É claro que se pode objetar que os modelos às vezes produzem resultados inesperados e até "criativos". É verdade, mas essa "criatividade" é combinatória, não invenção. Um modelo pode conectar duas áreas distantes do conhecimento de forma pouco óbvia, e o resultado pode parecer um lampejo de genialidade. No entanto, um conhecimento realmente novo, que não seja recombinação do existente, exige outro mecanismo cognitivo. Qual seria ele é uma pergunta que nem a neurociência nem a filosofia da mente conseguem responder.

As consequências práticas dessa distinção são enormes. Empresas e governos que investem bilhões em IA precisam avaliar com sobriedade quais problemas terão de resolver. Se o objetivo é automatizar, otimizar ou escalar processos existentes, os modelos de linguagem darão conta, e cada ano melhor. Mas, se a aposta é que a IA faça uma descoberta científica fundamental ou crie uma tecnologia radicalmente nova sem participação humana, as expectativas provavelmente estão infladas. Pelo menos com a arquitetura atual dos modelos.

Há ainda um nível mais profundo do problema. A corrida dos LLMs entre Estados cria uma ilusão perigosa: quem construir primeiro o modelo mais poderoso terá vantagem estratégica em tudo. Mas, se existe um teto epistemológico, ampliar o poder computacional traz apenas ganho quantitativo nas tarefas rotineiras, e não um salto qualitativo rumo à superinteligência de máquina. Isso não diminui a importância da IA: a automação do trabalho rotineiro, por si só, transforma a economia e a sociedade. Mas significa que a inteligência humana, capaz de inventar de verdade, continua sendo um recurso insubstituível.

A questão dos limites da IA não é uma sentença contra a tecnologia, mas um convite a uma conversa honesta sobre sua natureza. Quanto melhor entendermos o que as máquinas podem e o que não podem fazer, mais eficazmente conseguiremos construir uma simbiose entre inteligência humana e de máquina. E, talvez, seja essa simbiose, e não a corrida por um modelo onipotente, o verdadeiro avanço da próxima década.