Coisas que descobrimos sobre IA em 2023
Os grandes modelos de linguagem em 2023 estão levando as pessoas a repensar tanto a inteligência artificial quanto a humana: até onde sistemas só de texto podem ir, o que eles revelam sobre a cognição humana em múltiplas camadas e se máquinas digitais poderão algum dia aproximar-se totalmente de cérebros analógicos. Os comentadores debatem questões técnicas e filosóficas como a credulidade em modelos, os limites das arquiteturas transformer, o significado de “IA” versus “AGI” e se os sistemas atuais realmente “entendem” ou são apenas ferramentas poderosas. Outros focam em impactos práticos, da geração de código e trabalho criativo a como os LLMs expõem vieses culturais e podem remodelar as ciências sociais e o nosso senso da singularidade da humanidade.
Inteligência Humana vs. Máquina
- Vários comentadores argumentam que os LLMs revelam o quanto a cognição humana depende da linguagem, mas também o quanto há além disso (pensamento visual, habilidades motoras, emoção, multimodalidade).
- Alguns descrevem o cérebro como multicamadas: algo parecido com um LLM, mais modelos de física do mundo, lógica e raciocínio simbólico.
- Histórias pessoais (lesão cerebral, TDAH, deficiências) são usadas para contrastar a flexibilidade e a compensação humanas com as capacidades estreitas dos LLMs baseadas em texto.
- Outros observam que muito do discurso humano cotidiano já se assemelha a uma “continuação estilo LLM” de roteiros bem gastos.
Analógico vs. Digital, Limites de Computação
- Um lado afirma que a inteligência humana é fundamentalmente analógica e vai além de uma emulação digital perfeita, invocando o argumento diagonal de Cantor e uma “barreira de cardinalidade”.
- Os opositores respondem que sistemas digitais podem aproximar processos físicos (reais computáveis) arbitrariamente bem; a questão é eficiência, não possibilidade.
- Há discordância sobre se a inteligência semelhante à do cérebro é, na prática, simulável ou apenas em princípio.
Crédulidade e Verdade
- Alguns acham que a credulidade pode ser mitigada por treinamento melhor (dados contrafactuais, RAG, comportamento de checagem de fatos).
- Outros argumentam que transformers não entendem de fato o significado, apontando comportamento inconsistente entre idiomas e sensibilidade à frequência de dados de treinamento contraditórios.
- Há amplo consenso de que os humanos também são crédulos, tornando a “robustez ideal” um alvo muito difícil.
Complexidade, “Caixa Preta” e Inteligência
- Observa-se que as arquiteturas centrais de LLMs são surpreendentemente pequenas (centenas de linhas) quando se assume stacks já existentes, embora críticos digam que isso obscurece o enorme ecossistema ao redor.
- Debate-se se os LLMs são “caixas pretas”: a matemática e o código são compreendidos, mas o comportamento emergente parecido com inteligência não é totalmente explicável.
- Alguns insistem que os LLMs são apenas ferramentas poderosas, não “inteligentes”, traçando analogias com motores de xadrez que jogam de forma desumana, “ruim”, apesar de serem imbatíveis.
IA vs. AGI, Terminologia e Impacto Social
- Persiste a discordância sobre se “IA” deve abranger ML/LLMs ou ser reservada para nível humano/AGI; muitos observam que IA historicamente sempre foi um termo amplo.
- Os LLMs são vistos como espelhos da cultura online: dados brutos de treinamento vs. guardrails posteriores destacam conflitos sociais e desejos de censura.
- A discussão toca em testes de Turing, zumbis filosóficos e se os sistemas atuais realmente desafiam o excepcionalismo humano ou apenas expõem limites de conceitos passados de inteligência.
LLMs para Código e Trabalho
- Alguns alertam que “basta rodar o código para ver se está correto” é enganoso; modelos mentais e revisão cuidadosa continuam essenciais.
- Outros relatam que LLMs ajudam significativamente na explicação, refatoração e escrita de testes, mas enfatizam a qualidade em vez da velocidade bruta.