Quão longe estamos do raciocínio dedutivo visual inteligente?
Os sistemas de IA estão melhorando rapidamente em tarefas visuais práticas — de etiquetar imagens a interpretar cenas complexas — mas ainda têm dificuldade em testes de raciocínio visual abstrato como as Matrizes Progressivas de Raven e o benchmark ARC, nos quais os humanos os superam amplamente. Os comentaristas debatem se os modelos multimodais atuais, construídos em grande parte sobre correspondência estatística de padrões, algum dia poderão alcançar inteligência geral semelhante à humana ou se o progresso vai estagnar sem um raciocínio simbólico e uma representação de conhecimento mais ricos. Outros destacam problemas como confiança falsa, saídas “bajuladoras” superficiais e o abismo entre demos impressionantes e o tipo de compreensão causal necessária para aplicações críticas de segurança, como carros autônomos.
Capacidades visuais atuais dos LLMs
- GPT-4-Vision e modelos semelhantes têm um desempenho surpreendentemente bom em tarefas práticas como etiquetar e legendar imagens.
- Eles conseguem descrever objetivamente pessoas em fotos quando direcionados para longe de linguagem subjetiva ou julgadora, embora os filtros de segurança possam ser “temperamentais”.
- Em cenas complexas (por exemplo, caminhão com banheiros químicos sob uma ponte baixa, conversível atrás), os modelos podem detectar perigo e às vezes o desfecho cômico, mas frequentemente precisam de pistas fortes e podem deixar passar elementos-chave (carga, viaduto, humor).
Limites do raciocínio dedutivo visual
- Os modelos tendem a responder mesmo quando estão incertos, muitas vezes produzindo racionalizações confiantes, porém sem sentido, em vez de admitir ignorância.
- Eles frequentemente falham em compreender a interação completa entre objetos ou a narrativa implícita (“o que está prestes a acontecer?” ou “o que há de engraçado aqui?”).
Confiança, correção e teoria da aprendizagem
- Discussão sobre como redes neurais poderiam estimar “confiança”: probabilidades dos tokens de saída, concordância entre sub-redes ou passagens repetidas, ou verificação externa de fatos.
- Vários comentários argumentam que, por projeto, modelos probabilísticos (PAC/BPP) não conseguem saber de forma confiável quando estão errados no caso geral.
- Há discordância sobre usar “Dunning–Kruger” como rótulo; alguns dizem que é uma metáfora aplicada de forma inadequada.
Arquiteturas e multimodalidade
- Os modelos atuais de visão-linguagem são vistos como sistemas “Frankenstein”, com módulos visuais separados alimentando embeddings em um LLM.
- Alguns defendem um único transformer decoder-only treinado conjuntamente em texto e tokens de imagem, esperando comportamentos mais ricos (SVG a partir de logotipos, melhor arte ASCII, código mais estruturado a partir de imagens).
- Vídeo continua difícil: os sistemas amostram alguns quadros, ao contrário de pilhas de direção autônoma que usam pipelines otimizados e específicos para a tarefa.
Inteligência estatística vs. simbólica
- Há um forte debate sobre se sistemas puramente estatísticos algum dia poderão atingir inteligência de nível humano.
- Críticos dizem que o ML atual é principalmente “compressão sofisticada” de pares (Q, A), não compreensão genuína nem modelagem causal.
- Outros respondem que os cérebros também podem ser enormes sistemas estatísticos sobre partículas; “tudo pode ser estatística”.
- Há apelos recorrentes por trabalho renovado em representação de conhecimento, raciocínio causal, sistemas híbridos simbólico-neurais e IA interpretável que produza argumentos.
Benchmarks e soluções específicas por tarefa
- Matrizes Progressivas de Raven e o benchmark ARC: humanos ≈80% vs. melhores modelos ≈25%.
- Heurísticas simples e feitas à mão (por exemplo, somas por linha/coluna, máscaras XOR) podem quase resolver alguns testes visuais de QI em poucas linhas de código, sugerindo que esses benchmarks podem ser “explorados” sem raciocínio semelhante ao humano.
- O GPT-4 se sai melhor em certas tarefas de raciocínio abstrato quando elas são reformuladas como problemas de texto em 1D.
- Modelos especializados de previsão de tokens de imagem podem lidar com tarefas no estilo RPM como inpainting, sugerindo que o formato da representação importa muito.
Direção autônoma e implicações no mundo real
- Alguns céticos anteriores da aprendizagem end-to-end para direção agora veem a capacidade emergente dos modelos visuais de prever “o que acontece a seguir” como evidência de que isso pode acabar funcionando.
- Outros observam as falhas atuais da condução autônoma e argumentam que decisões críticas para a segurança (por exemplo, trade-offs em colisões) exigem mais do que reconhecimento de padrões, levantando questões éticas e de projeto.
Criatividade e aplicações
- Os primeiros modelos de imagem às vezes produziam arte estranha, não humana; alguns lamentam que o progresso tenha empurrado os sistemas para imagens mais “seguras” no estilo troca de rostos, embora outros digam que ainda é possível obter saídas criativas.
- Casos de uso práticos incluem identificar objetos ambíguos do mundo real (por exemplo, veículos parcialmente submersos) por meio de grandes corpora visuais.