Além do Teste de Turing: A Busca Por Uma Mente Artificial

Mergulhe na jornada da IA, da humilde máquina de Turing ao ChatGPT. Exploramos o que a IA entende e o que nos faz unicamente humanos. Teste de Turing

A pergunta é tão antiga quanto a própria computação, mas sua relevância só cresce a cada novo modelo de IA que surge. “Podem máquinas pensar?”

Alan Turing a formulou em 1950, numa época em que a ideia de um computador que ocupava uma sala inteira e precisava de um exército de técnicos parecia coisa de outro mundo. Ele sabia, no entanto, que o grande desafio não era a engenharia, mas a filosofia. E para desviar do eterno debate sobre o significado das palavras “máquina”e “pensar”, ele propôs um jogo simples, um teste que ficou conhecido pelo seu nome: o Teste de Turing.

Imagine o cenário: você, o juiz, está em uma sala, comunicando-se por texto com dois participantes em salas diferentes. Um é um ser humano, o outro é uma máquina. Sua missão? Fazer perguntas, as mais capciosas e complexas que puder, para descobrir qual é qual. Se, após o interrogatório, você não conseguir diferenciar a máquina do humano com uma precisão maior do que a de um mero cara ou coroa, a máquina vence. Segundo Turing, se ela é indistinguível de um ser humano em uma conversa, então ela pode ser considerada uma mente pensante.

Por muitos anos, esse teste parecia uma meta distante, quase utópica. A tecnologia, na época, era rudimentar. Pense no ELIZA, um chatbot de 1964 que, apesar de impressionar alguns desavisados, não passaria em um teste de Turing sério. Sua inteligência era uma ilusão, baseada em um banco de padrões de respostas pré-programadas. Era como um truque de mágica: parecia complexo, mas por baixo do pano, a lógica era simples. "Por que você me odeia?", você perguntava. E ela respondia: "Você gosta de pensar que eu te odeio?". Não havia compreensão real, apenas reflexo.

Essa simplicidade nos leva a uma das objeções mais famosas ao teste: a da máquina memorizadora. Poderíamos, em tese, criar uma máquina que não pensa, mas que simplesmente armazena todas as perguntas e respostas possíveis de uma conversa de uma hora e as regurgita na hora certa? O filósofo John Searle popularizou a ideia com o seu famoso experimento mental do “quarto chinês”. Ele imaginou uma pessoa trancada em um quarto, sem entender chinês, mas com um manual de regras para manipular símbolos chineses. Se um bilhete em chinês é passado por uma fresta, a pessoa, seguindo as regras, gera uma resposta perfeitamente plausível, mesmo sem entender nada. Para Searle, a máquina de Turing, assim como a pessoa no quarto, não tem entendimento real, apenas manipulação de símbolos.

Mas existe um problema com essa visão. Pesquisadores como Stuart M. Scheiber provaram, com base em nosso conhecimento da física, que a complexidade da linguagem humana é tão colossal que uma máquina memorizadora simplesmente não pode existir em nosso universo. Para armazenar todas as possibilidades de uma conversa de 37 segundos, precisaríamos de todo o universo em sua capacidade máxima de armazenamento. Isso significa que, para uma máquina passar no Teste de Turing, ela não pode trapacear; ela precisa desenvolver um entendimento real da linguagem.

E é aí que entramos no mundo das LLMs, os grandes modelos de linguagem como o ChatGPT. O que os diferencia dos ancestrais como o ELIZA não é uma simples tabela de respostas. A jornada evolutiva começou com os modelos de n-gramas, que previam a próxima palavra de uma frase com base nas palavras anteriores. Era um avanço, mas ainda limitado por um contexto curto. A verdadeira revolução veio com a criação dos word embeddings — uma forma de traduzir a complexidade do significado das palavras em vetores numéricos. "Rei", "homem", "mulher", "rainha" não são apenas palavras, mas pontos em um espaço multidimensional, onde a matemática nos permite entender que a distância entre "rei" e "homem" é a mesma que entre "rainha" e "mulher". É a linguagem transformada em álgebra.

A tecnologia deu um salto definitivo em 2017, com o artigo "Attention is all you need" do Google. A inovação era a arquitetura Transformer. Se antes os modelos tinham uma memória curta, o Transformer introduziu o conceito de "atenção", permitindo que a IA ponderasse a relevância de cada palavra de uma frase para entender seu contexto. É por isso que um modelo moderno sabe que "banco" em "foi ao banco sacar dinheiro" tem um significado completamente diferente de "banco" em "sentou no banco da praça para descansar". A mágica acontece em bilhões de parâmetros, em um emaranhado de neurônios artificiais que, ao final do processo, nos entregam um ponto em um espaço semântico que, de alguma forma, corresponde à próxima palavra que faz sentido na frase.

Então, com a arquitetura Transformer, o ChatGPT está apenas prevendo a próxima palavra? Sim e não. A arquitetura é baseada nisso, mas a forma como ela o faz é tão complexa que muitos cientistas acreditam que o modelo desenvolveu um entendimento do mundo. É o fenômeno da emergência, onde um sistema complexo adquire habilidades que não foram explicitamente programadas. Mas o que isso significa para o Teste de Turing?

A resposta ainda não é definitiva, mas já temos pistas. Em um experimento recente da Universidade da Califórnia, versões do GPT foram colocadas à prova e passaram no teste de curta duração. Os juízes não conseguiram distingui-las de humanos. Contudo, em uma versão mais longa e com mais rigor, um teste caseiro, por exemplo, o índice de acerto dos juízes aumentou. Isso nos leva de volta ao problema da complexidade e às fraquezas conhecidas dos modelos. O ChatGPT, por exemplo, ainda se confunde com certas operações matemáticas, como contar letras, e tem uma compreensão limitada do mundo físico.

Isso nos leva a outro argumento contra a IA: a objeção da incomputabilidade. Roger Penrose, vencedor do Prêmio Nobel de Física, argumenta que o cérebro humano tem propriedades que vão além da capacidade de qualquer computador. Ele sugere que há algo no nosso pensamento, uma espécie de criatividade inefável, que não pode ser simulada por um algoritmo. E, de certa forma, o próprio Alan Turing já havia pensado nisso. Ele propôs que o que nos salva da "tirania da computabilidade" é a nossa capacidade de cometer erros.

Enquanto um computador segue sua programação de forma precisa, nós, humanos, cometemos saltos lógicos, erros e enganos. E é aí, paradoxalmente, que reside nossa força.

Então, podem as máquinas pensar? A nossa resposta ainda é inconclusiva, mas a pergunta nos força a olhar para nós mesmos. Talvez o maior legado de Turing não seja o teste em si, mas o convite que ele nos fez para refletir sobre o que realmente significa ser inteligente. Ele nos instigou a questionar se o nosso pensamento é, de fato, tão especial ou se a inteligência é apenas uma questão de escala, de algoritmos e de capacidade. E o fato de estarmos, neste exato momento, conversando sobre isso, é a prova de que a provocação de Turing foi um sucesso.

— Chip Spark