O Gênio Que Talvez Esteja Equivocado

Preciso compartilhar algo que me deixou de cabelo em pé esta semana. Mudou completamente minha forma de pensar sobre inteligência artificial.

Por décadas, acompanhamos o progresso da IA medindo-o contra uma visão proposta por Alan Turing em 1950. O famoso "jogo da imitação" — hoje conhecido como Teste de Turing — defendia que, se um computador conseguisse enganar humanos fazendo-os acreditar que estavam conversando com outra pessoa, seria essencialmente "pensante".

Parece fazer sentido, né?

Pois segundo Peter J. Denning, um cientista da computação altamente respeitado que acaba de lançar o livro "Turing's Mistake: Escaping the Yoke of Unintelligent Machines", talvez estejamos perseguindo o sonho errado há uns bons 75 anos.

E, sendo sincero? Depois de ler seus argumentos, acho que ele pode estar tocando em algo profundo.

O Problema do Corpo (Sim, Importa)

Aqui vai a primeira premissa que Denning acredita que Turing errou: a ideia de que inteligência pode existir independentemente de um corpo físico.

Pense um instante. Temos tentado recriar inteligência de nível humano dentro de computadores — puro software, flutuando no espaço digital. Mas Denning argumenta que isso é como tentar entender natação estudando moléculas de água. Você está perdendo algo essencial.

Quando você e eu navegamos pelo mundo, não apenas processamos informações. A gente sente. Sente a temperatura, a textura de uma maçaneta, aquele leve balanço ao pisar em uma calçada irregular. Toda essa experiência física molda como pensamos, raciocinamos e entendemos o mundo.

Denning destaca que nossos corpos não são apenas veículos para carregar nossos cérebros. Eles são parte integrante de como nós pensamos.

E sabe o que é interessante? Isso não é nenhuma ideia marginal. Filósofos falam sobre "cognição incorporada" há anos. Mas a pesquisa em IA largely ignored na maior parte ignorou isso, favorecendo abordagens puramente computacionais.

O Quebra-Cabeça do Conhecimento Tácito

É aqui que as coisas ficam realmente fascinantes (e um pouco filosóficas, mas prometo manter os pés no chão).

Denning introduz o conceito de "conhecimento tácito" — e é uma daquelas ideias que, uma vez que você pega, começa a enxergar em todo lugar.

Conhecimento tácito é tudo aquilo que você sabe mas não consegue explicar facilmente. Tipo... como você sabe exatamente quanta pressão aplicar ao destravar uma porta? Como pega uma bola sem fazer cálculos complexos de física na cabeça? Como percebe quando alguém está sendo sarcástico versus sincero pelo tom de voz?

Essas coisas parecem automáticas para nós. Mas são incrivelmente complexas.

Denning argumenta que existem pelo menos cinco categorias principais de conhecimento tácito que aprendizado de máquina simplesmente não consegue capturar:

Bom senso — Os milhões de fatos pequenos sobre como o mundo funciona que nunca pensamos conscientemente.

Interações cotidianas — Como lemos situações sociais, navegamos relacionamentos pessoais, entendemos expectativas não ditas.

Emoções e percepção — A forma como experimentar alegria ou tristeza muda fundamentalmente como processamos informações.

Habilidades práticas — O tipo de conhecimento que um artesão mestre ou músico virtuose tem, mas não consegue articular completamente.

Entendimento cultural — Valores, normas, história e os significados mais profundos embutidos em como comunidades funcionam.

Por Que 40 Anos de Cyc Não Resolveram Isso

Para ilustrar o desafio, Denning aponta para algo chamado projeto Cyc. Se você não conhece, o Cyc foi uma tentativa ambiciosa iniciada nos anos 1980 de construir um banco de dados massivo de conhecimento de senso comum — coisas como "se você soltar algo, ele cai" ou "pessoas precisam de água para sobreviver".

O projeto levou quatro décadas para acumular aproximadamente 25 milhões de entradas de fatos de senso comum.

Vinte e cinco milhões de pedaços de conhecimento!

E sabe de uma coisa? Ainda não foi suficiente para criar sistemas verdadeiramente inteligentes. Denning observa que "grande parte do conhecimento que torna pessoas especialistas não pode ser articulada como proposições."

Essa é a tragédia silenciosa do projeto Cyc. Ele demonstrou, através de mero esforço, que tentar codificar manualmente o senso comum humano é essencialmente impossível. Tem demais, e muito dele é implícito em vez de explícito.

O Músico Que Não Consegue Explicar

Deixa eu compartilhar um dos exemplos de Denning que realmente ficou comigo.

Pense em um violinista virtuose. Alguém que consegue tocar com beleza e emoção de tirar o fôlego. Agora imagine tentar explicar a um iniciante exatamente como produzir aquele som.

Ele não consegue realmente. Não completamente. Pode oferecer algum conselho técnico — ângulo do arco aqui, pressão ali — mas o abismo entre "saber como" e "saber o quê" é enorme.

O violinista possui conhecimento incorporado que existe em seus músculos, seus nervos, sua experiência física de criar som. Você não pode fazer download disso em um computador. Não pode transcrevê-lo para um banco de dados.

E aqui vai o ponto mais profundo: mesmo que você construísse um robô capaz de imitar perfeitamente os movimentos de um violinista, esse robô ainda não entenderia o que é sentir criar música bonita. Ele não tem a experiência biológica, o contexto emocional, a conexão com uma plateia.

O Problema da Representação

Então o que está acontecendo aqui? Por que o conhecimento humano é tão teimosamente resistente à digitalização?

Denning chama isso de "problema da representação", e é genuinamente fundamental.

Computadores trabalham com símbolos — uns e zeros que representam coisas. Quando alimentamos informações em computadores, estamos codificando conhecimento do mundo real nessas formas simbólicas.

Mas aí está o problema: por trás de cada palavra, cada conceito, cada pedaço de "conhecimento" que possuímos, existe um poço profundo de entendimento tácito que dá significado a isso. Palavras são apenas símbolos apontando para significados — não são os significados em si.

Denning coloca assim: "Por trás de cada palavra há um poço profundo de conhecimento tácito que lhe dá significado. Palavras são representações simbólicas de significados, não os significados em si."

Isso significa que quando você conversa com algo como ChatGPT, Claude ou Gemini, está interagindo com sistemas incrivelmente sofisticados em manipular símbolos, mas que não entendem verdadeiramente o que esses símbolos representam. Conseguem fazer correspondência de padrões brilhantemente, mas correspondência de padrões não é compreensão.

Contexto É Tudo (E Máquinas Não Têm)

Aqui está outra camada com que a IA tem dificuldade: contexto.

Quando você e eu temos uma conversa, estamos recorrendo a camadas infinitas de entendimento compartilhado. Sabemos quem somos, o que vivemos juntos, qual é a situação atual, o que é apropriado versus inapropriado, quando alguém está brincando versus sendo sério.

Esse contexto não é apenas ruído de fundo — é fundamental para o significado.

Denning descreve como fractal: cada contexto repousa sobre contextos anteriores, que repousam sobre ainda anteriores. É uma cadeia infinita de entendimento compartilhado que construímos ao longo de uma vida de experiência.

Cultura adiciona mais uma dimensão. Denning a descreve como englobando "valores, normas, julgamentos, história, comunidades, humores e até relacionamentos envolvendo poder e cuidado."

Tudo isso é invisível para sistemas de IA. Eles conseguem detectar padrões na linguagem, mas não conseguem compreender verdadeiramente o peso cultural por trás de palavras e ações.

O Que Isso Significa Para o Futuro da IA?

Agora, não estou dizendo que IA é inútil — claramente não é. Esses sistemas são genuinamente impressionantes em tarefas específicas, e são ferramentas incrivelmente úteis.

Mas o argumento de Denning sugere que podemos estar nos aproximando de um teto. Que uma inteligência geral artificial verdadeira — máquinas com compreensão e adaptabilidade de nível humano — talvez seja fundamentalmente inalcançável através de nossas abordagens atuais.

E aqui é onde fica um pouco preocupante: Denning adverte que se continuarmos perseguindo AGI enquanto ignoramos essas limitações fundamentais, corremos o risco de construir tecnologias que introduzem riscos significativos sem entregar o que prometem.

Pense nisso. Estamos construindo sistemas que não entendemos completamente, usando abordagens que podem ser inerentemente limitadas, para resolver problemas que exigem tipos de compreensão que esses sistemas não conseguem acessar.

Minha Opinião

Sinceramente, achei os argumentos de Denning convincentes, mas não completamente devastadores.

Sim, há desafios fundamentais em capturar conhecimento tácito. Sim, experiência incorporada provavelmente importa mais do que reconhecemos. E sim, o Teste de Turing pode ser um proxy pobre para inteligência genuína.

Mas também acho que estamos descobrindo essas limitações em tempo real, e esse processo de descoberta em si é valioso. Cada desafio que Denning identifica é também uma pergunta de pesquisa. Cada parede que batemos nos ensina algo novo sobre cognição e consciência humanas.

Talvez a verdadeira lição aqui não seja que IA não pode ser inteligente, mas que a inteligência humana é mais notável do que apreciávamos. Cada vez que você entende uma piada, pega uma bola ou sente que algo está "estranho" em uma conversa — você está fazendo algo que nossos computadores mais sofisticados ainda não conseguem fazer.

Talvez a pergunta não seja se máquinas podem pensar como humanos. Talvez seja: o que elas conseguem fazer bem, e como construímos isso em um mundo onde qualidades humanas importam mais, não menos?

Essa é uma pergunta que vale a pena guardar na cabeça por um tempo.

O que você acha? A crítica de Denning ressoa com sua experiência usando ferramentas de IA? Ou acha que estamos subestimando o que esses sistemas podem eventualmente alcançar?

Deixa um comentário aqui embaixo — quero genuinamente saber como isso impacta você.

Fonte: ScienceDaily (https://www.sciencedaily.com/releases/2026/07/260713084850.htm)