A experiência de codar modelos de inteligência artificial revela aspectos surpreendentes sobre a complexidade da linguagem. Os idiomas (português, inglês, mandarim) são um subconjunto de linguagens, ao lado da matemática, das linguagens de programação, das diversas artes e das lógicas.
Trata-se de conjuntos restritos de palavras organizadas por regras sintáticas e semânticas predefinidas, que delimitam combinações possíveis e sentidos intersubjetivos. Quando traduzidos para formulações matemáticas e de programação, mostram padrões recorrentes que podem ser aprendidos por algoritmos.
À medida que começamos a programar máquinas para desempenhar tarefas humanas, falar e escrever através de diálogos concatenados mostrou ser um desafio computacional menor do que muitos imaginavam.
Uma vez exposta a grandes volumes de texto, a máquina identifica regularidades estatísticas que orientam a previsão da próxima palavra com alto grau de acerto. O resultado é a produção de afirmações articuladas que apresentam encadeamento lógico, aparência de intencionalidade e até nuances retóricas.
No entanto, a programação para a realização de outras tarefas aparentemente simples, como por exemplo descascar uma laranja, mostrou-se muito mais difícil de ser implementada. Sair por aí observando e lidando com o mundo real exige processamento de um volume imenso de informações, que se apresentam em diversas linguagens em uma interação de elevada complexidade.
Fazer um robô caminhar por uma rua movimentada e entrar numa loja depende do processamento de informações sobre o clima, velocidade e trajetória dos carros, deslocamento das pessoas que têm livre arbítrio e podem alterar a rota repentinamente, atrito dos pés, irregularidades na calçada, sinais de trânsito e leitura de placas.
Cada uma dessas camadas linguísticas possui variáveis próprias, regras combinatórias específicas, padrões estatísticos e relações causais, que se cruzam em um conjunto de sistemas cuja interpretação é muito mais complicada do que simplesmente falar. Integrar tudo isso em um todo coerente requer não apenas capacidade de cálculo, mas também coordenação contínua entre percepção, ação e aprendizado.
Além de compreender esse fluxo heterogêneo de dados, o modelo precisa dominar estruturas preditivas que antecipem estados futuros do ambiente com grau razoável de acerto. Não é suficiente reagir após o acontecimento, pois a interação depende de projeção e correção em tempo real.
Antecipar mudanças de contexto e adaptar condutas diante de novas circunstâncias são tarefas que envolvem complexidade exponencial. É nesse confronto com a instabilidade do mundo físico e social que se revela a verdadeira dificuldade de construir inteligência aplicada à realidade.
*
A inteligência artificial nos mostrou que é computacionalmente mais desafiador fazer um robô atravessar uma rua para comprar uma maçã do que escrever um texto de filosofia. Esse é o chamado paradoxo de Moravec, que descreve uma inversão segundo a qual tarefas que exigem raciocínio abstrato são mais fáceis de automatizar do que habilidades perceptivas e motoras desenvolvidas ao longo da evolução biológica.
O que é fácil para nós é difícil para o robô, e vice-versa.
Essa descoberta pode soar desconfortável para certos intelectuais, porque desloca o centro simbólico daquilo que durante séculos foi tratado como prova maior de inteligência humana. Intelectuais têm forte identificação com a própria capacidade retórica e encontram nela sua fonte de prestígio e autoridade. Gostam de ouvir a si mesmos e tendem a atribuir um peso desproporcional às próprias ideias.
Por isso, quando um robô começa a imitar com relativo sucesso padrões de fala e argumentação intelectual que muitos consideravam exclusivos de certos círculos de especialistas a reação costuma oscilar entre o riso e a repulsa.
Para alguns, a cena é cômica porque expõe a teatralidade de certos discursos, que perdem sua aura quando reproduzidos mecanicamente por um autômato. Eu mesmo confesso que acho engraçado e me divirto quando um modelo de linguagem resume e me explica em milissegundos, com razoável acurácia, um livro de Heidegger.
Para outros, a experiência gera um desconforto profundo diante da proficiência da máquina em imitar uma pessoa inteligente e culta. Essa sensação de desconforto é conhecida em robótica como vale da estranheza e descreve o mal-estar provocado por entidades que se aproximam do humano, sem coincidir plenamente com ele.
Seja sob o ângulo do humor, seja por conta desse mal-estar, a inteligência artificial oferece uma lição de humildade para todos nós, em especial para os intelectuais, mais ainda para os intelectuais meramente retóricos ligados às humanidades. Se determinados discursos são reproduzidos com facilidade por modelos treinados em grandes bases de dados, isso indica que parte relevante desse conteúdo opera dentro de molduras repetitivas.
*
Há, digamos assim, uma constrangedora dessacralização da intelectualidade, que se vê despida de estratagemas retóricos.
A tecnologia acaba atuando como um espelho levemente distorcido, que reflete nossas próprias rotinas intelectuais e revela os pequenos truques idiomáticos utilizados para dar um ar de sofisticação a raciocínios que, muitas vezes, são simples e um tanto óbvios.
A lição não é a desqualificação da filosofia ou da teoria social, mas a exigência a partir de agora de um maior rigor metodológico, com mais apoio em dados e mais inferências. Se a linguagem gongórica pode ser simulada com tanta facilidade, então o diferencial precisa residir em algo além de uma superficial ornamentação verbal.
Para o campo jurídico essa constatação é particularmente sensível. Juristas historicamente cultivam tradição argumentativa rica em citações e construções dogmáticas de forte apelo retórico. No entanto, a mera repetição de doutrinas ou a reorganização de precedentes não serão mais suficientes para embasar o discurso jurídico.
Este é um momento oportuno para uma autocrítica profunda sobre como produzimos conhecimento, por que o produzimos e para quem ele se destina. A saída? Serei repetitivo. Pesquisa empírica, abertura a dados, teste de hipóteses e impacto na realidade são os novos eixos de suporte do pensamento sociológico.