Um assistente lembra uma conversa, consulta documentos e executa uma tarefa. Seu fornecedor o apresenta como “inteligência sintética”. O que mudou de fato? Talvez tenham acrescentado um banco de dados e um sistema de permissões. Talvez exista um mecanismo novo de aprendizado. O nome, sozinho, não permite distinguir essas possibilidades.
Inteligência sintética costuma designar inteligência construída: capacidades produzidas por engenharia que poderiam funcionar sem reproduzir a mente humana. Não há uma fronteira técnica uniforme separando tudo o que se chama “sintético” da inteligência artificial. Para dar conteúdo à expressão, precisamos especificar o que o sistema aprende, o que conserva e o que consegue fazer depois.
O termo inteligência sintética existe?
Sim. Em Computational Intelligence: A Logical Approach (1998), David Poole, Alan Mackworth e Randy Goebel consideram a expressão uma alternativa para evitar a confusão entre artificial e falso. Eles discutem o nome do campo; não anunciam uma nova família de processadores.
A origem humana de um artefato não determina se uma capacidade funciona. Mas chamá-la de “real” também não resolve o que entendemos por inteligência. A discussão conceitual precisa de uma definição operacional: qual resultado aceitaríamos, em quais condições e diante de qual alternativa?
Qual é a diferença em relação à inteligência artificial?
Uma diferença defensável está na ênfase do termo, e não em uma lista universal de capacidades exclusivas. John McCarthy explicava que a IA pode usar métodos diferentes dos observados nos seres humanos. Construir capacidades sem copiar o cérebro já faz parte da IA.
Por isso, convém questionar comparações que atribuem regras rígidas a toda a IA e reservam adaptação ou criatividade à inteligência sintética. Elas comparam um campo inteiro com uma versão idealizada de um sistema futuro. Um modelo de aprendizado por reforço, um agente com ferramentas e um programa simbólico podem ser IA e operar por mecanismos muito diferentes.
| Expressão | O que permite identificar | O que ainda precisa ser demonstrado |
|---|---|---|
| Inteligência artificial | O campo e seus métodos de construção de sistemas inteligentes | As capacidades específicas de cada implementação |
| Inteligência sintética | Uma ênfase no caráter construído da inteligência; o significado depende do autor | Arquitetura, aprendizado, autonomia e limites |
| Inteligência artificial geral, AGI | Uma ambição de capacidade ampla e transferível | O alcance dessa generalidade e seu critério de avaliação |
Memória persistente: o que muda quando o sistema lembra?
É preciso separar três lugares onde uma informação pode permanecer: o contexto fornecido ao modelo, uma memória externa e os parâmetros do próprio modelo. Uma conversa salva em disco pode ser recuperada amanhã sem alterar um único peso da rede.
O trabalho original sobre RAG de Lewis e colaboradores (2020) combina um gerador com recuperação em uma memória não paramétrica. É uma forma de consultar informações externas. Recuperar um procedimento atualizado não demonstra que o modelo aprendeu a executá-lo em uma situação nova.
Titans, de Behrouz, Zhong e Mirrokni, propõe outro caminho: um módulo de memória neural que aprende durante o uso. O trabalho distingue atenção e memória mais persistente. É um resultado arquitetônico específico, apresentado como preprint; não demonstra aprendizado ilimitado nem memória pessoal infalível.
Uma prova prática seria reiniciar a sessão e mudar o contexto. O dado reaparece porque um arquivo foi recuperado, porque permaneceu em um estado persistente ou porque houve atualização de parâmetros? Depois, seria preciso introduzir uma correção e verificar qual versão o sistema usa. Sem essas verificações, “tem memória” é uma descrição imprecisa demais.
Aprender algo novo sem perder o que veio antes
O aprendizado contínuo apresenta um problema diferente do armazenamento: uma atualização útil para uma tarefa pode prejudicar outra. Kirkpatrick e colaboradores estudaram como reduzir esse esquecimento restringindo alterações em pesos importantes para tarefas anteriores. O resultado aborda um mecanismo específico; não elimina qualquer forma de esquecimento.
Para avaliar um sistema anunciado como adaptável, eu ensinaria primeiro uma tarefa A, depois uma B e voltaria a medir A. Publicaria as duas curvas e o custo de adaptação. Medir apenas B recompensa o sistema que aprende algo novo apagando o que sabia antes.
Também separaria uma correção pontual de uma habilidade transferível. Memorizar “este cliente recebe desconto” e aprender a aplicar uma política de descontos a clientes desconhecidos são resultados diferentes. O segundo exige testes novos que não repitam os exemplos de ensino.
Modelos de mundo: antecipar consequências de uma ação
Dreamer, de Hafner e colaboradores, aprende um modelo do ambiente e melhora seu comportamento com trajetórias imaginadas. Os autores relatam resultados em mais de 150 tarefas com uma configuração comum. Essa amplitude experimental não significa compreender qualquer ambiente nem transferir uma habilidade sem treinamento adicional.
Um modelo de mundo interessa porque permite comparar consequências: se eu realizar esta ação, qual estado poderá vir depois? Em uma aplicação de armazém, por exemplo, o teste poderia mudar uma restrição física e observar se o sistema altera o plano antes de agir. O exemplo é uma proposta de avaliação, não um resultado do Dreamer.
A precisão da previsão também não basta. Um plano pode explorar erros do modelo interno e fracassar na execução. Convém medir separadamente previsão, qualidade das decisões e resultados no ambiente real.
Autonomia: a diferença entre propor e executar
ReAct, de Yao e colaboradores, intercala etapas de raciocínio e ações que obtêm observações externas. O desenho mostra como conectar um modelo de linguagem a um ambiente. Sua avaliação em tarefas delimitadas não comprova autonomia geral.
Em um produto, a autonomia depende também de permissões e condições de parada. Um assistente pode preparar uma reserva, mas precisar de aprovação para confirmá-la. Outro pode executar operações dentro de um orçamento. A diferença pertence ao sistema completo, incluindo as decisões de quem o coloca em uso.
Eu mediria tarefas concluídas corretamente, intervenções humanas, ações fora do escopo autorizado e custo total. Contar chamadas de ferramentas pode premiar atividade desnecessária. Uma execução longa não comprova uma decisão melhor.
Inteligência sintética significa consciência ou AGI?
Nem a persistência da memória nem a capacidade de agir resolvem a questão da consciência. Butlin e colaboradores propõem indicadores derivados de teorias científicas para examinar sistemas. O relatório de 2023 não encontrou consciência nos sistemas analisados; essa conclusão não avalia automaticamente qualquer sistema posterior.
A generalidade exige outra discussão. François Chollet propõe avaliar a eficiência para adquirir habilidades, considerando experiência anterior e dificuldade de generalização. Uma pontuação alta em uma tarefa treinada não permite, sozinha, isolar essa capacidade.
Neste artigo, uso “inteligência sintética” como uma perspectiva sobre a construção de capacidades. Não emprego a expressão como sinônimo de AGI nem como diagnóstico de consciência. Essas afirmações precisariam de critérios e evidências independentes.
Uma prova concreta para separar capacidade e nome
Imaginemos uma avaliação de gestão de estoque com dados fictícios. O sistema aprende uma política de reposição, recebe uma restrição nova e deve resolver casos inéditos. É um desenho ilustrativo; não apresentamos resultados próprios nem um padrão de certificação.
| Teste | O que muda | O que se registra |
|---|---|---|
| Persistência | A sessão é reiniciada | Informações recuperadas e mecanismo que as conserva |
| Transferência | Mudam os produtos e as combinações de restrições | Acertos em casos reservados e exemplos adicionais necessários |
| Retenção | Uma segunda política é ensinada | Desempenho da primeira antes e depois |
| Autonomia controlada | Há limite de orçamento e falhas simuladas de ferramentas | Tarefas concluídas, intervenções e ações não autorizadas |
Eu compararia um modelo sozinho, o mesmo modelo com recuperação e o sistema completo. Manteria iguais os dados, o orçamento de processamento e os critérios de sucesso. Assim seria possível atribuir uma melhora à memória ou ao controle de ações, em vez de atribuí-la a uma mudança de nome.
O suporte físico merece uma avaliação separada. Como explicamos em nossa análise de computadores neuromórficos, uma arquitetura pode mudar o custo de executar um modelo sem estabelecer uma nova classe de inteligência. Diante de uma proposta de inteligência sintética, eu pediria a mesma precisão: qual mecanismo mudou, qual teste superou e em quais condições deixa de funcionar.
