Comentário a “Por trás da inteligência artificial: uma análise das bases epistemológicas do aprendizado de máquina”
Garibaldi Sarmento[1]
Referência do artigo comentado: ARÃO, Cristian. Por trás da inteligência artificial: uma análise das bases epistemológicas do aprendizado de máquina. Trans/form/ação: Revista de Filosofia da Unesp, Marília, v. 47, n. 3, e02400163, 2024. Disponível em: https://revistas.marilia.unesp.br/index.php/transformacao/article/view/15196.
Cristian Arão, em seu artigo intitulado “Por trás da inteligência artificial: uma análise das bases epistemológicas do aprendizado de máquina”, publicado nesta revista, afirma que “[...] será demonstrado como a indução e a matematização funcionam como base epistemológica da inteligência artificial e como algumas das limitações dessa tecnologia podem ser explicadas através das debilidades dos métodos que a sustentam” (Arão, 2024, p. 01, itálicos meus). Não obstante, o autor não está, estrito senso, apresentando uma demonstração, no referido artigo, pois deveríamos, para esse propósito, considerar uma análise tanto lógico-matemática quanto do ponto de vista de uma refutação metodológica, no âmbito da ciência da computação, conforme foi enfatizado em Sarmento (2004). Em princípio, as “debilidades” assinaladas são passíveis de correção, se admitirmos a priori a construção de um sistema maximal consistente como base de conhecimento para o modelo de learning machines.
Em um artigo publicado na Revista Perspectiva Filosófica, em 2004, intitulado “Inteligência artificial, indecidibilidade e transcomputabilidade”, eu propus uma abordagem crítica acerca dos fundamentos lógico-epistêmicos da Inteligência Artificial, na qual alguns aspectos de ordem formal e técnica - os quais fundamentam e demarcam o campo de investigações na área de Inteligência Artificial - foram tratados.
Gostaria de observar inicialmente que, no âmbito das ciências empíricas, métodos de análise estatístico-probabilística são utilizados frequentemente na investigação de fenômenos do mundo físico. Não podemos, simplesmente, prescindir de uma lógica indutivo-probabilística, na prática científica. E, certamente, não devemos ignorar algumas de suas limitações formais, quando a comparamos com as lógicas dedutivas, como, p. ex., a lógica matemática clássica. Vale lembrar que, no caso da primeira, a conclusão (de um argumento indutivo) pode, eventualmente, ser falsa e suas premissas verdadeiras, o que não é admissível, no caso da segunda, pois, a falsidade da conclusão é incompatível com a veracidade das premissas. No caso de uma lógica indutivo-probabilística, no entanto, podemos estabelecer uma medida de probabilidade de certeza da conclusão associada à inferência indutiva.[2]
Outro ponto a ser reconhecido, ao contrário da linha argumentativa do autor supracitado, refere-se ao fato de que os modelos matemáticos são imprescindíveis para as teorias físicas; são esses modelos que permitem estabelecer uma interpretação empírica dos enunciados teoréticos e, consequentemente, validar (ou não) as teorias físicas. Para um esclarecimento sobre a relevância epistêmica da abordagem modelo-teorética ,na física atual, veja-se, p. ex., Bunge (1974).
Sem propor, neste ensaio, uma discussão de caráter técnico e formal, apresento, em linhas gerais, alguns pontos direcionados à questão da utilização de uma lógica indutivo-probabilística para os “Large Language Models” (LLM’s) construídos com base nas “redes neuronais” que possibilitam, por sua vez, o processo de aprendizagem de máquinas.
Em primeiro lugar, algumas das áreas da ciência da computação diretamente relacionadas com os desenvolvimentos das LLM’s são a linguística computacional, a neurociência computacional e a computação quântica e, em especial, a teoria algorítmica da informação. Em ambas as áreas destacadas, métodos algorítmicos de inferência estatística são amplamente usados.
Uma das subáreas da teoria algorítmica da informação é denominada complexidade de Kolmogorov, que trata de conceitos essenciais para os métodos estatístico-probabilísticos de inferência; esse campo de estudo enseja um tratamento rigoroso do conceito de aleatoriedade, recorrendo-se a métodos algorítmicos, como, p. ex., o algoritmo de “probabilidade de Solomonoff”. Outro método específico para sistemas de aprendizado de máquinas, via redes neuronais, é o emprego da chamada Lógica Bayesiana[3]. De um modo geral, há várias técnicas metodológicas algorítmicas que permitem um tratamento computacional rigoroso (e passível de correção) de abordagens probabilístico-estatísticas aplicáveis no desenvolvimento dos sistemas de IA.
Sob uma perspectiva filosófica, a teoria do conhecimento compatível com o desenvolvimento desses sistemas de IA é a abordagem epistêmica reducionista proposta por Lehrer (1990), na qual o conceito de conhecimento se reduz, estritamente, ao conceito de informação. Lehrer admite que a explicação do conhecimento[4], na acepção de informação, pressupõe que
1. P aceita a informação que s;
2. A informação que s seja correta;
3. A aceitação da informação que s seja justificada.
em que “P” e “s” são variáveis, “P” designa qualquer indivíduo e “s” denota qualquer informação que possa ser obtida. Dessa forma, “P sabe que s” expressa o “reconhecimento da correção da informação”. A justificativa (ou a comprovação) da informação é o aspecto central da análise epistêmica, haja vista que esse procedimento deveria ser, em princípio, entendido como uma “medida” entre uma “forte razoabilidade e não como certeza completa”, como defende Lehrer. Isso significa que a justificação, do ponto de vista da lógica indutivo-probabilística, está delimitada entre a razoabilidade e a certeza completa (o conceito de “certeza” significa aqui uma forte evidência de caráter comprobatório, dadas as condições suficientes em um certo tempo t, para a confirmação da correção da informação). Em termos probabilísticos, quanto mais próximo de 1 estiver a correção da informação, maior o grau de certeza de sua confirmação.
A teoria algorítmica da informação (subárea da teoria da informação), a qual se encontra na interseção da teoria da computabilidade de Turing e da teoria da informação clássica de Shannon, poderia servir de fundamento computacional para a abordagem advogada por Lehrer, no que tange ao conceito de informação e, consequentemente, justificar que as LLM’s processam (e geram) conhecimento sobre o “mundo físico” de modo análogo ao ser humano.
A questão filosófica principal, nesse caso, se “desloca” para o nível de autonomia que os sistemas cibernéticos de IA poderiam ter para agir de modo independente da intervenção humana. Trata-se de uma questão que, sem dúvida, requer uma reflexão mais aprofundada.
Até o presente momento, no entanto, esses sistemas cibernéticos não exibem efetivamente uma capacidade de autocorreção e tomada de decisões, de maneira interativa e autônoma.
Aqueles que defendem uma abordagem dessa espécie, i.e., que os sistemas cibernéticos de IA podem gerar conhecimento, não podem ignorar que a IA estará sempre limitada – com respeito à sua capacidade cognitiva – em virtude do teorema de incompletude de Chaitin (uma versão do metateorema de incompletude da Aritmética de Gödel)[5]. E, por conseguinte, a IA não pode ultrapassar a capacidade cognitiva do ser humano.
Referências
ARÃO, C. Por trás da inteligência artificial: uma análise das bases epistemológicas do aprendizado de máquina. Trans/form/ação: Revista de Filosofia da Unesp, Marília, v. 47, n. 2, e02400163, 2024. Disponível em: https://revistas.marilia.unesp.br/index.php/transformacao/article/view/15196
BUNGE, M. Teoria e Realidade. São Paulo: Perspectiva, 1974.
COSTA, N. C. A. da. Lógica indutiva e probabilidade. São Paulo: EDUSP – Hucitec, 1993.
LEHRER, K. Theory of Knowledge. New York. Westview, 1990.
SARMENTO, G. Estudo das consequências epistemológicas do teorema de Gödel e do problema da palavra para semigrupos em inteligência artificial. 1995. Dissertação (Mestrado) – UFSCar, São Carlos, SP, 1995.
SARMENTO, G. Inteligência artificial, indecidibilidade e transcomputabilidade. Perspectiva Filosófica, v. I, n. 21, p. 179-209, 2004.
Recebido: 10/05/2024 – Aprovado: 20/05/2024 – Publicado: 05/07/2024
[1] Professor Associado do Departamento de Filosofia da Universidade Federal da Paraíba (UFPB), João Pessoa, PB – Brasil. ORCID: https://orcid.org/0000-0002-9242-3945. E-mail: garibaldi.sarmento@academico.ufpb.br.
[2] Ver Costa (1993), para uma abordagem filosófica e um tratamento axiomático.
[3] Consultar a entrada da Stanford Encyclopedia of Philosophy, para uma exposição introdutória acerca do Teorema de Bayes e da epistemologia bayesiana.
[4] Uma abordagem fundamentada na teoria da coerência para a justificação do conhecimento.
[5] Veja Sarmento (1994) para uma discussão lógico-epistêmica sobre o tópico.