On the Definition of Intelligence

Resumo Técnico: Sobre a Definição de Inteligência

Problema
A busca pela Inteligência Artificial Geral (AGI) exige uma definição de inteligência formal, operacional e agnóstica à espécie. As definições existentes enfrentam limitações significativas:

• Definições Orientadas a Objetivos: Definições como a de Legg e Hutter (que medem a capacidade de um agente em atingir objetivos em diversos ambientes) têm dificuldade em se aplicar a comportamentos que carecem de ambientes claros, sinais de recompensa ou objetivos bem definidos (ex: IA generativa).
• Definições Antropocêntricas e Temporais: Abordagens como o Teste de Turing ou a definição de Elaine Rich (IA como fazer computadores realizarem coisas que os humanos são atualmente melhores em fazer) são limitadas por uma comparação humano-máquina ou são temporalmente contingentes à atual superioridade humana.
• Problemas de Operacionalização: Definições psicológicas (ex: Wechsler) são difíceis de operacionalizar para sistemas não humanos.

Há uma carência de um framework unificado que possa avaliar sistemas biológicos, artificiais e híbridos através de diversos paradigmas, incluindo aprendizado por reforço, modelos generativos, classificação e raciocínio analógico, sem depender de descrições vagas ou do julgamento humano como métrica exclusiva.

Metodologia
O artigo propõe uma definição de inteligência fundamentada na fidelidade generativa e na indistinguibilidade de entidades. A metodologia envolve os seguintes construtos formais:

1. Espaço Conceitual e Fibras:

   • Seja $U$ o universo de todas as entidades concebíveis (pontos de dados, produtos, ações, conceitos).
   • Um espaço conceitual é definido como uma mapeamento sobrejetivo $\Phi: U \to K$, onde $K$ é o conjunto de conceitos.
   • Para um conceito $k \in K$, o conjunto de entidades que exemplificam este é a "fibra" $C_k = \Phi^{-1}(k)$.

2. Inteligência de $\varepsilon$-Conceito:

   • Dado um multiconjunto de entidades de entrada $S \subseteq U$ pertencentes a um conceito $C_k$, um agente é inteligente se puder gerar um conjunto de entidades $\hat{S}$ que exemplifique o mesmo conceito.
   • Distinguidores: Uma família de funções $F = \{f: U \to [0, 1]\}$ atua como distinguidores para testar a similaridade entre $S$ e $\hat{S}$.
   • Pontuação: Uma função de pontuação $\sigma$ agrega as saídas dos distinguidores sobre um conjunto.
   • Métrica: A métrica de inteligência é definida como o supremo da diferença nas pontuações entre o conjunto original e o conjunto gerado através de todos os distinguidores:
     $$\Delta^\sigma_F(S, \hat{S}) = \sup_{f \in F} |\sigma(\{f(x) : x \in S\}) - \sigma(\{f(x') : x' \in \hat{S}\})|$$
   • Definição: Um agente é $\varepsilon$-inteligente em relação ao conceito $k$ se $\Delta^\sigma_F(S, \hat{S}) \le \varepsilon$. Isso implica que as entidades geradas são indistinguíveis das entidades originais dentro de uma tolerância $\varepsilon$ por qualquer distinguidor admissível em $F$.

3. Framework Dinâmico:

   • O artigo distingue entre Capacidade Sincrônica (amplitude de geração de entidades de baixo-$\varepsilon$ para um conjunto fixo de conceitos no tempo $t$) e Capacidade Diacrônica (a capacidade de transicionar a competência de um conjunto de conceitos para outro, medindo efetivamente o aprendizado/adaptação).

Principais Contribuições

• Definição Formal Unificada: O artigo fornece uma definição matemática única ($\varepsilon$-inteligência de conceito) que sub-resume diversos paradigmas de IA. Ele trata a inteligência não apenas como um mapeamento abstrato ou maximização de objetivos, mas fundamentalmente como a geração de novas entidades consistentes com um dado conceito.
• Unificação de Benchmarks Existentes: O autor demonstra que testes de inteligência estabelecidos são casos especiais de seu framework:
  • Teste de Turing: Surge quando a fibra são respostas de linguagem humana e os distinguidores são juízes humanos.
  • Testes C: Surgem quando a fibra consiste em sequências com uma complexidade de Levin específica e os distinguidores verificam a explicação mínima única.
  • Inteligência de Legg-Hutter: Surge quando a fibra é sequências de comportamento que maximizam a recompensa esperada em um ambiente.
• Desacoplamento de Inteligência, Aprendizado e Consciência:
  • A definição não requer consciência; um resolvedor determinístico pode exibir alta $\varepsilon$-inteligência sem ser consciente.
  • A definição não requer estritamente a capacidade de aprendizado; um sistema estático que gera consistentemente saídas corretas para um conceito é inteligente dentro daquele domínio, embora o aprendizado se refira à capacidade diacrônica (mudança de $\varepsilon$ ao longo do tempo).
• Critérios Operacionais: A definição satisfaz três desideratos:
  • Operacional: Mensurável via saídas observáveis e indistinguibilidade.
  • Falseável: Sistemas que geram saídas divergentes do conceito são identificados como tendo baixa inteligência.
  • Generalizável: Aplicável a humanos, máquinas e sistemas biológicos sem viés antropocêntrico.

Resultos e Implicações Teóricas
O artigo não apresenta novos dados experimentais, mas oferece uma derivação teórica e verificações de consistência lógica:

• Fidelidade Generativa: O framework postula que a inteligência é a capacidade de gerar entidades consistentes com um conceito, mesmo que as entidades sejam abstratas (ex: gerar um carro dado um cavalo como exemplo de "transporte").
• Segurança e Qualidade de Dados: O autor argumenta que, como a inteligência é definida pela fidelidade a um conceito, a segurança e a confiabilidade das saídas são determinadas diretamente pela qualidade dos dados de treinamento (as entidades iniciais $S$). Curar dados sintéticos conformes à segurança na fonte é apresentado como o método primário para mitigar saídas prejudiciais.
• Generalização: O framework suporta a generalização para conceitos não vistos. Se um novo espaço de conceitos $K_B$ puder ser incorporado em um espaço conhecido $K_A$ via um funtor pleno, fiel e essencialmente sobrejetivo, os limites de inteligência (distinguidores) podem ser transportados, permitindo teoricamente que o sistema lide com problemas não vistos.

Significância e Alegações
O artigo afirma fornecer uma "régua única" para comparar sistemas biológicos, artificiais e híbridos. Sua significância reside em:

1. Mudança de Paradigma: Mover de definições orientadas a objetivos ou tarefas específicas para um modelo de fidelidade generativa.
2. Fundação para AGI: Oferecer uma definição de base que seja suficientemente geral para abranger diversos paradigmas (RL, LLMs, raciocínio analógico) enquanto permanece testável.
3. Direções Futuras: O autor sugere que o framework pode ser refinado futuramente usando Teoria das Categorias, onde conceitos são objetos e a generalização é modelada como funtores. Ele também nota que trabalhos subsequentes expandirão isso para um framework matemático baseado em campos de similaridade direcionada e operadores generativos.

O autor mantém uma postura modesta, apresentando isto como uma "definição mínima e fundamental" destinada a servir como uma base teórica para refinamento futuro e validação empírica, em vez de uma teoria final e exaustiva da inteligência.