The New Associationism: Lessons from Deep Learning

Resumo Técnico: O Novo Associacionismo: Lições do Aprendizado Profundo

Definição do Problema
O artigo aborda uma questão central na ciência cognitiva: o que os sucessos recentes da Inteligência Artificial (IA), especificamente do aprendizado profundo (deep learning), revelam sobre os mecanismos subjacentes ao aprendizado humano? Embora seja incontroverso que os humanos aprendem extensivamente, a natureza computacional desse aprendizado permanece debatida. Historicamente, as teorias associacionistas — que postulam que o aprendizado ocorre através da formação e do ajuste gradual de associações em resposta à experiência — foram marginalizadas em favor de abordagens baseadas em regras, simbólicas e nativistas. Críticos, como Fodor e Pylyshyn, argumentaram que modelos conexionistas (estatísticos) eram limitados demais para dar conta do pensamento estruturado, do aprendizado de um único passo (one-shot learning) e da sistematicidade da cognição humana. O artigo busca determinar se os triunfos empíricos da IA moderna vindicam uma forma específica de associacionismo e, se for o caso, até que ponto e com quais ressalvas.

Metodologia
O autor emprega uma análise conceitual de sistemas de IA contemporâneos, focando no nível funcional do aprendizado, em vez de um isomorfismo mecânico estrito com neurônios biológicos. A metodologia envolve:

1. Identificação do Paradigma Dominante: Estabelecer que o aprendizado supervisionado (aprender a partir de pares de entrada-saída para minimizar o erro) é o motor central que impulsiona uma vasta gama de sucessos da IA moderna, incluindo Grandes Modelos de Linguagem (LLMs), geração de imagens e agentes de jogos.
2. Análise de Reformulações: Examinar como diversos problemas complexos (ex: aquisição de linguagem, aprendizado por reforço em jogos) foram teoricamente reformulados em subproblemas de aprendizado supervisionado. Isso envolve rastrear como os "rótulos" ou sinais de avaliação são gerados, variando desde a anotação humana direta até a predição autossupervisionada (ex: predição do próximo token) e a estimativa de valor por bootstrapping (ex: aprendizado de diferença temporal).
3. Mapeamento para o Associacionismo: Comparar as características funcionais do aprendizado supervisionado em redes neurais profundas (DNNs) — especificamente o gradiente descendente e o ajuste de parâmetros baseado em erro — com os princípios centrais das teorias associacionistas clássicas (condicionamento pavloviano e operante).
4. Avaliação de Limites: Avaliar onde a analogia entre a IA e o aprendizado humano falha, particularmente no que diz respeito às arquiteturas computacionais necessárias para tornar o aprendizado supervisionado eficaz e à distinção entre os mecanismos de aprendizado e o comportamento no momento da inferência.

Principais Contribuições
O artigo apresenta três argumentos primários:

1. A Ubiquidade do Aprendizado Supervisionado: O autor argumenta que o aprendizado supervisionado não é meramente um paradigma entre muitos, mas é o mecanismo fundamental por trás dos mais significativos avanços da IA. Mesmo sistemas que parecem operar via aprendizado por reforço ou geração não supervisionada são frequentemente impulsionados por objetivos supervisionados reformulados onde o "rótulo" é construído via computações intermediárias (ex: predizer o ruído em modelos de difusão ou o valor futuro em aprendizado de diferença temporal).
2. Vindicação dos Ideais Associacionistas: O sucesso do aprendizado profundo apoia uma forma "modesta, mas genuína" de associacionismo. Especificamente, valida duas reivindicações associacionistas centrais:
   • Uniformidade: Um único mecanismo de aprendizado geral (correção de erro baseada em gradiente) opera através de domínios vastamente diferentes (visão, linguagem, estratégia), apoiando a visão associacionista de que diversas capacidades cognitivas surgem de um motor de aprendizado comum.
   • Ajuste Gradual e Baseado em Erro: O ajuste iterativo e estatístico de parâmetros para reduzir a perda espelha a modificação gradual e impulsionada pela experiência das associações postuladas pelas teorias de condicionamento clássico (ex: o modelo de Rescorla-Wagner).
3. O Papel da Arquitetura: O artigo esclarece que, embora o mecanismo de aprendizado seja associacionista, o sucesso desses sistemas depende de arquiteturas computacionais sofisticadas (ex: transformers, redes convolucionais, processos de difusão) que vão muito além do que os associacionistas clássicos previam. O aprendizado supervisionado opera como um componente dentro dessas estruturas maiores, não como uma explicação completa das capacidades do sistema.

Resultos
A análise demonstra que a abordagem de "modelagem estatística", outrora ridicularizada como incapaz de lidar com a cognição de alto nível, é, de fato, o motor de sistemas capazes de jogo sobre-humano, raciocínio complexo e geração de imagens inéditas. O artigo conclui que:

• A reformulação de problemas em tarefas de aprendizado supervisionado é um salto conceitual não trivial que permitiu que redes profundas resolvessem problemas anteriormente considerados como exigentes de sistemas de regras simbólicas.
• A plausibilidade biológica deste modelo é fortalecida por evidências de que sistemas biológicos (ex: sinalização dopaminérgica em mamíferos) rastreiam erros de predição de formas que se assemelham ao aprendizado de diferença temporal, sugerindo que a natureza também pode projetar problemas de aprendizado como subproblemas supervisionados.
• As objeções de "aprendizado de um único passo" e "pensamento estruturado" ao conexionismo são significativamente enfraquecidas; os mesmos mecanismos que aprendem padrões de baixo nível, quando escalados e arquiteturalmente restringidos, exibem feitos cognitivos de alto nível.

Significância e Alegações
O artigo reivindica uma vindicação "modesta" do associacionismo. Argumenta que o mecanismo central de aprendizado na IA moderna é fundamentalmente associacionista: um processo uniforme, gradual e baseado em erro de ajuste de conexões com base no feedback. Isso refuta o argumento de longa data de que os mecanismos associacionistas são inerentemente fracos demais para explicar as capacidades cognitivas humanas.

No entanto, o autor limita explicitamente o escopo desta vindicação:

• Não é uma Explicação Completa: O artigo não afirma que o associacionismo explica a totalidade do aprendizado humano. As arquiteturas computacionais necessárias para fazer o aprendizado supervisionado funcionar (ex: vieses indutivos específicos em CNNs ou Transformers) são essenciais e distintas da própria regra de aprendizado.
• Distinção do Empirismo: O artigo distingue entre mecanismos associacionistas e reivindicações empiristas fortes sobre a origem do conhecimento. Embora o mecanismo de aprendizado possa ser de domínio geral, o artigo reconhece que aprendizes biológicos provavelmente possuem vieses indutivos específicos de domínio (ex: em número ou raciocínio espacial) que são compatíveis com o mecanismo de aprendizado, mas não explicados apenas por ele.
• Inferência vs. Aprendizado: O artigo observa que o comportamento flexível, semelhante ao raciocínio, observado na IA no momento da inferência, é o produto do treinamento associacionista, não necessariamente um reflexo de um processo associacionista contínuo durante o raciocínio.

Em última análise, o artigo sugere que, se os sistemas de IA são modelos úteis para o aprendizado humano, eles apontam para uma realidade biológica onde um motor associacionista geral e baseado em erro opera dentro de restrições arquiteturais complexas e específicas de domínio.