A linguagem é a coisa mais humana que possuímos, uma ferramenta que usamos para compartilhar pensamentos, sentimentos e planos uns com os outros. No entanto, apesar de a usarmos todos os dias, a maioria de nós não consegue explicar como ela realmente funciona ou o que realmente significa quando dizemos uma palavra como "vermelho". Sabemos a cor quando a vemos, mas não conseguimos defini-la facilmente sem apontar para o mundo ao nosso redor. Essa lacuna entre usar a linguagem e compreender sua mecânica é o enigma central enfrentado pelos cientistas que estudam como as máquinas aprendem a falar. Por décadas, pesquisadores tentaram ensinar computadores a entender o significado alimentando-os com lógica, regras ou vastas quantidades de texto. Mas uma nova perspectiva sugere que essas máquinas estão sentindo falta de algo fundamental: a experiência física de estar vivo. Para entender por que um computador pode soar como uma pessoa, mas não pensar como uma, devemos observar como os humanos aprendem a linguagem quando crianças e comparar isso com a forma como os sistemas de inteligência artificial são construídos hoje.

Este artigo, escrito por Casey Kennington, da Universidade de Boise, serve como um guia através das diferentes maneiras pelas quais os cientistas tentaram definir e computar o significado. O autor argumenta que, embora a inteligência artificial moderna, especificamente os poderosos modelos por trás de ferramentas como o ChatGPT, possa imitar a conversa humana com um realismo surpreendente, eles não entendem a linguagem da mesma forma que os humanos. O artigo explora três formas principais pelas quais os pesquisadores tentaram ensinar as máquinas sobre o significado: usando lógica estrita, conectando palavras a experiências físicas e analisando como as palavras aparecem próximas umas das outras no texto. Kennington descobre que, embora o terceiro método — aprender a partir de padrões de texto — seja atualmente o mais bem-sucedido na produção de fala fluente, ele deixa um vazio crítico. Máquinas treinadas apenas em texto nunca viram uma maçã vermelha, sentiram o peso de uma cadeira ou experimentaram o alívio de beber água. Sem essas conexões físicas e emocionais, as palavras que elas processam permanecem como símbolos não ancorados, carecendo do significado profundo e vivido que os humanos possuem.

Para entender o problema, deve-se primeiro observar como os humanos aprendem. Quando uma criança aprende a palavra "cachorro", ela não começa com uma definição de dicionário. Ela aprende através da interação. Um pai aponta para um animal peludo, a criança olha para ele, e a palavra é ligada à visão, ao som e ao toque do animal. Esse processo depende de atenção compartilhada e presença física. A criança aprende que as palavras se referem a coisas reais no mundo, e que essas coisas têm usos específicos, como sentar em uma cadeira ou chutar uma bola. Essa conexão entre uma palavra e a realidade física que ela descreve é chamada de ancoragem (grounding). Para os humanos, o significado não é apenas uma lista de definições; está ligado aos nossos corpos, aos nossos sentidos e às nossas emoções. Sabemos o que é "sede" porque a sentimos, e sabemos o que é uma "cadeira" porque nos sentamos em uma.

Por muito tempo, cientistas da computação tentaram ensinar máquinas a entender a linguagem usando lógica formal, semelhante à matemática usada na engenharia. Eles tratavam as palavras como variáveis em uma equação, onde "grande", "cinza" e "elefante" poderiam ser combinados para criar uma afirmação lógica sobre um animal específico. Essa abordagem funciona bem para computadores porque é precisa e inequívoca. No entanto, ela falha quando se trata do mundo real e caótico. Um computador seguindo essas regras pode saber que um "elefante cinza" é um elefante que é cinza, mas ele não sabe como é o cinza ou como é a sensação de um elefante. Ele tem a estrutura do significado, mas não a substância. O artigo aponta que essa abordagem atinge um limite porque a máquina não tem como saber a que as palavras realmente se referem no mundo físico.

Outra abordagem, conhecida como semântica ancorada, tenta corrigir isso conectando as palavras a dados sensoriais. Nessa visão, um computador deveria aprender o que "vermelho" significa olhando fotos de objetos vermelhos, ou o que "chutar" significa vendo um vídeo de um pé atingindo uma bola. A ideia é que, se uma máquina puder ver e tocar o mundo, ela poderá construir um dicionário de significados que corresponda à experiência humana. Embora este seja um passo promissor, o artigo observa que é difícil de implementar. A maioria dos sistemas atuais ainda depende fortemente de texto e, mesmo quando utilizam imagens, muitas vezes perdem a gama completa da experiência humana, como o cheiro, o tato ou a sensação de memória muscular. Uma máquina pode reconhecer a foto de uma cadeira, mas não conhece o alívio de sentar-se após uma longa caminhada.

O método mais dominante na inteligência artificial moderna é chamado de semântica distributiva. Essa abordagem baseia-se em uma ideia simples: você pode entender uma palavra observando a companhia que ela mantém. Se a palavra "maçã" aparece frequentemente perto de palavras como "vermelha", "fruta" e "torta", o computador aprende que "maçã" está relacionada a esses conceitos. Ao analisar bilhões de frases, esses sistemas constroem um mapa onde palavras com significados semelhantes estão localizadas próximas umas das outras. Este método levou à criação de grandes modelos de linguagem que podem escrever histórias, responder perguntas e traduzir idiomas com uma fluência incrível. Esses modelos são treinados em vastas quantidades de texto da internet, aprendendo a prever a próxima palavra em uma frase com base nas palavras que vieram antes.

No entanto, o artigo argumenta que esse sucesso vem com um custo oculto. Como esses modelos aprendem apenas através de texto, eles nunca experienciam o mundo diretamente. Eles nunca viram um pôr do sol, provaram um morango ou sentiram a dor de um dedo batido no móvel. Eles sabem que "maçã" está relacionada a "vermelho" porque viram essas palavras juntas em livros e artigos, mas não sabem como o vermelho se parece ou qual é o gosto de uma maçã. O autor usa o exemplo de perguntar a um modelo de linguagem se ele já viu uma maçã. O modelo dirá verdadeiramente que não, porque nunca viu nada. Ele apenas processou os símbolos. Isso cria uma situação em que a máquina pode falar sobre o mundo perfeitamente, mas não entende o mundo. É como uma pessoa que leu todos os livros sobre natação, mas nunca tocou na água.

O artigo também destaca o papel da emoção e da intenção na linguagem humana. Quando falamos, não estamos apenas trocando dados; estamos expressando sentimentos, desejos e objetivos. Uma criança aprende a falar porque tem a necessidade de se comunicar com os outros, para obter ajuda ou para compartilhar alegria. Esse impulso está ligado aos nossos corpos e às nossas emoções. Os modelos de linguagem atuais não possuem sentimentos ou intenções. Eles não sentem fome, cansaço ou curiosidade. Eles não falam porque querem; eles falam porque foram programados para prever a próxima palavra. O autor sugere que, sem esses impulsos internos e conexões emocionais, as máquinas sempre terão dificuldade em compreender os significados mais profundos e sutis da linguagem que os humanos dão como certos.

A conclusão do artigo é que, embora a inteligência artificial tenha feito progressos notáveis no processamento da linguagem, ela ainda não resolveu o problema da compreensão do significado. Os modelos atuais são ferramentas poderosas que podem imitar a conversa humana, mas carecem da experiência incorporada que dá peso real às palavras. Para avançar, o autor sugere que precisamos combinar as forças de diferentes abordagens. Precisamos de sistemas que não apenas analisem textos, mas que também possam interagir com o mundo físico, sentir emoções e ter intenções. Até que as máquinas possam experienciar o mundo da mesma forma que os humanos, sua compreensão da linguagem permanecerá incompleta. Elas continuarão sendo excelentes no uso das palavras, mas nunca saberão verdadeiramente o que essas palavras significam.