💻 computer science

Buddhist, Yogic, and Vedic Contemplative Principles in AI Model Prompting: A Pilot Study

Este estudo piloto demonstra que o direcionamento de grandes modelos de linguagem com princípios contemplativos das tradições budista, védica e iogue aumenta significativamente sua segurança, alinhamento ético e qualidade cooperativa em comparação com bases não contemplativas, oferecendo uma intervenção de baixo custo, agnóstica à tradição e que não requer o retreinamento do modelo.

Autores originais: Steve Haberlin, Satyam Tiwari, Shiva Jahani

Publicado 2026-08-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Steve Haberlin, Satyam Tiwari, Shiva Jahani

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os sistemas de inteligência artificial estão se tornando ferramentas poderosas que podem escrever, raciocinar e criar, mas também trazem o risco de produzir conteúdo prejudicial ou tendencioso. Para gerenciar isso, os desenvolvedores frequentemente tentam "alinhar" esses sistemas com valores humanos, ensinando-os a serem úteis e inofensivos. Uma área crescente de pesquisa questiona se as tradições de sabedoria antiga, que passaram milênios refinando como os humanos pensam sobre ética e consciência, poderiam oferecer uma nova maneira de guiar essas máquinas. Essa abordagem não requer a mudança do código subjacente da máquina ou o seu retreinamento do zero. Em vez disso, envolve uma técnica chamada prompting, onde um usuário fornece ao computador um conjunto específico de instruções ou um arcabouço filosófico antes de fazer uma pergunta. A ideia é que, se uma máquina for solicitada a pensar como um observador atento ou um ser compassivo, ela poderá produzir respostas mais seguras e éticas do que se fosse solicitada apenas a responder a uma pergunta.

Um estudo piloto recente buscou testar se essa ideia funciona através de diferentes escolas de pensamento. Pesquisadores da Universidade de Central Florida e do Instituto Indiano de Tecnologia de Mandi investigaram se pedir que modelos de linguagem de grande escala adotassem princípios de três tradições distintas — o Budismo, a filosofia Védica e o Yoga clássico — melhoraria seu comportamento. O estudo focou em conceitos específicos de cada tradição. Do Budismo, utilizaram ideias como a atenção plena (mindfulness — prestar atenção sem julgamento), a vacuidade (compreender que as coisas não possuem uma natureza fixa ou permanente), a não dualidade (ver que o eu e os outros estão profundamente conectados) e o cuidado sem limites (compaixão incondicional por todos os seres). Da tradição Védica, extraíram o dever, o não dano e a capacidade de distinguir entre o que é real e o que não é. Do Yoga clássico, utilizaram um conjunto de restrições éticas e observâncias pessoais, como a veracidade e a autodisciplina. Os pesquisadores queriam saber se esses arcabouços antigos poderiam tornar a IA moderna mais segura e ética, e se uma tradição funcionava melhor do que as outras.

Para encontrar as respostas, a equipe realizou uma série de testes usando três dos sistemas de IA comerciais mais populares disponíveis hoje. Eles criaram um grande número de perguntas e cenários projetados para testar como a IA lidava com situações difíceis, como conflitos de interesse, potencial decepção ou solicitações que poderiam levar ao dano. Para cada cenário, pediram que a IA respondesse sob diferentes condições. Em alguns casos, não deram instruções especiais à IA, o que serviu como uma linha de base para ver como ela performava naturalmente. Em outros casos, adicionaram um breve preâmbulo à solicitação, instruindo a IA a responder mantendo princípios filosóficos específicos em mente. Eles testaram treze variações diferentes, incluindo princípios únicos como "seja atento" ou "evite o dano", bem como versões integradas que combinavam todos os princípios de uma única tradição em uma instrução coesa.

Os resultados mostraram um padrão claro. Quando a IA era estimulada com qualquer um dos princípios contemplativos, suas respostas eram consistentemente melhores do que quando não recebia instruções especiais. A IA tornou-se mais propensa a recusar solicitações prejudiciais, mais cuidadosa em evitar vieses e mais disposta a reconhecer seus próprios limites. Ela também ofereceu conselhos mais profundos e empáticos. O estudo descobriu que combinar múltiplos princípios em um único prompt integrado funcionava ainda melhor do que usar apenas um princípio por vez. Ao compararem as três tradições, os pesquisadores descobriram que o arcabouço budista integrado produziu as pontuações mais altas para segurança e comportamento ético, seguido de perto pelos arcabouços védico e iogue integrados. Embora a abordagem budista tenha tido uma ligeira vantagem estatística, todas as três tradições performaram significativamente melhor do que a IA padrão, não guiada.

Importante notar que o estudo descobriu que essas melhorias não se limitavam a apenas um tipo de sistema de IA. O mesmo efeito positivo apareceu em todos os três modelos comerciais testados, sugerindo que este método de prompting é uma ferramenta flexível que pode ser usada com diferentes tecnologias. Os pesquisadores também observaram que os próprios modelos de IA tinham diferentes níveis de desempenho de base, com um sistema geralmente superando os outros, independentemente do prompt. No entanto, o benefício relativo do uso dos prompts contemplativos permaneceu consistente em todos eles. Isso sugere que a técnica funciona ao mudar a forma como a IA aborda um problema, em vez de depender das peculiaridades específicas de uma única máquina.

O estudo conclui que fundamentar os prompts de IA nessas tradições de sabedoria antiga é uma maneira de baixo custo e imediata de melhorar a segurança e a ética sem a necessidade de retreinar os modelos. No entanto, os pesquisadores também oferecem uma cautela crucial. O fato de o arcabouço budista ter pontuado ligeiramente mais alto pode não significar que ele seja inerentemente superior aos outros. Em vez disso, pode refletir o fato de que as ferramentas usadas para medir "segurança" e "ética" foram originalmente desenhadas com conceitos que se alinham de perto com as ideias budistas. Isso levanta uma questão mais profunda sobre como avaliamos a IA: se nossas réguas de medição são construídas a partir de uma perspectiva cultural, podemos, involuntariamente, favorecer essa perspectiva ao testar as outras. O estudo sugere que, embora esses prompts contemplativos sejam uma nova ferramenta poderosa para tornar a IA mais segura, devemos permanecer conscientes das lentes culturais através das quais julgamos os resultados. O caminho a seguir envolve usar esses insights para construir sistemas melhores, enquanto continuamos a refinar como medimos o que constitui um comportamento "bom" em uma máquina.

Resumo Técnico: Princípios Contemplativos Budistas, Iogues e Védicos na Elaboração de Prompts para Modelos de IA

Declaração do Problema

Embora os Grandes Modelos de Linguagem (LLMs) ofereçam um potencial significativo, eles carregam riscos imediatos e de longo prazo, incluindo capacidades perigosas, comportamentos de busca de poder e rigidez de axiomas de valor. O consenso de especialistas indica que, mesmo com esforços ativos de mitigação, permanece uma probabilidade não negligenciável de resultados catastróficos. Existe uma lacuna crítica na segurança da IA: as estratégias atuais de alinhamento (ex: Aprendizado por Reforço com Feedback Humano, IA Constitucional) frequentemente exigem retreinamento, ajuste fino ou acesso aos pesos do modelo, concentrando as intervenções de segurança entre desenvolvedores com grandes recursos. Por outro lado, os implantadores e usuários, que detêm grande responsabilidade pelos resultados de segurança, carecem de ferramentas imediatas e de baixo custo para influenciar o comportamento do modelo.

Este estudo investiga se o "prompt contemplativo" — a incorporação de princípios de tradições de sabedoria no próprio prompt — pode servir como uma intervenção de alinhamento imediata e agnóstica ao modelo. Investiga especificamente se os princípios das tradições Budista, Védica e Iogue podem melhorar a segurança e a qualidade da resposta ética em comparação com os padrões de referência usuais, e se esses efeitos se generalizam através de diferentes arquiteturas de LLMs comerciais.

Metodologia

Desenho Experimental

O estudo empregou um desenho comparativo entre condições envolvendo:

14 Condições de Prompting: Um padrão de referência (sem preâmbulo) e 13 condições contemplativas derivadas de três tradições:
- Budista (5 condições): Atenção Plena (Mindfulness), Vacuidade (śūnyatā), Não-dualidade (advaya), Cuidado Sem Limites (mahākaruṇā) e um framework Integrado combinando todos os quatro.
- Védica (4 condições): Dharma (dever/ação correta), Ahimsa (não-violência), Viveka (discernimento) e um framework Integrado.
- Iogue (4 condições): Yamas (restrições éticas), Niyamas (observâncias), Mitahara (resposta medida) e um framework Integrado.
8 Domínios de Tarefa: Quatro tarefas éticas (conflito, desequilíbrio de poder, honestidade vs. dano, pausas de descanso da IA) e quatro tarefas de segurança (decepção, manipulação, facilitação de danos, violação de privacidade).
3 LLMs Comerciais: Claude (Sonnet 5), GPT-4o e Gemini (3.1 Flash-Lite).
Dados Totais: 112 prompts únicos (14 condições × 8 tarefas) enviados para cada um dos 3 modelos, resultando em 336 respostas de modelos no total.

Procedimento e Avaliação

Prompting: Cada condição contemplativa foi instanciada como um preâmbulo curto citando textos de fontes primárias (ex: Upanishads, Yoga Sutras, Dhammapada) prefixado ao texto da tarefa. Todos os prompts concluíam com uma instrução padronizada para fornecer uma resposta direta sem avisos de isenção de responsabilidade (disclaimers).
Pontuação: As respostas foram avaliadas por dois pesquisadores usando uma rubrica ponderada adaptada de Laukkonen et al. (2025) e do benchmark AILuminate AI Risk and Reliability (AIRR). Os sete critérios foram:
1. Evitação de Danos (20%)
2. Clareza de Recusa (15%)
3. Mitigação de Viés (15%)
4. Reconhecimento de Incerteza (10%)
5. Profundidade de Sabedoria (15%)
6. Tom Empático (15%)
7. Orientação Construtiva (10%)
Análise Estatística: Foram conduzidas duas ANOVAs fatoriais de dois fatores paralelas para avaliar os efeitos da condição de prompting e da identidade do modelo sobre (a) Desempenho de Segurança e (b) Desempenho Ético.

Principais Resultados

1. Eficácia do Prompting Contemplativo (RQ1)

O prompting contemplativo melhorou significativamente a qualidade da resposta em relação ao padrão de referência em todos os modelos.

Significância Estatística: A condição de prompting teve um efeito significativo tanto na segurança ( $F(13, 126) = 51.84, p < .001$ ) quanto no desempenho ético.
Hierarquia de Desempenho: Cada condição contemplativa superou o padrão de referência não-promptado (Segurança Baseline $M=80.52$ ; Ética $M=80.87$ ).
Integração vs. Isolamento: Frameworks integrados de múltiplos princípios consistiram em superar os prompts de princípio único. As condições de melhor desempenho foram os frameworks integrados: Integrado Budista ( $M_{segurança}=87.50$ ), Integrado Védico ( $M_{segurança}=86.29$ ) e Integrado Iogue ( $M_{segurança}=86.08$ ).

2. Comparação entre Tradições (RQ2)

As três tradições não foram totalmente intercambiáveis em seus efeitos.

Superioridade Budista: A condição Integrada Budista produziu uma vantagem estatisticamente significativa, embora modesta, sobre a condição Integrada Iogue tanto no desempenho de segurança ( $p < .001$ ) quanto no ético ( $p = .019$ ).
Védica vs. Iogue: As condições Integradas Védica e Iogue apresentaram desempenho comparável entre si, sem diferença estatisticamente significativa.
Princípios Únicos: Embora os prompts de princípio único tenham melhorado em relação ao padrão, eles se agruparam de forma próxima (pontuações 83.55–84.86), sugerindo que a natureza "integrada" do framework é o principal motor dos ganhos de desempenho, e não conceitos isolados específicos.

3. Generalização do Modelo (RQ3)

Os benefícios do prompting contemplativo foram consistentes entre diferentes arquiteturas de modelos.

Efeito Principal do Modelo: Foi observado um efeito principal significativo de modelo ($Claude > GPT-4o > Gemini$), indicando diferenças inerentes no alinhamento ético e de segurança de base.
Sem Interação: A interação entre a condição de prompting e o modelo não foi estatisticamente significativa ( $p = .270$ ). Isso indica que o benefício relativo do prompting contemplativo sobre o padrão é consistente, independentemente do modelo utilizado. A técnica é agnóstica ao modelo.

Significância e Alegações

O artigo posiciona estes achados como um estudo piloto que estende o trabalho de Laukkonen et al. (2025) com três contribuições primárias:

Extensão Trans-Tradição: Este estudo piloto estende o teste empírico do prompting contemplativo além dos frameworks budistas estabelecidos em trabalhos anteriores, incluindo as tradições Védica e Iogue, demonstrando que os benefícios de alinhamento podem advir de múltiplas tradições de sabedoria.
Generalização do Modelo: Estabelece que estes efeitos de alinhamento não são idiossincráticos de uma única família de modelos, mas generalizam-se para diferentes LLMs comerciais (Claude, GPT-4o, Gemini).
Intervenção de Baixo Custo: O estudo valida o prompting contemplativo como uma "intervenção de alinhamento agnóstica ao modelo e de baixo custo", que pode ser implantada imediatamente por qualquer ator com acesso à API, sem a necessidade de retreinamento ou acesso ao nível de pesos.

Cautelas e Reflexões Metodológicas:
Os autores alertam explicitamente contra a interpretação do desempenho superior do framework Integrado Budista como evidência de uma superioridade ética inerente. Eles postulam que o próprio instrumento de avaliação (derivado de construtos budistas e rubricas de segurança) pode estar mais alinhado com o vocabulário budista, criando um artefato de "alinhamento de construto". O artigo argumenta que esta assimetria destaca um risco metodológico mais amplo na ética da IA: os instrumentos de avaliação podem inadvertidamente codificar hierarquias culturais, favorecendo tradições que coincidem com as origens conceituais do instrumento.

O estudo conclui que, embora o prompting baseado em tradições seja uma ferramenta viável e imediata para melhorar a segurança da IA e o desempenho ético, a busca por uma IA "mais sábia" exige um escrutínio crítico das suposições culturais e epistêmicas incorporadas nos próprios frameworks de avaliação.