Beyond Task Intelligence: Artificial Intelligence, Embodied Robotics, and the Epistemic Limits of Machine Cultural Understanding

Imagine um mundo onde máquinas podem correr mais rápido que o humano mais veloz, mas ainda assim lutam para pegar um simples cabo sem deixá-lo cair. Esta não é uma história sobre o fracasso dos robôs, mas sobre um enigma mais profundo na forma como medimos a inteligência. Hoje, sistemas de inteligência artificial conseguem escrever ensaios fluentes, traduzir idiomas e recuperar fatos de vastas bibliotecas de texto com uma velocidade surpreendente. Eles estão sendo testados em tarefas específicas, como resolver problemas matemáticos ou identificar objetos em fotos, e frequentemente estão vencendo. Mas vencer um teste específico não significa que uma máquina compreenda verdadeiramente o mundo em que está operando. A questão que cientistas e acadêmicos enfrentam não é mais se uma máquina consegue realizar uma tarefa, mas se ela consegue compreender o contexto, a história e as relações humanas que conferem significado a essa tarefa. Esta é a diferença entre seguir um conjunto de instruções perfeitamente e saber quando essas instruções não fazem mais sentido.

Uma nova revisão sistemática de Prudhvi Kumar Kanyadari, da Universidade de Loughborough, explora essa lacuna entre o fazer e o compreender. O artigo argumenta que, embora as máquinas estejam se tornando incrivelmente boas em trabalhos específicos e mensuráveis, elas frequentemente carecem de um tipo de conhecimento mais profundo que os humanos consideram natural. Esse conhecimento mais profundo não é apenas sobre possuir informação; é sobre saber como essa informação se encaixa em um tempo, lugar e cultura específicos. O autor sugere que devemos parar de julgar a inteligência artificial apenas pelo quão bem ela pontua em testes padrão e começar a perguntar se ela consegue lidar com a natureza caótica, incerta e muitas vezes contraditória da vida humana.

O artigo começa analisando um exemplo marcante dos Jogos Mundiais de Robôs Humanoides de 2026. Nesses eventos, robôs como o Tiangong Ultra correram os 100 metros rasos em 8,64 segundos, superando o recorde mundial humano de 9,58 segundos, mantido por Usain Bolt. Essas máquinas são incrivelmente rápidas e eficientes na corrida. No entanto, os mesmos robôs frequentemente têm dificuldade com tarefas cotidianas muito mais simples, como conectar um cabo ou manusear um pacote em um ambiente em mudança. O autor aponta que a corrida é um problema fechado: a pista é plana, a distância é fixa e o objetivo é claro. Conectar um cabo, por outro lado, é um problema aberto. O robô deve sentir a forma do plugue, sentir a resistência da tomada e ajustar sua pegada se o cabo se mover. Ele deve se adaptar a um mundo que não foi perfeitamente projetado para ele. O robô pode vencer a corrida, mas ainda não sabe como navegar no mundo.

Este mesmo padrão aparece no mundo da linguagem e da cultura. Modelos de linguagem de grande escala, os sistemas por trás de muitos chatbots modernos, podem recuperar citações literárias ou resumir eventos históricos mais rápido do que qualquer pesquisador humano. No entanto, quando solicitados a interpretar um ritual cultural ou explicar um costume social, esses sistemas frequentemente cometem erros que revelam uma falta de compreensão real. Eles podem produzir uma explicação belamente escrita sobre uma tradição que é factualmente errada, ou podem repetir estereótipos prejudiciais sobre um grupo de pessoas porque esses estereótipos são comuns nos dados nos quais foram treinados. O artigo observa que esses sistemas podem recuperar informações, mas frequentemente falham em compreender a "descrição densa" da cultura — a ideia de que a mesma ação pode significar coisas diferentes dependendo de quem a pratica, onde ela ocorre e qual história aquela pessoa carrega.

O autor introduz três formas distintas de medir a inteligência para esclarecer este problema. A primeira é a competência de tarefa, que pergunta se uma máquina pode realizar uma operação específica, como correr uma corrida ou encontrar uma palavra. A segunda é a competência contextual, que pergunta se a máquina ainda consegue desempenhar bem quando a situação muda, como quando a linguagem é diferente, a história é complexa ou o ambiente físico é imprevisível. A terceira, e mais difícil, é a competência epistêmica. Esta pergunta se a máquina sabe quando não possui informação suficiente para dar uma resposta, ou se ela consegue reconhecer quando uma própria pergunta é falha. A inteligência artificial atual é muito boa no primeiro tipo de competência, mas frequentemente falha no segundo e no terceiro. Ela pode dar uma resposta confiante mesmo quando a evidência está ausente, ou quando o tópico é complexo demais para uma única explicação simples.

Um dos problemas mais graves destacados no artigo é o problema das citações "alucinadas". Na pesquisa acadêmica, uma citação é uma referência a uma fonte que prova um ponto. No entanto, esses sistemas às vezes inventam fontes que parecem reais, mas não existem, ou citam livros reais, mas afirmam que esses livros diz em coisas que nunca disseram. Isso é perigoso porque quebra a cadeia de evidências. Nas humanidades, o conhecimento é construído sobre uma cadeia de documentos, arquivos e interpretações. Se uma máquina insere um link falso nessa cadeia, toda a estrutura pode colapsar. O artigo argumenta que isso não é apenas um erro a ser corrigido com melhores dados; é uma diferença fundamental entre como as máquinas processam informações e como os humanos constroem o conhecimento. Os humanos sabem quando parar e dizer: "Eu não sei" ou "Esta fonte é pouco confiável". As máquinas, impulsionadas a completar uma tarefa, frequentemente seguem adiante com uma resposta confiante, porém errada.

A revisão também examina como esses sistemas lidam com cultura e representação. Ao serem solicitados a gerar imagens de pessoas de culturas específicas, esses sistemas frequentemente recorrem a estereótipos. Por exemplo, ao gerar imagens de pessoas da Índia, o sistema pode consistentemente mostrar indivíduos de castas superiores em ambientes modernos, enquanto retrata indivíduos de castas inferiores apenas em cenas de pobreza ou protesto. Isso acontece porque o sistema aprende com padrões em dados existentes, e esses padrões frequentemente refletem vieses históricos. O resultado é uma imagem que parece plausível, mas que é, na verdade, uma distorção da realidade. O artigo sugere que uma imagem culturalmente convincente pode ser uma falha epistêmica, o que significa que ela falha em representar a verdade da cultura que afirma mostrar.

O autor propõe que precisamos de uma nova maneira de testar a inteligência artificial, uma que vá além de pontuações simples. Em vez de apenas perguntar se uma máquina responde a uma pergunta corretamente, devemos perguntar se ela consegue lidar com mudanças de contexto. Ela consegue entender uma história se o período histórico mudar? Ela consegue reconhecer quando um termo cultural não possui tradução direta? Ela consegue admitir quando uma pergunta é baseada em uma premissa falsa? O artigo sugere que os futuros testes de referência (benchmarks) devem incluir testes de "perturbação", onde pesquisadores alteram deliberadamente as condições de uma tarefa para ver se o sistema entra em colapso. Eles também devem testar a "abstenção epistêmica", recompensando o sistema por saber quando dizer que não possui informações suficientes para responder.

Essa nova abordagem exige uma parceria entre cientistas da computação e estudiosos das humanidades, como historiadores, antropólogos e críticos literários. Esses campos passaram séculos estudando como o conhecimento é criado, como as categorias são formadas e como o poder influencia o que consideramos verdadeiro. O artigo argumenta que esses estudiosos não devem ser apenas críticos da tecnologia, mas participantes ativos no seu design. Eles podem ajudar a definir o que significa para uma máquina ser "culturalmente competente" e podem ajudar a construir testes que revelem os vieses ocultos e as limitações dos sistemas atuais.

O artigo conclui que o futuro da inteligência artificial não é sobre construir máquinas que sejam mais rápidas ou poderosas, mas sobre construir sistemas que sejam mais responsáveis. Um sistema verdadeiramente inteligente não deve apenas ser capaz de resolver um problema; ele deve ser capaz de compreender o próprio problema. Ele deve saber quando uma pergunta é injusta, quando uma categoria está obsoleta ou quando uma representação é prejudicial. Ele deve ser capaz de reconhecer os limites do seu próprio conhecimento. O autor sugere que as humanidades são o lugar perfeito para testar essas capacidades, pois lidam justamente com as coisas com as quais as máquinas lutam: ambiguidade, história e a complexa teia das relações humanas.

Em última análise, o objetivo não é fazer com que as máquinas ajam exatamente como os humanos, mas sim criar sistemas que possam trabalhar responsavelmente ao nosso lado. Isso significa desenvolver máquinas que possam distinguir entre um fato e uma opinião, entre um estereótipo e uma realidade, e entre um palpite confiante e uma verdade bem fundamentada. O artigo sugere que, se alcançarmos isso, teremos ido além do simples desempenho de tarefas para uma forma de inteligência que é verdadeiramente geral e verdadeiramente útil. A jornada à frente não é apenas sobre engenharia de robôs melhores ou softwares mais inteligentes; é sobre repensar o que significa saber algo em um mundo que está em constante mudança. O passo mais importante é garantir que, à medida que esses sistemas se tornem mais capazes, eles também se tornem mais humildes, reconhecendo que algumas perguntas exigem mais do que apenas uma resposta.