Na história da ciência e da filosofia, poucas ideias foram tão influentes quanto a teoria da tábula rasa. As suas origens são atribuídas às obras de John Locke no século 17, que defendia que a mente humana ao nascer seria uma folha em branco moldada apenas por experiências da vida.
Ao longo da segunda metade do século 21, a revolução genética impulsionada pela descoberta da estrutura do DNA em 1953, apontou para a importância das predisposições inatas humanas, que influenciariam o comportamento além do ambiente. Hoje, a maioria dos cientistas adota uma visão equilibrada, reconhecendo que tanto a genética quanto as experiências desempenham papéis importantes para o desenvolvimento humano.
Assim como no caso dos algoritmos de inteligência artificial (IA), seres humanos possuem uma arquitetura neural pré-definida, na qual suas conexões vão sendo ajustadas por meio da experiência. A diferença é que os algoritmos não se esquecem, não se distraem e não possuem uma limitação biológica para o crescimento da sua arquitetura neural.
Em alguns casos, fica a impressão de que algoritmos de IA necessitam de mais dados para aprenderem sobre o mundo, como nos atuais modelos de linguagem que precisam ler alguns milhões de livros, mas isso é subestimar a quantidade de estímulos externos que recebemos desde que somos bebês.
Humanos aprendem a partir de diversos estímulos sensoriais como visão, audição, tato, olfato e paladar. Quando um bebê aprende sobre um novo objeto ele não apenas o vê, mas também toca, ouve e cheira, e dependendo do caso, para desespero dos pais, também o prova. Esse aprendizado multimodal ainda não está disponível para os atuais algoritmos generativos, que recebem apenas dados de texto e imagem.
Leia também
Mesmo com essa limitação de aprendizado, algoritmos de IA já estão tomando melhores decisões que humanos em diversas áreas. E estão apenas no começo. É importante lembrar que a primeira versão do ChatGPT foi lançada há menos do que um ano e meio.
À medida em que as fronteiras entre a IA e a cognição humana vão sendo encurtadas, vai se tornando mais claro que ambas estão enraizadas em aprendizado e predição. Um algoritmo precisa de muitos exemplos para conseguir identificar a foto de um cachorro, assim como um bebê precisa jogar centenas de objetos no chão para aprender a predizer que o próximo irá cair também.
Com tantas semelhanças, não é difícil imaginar um futuro próximo em que algoritmos consigam fazer tudo que os seres humanos fazem hoje. Nessa nova realidade, quem conseguir predizer melhor as suas consequências irá sair na frente. Porém será necessário estar disposto a aprender.