[IA na veIA nº 27] Entre Paladinos e Bardos: o RPG silencioso por trás de cada decisão

IA na veIA é uma iniciativa que explica os avanços da inteligência artificial com bom humor e analogias divertidas vindas direto do universo Geek. Aqui, conceitos complexos ganham vida através de comparações com filmes, séries, games e HQs, tornando a tecnologia mais próxima e muito mais divertida para todos.

A missão é democratizar o conhecimento sobre inteligência artificial, aproximando a comunidade científica do público leigo sem aquele “tecniquês” que dá sono. Ao usar referências de sagas épicas, super-heróis ou mundos de fantasia, transformamos pesquisas e inovações em histórias que qualquer fã de cultura pop entende e curte.

Essa abordagem cria uma ponte entre especialistas e curiosos, incentivando debates sobre o impacto ético, social e econômico da IA de forma leve, mas consciente. O resultado é uma conversa mais inclusiva, onde qualquer pessoa pode entender e participar da construção do nosso futuro tecnológico.

Se você é fã de IA e também vibra com referências Geek, o IA na veIA é o seu portal para explorar ciência com uma boa dose de risadas e imaginação.

Vamos revisar o paper a seguir:

• The Universal Landscape of Human Reasoning
• Link do paper

---

Quem é Celso Sousa?

Celso Sousa é especialista e palestrante de inteligência artificial (IA), com doutorado em IA pela USP. Além disso, ele possui mais de 15 anos de experiência no mercado de IA para negócios.

Celso participou da gestão e/ou desenvolvimento de diversos projetos de IA nos setores financeiro e agronegócio. Alguns dos projetos de inteligência artificial mais relevantes na carreira dele são:

• previsão de produtividade de fazendas;
• reconhecimento visual de nematóides;
• visão computacional para monitoramento de rebanhos por drones;
• identificação de públicos vulneráveis;
• sistema de gerenciamento de pastejo rotacionado;
• identificação de irregularidades em notas fiscais de serviço.

Celso ministrou vários treinamentos e mentorias sobre inteligência artificial nos últimos anos. Ainda mais, ele foi Cientista Chefe na Secretaria das Finanças de Fortaleza-CE na auditoria fiscal.

O foco do Celso é desenvolver soluções de IA para empresas de todos os portes e segmentos. Entretanto, a prioridade é criar soluções de IA de baixo custo para empresas de pequeno e médio porte.

Celso iniciou a sua carreira ao abrir uma consultoria de inteligência artificial em 2009. Portanto, ele adquiriu muita experiência prática de como gerar resultados expressivos para as empresas usando IA.

A pesquisa científica do Celso é sobre classificação em grafos para alavancagem de negócios com marketing analytics. Além disso, ele publicou artigos científicos em diversas conferências internacionais de renome em 4 continentes.

Hoje ele aplica sua experiência na IA para ajudar os empresários a aumentarem os seus lucros. Ainda mais, ele implementa automações com agentes de IA para que os empresários tenham mais liberdade.

Essas automações podem ser aplicadas em diversos setores, como marketing, vendas, recursos humanos, tecnologia, financeiro, atendimento, etc.

Fale com o especialista e palestrante de inteligência artificial Celso Sousa nas redes sociais:

• Instagram: https://www.instagram.com/celsosousaia
• LinkedIn: https://www.linkedin.com/in/celso-sousa/

---

Visão geral do paper

Por décadas, a psicologia cognitiva, a filosofia e a inteligência artificial têm duelado como clãs rivais em um torneio de raciocínio humano. De um lado, os cavaleiros da lógica clássica como Störring defenderam modelos formais rígidos e dedutivos. Do outro, os magos bayesianos como Oaksford promoveram modelos probabilísticos que incorporam incertezas e heurísticas. Enquanto isso, alquimistas como Johnson-Laird e Peirce formularam modelos mentais e abduções como alternativas mais próximas da experiência humana.

Mas apesar dos esforços desses grandes nomes, ainda estávamos jogando xadrez com peças faltando. As teorias antigas explicam os resultados, mas não mostram como a informação se transforma ao longo do tempo dentro da mente. É como tentar entender o caminho de Frodo ao Monte da Perdição olhando só para o ponto de partida e chegada. Faltava a jornada.

Evans defendeu que existem dois sistemas: um intuitivo e rápido, outro analítico e lento. Stanovich e De Neys bateram na tecla de que ambos coexistem, mas raramente quantificaram esse processo de forma contínua. Pennycook tentou agrupar erros cognitivos em estágios, mas sem traçar o fluxo de informações por trás disso. Friston trouxe a noção de “energia livre”, sugerindo que a mente busca reduzir incertezas, mas suas propostas ficaram presas no Olimpo da abstração.

Enquanto isso, a IA avançava em silos. Modelos como BERT (Devlin et al) e t-SNE (van der Maaten & Hinton) eram usados para visualizar pensamentos, mas produziam mapas caóticos e sem direção. Em vez de desenhar trilhas claras, entregavam paisagens nebulosas, como se estivéssemos em Silent Hill tentando mapear raciocínio humano.

A verdade é que ainda não tínhamos um sabre de luz que cortasse a escuridão da incerteza e iluminasse os passos da mente humana em tempo real. Até agora.

---

A lâmina oculta da mente: IF-Track como ferramenta de rastreamento cognitivo

Chen et al propõem algo ousado: usar LLMs como sensores probabilísticos para mapear, passo a passo, como a mente humana processa informações. Eles apresentam o IF-Track, um framework que posiciona o raciocínio humano dentro de um espaço de fase de duas dimensões — incerteza (entropy) e esforço cognitivo (cognitive effort). A ideia é simples como um feitiço básico de D&D: cada passo do raciocínio tem uma entropia associada e uma variação dessa entropia (ganho de informação), que indicaria quanto esforço foi necessário para avançar.

Mas a implementação é digna de um pergaminho lendário. Em vez de confiar em intuições ou auto-relatos subjetivos, o IF-Track calcula entropia token a token usando modelos LLM (como Llama-3.1). Com isso, cada raciocínio vira uma trajetória quantificável, uma espécie de rastro digital da mente.

Essa abordagem não apenas traça o percurso, mas ainda modela o fluxo como um sistema hamiltoniano — sim, um paralelo direto com a física clássica (Arnol’d, Landau & Lifshitz). Isso significa que, assim como a energia total em um sistema físico é conservada, o raciocínio humano também conserva uma forma de “energia informacional”, trocando incerteza por esforço ao longo do tempo.

O resultado? Um mapa universal do raciocínio humano que funciona para qualquer tipo de tarefa — dedutiva, indutiva ou abdutiva — e que ainda identifica erros cognitivos e variações individuais. É como se finalmente tivéssemos desbloqueado o mini-mapa do cérebro humano em tempo real, com direito a rotas alternativas e zonas de perigo cognitivo.

---

O lado sombrio da ignorância: sem IF-Track, navegamos às cegas

Sem uma estrutura como o IF-Track, estaríamos jogando XCOM com o nevoeiro da guerra ligado permanentemente. As representações estáticas baseadas em embeddings (como t-SNE) não revelam a ordem dos pensamentos, tampouco sua qualidade dinâmica. Elas mostram agrupamentos, mas não os caminhos que a mente percorre. É como ver as cidades de um mapa, mas sem as estradas.

Mais grave ainda: sem rastrear a entropia e o esforço, somos incapazes de entender por que certos erros ocorrem. Pennycook descreveu três estágios de falha: colapso intuitivo, conflito metacognitivo e erro racional. Mas sem medir o movimento entre esses estados, suas categorias são como cartas de tarô — úteis, mas não quantificáveis.

Com o IF-Track, vemos que erros de colapso intuitivo acontecem no canto inferior direito do espaço de fase, onde a incerteza é alta e o esforço, baixo — o equivalente cognitivo de um herói de RPG nivel 1 entrando na Dungeon final. Já os erros racionais ocorrem com baixo nível de incerteza, mas alto esforço — como um mago nível 20 errando um cálculo básico de mana. Isso revela que os erros não são aleatórios, mas têm assinaturas dinâmicas específicas, como bosses com padrões previsíveis.

Sem isso, pesquisadores e engenheiros de IA ficam cegos a padrões que são fundamentais para modelar, prever e até corrigir o raciocínio humano — ou replicá-lo em máquinas.

---

A Triforce da mente: fluxo informacional como narrativa épica da cognição

A batalha entre intuição e análise: o duelo de Jedi internos

O raciocínio humano é descrito aqui como um fluxo em espaço de fase, com cada passo sendo um ponto (ut, et) — incerteza e esforço. O IF-Track trata essa evolução como um sistema hamiltoniano, onde a trajetória segue um campo vetorial com conservação de volume. É como se o cérebro fosse Hyrule, e o raciocínio, o Link correndo entre as montanhas e masmorras, perdendo incerteza e ganhando esforço ao derrotar inimigos conceituais.

A transição típica é de regiões com alta entropia e baixo esforço (intuições iniciais) para regiões com baixa entropia e alto esforço (análise deliberada). Isso casa com os modelos dual-process (Evans), mas também unifica tudo como um só fluxo contínuo — um único Jedi com dois estilos de luta.

Dedução, indução e abdução: as três casas de Hogwarts do raciocínio

Cada tipo de raciocínio ocupa uma região distinta no espaço de fase. Dedução é agressiva e direta: começa com esforço alto e entropia caindo rapidamente, como um paladino aplicando as regras do livro. Indução é exploratória: começa suave, esforço baixo, entropia alta — como um arqueiro tateando padrões no mato alto. Já a abdução é um meio-termo, uma espécie de bardo intelectual que testa hipóteses e refina argumentos com idas e vindas.

Esse posicionamento revela que os tipos clássicos de raciocínio não são categorias estanques, mas estratégias com dinâmicas distintas no fluxo da mente.

Erros como glitches no código mental: bugando a Matrix cognitiva

Com mais de 9.000 passos anotados, o paper mostra que erros não apenas existem — eles têm localizações específicas no mapa. Colapsos intuitivos aparecem em regiões de entropia alta e esforço mínimo, como se o sistema tivesse falhado logo no boot. Conflitos metacognitivos surgem no meio do caminho, quando a intuição briga com a lógica como Batman vs Superman. E erros racionais ocorrem no fim, quando o raciocínio já está alinhado, mas tropeça em redundâncias ou cálculos mal feitos — tipo errar a tabuada no último boss do LoL.

O mais genial: o IF-Track usa o cosseno do vetor erro vs. vetor correto para identificar se o erro está indo na direção oposta (negativo), lateral (zero) ou ainda na direção certa, mas com falhas (positivo).

Variabilidade individual: traços de personalidade como classes de RPG

Usando dados de mais de 6.400 trajetórias, o paper revela como traços da Big Five influenciam o raciocínio. Extrovertidos exploram mais, toleram incerteza e têm trajetórias mais amplas — verdadeiros bardos intelectuais. Conscienciosos focam mais, têm entropia baixa e esforço concentrado — são paladinos das ideias. Estáveis emocionalmente equilibram bem ambos, como monges zen. Abertos intelectualmente engajam mais em esforço, mas sem aumentar incerteza — são magos criativos. E agradáveis começam estáveis e vão aumentando esforço — como clérigos tentando manter a harmonia.

Essas diferenças não são apenas curiosidades psicológicas: são fingerprints no fluxo informacional, e podem ser usadas para personalizar IA, educação ou diagnóstico cognitivo.

Educação como expansão do mapa mental: o multiverso dos PhDs

Participantes com maior escolaridade começam com maior entropia — ou seja, abrem mais hipóteses desde o início. Isso sugere que o PhD não torna ninguém mais rápido, mas amplia o espaço de busca — como um jogador que já destravou o mapa inteiro e conhece todos os NPCs suspeitos.

---

A Matrix se inverte: quando humanos imitam máquinas

Pré-LLM: raciocínio como jornada épica

Antes dos LLMs, os humanos seguiam a trilha clássica: começavam com incerteza, testavam hipóteses, aumentavam esforço e convergiam. Era como jogar um Zelda — explorar, resolver puzzles, enfrentar bosses.

LLMs: atalhos no raciocínio

LLMs como GPT-4o seguem uma trilha parecida, mas mais direta. Começam com esforço e já vão limpando incertezas com precisão cirúrgica. São como speedrunners resolvendo o jogo sem olhar os diálogos.

Pós-LLM: humanos viram speedrunners

Após o uso frequente de LLMs, os humanos começam a copiar esses padrões. Eles pulam a parte exploratória, começam com esforço mais alto e convergem mais cedo. Resultado? Menos criatividade, mais eficiência — como trocar Skyrim por Candy Crush.

A convergência entre humanos e modelos mostra que a IA não é só ferramenta. É espelho. E estamos nos moldando a ela.

---

O feitiço do hype: quando IA vira religião

O paper mostra algo alarmante. Não é só que LLMs afetam como raciocinamos — eles reprogramam nosso fluxo mental. Isso sugere que a promessa de IA como assistente cognitiva pode ser, na verdade, uma domesticação invisível. Estamos virando NPCs de nós mesmos.

A hype da IA adora falar de alignment, mas talvez devêssemos perguntar: com o que estamos nos alinhando? Com eficiência? Com produtividade? Ou com a ilusão de pensar sem esforço?

Assim como os elfos perderam a imortalidade ao usar os Anéis do Poder, nós podemos estar abrindo mão da exploração cognitiva em troca de sugestões rápidas. E sem frameworks como IF-Track, nem percebemos que isso está acontecendo.

---

A Última Força: resgatar a incerteza como motor da mente

A grande provocação aqui é simples e poderosa: pensar exige esforço, risco e desvio. LLMs são ótimos para atalho, mas raciocínio real é sobre errar, tentar de novo, reformular. Se não conseguimos mais tolerar incerteza, talvez não estejamos raciocinando — apenas escolhendo a melhor resposta pronta.

Precisamos repensar não apenas como medimos o raciocínio, mas o que valorizamos nele. A mente humana não é um compilador de Python. É um universo caótico de hipóteses, dúvidas e experimentações. Frameworks como IF-Track são o início de uma nova era — não da automação do pensamento, mas de sua decodificação.

A pergunta final é: vamos usar essa lente para entender melhor como pensamos — ou para otimizar o quanto conseguimos evitar pensar?