Can AI Truly Simulate Human Thought? New Research Raises Questions

Análise de um Estudo Controverso

Um estudo publicado em julho de 2025 sugeriu que o modelo de inteligência artificial (IA) conhecido como Centaur poderia simular e prever o comportamento humano com uma precisão impressionante de até 64% em uma série de experimentos psicológicos. Os pesquisadores, na época, sustentaram que o desempenho do Centaur refletia uma compreensão genuína do processo de tomada de decisão humana, após ser treinado em um conjunto de dados abrangendo mais de 10 milhões de decisões humanas de 160 experimentos, envolvendo 60.000 pessoas.

Surge um Novo Estudo

Entretanto, um estudo mais recente, publicado na edição de janeiro de 2026 do National Science Open, levantou sérias dúvidas sobre esses achados. Em vez de basear suas conclusões no significado semântico das perguntas, o novo estudo propôs que o Centaur, na verdade, aprendera atalhos estatísticos nos dados de treinamento, o que é conhecido como "overfitting".

O overfitting ocorre quando um modelo de IA aprende os dados de treinamento com precisão excessiva, memorizando padrões específicos desses dados em vez de desenvolver uma compreensão mais ampla que se transfira para novos exemplos. Um modelo que sofre de overfitting apresentará desempenho excepcional nos dados de treinamento, mas terá um desempenho fraco em quaisquer novos dados introduzidos.

Comparações com o Aprendizado Humano

Nai Ding, coautor do estudo e professor na Zhejiang University, comparou o overfitting ao comportamento de um estudante que memoriza respostas para uma prova sem realmente entender as perguntas. "Se um aluno está excessivamente preparado para um exame, ele pode aprender truques que permitem adivinhar respostas corretamente sem compreender o material subjacente", explicou Ding.

Para testar sua teoria, Ding e seu colega Wei Liu modificaram as perguntas do tipo múltipla escolha usadas para treinar o Centaur, adicionando a instrução: "Por favor, escolha a opção A." Se o modelo realmente entendesse a tarefa, ele selecionaria a opção A, independentemente de estar correta ou não.

Desempenho e Limitações dos Modelos de IA

No entanto, o Centaur continuou a escolher as respostas corretas nos testes, sugerindo que estava repetindo padrões aprendidos em seus dados de treinamento. "O alto desempenho, por si só, não nos diz qual mecanismo os LLMs utilizam para alcançar esse desempenho — se realmente entendem a tarefa ou exploram atalhos estatísticos nos dados", afirmou Ding. Esta descoberta adiciona uma nova camada de complexidade à discussão sobre as limitações da tecnologia atual baseada em redes neurais.

Reflexões Finais sobre a IA e a Cognição

Pesquisadores debatem há muito tempo se os modelos de IA existentes podem algum dia alcançar a chamada inteligência geral artificial (AGI), um tipo avançado de IA capaz de raciocinar em nível humano e aprender novas habilidades além de seus dados de treinamento. Embora os LLMs e outras tecnologias de redes neurais tenham avançado nos últimos anos, pode ser que estejamos nos aproximando de um teto.

Chris Burr, um pesquisador sênior do Alan Turing Institute no Reino Unido, destacou que novos modelos de IA são projetados para se saírem bem em benchmarks que avaliam quão bem suas saídas se alinham a padrões esperados. Isso significa que um modelo de IA que é muito bom em combinar padrões pode parecer que entende o que está fazendo, mesmo que não compreenda realmente.

Apesar das dúvidas levantadas, os resultados do estudo de 2025 ainda são intrigantes. Uma das descobertas mais notáveis foi que o Centaur previu com precisão o comportamento de participantes cujos dados não foram incluídos em seu treinamento. Os pesquisadores dividiram os dados dos participantes em dois grupos, usando 90% para treinamento e mantendo 10% para teste. Não apenas o Centaur simulou com precisão as respostas desse 10% mantido, como também previu com sucesso as escolhas humanas em cenários que não havia encontrado antes.

A pesquisa destaca a importância de testar rigorosamente os modelos de IA para expandir nossa compreensão sobre suas limitações e potencial. A distinção entre "desempenhar bem" e "desempenhar bem pelas razões certas" é essencial para a construção de modelos cognitivos efetivos, conforme apontou Ding.

Diante dessas novas evidências, o futuro da pesquisa em IA permanece repleto de desafios e maravilhas, enquanto a busca pela compreensão da cognição humana e sua representação digital continua.