GPT: A Máquina Conexionista de Wittgenstein

Luciano Frontino de Medeiros

doi:10.22169/revint.v20.e25do2en1

Autores

Luciano Frontino de Medeiros UNINTER https://orcid.org/0000-0002-5947-9322

DOI:

https://doi.org/10.22169/revint.v20.e25do2en1

Palavras-chave:

Inteligência Artificial, Inteligência Artificial Generativa, Redes Neurais Artificiais, Tecnologias Educacionais, Filosofia da Mente

Resumo

A emergência das tecnologias generativas evidenciou o poder do paradigma conexionista em proporcionar inteligências artificiais com capacidade de lidar de forma muito proficiente com a linguagem humana, transparecendo consequências de cunho filosófico pertinentes. Este ensaio propõe uma discussão envolvendo a forma como o conexionismo, representado por modelos GPT (General Pre-Trained Transformer), suplantou o paradigma simbólico de pesquisa da Inteligência Artificial (IA), à luz de autores como Gottlob Frege, Daniel Dennett e John Searle, mas principalmente a partir da filosofia dual de Ludwig Wittgenstein, comentada por William Frawley, sobre a linguagem, tratando o significado tanto como uma forma computada baseada na lógica quanto em uma forma de ação baseada no uso. Em complemento a essa ideia central, questiona-se também se as tecnologias generativas, em certa medida, se apresentariam como solução para o enigma proposto por David Hume, quanto à possibilidade de ideias e impressões “pensando sobre elas mesmas”, em alinhamento às reflexões de Dennett.

Downloads

Não há dados estatísticos.

Biografia do Autor

Luciano Frontino de Medeiros, UNINTER

Doutor em Engenharia e Gestão do Conhecimento pela Universidade Federal de Santa Catarina, com pós-doutorado em Inteligência Artificial na Universidade Politécnica de Madri (2013). Professor permanente do Programa de Pós-Graduação Stricto Sensu em Educação – Mestrado Profissional: Educação e Novas Tecnologias do Centro Universitário Internacional – Uninter.

Referências

ALAMMAR, J. The Illustrated Retrieval Transformer.

Jay Alammar, 3 jan. 2022. Disponível em: https://jalammar.github.io/illustrated-retrieval-transformer/. Acesso em: 15 ago. 2024.

ANTHROPIC. Introducing the next generation of Claude. Disponível em: https://www.anthropic.com/news/claude-3-family. Acesso em: 15 ago. 2024.

BENGIO, Y.; LECUN, Y.; HINTON, G. Deep learning for AI. Communications of the ACM, v. 64, n. 7, p. 58-65, 2021. DOI: https://doi.org/10.1145/3448250. Disponível em: https://dl.acm.org/doi/pdf/10.1145/3448250. Acesso em: 15 ago. 2024.

BROWN, T. B. et al. Language Models are Few-Shot Learners. arXiv, v. 33, p. 1877-1901, 2020. Disponível em: https://arxiv.org/pdf/2005.14165. Acesso em: 15 ago. 2024.

BUBECK, S. et al. Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv, v. 1, p. 1877-1901, 2023. DOI: https://doi.org/10.48550/arXiv.2303.12712. Disponível em: https://arxiv.org/pdf/2303.12712. Acesso em: 15 ago. 2024.

BUCHHOLZ, K. Compreender Wittgenstein. 2. ed. Petrópolis: Vozes, 2009.

CHURCHLAND, P. M. Matéria e Consciência. São Paulo: Editora UNESP, 2004.

DENNETT, D. C. Brainstorms: escritos filosóficos sobre a mente e a psicologia. São Paulo: UNESP, 2006.

DEVLIN, J. et al. BERT: Pre-training of deep bidirectional transformers for language understanding. In: NAACL HLT 2019 - 2019 CONFERENCE OF THE NORTH AMERICAN CHAPTER OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS: Human Language Technologies. Proceedings […], v. 1, n. Mlm, p. 4171-4186, 2019. DOI: 10.18653/v1/N19-1423. Disponível em: https://aclanthology.org/N19-1423.pdf. Acesso em: 15 ago. 2024.

ELHAGE, et al. A Mathematical Framework for Transformer Circuits. Transformer Circuits Thread, 2022. Disponível em: https://transformer-circuits.pub/2022/in-context-learning-and-induction-heads/index.html. Acesso em: 15 ago. 2024.

FANN, K. T. El Concepto de Filosofía en Wittgenstein. 3. ed. Madrid: Editorial Tecnos, 2013.

FRAWLEY, W. Vygotsky e a Ciência Cognitivas: Linguagem e interação das mentes social e computacional. Porto Alegre: Artes Médicas Sul, 2000.

FREGE, G. Ensayos de Semántica y Filosofia de La Lógica. 2. ed. Madrid: Tecnos, 2013.

GEORGIEV, P. et al. Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. arXiv, v. 1, p. 1-154, 2024. DOI: https://doi.org/10.48550/arXiv.2403.05530. Disponível em: https://arxiv.org/pdf/2403.05530. Acesso em: 15 ago. 2025.

GOODFELLOW, I. et al. Generative adversarial networks. arXiv, v. 27, 2014. DOI: https://doi.org/10.48550/arXiv.1406.2661. Disponível em: https://arxiv.org/pdf/1406.2661. Acesso em: 15 ago. 2024.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge-MA: MIT Press, 2016.

HAYKIN, S. Redes Neurais: Princípios e prática. Porto Alegre: Bookman, 2001.

HINTON, G. E.; OSINDERO, S.; TEH, Y.-W. A Fast-Learning Algorithm for Deep Belief Nets. Neural Comput., v. 18, n. 7, p. 1527-1554, 2006. DOI: 10.1162/neco.2006.18.7.1527.

HOPCROFT, J.; MOTWANI, R.; ULLMAN, J. Introduction To Automata Theory , Languages , and Languages. Boston-MA: Pearson Education, Inc, 2006.

HUME, D. Tratado da Natureza Humana. São Paulo: UNESP, 2000.

KITTLER, F. A. Gramophone, Film, Typewriter. [s. l.] Stanford University Press, 1999.

MANNING, C. D.; RAGHAVAN, P.; SCHÜTZE, H. An Introduction to Information Retrieval.

Cambridge, England: Cambridge University Press, 2009.

MANNING, C. D.; SCHÜTZE, H. Foundations of Statistical Natural Language Processing. [s. l.]: The MIT Pres, 1999.

MCCLELLAND, J. L.; RUMELHART, D.; HINTON, G. E. The Appeal of Parallel Distributed Processing. In: Parallel Distributed Processing: Exploration of the microstructure of cognition. Cambridge: MIT Press, 1986. p. 3-44.

MEDEIROS, L. F. de. Inteligência Artificial Aplicada: Uma abordagem introdutória. Curitiba: Intersaberes, 2018.

NIKOLAEV, D.; PADÓ, S. Investigating Semantic Subspaces of Transformer Sentence Embeddings through Linear Structural Probing. In: BLACKBOXNLP WORKSHOP: ANALYZING AND INTERPRETING NEURAL NETWORKS FOR NLP, 6, p. 142-154, 2023. Proceedings […], Association for Computational Linguistics, Singapore, 2023.

OLSSON, C. et al. In-context Learning and Induction Heads. Transformer Circuits Thread, Mar 8, 2022. Disponível em: https://transformer-circuits.pub/2022/in-context-learning-and-induction-heads/index.html. Acesso em: 15 ago. 2024.

OPENAI. Hello GPT-4o. Disponível em: https://openai.com/index/hello-gpt-4o/. Acesso em: 13 abr. 2024.

PARR, T. The Definitive ANTLR 4 Reference. Dallas, Texas: The Pragmatic Programmers, LLC, 2012.

PLATÃO. Fedro. Tradução Maria Aparecida A. De Oliveira. São Paulo: Martin Claret, 2001.

RAFFEL, C. et al. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer. arXiv, v. 1, 2019. DOI: https://doi.org/10.48550/arXiv.1910.10683. Disponível em: https://arxiv.org/pdf/1910.10683. Acesso em: 15 ago. 2024.

RUSSELL, S.; NORVIG, P. Inteligência Artificial - Tradução da 2a edição. Rio de Janeiro: Editora Campus, 2004.

RYLE, G. El Concepto de lo Mental. Barcelona: Ediciones Paidós Iberica, 2005.

SEARLE, J. Intencionalidade. 2. ed. São Paulo: Martins Fontes, 2002.

TEIXEIRA, J. de F. Robots, intencionalidade e inteligência artificial. Trans/Form/Ação, v. 14, p. 109-121, 1991. Disponível em: https://www.scielo.br/j/trans/a/w7DK95zgJFjWV7mw6NdhfRB/?format=pdf&lang=pt. Acesso em: 15 ago. 2024.

TOUVRON, H. et al. LLaMA: Open and Efficient Foundation Language Models. arXiv, v. 1, 2023. DOI: https://doi.org/10.48550/arXiv.2302.13971. Disponível em: https://arxiv.org/pdf/2302.13971. Acesso em: 15 ago. 2024.

VASWANI, A. et al. Attention is all you need. arXiv, v. 1, 2017. DOI: https://doi.org/10.48550/arXiv.1706.03762. Disponível em: https://arxiv.org/pdf/1706.03762. Acesso em: 15 ago. 2024.

WITTGENSTEIN, L. Tractatus Logico-Philosophicus. São Paulo: Editora da USP, 2010.

WITTGENSTEIN, L. Investigações Filosóficas. 7a. ed. Petrópolis: Vozes, 2012.

ZHAO, W. X. et al. A Survey of Large Language Models. 31 mar. 2023.