Por que um pesquisador da Microsoft construiu uma rede neural usando cabras em Age of Empires II
Em uma brilhante demonstração de sátira técnica, o pesquisador da Microsoft e da Universidade de York, Adrian de Wynter, construiu uma rede neural funcional dentro do editor de mapas de Age of Empires II. Embora o uso de cabras para representar bits binários possa parecer absurdo, o experimento serve como uma crítica profunda aos vieses antropomórficos que atualmente assolam a pesquisa científica de IA.
O Modelo de Computação Baseado em Cabras
A arquitetura de de Wynter utiliza o editor de cenários e as ferramentas de script do jogo para criar um circuito lógico funcional. Nesta configuração "absurda", as cabras funcionam como bits: uma cabra parada na grama representa um 0, enquanto uma cabra parada em uma ponte representa um 1. Ao utilizar rampas de gelo para evitar erros de cálculo, de Wynter construiu com sucesso uma minirrede composta por duas portas XNOR e uma porta AND, que aprende efetivamente a função lógica AND.
A profundidade técnica deste experimento vai além de simples portas lógicas. De Wynter demonstra que as mecânicas do jogo — especificamente o mercado interno, onde os preços dos recursos têm um limite de 9.999 — poderiam, teoricamente, permitir um ciclo econômico em execução perpétua. Isso poderia transformar edifícios em células de memória e fazendas ativas em estados computacionais, tornando o jogo efetivamente tão poderoso quanto um computador completo.
A Falácia do Antropomorfismo na Pesquisa de LLMs
O objetivo central deste experimento é desafiar a forma como atribuímos qualidades humanas aos Large Language Models (LLMs). De Wynter argumenta que, se um modelo de linguagem puder ser replicado usando cabras, blocos de Lego ou até mesmo os 667.000 residentes da Grande Boston enviando mensagens uns aos outros, os resultados matemáticos permanecem idênticos. No entanto, o "wrapper" — a interface de chat fluida e a baixa latência — cria uma ilusão de senciência.
Para provar que esta não é uma observação isolada, de Wynter analisou 315 artigos de IA de meados de 2024 a meados de 2026. Usando o GPT-5.2 para filtragem, o estudo revelou um viés sistêmico na comunidade científica:
- 57% dos artigos examinados assumiram que os LLMs possuem traços humanos em suas premissas.
- 36% dos artigos chegaram a conclusões que correspondiam a essas suposições antropomórficas.
- Dos 47 artigos que pesquisaram especificamente esses traços, 77% concluíram a favor de atributos antropomórficos.
Isso cria um ciclo de raciocínio circular: pesquisadores projetam experimentos para provar que um modelo possui "medo" ou "moralidade" e, como partem dessa premissa, os resultados inevitavelmente a confirmam.
Caminhando para uma Ciência de IA Observacional
De Wynter alerta que as práticas da indústria, como o treinamento da Anthropic para que o Claude utilize frases como "Eu acredito", exacerbam esse problema. Isso pode levar a consequências perigosas, incluindo apego emocional, sicofantia e o reforço de delírios nos usuários.
Em vez de atribuir consciência aos modelos, de Wynter propõe uma "abordagem sóbria" fundamentada em dados observáveis. Em vez de afirmar que um modelo "compreende" um conceito, os pesquisadores devem declarar que "sob a condição X, o modelo produz a saída Y". Isso mantém a ciência testável e evita o uso indevido de matemática complexa para justificar alegações infundadas de senciência.
Principais Conclusões
- Equivalência Matemática: De Wynter prova que o meio de computação (sejam bodes em um jogo ou texto em uma janela de chat) não altera a matemática subjacente, mas altera drasticamente nossa percepção de "inteligência".
- Viés de Pesquisa Sistêmico: Mais da metade dos artigos de IA analisados caem na armadilha do raciocínio circular ao assumir que os LLMs possuem traços humanos antes de testá-los.
- A Necessidade de Rigor Observacional: A comunidade de IA deve mudar de uma atribuição de processos cognitivos superiores aos modelos para um foco em saídas computacionais estritamente observáveis e testáveis.