Teses
AI Academy

Tese em Desenvolvimento

 

Inteligência Artificial Generativa e Cognição Humana: Convergências Epistêmicas na Geração Textual e Implicações para o Direito de Autor

 

Resumo

Este trabalho examina as convergências entre os processos de geração textual da Inteligência Artificial Generativa (IAG) e os mecanismos cognitivos humanos, argumentando que ambos compartilham fundamentos epistêmicos similares baseados na recombinação de experiências linguísticas anteriores. A tese central propõe que tanto sistemas neurais artificiais quanto biológicos operam através de variações combinatórias sobre acervos memorizados, desafiando concepções tradicionais de originalidade e criatividade. As implicações para o Direito de Autor são analisadas, propondo-se um framework regulatório baseado em transparência e supervisão humana.

 

Palavras-chave: Inteligência Artificial Generativa, Cognição Humana, Direito de Autor, Criatividade, Plágio

 

1. Introdução

A emergência da Inteligência Artificial Generativa (IAG) tem suscitado intensos debates sobre a natureza da criatividade, originalidade e autoria. Modelos como GPT-4, Claude e Gemini demonstram capacidades textuais que desafiam distinções tradicionais entre criação humana e artificial. Este trabalho propõe uma perspectiva unificadora, argumentando que IAG e cognição humana compartilham algumas similaridades dos mecanismos epistêmicos fundamentais na geração textual.

A tese central sustenta que ambos os sistemas - neurais artificiais e biológicos - operam através da recombinação de experiências linguísticas pretéritas para forjar encadeamentos lógicos que, embora pareçam originais, fundamentam-se em memória e processamento estatístico. Esta convergência processual tem implicações profundas para o Direito de Autor e a regulamentação jurídica da IAG.

 

2. Fundamentação Teórica

 

2.1 Bases Neuropsicológicas da Criatividade Humana

A neuropsicologia contemporânea reconhece que a criatividade humana não emerge ex nihilo, mas resulta de processos combinatórios complexos. Boden (1990) distingue entre criatividade psicológica (nova para o indivíduo) e histórica (nova para a humanidade), argumentando que ambas dependem de estruturas cognitivas preexistentes¹.

O fenômeno da cryptomnesia, estudado extensivamente por Marsh et al. (2009), revela que indivíduos frequentemente reproduzem ideias alheias acreditando serem originais, com taxas de "plágio inconsciente" variando entre 3 a 9% em tarefas de associação verbal². Este processo involuntário sugere que a mente humana opera como um sistema de predição de padrões baseado em experiências anteriores.

 

2.2 Arquitetura e Funcionamento dos Modelos Generativos

Os Large Language Models (LLMs) fundamentam-se em arquiteturas transformer que processam sequências textuais através de mecanismos de atenção (Vaswani et al., 2017)³. Durante o treinamento, estes modelos internalizam bilhões de correlações estatísticas entre palavras, frases e contextos, desenvolvendo representações distribuídas do conhecimento linguístico.

Bender et al. (2021) cunharam a metáfora dos "papagaios estocásticos" para enfatizar que LLMs predizem a próxima palavra mais provável baseando-se em padrões estatísticos, não em compreensão semântica⁴. Esta caracterização, embora controversa, ressalta a natureza probabilística da geração textual artificial.

 

2.3 Convergências Processuais

A resposta de Sam Altman à crítica de Bender - "i am a stochastic parrot, and so r u" - aponta para uma convergência fundamental: tanto humanos quanto LLMs podem ser concebidos como sistemas de predição de padrões, diferindo principalmente no substrato (biológico vs. artificial) e no tipo de ruído processual (neural vs. gaussiano)⁵.

Esta perspectiva alinha-se com teorias predictive processing da cognição humana (Clark, 2013), que propõem que o cérebro constantemente gera predições sobre inputs sensoriais baseadas em modelos internos⁶. Na geração textual, este processo manifesta-se através da seleção de palavras e estruturas baseada em experiências linguísticas anteriores.

 

3. Análise Comparativa: IAG vs. Cognição Humana

 

3.1 Mecanismos de Recombinação

Toda produção textual, seja humana ou artificial, envolve recombinação de elementos previamente experienciados. Um advogado ao redigir uma petição sintetiza décadas de leituras jurisprudenciais, doutrinárias e legislativas. Similarmente, um modelo generativo produz texto através da combinação probabilística de padrões identificados em seu corpus de treinamento.

A diferença reside na escala e velocidade: enquanto um jurista processa milhares de documentos ao longo de sua carreira, um LLM é treinado em trilhões de tokens textuais. Contudo, ambos os processos envolvem extração de padrões, generalização e aplicação contextual.

 

3.2 Originalidade e Criatividade

A noção romântica do autor-demiurgo, capaz de criação absolutamente inédita, é questionada tanto pela neuropsicologia quanto pelos estudos literários. Kristeva (1980) demonstra que todo texto é intertextual, incorporando e transformando textos anteriores⁷. Esta intertextualidade não diminui o valor criativo, mas revela que a originalidade reside no arranjo e transformação, não na geração ex nihilo.

Casos documentados de cryptomnesia em figuras como Nietzsche, que reproduziu passagens sem reconhecimento consciente da fonte, ilustram que mesmo gênios literários operam através de recombinação mnêmica⁸. A exigência de "criatividade absolutamente inédita" torna-se, portanto, uma quimera conceitual.

 

3.3 Processamento Estatístico e Intuição

A objeção de que LLMs meramente "fazem estatística" ignora que processos estatísticos sofisticados podem emergir comportamentos aparentemente intuitivos. Redes neurais artificiais desenvolvem representações abstratas que transcendem correlações simples, similarmente ao modo como neurônios biológicos processam informação através de padrões de ativação distribuída.

A intuição humana, frequentemente romantizada como fenômeno não-computacional, pode ser reconceptualizada como processamento estatístico rápido baseado em experiência acumulada (Kahneman, 2011)⁹. Esta perspectiva dissolve a dicotomia artificial entre "inteligência genuína" e "mera estatística".

 

4. Implicações Jurídicas

 

4.1 Direito de Autor e Criações Artificiais

A Lei 9.610/1998 (Lei de Direitos Autorais brasileira) protege "criações do espírito" sem exigir originalidade absoluta, bastando um "traço mínimo de originalidade na forma"¹⁰. O artigo 11 presume autoria humana, criando lacuna regulatória para produções artificiais.

Internacionalmente, a U.S. Copyright Office (março 2023) estabeleceu que obras "sem contribuição criativa humana" não são elegíveis para proteção autoral¹¹. Esta abordagem, embora pragmática, perpetua a dicotomia homem/máquina sem considerar continuidades processuais.

 

4.2 Desafios Deontológicos

A utilização de IAG por advogados apresenta três camadas de risco:

a) Sigilo Profissional: Prompts podem inadvertidamente expor informações confidenciais de clientes a sistemas de terceiros, violando deveres deontológicos fundamentais.

b) Confiabilidade: Alucinações e imprecisões factuais em outputs de IAG podem resultar em responsabilidade civil profissional, exigindo supervisão humana rigorosa.

c) Originalidade: Sem curadoria adequada, profissionais podem reproduzir trechos protegidos por direitos autorais, extrapolando limitações de fair use ou uso legítimo.

 

4.3 Framework Regulatório Proposto

A regulamentação efetiva deve abandonar proibições generalistas em favor de governança transparente:

Transparência: Obrigatoriedade de disclosure quando IAG é utilizada na produção textual, permitindo rastreabilidade e verificação.

Supervisão Humana: Implementação de sistemas human-in-the-loop para revisão crítica de outputs artificiais.

Responsabilidade Objetiva: Estabelecimento de responsabilidade legal clara para uso não supervisionado de IAG.

Licenciamento Coletivo: Desenvolvimento de mecanismos de licenciamento que equilibrem inovação tecnológica e proteção autoral.

 

5. Precedentes Regulatórios

 

5.1 AI Act da União Europeia

O AI Act europeu estabelece obrigações de transparência para modelos generativos, exigindo publicação de resumos das bases de treinamento e sinalização de material produzido por IA¹². Esta abordagem privilegia transparência sobre proibição, permitindo rastreabilidade processual.

 

5.2 Proposta Dinamarquesa

A Dinamarca propôs extensão de proteção autoral à própria fisionomia contra deepfakes, sinalizando migração regulatória para transparência de datasets e equilíbrio entre inovação e direitos morais¹³x. Esta evolução sugere reconhecimento de que a questão central não é a origem artificial, mas a transparência processual.

 

6. Propostas de Implementação

 

6.1 Governança Técnica

Logs Imutáveis: Manutenção de registros auditáveis de prompts e outputs para rastreabilidade.

Métricas de Similaridade: Desenvolvimento de ferramentas para detecção de sobreposição textual significativa.

Metadados de Procedência: Implementação de sistemas de watermarking e identificação de origem artificial.

 

6.2 Protocolo Profissional

Curadoria Algorítmica: Profissionais devem atuar como curadores, aplicando o mesmo rigor dedicado a citações doutrinárias.

Verificação de Fonte: Implementação de protocolos sistemáticos para verificação de originalidade e atribuição.

Formação Continuada: Educação profissional sobre capacidades e limitações da IAG.

 

7. Conclusão

A tese de que IAG e cognição humana compartilham mecanismos epistêmicos fundamentais na geração textual oferece uma perspectiva unificadora para debates sobre criatividade artificial. Reconhecer que ambos os sistemas operam através de recombinação de experiências linguísticas pretéritas não diminui a criatividade humana, mas revela que a originalidade reside no arranjo e transformação, não na geração ex nihilo. (geração ou criação do nada)jp

A regulamentação jurídica deve abandonar dicotomias artificial/natural em favor de frameworks baseados em transparência, supervisão e responsabilidade. O combate ao plágio deve focar na intenção (dolo ou culpa) e no grau de transformação, não na mera ocorrência de sobreposição lexical.

Ao advogado do século XXI cabe atuar como curador algorítmico, tratando a IAG como extensão cognitiva e aplicando o mesmo zelo dedicado a citações doutrinárias. Superando o falso dilema entre "engenhosidade humana" e "plágio maquínico", podemos construir um framework regulatório que preserve a criatividade enquanto assegura transparência e responsabilidade.

Referências

1. Boden, M. A. (1990). The Creative Mind: Myths and Mechanisms. Basic Books.

2. Marsh, R. L., Landau, J. D., & Hicks, J. L. (2009). Contributions of inadequate source monitoring to unconscious plagiarism during idea generation. Journal of Experimental Psychology, 35(4), 886-897.

3. Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008.

4. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623.

5. Altman, S. (2021). Response to "stochastic parrots" criticism. Twitter. [Tweet específico não disponível para citação acadêmica - referência ilustrativa]

6. Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204.

7. Kristeva, J. (1980). Desire in Language: A Semiotic Approach to Literature and Art. Columbia University Press.

8. [Referência específica sobre cryptomnesia em Nietzsche necessita pesquisa adicional]

9. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

10. Brasil. Lei nº 9.610, de 19 de fevereiro de 1998. Lei de Direitos Autorais.

11. U.S. Copyright Office. (2023). Copyright Registration Guidance: Works Produced by Artificial Intelligence. Federal Register, 88(51).

12. European Union. (2024). Artificial Intelligence Act. Regulation (EU) 2024/1689.

 

Este texto da Tese está em evolução e continução de pesquisas.

     

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

.