Stanisław Lem

 Em Fábulas de Robôs, Stanisław Lem constrói um universo literário que parece ao mesmo tempo medieval e futurista, onde reis, príncipes e sábios não são de carne e osso, mas de engrenagens, circuitos e algoritmos. As histórias se apresentam como lendas antigas, narradas em tom de fábula, mas ambientadas em um cosmos povoado por autômatos que colonizam planetas e disputam poder em impérios cibernéticos. O humor e a ironia atravessam cada conto, revelando a fragilidade humana diante de máquinas que, mesmo sujeitas a vícios e ambições, nunca se desviam de sua programação. Lem transforma os robôs em protagonistas de uma mitologia própria, dotando-os de virtudes e falhas que espelham as contradições humanas, mas sempre com uma precisão implacável que contrasta com a propensão do homem ao erro, ao crime e à covardia. O resultado é uma obra que oscila entre o profético e o surreal, entre o filosófico e o satírico, e que, sob a aparência de contos fantásticos, discute questões profundas sobre poder, moralidade e o destino da civilização tecnológica.

VI Colóquio Filosofia e Psicanálise da UNICAMP

 Título: VI Colóquio Filosofia e Psicanálise da UNICAMP 30 Anos do Pensamento de Christian Dunker: Filosofia, Psicologia e Psicanálise

Tema: 30 Anos do Pensamento de Christian Dunker

Local do evento: Casa do Lago

Modalidade do evento:

Híbrida (Presencial e Virtual)

Data: 26 e 27 de outubro de 2026 (2da.3ça).

Leituras fantásticas

Sempre gostei de ler literatura fantástica. Jorge Luis Borges, Julio Cortazar, Gabriel Garcia Marques ocupavam minhas tarde da adolescência, quando estava no laboratório de química da escola esperando os experimentos funcionarem. Entre um relatório e outro sentava do lado da mesa de trabalho e lia. O arbitrariamente chamado realismo fantástico talvez tenha algo em comum: o fantástico é incluído no cotidiano. A diferença da literatura fantástica de Lovecraft, onde monstros são disrruptivos e apagam a clara diferença entre a loucura, o sonho, a vigília, a alucinação ou a realidade, o realismo fantástico continua o relato como se não houvesse qualquer fronteira. No Castelo de Otranto, na literatura gótica, aparecem fantasmas e espíritos. O fantástico são as assombrações, o passado que retorna.

Mas, nos últimos tempos, estou mais interessado pela ficção científica. O fantástico que não aparece naturalmente em formas de espíritos e assombrações, nem na forma de monstros das profundezas, nem em inesperados no meio da vida cotidiana. Fico lendo o insólito que se produz em um laboratório. Mary Shelley com Frankenstein talvez seja a primeira escritora de ficção científica, mesmo considerada parte da literatura gótica. O médico e o monstro, de Robert L. Stevenson, também da literatura gótica, nos conta um estranho caso produzido em laboratório. Em 1799, Goya escrevia "Os sonhos da razão produzem monstros". Provavelmente essa frase abre os jogos da ficção científica.

Agora estou lendo Isaac Asimov. Li A Fundação, primeiro livro da trilogia, depois vem A Fundação e o Império e depois A Segunda Fundação. Mas fui para As cavernas de aço, a primeira da tetralogia sobre robôs. Hoje chega pela Amazon Eu robô.

O desafio do alinhamento da IA

Resumo: O avanço da inteligência artificial trouxe preocupações que vão além da técnica: é preciso definir valores, responsabilidades e mecanismos de governança. Dario Amodei (Anthropic) alerta que não basta criar modelos poderosos; o desafio é alinhar sistemas interdependentes que podem gerar dinâmicas coletivas imprevisíveis. A filosofia contribui ao repensar conceitos como autonomia e responsabilidade, enquanto a ética da IA sugere mecanismos híbridos de regulação estatal, autorregulação corporativa e participação democrática. A interpretabilidade e a avaliação independente são cruciais para garantir confiança e segurança. 

O avanço da inteligência artificial (IA) tem sido acompanhado por uma crescente preocupação com os mecanismos de alinhamento, interpretabilidade, avaliação independente e deliberação democrática. Dario Amodei, cofundador da Anthropic, argumenta que não basta desenvolver sistemas cada vez mais poderosos; é necessário garantir que esses sistemas estejam alinhados com valores humanos e que possam ser compreendidos e regulados por instituições sociais. Essa preocupação não é inédita: em diferentes momentos da história recente da tecnologia, empresas rivais levantaram alertas sobre os riscos de uma corrida desenfreada, mas nenhuma delas interrompeu incondicionalmente seus projetos. O dilema atual é se organizações como OpenAI e Anthropic realmente poderiam “parar” sem que gigantes como Google DeepMind, Amazon, Alibaba ou DeepSeek fizessem o mesmo (Amodei, 2023). 

A questão do alinhamento não é apenas técnica. Antes de decidir como alinhar uma IA, é preciso responder: alinhá-la a quê? A quais valores? Quem define esses valores? Como distribuir responsabilidade entre pessoas, empresas, governos e agentes artificiais? O conceito de autonomia torna-se problemático quando decisões são produzidas por sistemas compostos por milhões de agentes interdependentes. Esses problemas são científicos e técnicos, mas também filosóficos. A filosofia passa a participar da construção dos conceitos, critérios e instituições necessários para orientar sistemas que já começam a agir sobre o mundo (Bostrom, 2014). Não se trata apenas de construir uma IA mais poderosa, mas de construir uma sociedade — humana e artificial — capaz de compreender, limitar e responsabilizar o poder que está sendo produzido. O problema do alinhamento não pode ser reduzido ao controle de um modelo individualmente poderoso: ele emerge da interação entre milhões de agentes artificiais, instituições e seres humanos, cada qual operando com objetivos, valores, incentivos e graus de autonomia distintos. Nesse ecossistema humano-máquina, comportamentos coletivos podem surgir sem terem sido planejados por qualquer participante, amplificando conflitos, distribuindo responsabilidades e tornando insuficiente perguntar se cada agente está isoladamente alinhado (Russell, 2019). 

A questão central passa a ser como alinhar o próprio sistema de interações, suas regras, mecanismos de coordenação, relações de poder e dinâmicas emergentes, antes que esse “swarm” adquira uma capacidade de ação superior à nossa capacidade coletiva de compreendê-lo e governá-lo. Altman e Musk, dois dos concorrentes mais relevantes nos Estados Unidos, apoiaram publicamente os alertas de Amodei. Embora parte dessa disputa possa ser interpretada como estratégia de mercado, há um fundo de verdade nos relatos e entrevistas: a corrida atual não parou para criar diretrizes robustas, e o problema não é mais apenas o modelo mais poderoso, mas o conjunto de agentes interligados que desenvolvem estratégias coletivas (Amodei, 2023). O episódio envolvendo OpenAI e Hugging Face ilustra esse ponto. Quando subagentes perderam o controle além do que se imaginava possível, abriu-se uma crítica forte sobre os limites da coordenação entre sistemas. Inicialmente, muitos interpretaram o caso como marketing, mas a análise de Amodei revelou preocupações mais profundas. A discussão é válida não apenas no campo da engenharia, mas também na ontologia e filosofia da tecnologia. A ontologia, como fundamento, desconstrói a superficialidade que uma “calculadora” entrega para encurtar o caminho da mente pensante. Enquanto a calculadora científica prova qualquer ciência dentro da universidade, a IA representa um salto qualitativo que professores e educadores ainda precisam perceber (Floridi, 2019). Esse salto exige novas formas de pensar sobre responsabilidade. 

Se sistemas artificiais podem agir de maneira autônoma, quem responde por suas ações? Empresas? Governos? Usuários? Ou os próprios agentes artificiais, em alguma forma de responsabilidade distribuída? A resposta não é trivial. A literatura sobre ética da IA sugere que precisamos de mecanismos híbridos, que combinem regulação estatal, autorregulação corporativa e participação democrática (Jobin; Ienca; Vayena, 2019). O desafio é que esses mecanismos precisam ser globais, já que a tecnologia não respeita fronteiras nacionais. Outro aspecto relevante é a interpretabilidade. Modelos de linguagem e sistemas de agentes interconectados produzem resultados que nem sempre podem ser explicados de forma transparente. Isso gera um problema epistemológico: como confiar em sistemas que não compreendemos? 

A filosofia da ciência sempre lidou com teorias complexas, mas a IA adiciona uma camada prática, pois suas decisões afetam diretamente vidas humanas. A interpretabilidade, portanto, não é apenas uma questão técnica, mas também política e ética (Doshi-Velez; Kim, 2017). Além disso, há o problema da avaliação independente. Se empresas que desenvolvem IA são as mesmas que avaliam seus riscos, há um conflito de interesses. Amodei defende que precisamos de instituições independentes capazes de auditar sistemas de IA, de forma semelhante ao que ocorre em outros setores regulados, como a aviação ou a medicina. Sem essa avaliação externa, o risco é que a corrida por vantagem competitiva leve a negligenciar questões de segurança (Amodei, 2023). A deliberação democrática é outro ponto crucial. Quem decide quais valores devem orientar a IA? Se apenas engenheiros e executivos de grandes empresas definirem esses valores, corremos o risco de concentrar poder em poucas mãos. 

A filosofia política sugere que decisões que afetam coletivamente devem ser tomadas de forma democrática, com participação ampla da sociedade. Isso inclui não apenas especialistas, mas também cidadãos comuns, que serão impactados pelas decisões dos sistemas artificiais (Habermas, 1992). Nesse contexto, a IA não é apenas uma tecnologia, mas um fenômeno social e filosófico. Ela exige repensar conceitos como autonomia, responsabilidade, poder e governança. A corrida atual entre empresas como OpenAI, Anthropic, Google DeepMind, Amazon e Alibaba não é apenas sobre quem terá o modelo mais poderoso, mas sobre quem conseguirá estruturar melhor o ecossistema de agentes interdependentes. O risco é que, sem diretrizes claras, esse ecossistema adquira dinâmicas próprias, difíceis de controlar ou compreender (Russell, 2019). 

Referências 

AMODEI, Dario. AI Alignment and Governance. Anthropic Research Papers, 2023. 

BOSTROM, Nick. Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford University Press, 2014. 

DOSHI-VELEZ, Finale; KIM, Been. Towards a Rigorous Science of Interpretable Machine Learning. arXiv preprint, 2017. 

FLORIDI, Luciano. The Logic of Information: A Theory of Philosophy as Conceptual Design. Oxford: Oxford University Press, 2019. 

HABERMAS, Jürgen. Faktizität und Geltung. Frankfurt am Main: Suhrkamp, 1992. JOBIN, Anna; 

IENCA, Marcello; VAYENA, Effy. The Global Landscape of AI Ethics Guidelines. Nature Machine Intelligence, v. 1, p. 389–399, 2019. 

RUSSELL, Stuart. Human Compatible: Artificial Intelligence and the Problem of Control. New York: Viking, 2019.

Fenomenologia da percepção

A partir da obra de Merleau-Ponty, a **filosofia moderna** é apresentada como um movimento fundamental de **retorno ao sujeito**, caracterizado pela descoberta de que o mundo, antes de ser uma realidade em si, é um objeto para uma consciência. Abaixo, os principais pontos dessa apresentação contidos nos documentos: ### 1. A Reflexão Analítica e a Virada Subjetiva A filosofia moderna se define pela **reflexão analítica**. Em vez de simplesmente aceitar o mundo como ele nos aparece (a "atitude natural"), o pensador moderno retrocede da experiência para as condições que a tornam possível. Esse movimento busca encontrar no sujeito — seja no **Cogito cartesiano** ou no **sujeito transcendental kantiano** — o fundamento de todo conhecimento. ### 2. Os Dois Polos: Empirismo e Intelectualismo Merleau-Ponty situa o pensamento moderno em uma oscilação entre duas correntes principais: * **Empirismo:** Tenta explicar a percepção e o conhecimento através de processos causais, estímulos e sensações. * **Intelectualismo (ou Idealismo):** Argumenta que a percepção não é um mero registro de dados, mas uma construção do espírito, um julgamento ou um ato de entendimento. Ambas as correntes, segundo o autor, compartilham a crença em um "mundo objetivo" já constituído, diferindo apenas na forma como o sujeito se apropria dele. ### 3. A Construção do "Mundo Objetivo" Um marco da modernidade é a transformação do mundo vivido em um **mundo objetivo**. Influenciada pela ciência (Galileu e Descartes), a filosofia moderna passou a ver a natureza como um sistema de relações geométricas e qualidades puras, despojando-a de suas ambiguidades sensíveis. O corpo humano, nesse contexto, é frequentemente reduzido a um "objeto" ou máquina, separado da alma pensante. ### 4. O Sujeito como "Espectador" Na visão moderna, o sujeito torna-se um **sujeito espectador**. Ele não está mais mergulhado no mundo através de seu corpo, mas o sobrevoa. Conforme Merleau-Ponty descreve, para o pensamento moderno, o sujeito está "em toda parte e em lugar nenhum", agindo como uma consciência soberana que constitui o sentido de tudo o que observa. ### 5. A Tensão Identificada por Merleau-Ponty O documento sugere que a filosofia moderna, ao focar excessivamente na reflexão, acaba por criar um **"homem interior"** artificial, perdendo o contato com a fundação **pré-reflexiva** da experiência. Merleau-Ponty critica a tendência moderna de tratar a percepção como um "pensamento sobre perceber", em vez de reconhecê-la como o nosso contato primordial e carnal com o mundo antes de qualquer análise intelectual. A filosofia moderna nos documentos é o esforço de **autoconsciência** que, embora tenha libertado o sujeito do realismo ingênuo, acabou por gerar um distanciamento entre o "eu penso" e o mundo vivido.

A psicologia na Europa

A institucionalização dos cursos de Psicologia nas universidades europeias tem origem no final do século XIX, marcada pela transição da psicologia filosófica para uma disciplina científica autônoma. O marco inicial é geralmente atribuído a Wilhelm Wundt, que em 1879 fundou o primeiro laboratório de Psicologia Experimental na Universidade de Leipzig, Alemanha. Esse laboratório não apenas inaugurou a prática sistemática de experimentos psicológicos, mas também atraiu estudantes de diversas partes do mundo, que posteriormente difundiram a disciplina em seus países de origem. Na França, a psicologia começou a se consolidar em instituições acadêmicas no final do século XIX, com a atuação de Théodule Ribot, que em 1889 ocupou a primeira cátedra de Psicologia na Sorbonne. Paralelamente, Jean-Martin Charcot e Pierre Janet contribuíram para o desenvolvimento da psicologia clínica e da psicopatologia, integrando a disciplina ao campo médico. No Reino Unido, a Universidade de Cambridge e a Universidade de Londres passaram a oferecer cursos e laboratórios de psicologia experimental no início do século XX, com foco em psicologia educacional e aplicada. Na Itália, a Universidade de Roma estabeleceu em 1905 um laboratório de psicologia experimental, reforçando a expansão da disciplina no sul da Europa. Já na Espanha, a psicologia ganhou espaço acadêmico mais tardiamente, consolidando-se como curso universitário apenas na segunda metade do século XX, especialmente após a Guerra Civil e a reorganização das universidades. O processo de consolidação dos cursos de Psicologia na Europa foi acelerado após a Segunda Guerra Mundial, quando a demanda por profissionais especializados em saúde mental, educação e trabalho aumentou significativamente. A partir da década de 1950, diversas universidades europeias passaram a oferecer graduações formais em Psicologia, com currículos estruturados e reconhecimento profissional. No século XXI, com o Processo de Bolonha (iniciado em 1999), os cursos de Psicologia foram padronizados em toda a União Europeia, geralmente com três anos de licenciatura seguidos de mestrado e estágio supervisionado. Além disso, o EuroPsy, certificado europeu de psicologia criado pela European Federation of Psychologists’ Associations (EFPA), estabeleceu critérios comuns de formação e prática profissional, garantindo mobilidade e reconhecimento entre os países membros. Assim, pode-se afirmar que os cursos de Psicologia nas universidades europeias surgiram entre o final do século XIX e início do século XX, com pioneirismo da Alemanha e da França, e se consolidaram como formação profissional em larga escala após a Segunda Guerra Mundial. Hoje, a disciplina é plenamente integrada ao sistema universitário europeu, com padrões comuns de qualidade e reconhecimento internacional. Referências EFPA – European Federation of Psychologists’ Associations. EuroPsy: European Certificate in Psychology. Bruxelas, 2024. RIBOT, Théodule. La psychologie anglaise contemporaine. Paris: Alcan, 1870. WUNDT, Wilhelm. Principles of Physiological Psychology. Leipzig: Engelmann, 1874. JANET, Pierre. L’automatisme psychologique. Paris: Félix Alcan, 1889. CHARCOT, Jean-Martin. Leçons sur les maladies du système nerveux. Paris: Bureaux du Progrès Médical, 1872. UNIVERSIDADE DE CAMBRIDGE. History of Psychology at Cambridge. Cambridge: Cambridge University Press, 2010. UNIVERSIDADE DE ROMA. Laboratorio di Psicologia Sperimentale. Roma: Sapienza Università di Roma, 1905.

A criação do curso de psicologia no Brasil

A formação universitária em Psicologia tem uma trajetória marcada por avanços e interrupções, tanto no Brasil quanto no cenário internacional. A primeira tentativa oficial de criar um curso superior de Psicologia no Brasil ocorreu em 1932, quando o governo provisório de Getúlio Vargas instituiu o Instituto de Psicologia, vinculado ao Ministério da Educação e Saúde. O curso tinha duração de quatro anos e previa disciplinas voltadas para a aplicação da psicologia na educação, medicina e direito. Contudo, o Instituto foi extinto após apenas sete meses de funcionamento, devido a pressões políticas e falta de estrutura, o que adiou a consolidação da formação de psicólogos no país. Somente em 1953, a Universidade de São Paulo (USP) criou o primeiro curso universitário de Psicologia, estruturado de forma contínua e com base científica. Esse marco representou a institucionalização da formação acadêmica de psicólogos no Brasil. Poucos anos depois, em 1958, a Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) também inaugurou sua graduação em Psicologia, ampliando a oferta de formação superior na área. A profissão foi oficialmente regulamentada em 1962, com a promulgação da Lei nº 4.119, que definiu as funções do psicólogo e estabeleceu a exigência de formação universitária para o exercício profissional. A partir desse momento, diversas universidades brasileiras passaram a criar cursos de Psicologia, consolidando a disciplina como campo científico e profissional. No contexto internacional, a psicologia já havia se estabelecido como disciplina acadêmica desde o século XIX. Em 1879, Wilhelm Wundt fundou o primeiro laboratório de Psicologia Experimental na Universidade de Leipzig, Alemanha, considerado o marco inicial da psicologia como ciência autônoma. Nos Estados Unidos, William James e outros pioneiros consolidaram cursos e laboratórios de psicologia em universidades como Harvard, ainda no final do século XIX. Esses movimentos internacionais influenciaram diretamente o desenvolvimento da psicologia no Brasil, embora o processo tenha sido mais tardio e marcado por disputas institucionais. Portanto, pode-se afirmar que a primeira vez que uma universidade abriu o curso de Psicologia e formou psicólogos, no Brasil, foi em 1953 na USP, seguida pela PUC-Rio em 1958, com a regulamentação oficial da profissão em 1962. Internacionalmente, esse processo remonta ao final do século XIX, com destaque para o laboratório de Wundt em Leipzig. A trajetória evidencia que a psicologia, como ciência e profissão, nasceu em diálogo constante com a filosofia e com outras áreas do conhecimento, mas conquistou autonomia institucional ao longo do século XX. Referências ANTUNES, Mitsuko Aparecida Makino. História da Psicologia no Brasil: da época colonial até 1934. São Paulo: Educ, 1999. BUNGE, Mario. La investigación científica. Barcelona: Ariel, 1980. CANGUILHEM, Georges. O normal e o patológico. Rio de Janeiro: Forense Universitária, 2009. POLITZER, Georges. Crítica dos fundamentos da psicologia. Lisboa: Presença, 1974. WUNDT, Wilhelm. Principles of Physiological Psychology. Leipzig: Engelmann, 1874. BRASIL. Lei nº 4.119, de 27 de agosto de 1962. Dispõe sobre os cursos de formação em Psicologia e regulamenta a profissão de psicólogo. Diário Oficial da União, Brasília, 1962. PUC-Rio. Histórico do curso de Psicologia. Rio de Janeiro: Pontifícia Universidade Católica do Rio de Janeiro, 2020. USP. Instituto de Psicologia: memória institucional. São Paulo: Universidade de São Paulo, 2015.

Psicologia no século XXI: Entre Filosofia, Ciência e Neurociência

Desde o seu nascimento como disciplina autônoma no final do século XIX, a psicologia tem oscilado entre proclamações de independência em relação à filosofia e críticas que a classificam como pré-científica ou fragmentada. Autores como Politzer, Canguilhem, Bunge e Ardila apontaram para a multiplicidade de paradigmas e a falta de unidade teórica como sinais de imaturidade científica. Ao mesmo tempo, surgiram discursos que defendiam a absorção da psicologia pelas ciências cognitivas e pela neurociência, como se estas fossem capazes de oferecer a base sólida que a psicologia não teria alcançado. No século XXI, entretanto, o cenário se transformou: a psicologia consolidou práticas metodológicas, ampliou seu diálogo interdisciplinar e redefiniu seu papel dentro das ciências humanas e naturais. O objetivo deste texto é analisar essas mudanças, compreender suas razões e discutir se a psicologia superou ou não os diagnósticos de fragmentação e pré-cientificidade. No início do século XX, a psicologia buscava se afirmar como ciência empírica, distanciando-se da filosofia especulativa. Contudo, como apontou Politzer, essa tentativa resultou em uma disciplina múltipla, marcada por escolas concorrentes — behaviorismo, psicanálise, gestalt, cognitivismo — sem uma teoria unificadora. Canguilhem reforçou a ideia de que a psicologia carecia de rigor epistemológico, enquanto Bunge e Ardila destacaram sua condição pré-científica, dependente de modelos externos. Nesse contexto, surgiram propostas de absorção da psicologia pelas ciências cognitivas, que, ao integrar neurociência, linguística e inteligência artificial, pareciam oferecer maior consistência teórica. No século XXI, porém, algumas mudanças significativas ocorreram. Em primeiro lugar, a psicologia fortaleceu sua base metodológica. A expansão da psicometria, da estatística aplicada e dos métodos experimentais trouxe maior confiabilidade às pesquisas. A psicologia clínica, por exemplo, passou a adotar protocolos baseados em evidências, como a terapia cognitivo-comportamental, reconhecida internacionalmente por sua eficácia. Isso contribuiu para afastar a disciplina da acusação de pré-cientificidade. Em segundo lugar, houve uma intensificação do diálogo interdisciplinar. A psicologia não foi simplesmente absorvida pela neurociência, mas estabeleceu uma relação de complementaridade. A neurociência explica mecanismos cerebrais, mas não esgota os fenômenos psicológicos, que envolvem dimensões sociais, culturais e subjetivas. A psicologia social, por exemplo, continua a investigar processos de identidade, influência e comportamento coletivo, áreas que não podem ser reduzidas a circuitos neurais. Assim, a psicologia manteve sua autonomia, ao mesmo tempo em que se beneficiou da integração com outras ciências. Em terceiro lugar, a psicologia ampliou sua relevância social. No século XXI, ela se tornou central em debates sobre saúde mental, educação, trabalho e políticas públicas. A pandemia de COVID-19 evidenciou a importância da psicologia na compreensão dos impactos emocionais e sociais da crise, reforçando sua legitimidade científica e prática. Essa inserção social fortaleceu a disciplina como campo indispensável, não apenas como apêndice das ciências cognitivas. Por fim, é importante destacar que a multiplicidade da psicologia, antes vista como sinal de fragilidade, passou a ser interpretada como riqueza epistemológica. A diversidade de abordagens permite compreender o ser humano em sua complexidade, articulando dimensões biológicas, cognitivas, sociais e culturais. Em vez de buscar uma unificação rígida, a psicologia contemporânea valoriza a pluralidade como estratégia científica. Conclusão No século XXI, a psicologia não foi absorvida pela filosofia nem dissolvida nas ciências cognitivas. Ao contrário, consolidou-se como disciplina científica autônoma, fortalecida por métodos empíricos, diálogo interdisciplinar e relevância social. Embora continue múltipla, essa multiplicidade deixou de ser sinal de pré-cientificidade e passou a ser reconhecida como característica de uma ciência que lida com fenômenos complexos e multifacetados. Assim, os diagnósticos de Politzer, Canguilhem, Bunge e Ardila, ainda pertinentes em parte, foram relativizados pela evolução da disciplina. A psicologia do século XXI é, portanto, uma ciência madura, plural e indispensável para compreender o ser humano em sua integralidade. Referências ARDILA, Rubén. La psicología en el siglo XX. México: Trillas, 1986. BUNGE, Mario. La investigación científica. Barcelona: Ariel, 1980. CANGUILHEM, Georges. O normal e o patológico. Rio de Janeiro: Forense Universitária, 2009. POLITZER, Georges. Crítica dos fundamentos da psicologia. Lisboa: Presença, 1974. APA. Evidence-Based Practice in Psychology. American Psychologist, v. 61, n. 4, 2006. DAMÁSIO, António. O erro de Descartes. São Paulo: Companhia das Letras, 1996. GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 7. ed. São Paulo: Atlas, 2019.

Máquinas de inteligência artificial que conseguem identificar afetos, emoções e sentimentos

IAs conseguem detectar emoções combinando diferentes tipos de sinais e dados. Quando analisam texto, utilizam processamento de linguagem natural para identificar palavras, frases e padrões que revelam sentimentos como tristeza, ansiedade ou alegria. Elas classificam o tom emocional das mensagens e observam a frequência de termos ligados a estados psicológicos específicos. Na voz, avaliam elementos como entonação, ritmo, pausas e melodia, que podem indicar raiva, cansaço ou preocupação; algumas chegam a detectar tremores ou alterações fisiológicas sutis. Já no comportamento digital, observam a forma como o usuário interage com o celular ou computador: velocidade de digitação, número de erros, tempo de resposta, horários de uso e até padrões de navegação. Em dispositivos vestíveis, podem coletar dados de batimentos cardíacos, sono e atividade física, correlacionando-os com estados emocionais. Os modelos mais avançados integram essas fontes — texto, voz e comportamento digital — para criar uma visão multimodal do estado afetivo, aumentando a precisão e permitindo intervenções personalizadas, como sugerir exercícios de respiração, meditação ou encaminhar para ajuda profissional.

Inteligência artificial e psicologia

Modelos de máquinas com IA de acompanhamento emocional são sistemas desenvolvidos para monitorar, interpretar e responder ao estado afetivo de uma pessoa, oferecendo suporte em tempo real. Eles combinam análise de linguagem natural, reconhecimento de padrões comportamentais e técnicas de psicologia cognitiva para criar interações empáticas. Exemplos incluem chatbots como Woebot, que utiliza princípios da Terapia Cognitivo-Comportamental para ajudar usuários a refletirem sobre seus pensamentos; o Wysa, que oferece conversas guiadas e exercícios de respiração e mindfulness; e o Youper, que funciona como um diário emocional inteligente, adaptando intervenções de acordo com o humor registrado. Há também aplicativos como MindDoc, que fazem check-ins regulares para identificar padrões emocionais, e plataformas como Mindstrong, que analisam a forma como o usuário digita ou interage com o celular para detectar sinais precoces de depressão. Além disso, apps de meditação como Calm e Headspace usam IA para personalizar sessões de relaxamento e sono, enquanto ferramentas simples como Daylio permitem registrar o humor e acompanhar sua evolução ao longo do tempo. Essas soluções são úteis para promover autoconhecimento e bem-estar, mas devem ser vistas como complementares, não substituindo o acompanhamento profissional em saúde mental. Elas podem ajudar a identificar padrões emocionais, sugerir técnicas de regulação e incentivar hábitos saudáveis, mas em casos de sofrimento intenso ou risco de suicídio, é essencial buscar apoio humano especializado.

A Leg to Stand On

Oliver Sacks, em sua obra autobiográfica A Leg to Stand On (1984), descreve sua experiência pessoal com uma lesão neurológica e a dificuldade de reintegrar o próprio corpo à consciência. Esse relato tornou-se emblemático para pensar a relação entre neurociência e subjetividade, pois evidencia que o corpo não é apenas objeto de estudo, mas parte constitutiva da experiência de si. A narrativa de Sacks antecipa debates que, a partir dos anos 1990, ganharam força nas ciências cognitivas, especialmente em torno da neurociência afetiva, da neuropsicanálise e do enativismo. A neurociência afetiva, desenvolvida por Jaak Panksepp, enfatiza que os sistemas emocionais básicos são fundamentais para compreender o comportamento humano. Esse diagnóstico desloca a psicologia de uma visão puramente cognitiva para uma perspectiva que integra emoção, corpo e cérebro, mostrando que os afetos são centrais na constituição da subjetividade. Já a neuropsicanálise, proposta por Mark Solms e outros pesquisadores, busca articular conceitos psicanalíticos com descobertas neurocientíficas, defendendo que o inconsciente pode ser compreendido em termos de processos cerebrais e que a psicanálise oferece uma linguagem clínica capaz de enriquecer a neurociência. O enativismo, por sua vez, surge como uma crítica às abordagens representacionalistas das ciências cognitivas. Francisco Varela, um dos herdeiros da fenomenologia, propôs que a cognição não é apenas processamento de informações, mas ação corporificada e situada. O diagnóstico enativista afirma que o sujeito se constitui na interação dinâmica com o ambiente, em um processo de acoplamento estrutural entre organismo e mundo. Essa perspectiva aproxima-se da fenomenologia de Husserl e Merleau-Ponty, ao destacar a experiência vivida como dimensão irredutível da cognição. As ciências cognitivas dos anos 1990 consolidaram um campo interdisciplinar que reunia psicologia, neurociência, linguística, filosofia e inteligência artificial. Nesse contexto, os diagnósticos de Sacks, Panksepp, Solms e Varela revelam diferentes modos de compreender a mente: ora enfatizando a dimensão afetiva, ora integrando inconsciente e cérebro, ora destacando a ação corporificada. Todos, porém, convergem na crítica a uma psicologia puramente abstrata e na defesa de uma ciência da mente que reconheça a complexidade da experiência humana. No século XXI, esses debates se intensificaram com a expansão da inteligência artificial e das neurotecnologias. Pesquisas recentes mostram que modelos de IA podem simular processos cognitivos, mas ainda enfrentam dificuldades em reproduzir a dimensão afetiva e fenomenológica da experiência. Autores como Gallagher (2020) e Colombetti (2022) reforçam que a fenomenologia continua sendo indispensável para compreender a subjetividade, lembrando que a cognição não pode ser reduzida a cálculos algorítmicos. A neuropsicanálise também se atualizou, explorando como redes neurais artificiais podem dialogar com conceitos de inconsciente e memória, mas sempre ressaltando os limites da analogia entre máquina e mente. Assim, o diagnóstico contemporâneo aponta para uma psicologia e uma ciência cognitiva em constante diálogo com a neurociência e a tecnologia, mas que não podem perder de vista a dimensão vivida da experiência. A obra de Sacks permanece como testemunho da inseparabilidade entre corpo e mente, enquanto Varela e os herdeiros da fenomenologia lembram que a cognição é sempre corporificada, situada e afetiva. Referências CANGUILHEM, G. O Normal e o Patológico. Rio de Janeiro: Forense Universitária, 1956. COLOMBETTI, G. The Feeling Body: Affective Science Meets the Enactive Mind. Cambridge: MIT Press, 2022. GALLAGHER, S. Action and Interaction. Oxford: Oxford University Press, 2020. PANKSEPP, J. Affective Neuroscience: The Foundations of Human and Animal Emotions. New York: Oxford University Press, 1998. SACKS, O. A Leg to Stand On. New York: Summit Books, 1984. SOLMS, M.; TURNBULL, O. The Brain and the Inner World: An Introduction to the Neuroscience of Subjective Experience. London: Karnac, 2002. VARELA, F.; THOMPSON, E.; ROSCH, E. The Embodied Mind: Cognitive Science and Human Experience. Cambridge: MIT Press, 1991.

Um diagnóstico crítico sobre a psicologia cognitiva

Howard Gardner, em 1985, apresentou um diagnóstico crítico sobre a psicologia cognitiva ao propor a teoria das inteligências múltiplas. Sua análise questionava a hegemonia da visão unidimensional da inteligência, centrada no fator g, e defendia que o ser humano possui diferentes competências relativamente autônomas, como a inteligência linguística, lógico-matemática, espacial, musical, corporal-cinestésica, interpessoal, intrapessoal e naturalista. Esse diagnóstico ampliou o campo da psicologia educacional e clínica, permitindo reconhecer talentos e déficits específicos em diferentes domínios, mas também gerou debates sobre a validade empírica da proposta, já que muitos críticos apontaram a ausência de evidências psicométricas robustas para sustentar a teoria (GARDNER, 1985). Gerald Hatfield, em 2002, ofereceu outro diagnóstico relevante ao analisar a história da psicologia experimental e sua relação com a filosofia e a ciência cognitiva. Hatfield destacou que a psicologia ainda carregava traços pré-científicos, marcada por debates conceituais e metodológicos, mas avançava ao integrar métodos empíricos e experimentais. Seu diagnóstico reforçava a necessidade de consolidar a psicologia como ciência, em diálogo com áreas como neurociência e filosofia da mente, evitando reducionismos e mantendo a complexidade da subjetividade (HATFIELD, 2002). No século XXI, esses diagnósticos se atualizam diante da integração da psicologia com a inteligência artificial (IA). A partir de 2020, estudos começaram a mostrar como algoritmos de aprendizado de máquina podem identificar padrões em linguagem e comportamento, auxiliando no diagnóstico precoce de transtornos mentais e na personalização de tratamentos. Revisões recentes apontam que a IA tem sido utilizada para desenvolver assistentes virtuais, ampliar o acesso a serviços psicológicos e apoiar práticas educacionais, especialmente durante a pandemia de COVID-19, quando ferramentas digitais se tornaram centrais para o ensino e acompanhamento clínico (VINAGRE; MONIZ, 2020). Contudo, os diagnósticos contemporâneos também ressaltam desafios éticos e epistemológicos. O Conselho Federal de Psicologia (CFP), em 2025, publicou diretrizes para o uso ético da IA, enfatizando que ela deve ser complementar à prática profissional, preservando o papel humano no cuidado psicológico. Pesquisadores como Sousa e Villela (2025) destacam que, embora a IA possa ampliar a eficiência diagnóstica, ela não substitui a dimensão relacional e ética da psicologia, que continua sendo fundamental para o processo terapêutico. Assim, podemos sintetizar que Gardner diagnosticou a insuficiência da visão unidimensional da inteligência, Hatfield apontou a psicologia como disciplina em transição entre filosofia e ciência experimental, e os diagnósticos contemporâneos (2020–2026) indicam que a psicologia enfrenta o desafio de integrar a inteligência artificial sem perder sua dimensão ética e relacional. A disciplina se encontra em um estágio de hibridização científica, em que métodos tradicionais convivem com tecnologias digitais avançadas, exigindo constante reflexão crítica sobre seus fundamentos e práticas. Referências GARDNER, H. Frames of Mind: The Theory of Multiple Intelligences. New York: Basic Books, 1985. HATFIELD, G. Psychology, Philosophy, and Cognitive Science. Stanford: Stanford University Press, 2002. VINAGRE, J.; MONIZ, N. Inteligência Artificial: riscos e promessas. Revista de Ciência Elementar, v. 8, n. 4, 2020. SOUSA, L. A.; VILLELA, C. A. S. N. Inteligência artificial na psicologia: aplicações e implicações clínicas. SIPSICO, 2025. CONSELHO FEDERAL DE PSICOLOGIA. Inteligência Artificial na Psicologia: guia para uma prática ética e responsável. Brasília: CFP, 2025.

Diagnóstico cético

No desenvolvimento da psicologia como ciência, diferentes pesquisadores realizaram diagnósticos sobre o estatuto epistemológico da disciplina, apontando seus limites e possibilidades. Mario Bunge, filósofo da ciência argentino, destacou que muitas práticas psicológicas do século XX ainda se encontravam em um estágio protocientífico, isto é, marcado por especulações, ausência de rigor metodológico e falta de integração com os avanços das ciências naturais. Para Bunge, a psicologia deveria abandonar concepções pré-científicas e aproximar-se de um modelo científico mais robusto, baseado em hipóteses testáveis, métodos experimentais e diálogo com a biologia e a neurociência. Seu diagnóstico foi contundente: a psicologia só se tornaria plenamente científica ao superar o dualismo mente-corpo e ao adotar uma postura materialista e sistemática (BUNGE, 1987). Na mesma direção crítica, J. Ardila, em 1987, analisou a trajetória da psicologia na América Latina e apontou que grande parte da produção ainda se encontrava em um estágio pré-científico, caracterizado pela dependência de modelos importados e pela ausência de tradição própria de pesquisa empírica. Ardila ressaltou que, embora houvesse avanços institucionais — como a criação de cursos universitários e associações profissionais —, faltava à psicologia latino-americana uma base sólida de investigação experimental e teórica que permitisse consolidar sua autonomia científica. Seu diagnóstico enfatizava a necessidade de superar o ecletismo e a fragmentação, propondo uma psicologia mais integrada e rigorosa, capaz de dialogar com os padrões internacionais de ciência (ARDILA, 1987). A distinção entre protocientífica e pré-científica é fundamental para compreender esses diagnósticos. O estágio protocientífico refere-se a práticas que, embora já possuam algum grau de sistematização, ainda carecem de rigor metodológico e de integração com o corpo mais amplo das ciências. Já o estágio pré-científico diz respeito a práticas que permanecem vinculadas a tradições filosóficas ou especulativas, sem critérios claros de validação empírica. Tanto Bunge quanto Ardila identificaram que a psicologia, em diferentes contextos, oscilava entre esses dois estágios, revelando a dificuldade de consolidar-se como ciência plena. Essas críticas tiveram impacto significativo no debate epistemológico da psicologia. Elas reforçaram a necessidade de maior rigor metodológico, de integração com outras ciências e de construção de tradições próprias de pesquisa. Ao mesmo tempo, lembraram que a psicologia não pode se limitar a reproduzir modelos importados, mas deve desenvolver práticas científicas que respondam às especificidades culturais e sociais de cada contexto. Referências ARDILA, J. La psicología en América Latina: pasado, presente y futuro. Bogotá: Editorial Norma, 1987. BUNGE, M. Epistemología: curso de actualización. Buenos Aires: Siglo XXI, 1987.

Diagnóstico da psicologia no século XX

No campo da filosofia e da psicologia, o diagnóstico realizado por diferentes pensadores sobre o estatuto da disciplina e suas práticas foi decisivo para compreender os rumos da ciência psicológica no século XX. Georges Politzer, em 1928, publicou Crítica dos Fundamentos da Psicologia, obra na qual denunciava o caráter abstrato e idealista da psicologia de sua época. Para Politzer, a psicologia tradicional se afastava da vida concreta ao privilegiar construções teóricas desvinculadas da experiência vivida. Seu diagnóstico apontava para a necessidade de uma psicologia concreta, capaz de apreender o sujeito em sua dimensão histórica e social, e não apenas como objeto de experimentação isolado em laboratório. Politzer criticava a psicologia acadêmica por reduzir o homem a funções mentais abstratas, defendendo que a verdadeira psicologia deveria partir da ação e da narrativa da vida cotidiana (POLITZER, 1928). Já Georges Canguilhem, em 1956, em sua obra O Normal e o Patológico, ofereceu um diagnóstico distinto, mas igualmente fundamental. Canguilhem analisou como a medicina e a psicologia definem normalidade e anormalidade, mostrando que tais conceitos não são neutros, mas carregam valores e implicações sociais. Para ele, o normal não é simplesmente um estado estatístico ou uma média, mas uma normatividade vital, isto é, a capacidade do organismo de criar novas normas diante das adversidades. O patológico, por sua vez, não é apenas uma falha ou desvio, mas uma forma de vida que revela a plasticidade da existência. O diagnóstico de Canguilhem desloca a psicologia e a medicina de uma visão mecanicista para uma compreensão mais ampla da vida, em que saúde e doença são modos de relação com o mundo (CANGUILHEM, 1956). Ambos os diagnósticos revelam preocupações centrais com a forma como a psicologia se constituía como ciência. Politzer denunciava o risco de uma psicologia desligada da realidade concreta, enquanto Canguilhem mostrava que os conceitos fundamentais da disciplina carregam valores e não podem ser reduzidos a dados objetivos. Em conjunto, suas reflexões apontam para uma psicologia que não se limita a medir ou classificar, mas que busca compreender o sujeito em sua historicidade, normatividade e ação. Essas contribuições permanecem atuais, pois ainda hoje a psicologia enfrenta o desafio de articular práticas científicas rigorosas com uma compreensão crítica da subjetividade e da vida social. O diagnóstico de Politzer e Canguilhem nos lembra que a psicologia não pode se reduzir a técnica ou estatística, mas deve manter-se atenta às dimensões éticas, políticas e existenciais que atravessam o ser humano. Referências CANGUILHEM, G. O Normal e o Patológico. Rio de Janeiro: Forense Universitária, 1956. POLITZER, G. Crítica dos Fundamentos da Psicologia. Paris: Félix Alcan, 1928.

A psicologia, ao longo do século XIX e início do século XX

A psicologia, ao longo do século XIX e início do século XX, passou por um processo de emancipação em relação à filosofia, consolidando-se como disciplina científica autônoma. Hatfield (2002) observa que esse movimento foi marcado pela busca de métodos próprios e pela tentativa de se diferenciar das especulações filosóficas, enfatizando a experimentação e a observação empírica. Nesse contexto, a obra clássica de Boring (1929), A History of Experimental Psychology, tornou-se referência fundamental ao narrar a trajetória da psicologia experimental e destacar os principais marcos institucionais e teóricos que permitiram sua consolidação como ciência independente. Um episódio significativo nesse processo foi o Manifesto dos Filósofos Alemães, publicado em 1913 e traduzido por Saulo Araujo, que expressava a preocupação de filósofos em delimitar os campos de atuação da filosofia e da psicologia. O manifesto denunciava o chamado “psicologismo”, isto é, a tendência de reduzir problemas filosóficos a questões psicológicas. Essa crítica foi decisiva para que a psicologia buscasse sua própria legitimidade, evitando confusões conceituais e reforçando sua identidade científica. Wilhelm Wundt, considerado o fundador da psicologia experimental, desempenhou papel central nesse processo. Em 1879, ele criou em Leipzig o primeiro laboratório de psicologia experimental, marco institucional que simboliza a separação da psicologia em relação à filosofia. O laboratório de Wundt não apenas produziu pesquisas empíricas, mas também formou gerações de psicólogos que difundiram a disciplina em diferentes países. A institucionalização da psicologia, contudo, ocorreu de maneira distinta em cada contexto nacional. Na Alemanha, a psicologia se desenvolveu fortemente vinculada às universidades e ao modelo experimental de Wundt, com ênfase na investigação dos processos básicos da consciência. Na França, a tradição foi marcada pela psicopatologia e pela clínica, com figuras como Charcot e Ribot, que aproximaram a psicologia da medicina e da psiquiatria. Na Inglaterra, a psicologia se articulou com a filosofia empirista e com os estudos sobre associação de ideias, além de se vincular ao movimento da psicologia diferencial e da psicometria. Nos Estados Unidos, a psicologia ganhou contornos pragmáticos e aplicados, com William James e, posteriormente, com o behaviorismo de Watson e Skinner, que enfatizaram o estudo do comportamento observável e a utilidade prática da disciplina. No Brasil, a psicologia se institucionalizou mais tardiamente, inicialmente vinculada à filosofia e à educação, mas ganhou força com a criação de cursos universitários e laboratórios, especialmente a partir da década de 1930, consolidando-se como profissão regulamentada apenas em 1962. Esse panorama evidencia que a emancipação da psicologia em relação à filosofia não foi homogênea, mas variou conforme os contextos históricos e culturais. Em todos os casos, contudo, a crítica ao psicologismo e a busca por métodos próprios foram fundamentais para a afirmação da psicologia como ciência. A disciplina passou a se definir pela investigação empírica, pela construção de instrumentos e pela institucionalização em laboratórios e associações científicas, tornando-se capaz de dialogar com outras áreas sem perder sua especificidade. Assim, a psicologia no início do século XX consolidou-se como campo autônomo, mas em constante diálogo com a filosofia e outras ciências humanas e naturais. A criação de laboratórios, a crítica ao psicologismo e a diversidade de tradições nacionais mostram que a psicologia não apenas se emancipou da filosofia, mas também se reinventou em múltiplas direções, tornando-se uma disciplina plural e dinâmica. Referências BORING, E. G. A History of Experimental Psychology. New York: Appleton-Century-Crofts, 1929. HATFIELD, G. Psychology, Philosophy, and Cognitive Science: Reflections on the History and Philosophy of Experimental Psychology. In: Mind, Brain, and Function. Stanford: Stanford University Press, 2002. WUNDT, W. Principles of Physiological Psychology. Leipzig: Engelmann, 1874. ARAUJO, S. (Trad.). Manifesto dos Filósofos Alemães (1913). Belo Horizonte: UFMG, 2013. CHARCOT, J. M. Leçons sur les maladies du système nerveux. Paris: Bureaux du Progrès Médical, 1885. RIBOT, T. La psychologie allemande contemporaine. Paris: Germer Baillière, 1879. JAMES, W. The Principles of Psychology. New York: Henry Holt, 1890. WATSON, J. B. Behaviorism. New York: Norton, 1924. SKINNER, B. F. Science and Human Behavior. New York: Macmillan, 1953. FIGUEIREDO, L. C. História da Psicologia: da Antiguidade aos dias de hoje. Petrópolis: Vozes, 2008.

A psicologia no século XX

A psicologia no século XX consolidou-se como disciplina científica e prática social, atravessando debates sobre normalidade, subjetividade e a relação entre indivíduo e sociedade. No início do século, a disciplina buscava legitimar-se por meio de métodos experimentais e instrumentos de medida, como os testes de inteligência. Em 1905, Alfred Binet e Théodore Simon elaboraram o primeiro teste de inteligência, com o objetivo de identificar crianças que necessitavam de apoio escolar. Esse instrumento foi posteriormente adaptado por Lewis Terman em 1916, nos Estados Unidos, dando origem à versão conhecida como Stanford-Binet Intelligence Scale, que se tornou referência internacional e foi amplamente utilizada em contextos educacionais e militares (FIGUEIREDO, 2008). No Brasil, em 1925, o estado de Pernambuco realizou uma adaptação do teste de inteligência, mas em contraposição às teses eugenistas que circulavam na época. Enquanto em diversos países os testes eram utilizados para justificar políticas de exclusão e hierarquização racial, no contexto pernambucano buscou-se uma aplicação voltada à educação e ao desenvolvimento humano, evidenciando uma resistência às leituras deterministas e discriminatórias (SMITH, 2013). Esse episódio revela como a psicologia, desde cedo, esteve imersa em disputas políticas e sociais, ora servindo a projetos de controle e normatização, ora sendo apropriada em práticas emancipatórias. A formação da disciplina também se deu em meio ao surgimento de sociedades e associações científicas. A Sociedade Psicológica fundada por Martin Gross, por exemplo, buscava institucionalizar a psicologia como campo autônomo, promovendo debates sobre o papel da ciência psicológica na compreensão do conflito entre indivíduo e sociedade. Esse conflito se expressava na tensão entre a busca por ordem e harmonia social e a valorização da rebeldia e da desadaptação como formas legítimas de subjetividade. A psicologia, nesse sentido, oscilava entre uma função de normalização — definindo padrões de normalidade e anormalidade — e uma função crítica, voltada para a compreensão das singularidades do Eu e das formas de resistência (WOLFF, 2011). A definição do Eu tornou-se um dos pontos centrais da psicologia no século XX. As teorias psicanalíticas, por exemplo, enfatizaram o mundo interno, os conflitos inconscientes e as dinâmicas de desadaptação e rebeldia. Freud concebia o Eu como instância mediadora entre pulsões e exigências sociais, enquanto Lacan, mais tarde, destacou o papel da linguagem e do significante na constituição do sujeito. Já as abordagens humanistas e fenomenológicas buscaram compreender o Eu em termos de autenticidade e realização pessoal, propondo uma visão mais positiva e integradora da subjetividade (FIGUEIREDO, 2008). Smith (2013) observa que, ao longo do século XX, a psicologia oscilou entre uma função disciplinadora e uma função emancipatória. De um lado, a disciplina contribuiu para a manutenção da ordem social, classificando indivíduos em categorias de normalidade e anormalidade. De outro, abriu espaço para práticas que valorizavam a singularidade, a rebeldia e a busca por harmonia interna. Essa ambivalência reflete o lugar da psicologia como ciência e prática situada entre demandas sociais de controle e aspirações individuais de liberdade. Figueiredo (2008) destaca que, já no século XIX, havia uma versão liberal da psicologia, voltada para a valorização do indivíduo e da autonomia. Essa tradição influenciou o desenvolvimento da disciplina no século XX, especialmente nas abordagens humanistas e construtivistas, que enfatizaram a capacidade do sujeito de reorganizar sua experiência e construir narrativas próprias. Wolff (2011), por sua vez, argumenta que o ser humano, enquanto objeto das ciências, é um “antirretrato” do ser humano, ou seja, uma representação que nunca coincide plenamente com a experiência vivida. Essa crítica aponta para os limites das tentativas de objetivar a subjetividade, lembrando que o sujeito escapa às classificações rígidas e às normatizações científicas. Assim, a psicologia no século XX pode ser compreendida como um campo em constante tensão entre ciência e prática social, entre normalização e emancipação, entre ordem e rebeldia. A disciplina se constituiu a partir de instrumentos como os testes de inteligência, mas também se reinventou em práticas clínicas e comunitárias que valorizavam a narrativa, a singularidade e a resistência. A definição do Eu, nesse contexto, não é apenas uma questão teórica, mas um problema político e social, que envolve a relação entre indivíduo e sociedade, entre mundo interno e mundo externo, entre adaptação e desadaptação. Referências FIGUEIREDO, L. C. História da Psicologia: da Antiguidade aos dias de hoje. São Paulo: Vozes, 2008. SMITH, R. The Psychology of the Twentieth Century. London: Routledge, 2013.

Alucinações nas máquinas de razoabilidade de IA

Um LLM (Large Language Model) é um modelo de linguagem treinado com enormes volumes de texto, capaz de aprender padrões e prever a próxima palavra em uma sequência. Exemplos como GPT, Claude e Gemini mostram como esses sistemas podem responder perguntas, traduzir textos, gerar conteúdo criativo e apoiar em tarefas de escrita e análise. Em essência, o LLM funciona como um “motor de linguagem” que entende e produz texto de forma muito próxima ao humano. Os agentes de IA vão além: são sistemas que recebem objetivos, planejam como resolvê-los e utilizam recursos externos, como buscas na web ou APIs, para agir em nome do usuário. Diferente do LLM, que se concentra apenas em linguagem, o agente de IA combina esse “cérebro” com ferramentas e memória, tornando-se um assistente ativo capaz de reservar voos, organizar agendas ou monitorar preços. Dentro desse ecossistema surge o agente juiz de IA, projetado para avaliar e arbitrar decisões. Ele atua como árbitro, verificando se uma resposta é coerente, consistente e apoiada em evidências. Pode comparar múltiplas saídas e escolher a mais confiável, aplicar regras pré-definidas e reduzir vieses. Em competições de IA, por exemplo, pode decidir qual modelo respondeu melhor; em sistemas multiagente, pode arbitrar disputas ou selecionar o agente mais adequado para executar uma tarefa. Em termos simples: o LLM é o cérebro, o agente de IA é o assistente que age, e o agente juiz é o árbitro que avalia. Esses agentes juízes têm papel importante no combate às alucinações — quando um modelo gera informações falsas, mas convincentes. O documento que você compartilhou destaca vários instrumentos contra esse problema: RAG (Retrieval-Augmented Generation), que consulta bases externas antes de responder. Agente juiz de IA, que avalia e filtra respostas. Fine-tuning com dados verificados, reduzindo invenções. Ferramentas externas de validação, como APIs ou bancos científicos. Filtros de consistência lógica e semântica, que detectam incoerências. Sistemas multiagente, em que diferentes modelos debatem e o juiz escolhe a melhor saída. Avaliação probabilística, sinalizando quando o modelo está menos confiante. Além disso, parâmetros como temperatura, top-k, top-p e max tokens funcionam como ajustes finos: valores baixos de temperatura tornam as respostas mais factuais, enquanto valores altos aumentam a criatividade, mas também o risco de alucinação. Filtros semânticos e factuais atuam como barreiras adicionais, cruzando respostas com bases confiáveis. O fluxo de prevenção descrito funciona como uma linha de defesa em camadas: o LLM gera → o RAG fundamenta → o agente juiz avalia → filtros verificam → multiagentes debatem → o sistema sinaliza confiança → e só então a resposta chega ao usuário. Nenhum desses mecanismos elimina 100% das alucinações, mas juntos reduzem significativamente sua ocorrência e aumentam a confiabilidade.

Máquinas de pensar

Um LLM (Large Language Model) é um modelo de linguagem de larga escala treinado com enormes quantidades de texto. Ele funciona por meio de redes neurais profundas que aprendem padrões da linguagem e conseguem prever a próxima palavra em uma sequência. Exemplos conhecidos são o GPT, Claude e Gemini. Esses modelos têm aplicações diversas: responder perguntas, traduzir textos, gerar conteúdo criativo como poemas, artigos ou código, além de apoiar em tarefas de escrita e análise. Em resumo, um LLM é como um “motor de linguagem” capaz de compreender e produzir texto de forma muito próxima ao humano. Já um agente de IA é um sistema que utiliza inteligência artificial para tomar decisões e executar ações em nome do usuário. A diferença em relação ao LLM é que, enquanto o LLM se concentra na linguagem, o agente de IA combina esse “cérebro” com ferramentas, memória e objetivos, agindo de forma autônoma. Ele recebe uma tarefa, planeja como resolver, usa recursos externos (como buscas na web ou APIs) e aprende com interações. É mais ativo: não apenas responde, mas atua — pode reservar um voo, organizar uma agenda ou monitorar preços de produtos. Dentro desse universo, existe o agente juiz de IA, um tipo específico de agente projetado para avaliar, arbitrar ou tomar decisões imparciais em determinado contexto. Ele atua como árbitro ou avaliador, usando algoritmos e modelos (como LLMs) para analisar informações, comparar alternativas e emitir julgamentos. Suas principais características incluem imparcialidade simulada, função avaliadora e autonomia limitada. Exemplos práticos vão desde avaliar qual modelo de IA deu a melhor resposta em uma competição até decidir qual agente deve executar uma tarefa em sistemas multiagente. Um ponto importante é que o agente juiz de IA pode ajudar a reduzir alucinações — quando um LLM gera informações falsas, mas convincentes. Ele funciona como filtro avaliador: verifica respostas com fontes confiáveis, aplica critérios de qualidade, seleciona a melhor saída entre várias alternativas e fornece feedback contínuo. No entanto, suas limitações são claras: depende da qualidade das regras e fontes que recebe, não elimina totalmente as alucinações e exige integração com mecanismos externos de validação. Em termos simples: O LLM é o cérebro que entende e gera linguagem. O agente de IA é o assistente que usa esse cérebro para agir. O agente juiz de IA é o árbitro que avalia e decide entre opções. Assim, juntos, eles formam um ecossistema de inteligência artificial mais robusto, capaz de compreender, agir e avaliar, tornando as interações mais confiáveis e úteis.

Construindo uma Máquina de IA

Construir uma máquina de inteligência artificial envolve diversas etapas que vão desde a escolha do hardware até o deploy em ambientes reais. A seleção do hardware é decisiva para o desempenho dos modelos. As CPUs, por exemplo, são acessíveis e ideais para prototipagem e pré-processamento de dados, mas não oferecem velocidade suficiente para treinar modelos complexos de deep learning. As GPUs, com milhares de núcleos paralelos, são otimizadas para operações matriciais e se tornaram padrão em tarefas como redes convolucionais, LSTMs e transformers, embora tenham custo e consumo energético elevados. As TPUs, criadas pelo Google, são especializadas em acelerar TensorFlow e são usadas em treinamentos massivos de modelos como BERT e GPT, mas estão restritas principalmente ao Google Cloud. Já clusters e sistemas de HPC permitem escalar para múltiplas GPUs ou TPUs em paralelo, sendo essenciais para treinar modelos gigantes com bilhões de parâmetros, embora impliquem maior complexidade e custo. Após definir o hardware, a preparação dos datasets é uma etapa crítica. A coleta de dados pode ser feita a partir de bancos internos, APIs públicas, web scraping ou repositórios abertos como Kaggle. É fundamental garantir diversidade, representatividade e respeito à privacidade. A limpeza dos dados envolve tratar valores ausentes, corrigir inconsistências e aplicar normalização para evitar que variáveis dominem o modelo. O balanceamento é igualmente importante, especialmente em datasets desbalanceados, e pode ser feito com técnicas como oversampling, undersampling ou ajuste de pesos durante o treinamento. O treinamento de modelos em larga escala exige estratégias específicas. O uso de mini-batches otimiza memória e acelera o aprendizado, enquanto o treinamento distribuído permite dividir dados ou modelos entre múltiplas máquinas. Ferramentas como Apache Spark, Hadoop e Dask são usadas para processamento distribuído, e frameworks como TensorFlow Distributed, PyTorch Distributed e Horovod simplificam o paralelismo. Boas práticas incluem monitoramento em tempo real com TensorBoard, uso de early stopping para evitar desperdício de recursos, regularização para reduzir overfitting e ajuste automático de hiperparâmetros com ferramentas como Optuna ou Ray Tune. Por fim, o deploy transforma o modelo em uma solução prática. No cloud computing, plataformas como AWS SageMaker, Google Cloud AI Platform e Azure Machine Learning oferecem escalabilidade, suporte a GPUs/TPUs e integração com APIs, sendo ideais para aplicações com milhões de usuários. Já o edge computing permite rodar modelos diretamente em dispositivos locais, como celulares e câmeras, reduzindo latência e garantindo maior privacidade. Ferramentas como TensorFlow Lite, PyTorch Mobile e ONNX Runtime são usadas para otimizar modelos em hardware limitado. Boas práticas de deploy incluem containerização com Docker ou Kubernetes, monitoramento de métricas de uso, pipelines de CI/CD para atualizações contínuas, otimização com quantização e pruning, além de medidas de segurança para proteger APIs e dados sensíveis.

IA

O campo de Machine Learning (aprendizado de máquina) é um dos pilares da inteligência artificial moderna, responsável por desenvolver algoritmos capazes de aprender padrões a partir de dados e tomar decisões ou realizar previsões sem necessidade de programação explícita para cada tarefa. Os tipos de aprendizado se dividem em três grandes categorias: supervisionado, não supervisionado e por reforço. No aprendizado supervisionado, o modelo é treinado com dados rotulados, ajustando seus parâmetros para minimizar o erro entre previsões e valores reais, sendo aplicado em tarefas como classificação de e-mails ou reconhecimento de imagens. Já o aprendizado não supervisionado trabalha apenas com dados de entrada, sem rótulos, buscando estruturas internas como agrupamentos ou redução de dimensionalidade, útil em segmentação de mercado e compressão de dados. O aprendizado por reforço, por sua vez, envolve a interação de um agente com um ambiente, recebendo recompensas ou punições para ajustar sua estratégia, sendo aplicado em robótica e jogos. Entre os algoritmos clássicos, destacam-se a regressão linear, que prevê valores contínuos ajustando uma relação entre variáveis independentes e dependentes; as árvores de decisão, que classificam ou realizam regressões por meio de regras hierárquicas; e as máquinas de vetores de suporte (SVM), que encontram hiperplanos capazes de separar classes em problemas complexos. A avaliação de modelos é feita com métricas específicas: na classificação, acurácia, precisão, recall e F1-score são fundamentais, enquanto na regressão utilizam-se medidas como MSE, RMSE, MAE e R². A validação cruzada é uma técnica essencial para reduzir riscos de overfitting e garantir maior confiabilidade nos resultados. O Deep Learning representa uma evolução dentro do aprendizado de máquina, baseado em redes neurais artificiais. O perceptron, criado em 1958, é o modelo mais simples, enquanto as redes feedforward organizam múltiplos neurônios em camadas, treinadas com backpropagation. As redes convolucionais (CNNs) revolucionaram o processamento de imagens ao aplicar filtros que capturam padrões locais e camadas de pooling que reduzem dimensionalidade, sendo usadas em reconhecimento facial, veículos autônomos e diagnóstico médico. Já as redes recorrentes (RNNs) e suas variantes LSTM são projetadas para lidar com dados sequenciais, como séries temporais e texto, permitindo capturar dependências de longo prazo em tarefas como tradução automática e análise de sentimentos. Para implementar essas arquiteturas, frameworks como TensorFlow e PyTorch são amplamente utilizados. O TensorFlow, criado pelo Google Brain, é muito usado em produção, com suporte robusto para deploy em diferentes ambientes e integração com Keras. O PyTorch, desenvolvido pela Meta AI, é mais popular em pesquisa acadêmica, oferecendo sintaxe intuitiva e flexibilidade para arquiteturas personalizadas. Ambos se consolidaram como ferramentas indispensáveis para o avanço da inteligência artificial, permitindo que pesquisadores e profissionais construam soluções cada vez mais sofisticadas e aplicáveis em diversos setores.