A resolução de problemas humana é o processo cognitivo pelo qual indivíduos ou grupos identificam uma discrepância entre um estado atual e uma meta desejada, e então concebem e executam uma sequência de operações para reduzir ou eliminar essa discrepância. É um aspecto fundamental da inteligência, abrangendo desde tarefas mundanas, como planejar uma rota, até a descoberta científica complexa. O estudo da resolução de problemas humana tem sido historicamente um tópico central na psicologia e na ciência cognitiva, e também serviu como uma inspiração fundacional para o campo da inteligência artificial, onde pesquisadores tentaram modelar e replicar esses processos em máquinas.
A pesquisa psicológica inicial, particularmente em meados do século XX, enquadrou a resolução de problemas como uma forma de busca através de um espaço de problemas. Essa perspectiva, defendida por figuras como Allen Newell e Herbert Simon, via um problema como consistindo em um estado inicial, um estado meta e um conjunto de operadores que transformam um estado em outro. A tarefa do solucionador é encontrar um caminho através desse espaço, frequentemente usando heurísticas - atalhos mentais ou regras práticas - para podar a busca e torná-la viável. Essa abordagem de processamento de informações levou ao desenvolvimento dos primeiros programas de IA, como o General Problem Solver, que explicitamente tentava imitar a busca heurística humana.
Heurísticas e Vieses
Uma importante linha de pesquisa, pioneira dos psicólogos Daniel Kahneman e Amos Tversky na década de 1970, focou nas heurísticas que os humanos realmente usam, que frequentemente se desviam da lógica normativa. Eles identificaram atalhos comuns, como representatividade (julgar probabilidade por similaridade), disponibilidade (julgar frequência pela facilidade de recordação) e ancoragem (confiar excessivamente em uma informação inicial). Essas heurísticas são geralmente eficientes, mas podem levar a erros sistemáticos ou vieses cognitivos. Esse trabalho desafiou a noção de humanos como atores puramente racionais e destacou a natureza limitada da racionalidade humana - um conceito que influenciou como os modelos de aprendizado de máquina são avaliados, particularmente na compreensão de seus modos de falha e limitações.
Insight e Reestruturação
Nem toda resolução de problemas envolve busca incremental. Os psicólogos da Gestalt, no início do século XX, enfatizaram o papel do insight - uma reestruturação súbita, frequentemente não consciente, do problema que leva a uma solução imediata. Exemplos clássicos incluem o quebra-cabeça dos nove pontos, onde o solucionador deve quebrar uma suposição implícita sobre limites. A pesquisa sobre insight mostrou que ele frequentemente envolve um período de impasse, seguido por um lampejo súbito de compreensão. Isso contrasta com abordagens algorítmicas passo a passo. Na IA moderna, o conceito de insight tem paralelos na capacidade dos grandes modelos de linguagem de produzir soluções novas para problemas não vistos, embora se esses sistemas genuinamente reestruturam problemas ou dependem de conclusão de padrões permaneça um assunto de debate entre pesquisadores como Melanie Mitchell.
Resolução de Problemas na Inteligência Artificial
O estudo formal da resolução de problemas humana moldou diretamente a IA inicial. O computador de xadrez Deep Blue, que derrotou o campeão mundial Garry Kasparov em 1997, usava um algoritmo de busca por força bruta, mas sua função de avaliação foi ajustada com conhecimento humano de xadrez. Mais recentemente, a mudança da IA simbólica para o aprendizado profundo moveu o foco da busca explícita para o aprendizado de representações a partir de dados. As redes neurais, particularmente os transformadores, são treinadas para prever os próximos tokens ou ações, e suas capacidades de resolução de problemas emergem desses padrões estatísticos. Por exemplo, a série GPT da OpenAI e os modelos Claude da Anthropic podem resolver tarefas complexas de raciocínio, mas seus métodos são opacos e frequentemente diferem dos processos cognitivos humanos. Pesquisadores como Joshua Tenenbaum no MIT CSAIL argumentam que a IA atual carece da compreensão causal e da física intuitiva que sustentam a resolução de problemas humana, defendendo uma síntese do aprendizado profundo com o raciocínio simbólico.
Modelos Computacionais e Arquiteturas Cognitivas
Para preencher a lacuna entre a resolução de problemas humana e a de máquinas, cientistas cognitivos construíram modelos computacionais que simulam o desempenho humano. A arquitetura ACT-R, desenvolvida por John Anderson na Universidade Carnegie Mellon, tenta modelar os processos cognitivos subjacentes, incluindo recuperação de memória e aquisição de habilidades procedurais. Similarmente, a arquitetura SOAR, criada por Newell e seus alunos, é projetada para lidar com uma ampla gama de tarefas de resolução de problemas usando um sistema de produção. Esses modelos têm sido usados para prever tempos de reação humanos e taxas de erro em experimentos controlados, fornecendo uma ligação testável entre teoria psicológica e implementação computacional. Eles também informam o design de IAs mais humanas, como os esforços da Sanctuary AI para construir robôs de propósito geral que raciocinam sobre seu ambiente.
Desafios Modernos e Direções Futuras
A pesquisa contemporânea sobre resolução de problemas humana é cada vez mais interdisciplinar, combinando psicologia, neurociência e IA. Um desafio chave é entender como os humanos resolvem problemas mal estruturados, onde a meta ou os operadores não são claramente definidos. Outro é o papel da criatividade e do raciocínio analógico, onde soluções de um domínio são transferidas para outro. Na IA, a busca por IA generativa que possa resolver problemas novos levou a técnicas como RLHF (aprendizado por reforço a partir de feedback humano) para alinhar o comportamento do modelo com as preferências humanas. No entanto, a partir do início dos anos 2020, os sistemas de IA ainda lutam com tarefas que exigem senso comum, planejamento de longo prazo e adaptação robusta a circunstâncias em mudança - áreas onde a resolução de problemas humana se destaca. O trabalho contínuo em instituições como o Stanford AI Lab e o Berkeley AI Research continua explorando essas fronteiras, frequentemente buscando inspiração direta na ciência cognitiva para construir sistemas mais capazes e interpretáveis.