A Inteligência Artificial como metavocabulário pragmático em Robert Brandom
DOI:
https://doi.org/10.26512/rfmc.v13i2.55078Palavras-chave:
Inteligência artificial. Frame problem. Robert Brandom,. Inteligiência Artificial Explicável.Resumo
A Inteligência Artificial clássica tem um lugar fundacional em Brandom: as práticas cujo domínio constitui a posse de um vocabulário são aplicação de uma série de algoritmos. A explicitação desses algoritmos fornece uma explicação para o projeto brandomiano de trazer para o jogo de dar e receber razões os comprometimentos inferenciais implícitos em nossas práticas. Esse projeto falha por uma razão já bem conhecida na IA, o frame problem. Brandom propõe uma solução para o frame problem através de aprendizado por treinamento. A proposta de Brandom se aproxima de redes neurais desenvolvidas através do aprendizado de máquina. Se essa aproximação não permite a manutenção do quadro brandomiano de Between Saying and Doing, o paralelo com Making it Explicit traz um paralelo importante com o projeto da Inteligência Artificial Explicável, a saber, tornar explícitos os comprometimentos inferenciais implícitos de processos decisórios que afetam nossa vida em comum.
Downloads
Referências
ABRAHÃO, F. S. et al. An algorithmic information distortion in multidimensional networks. In: Studies in Computational Intelligence. Cham: Springer International Publishing, 2021. p. 520–531.
ARJOVSKY, M. Out of distribution generalization in machine learning. arXiv preprint arXiv:2103.02667, 2021.
BARTH, C. Representational cognitive pluralism: towards a cognitive-science of relevance-sensitivity. Tese (Doutorado) — Belo Horizonte: Faculdade de Filosofia e Ciências Humanas, Universidade Federal de Minas Gerais, 2024.
BARTH, C. O “frame problem”: a sensibilidade ao contexto como um desafio para teorias representacionais da mente. Dissertação (Mestrado) — Belo Horizonte: Faculdade de Filosofia e Ciências Humanas, Universidade Federal de Minas Gerais, 2019.
BARTH, C. É possível evitar vieses algorítmicos? Revista de Filosofia Moderna e Contemporânea, v. 8, n. 3, p. 39–68, 2021.
BRANDOM, R. B. Between saying and doing: towards an analytic pragmatism. Oxford: Oxford University Press, 2008.
BRANDOM, R. B. Making it explicit: reasoning, representing and discursive commitment. Cambridge, MA: Harvard University Press, 1994.
BUCKNER, C. J. From deep learning to rational machines: what the history of philosophy can teach us about the future of artificial intelligence. Oxford: Oxford University Press, 2023.
CHRISTIAN, B. The alignment problem. New York: W. W. Norton & Company, 2020.
CHURCHLAND, P. S. Neurophilosophy: toward a unified science of the mind-brain. Cambridge, MA: MIT Press, 1989.
CLARK, A. Local associations and global reason: Fodor’s frame problem and second-order search. Cognitive Science Quarterly, n. 2, p. 115–140, 2002.
CUPANI, A. Filosofia da tecnologia. Florianópolis: Editora UFSC, 2011.
DEHAENE, S. How we learn. London: Penguin Books, 2021.
DENNETT, D. Cognitive wheels: the frame problem of AI. In: PYLYSHYN, Zenon W. (ed.). The robot’s dilemma: the frame problem in artificial intelligence. Norwood, NJ: Ablex, 1987. p. 41–64.
DREYFUS, H. What computers still can’t do. Cambridge, MA: MIT Press, 1992.
GEIRHOS, R. et al. ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness. arXiv preprint arXiv:1811.12231, 2019.
GOODMAN, B.; FLAXMAN, S. European Union regulations on algorithmic decision making and a “right to explanation”. AI Magazine, v. 38, n. 3, p. 50–57, 2017.
GUNNING, D. et al. XAI—Explainable artificial intelligence. Science Robotics, v. 4, n. 37, 2019.
HASELAGER, W. F. G.; RAPPARD, J. F. H. V. Connectionism, systematicity, and the frame problem. Minds and Machines, v. 8, p. 161–179, 1998.
HURLEY, S. Making sense of animals. In: HURLEY, Susan; NUDDS, Matthew (eds.). Rational animals? Oxford: Oxford University Press, 2006. p. 139–171.
LIU, J. et al. Towards out-of-distribution generalization: a survey. arXiv preprint arXiv:2108.13624, 2021.
LONGO, L. et al. Explainable artificial intelligence (XAI) 2.0: a manifesto of open challenges and interdisciplinary research directions. arXiv preprint arXiv:2310.19775, 2023.
MCCARTHY, J.; HAYES, P. J. Some philosophical problems from the standpoint of artificial intelligence. Machine Intelligence, v. 4, p. 463–502, 1969.
MILLER, T. Explanation in artificial intelligence: insights from the social sciences. Artificial Intelligence, v. 267, p. 1–38, 2019.
MINSKY, M. A framework for representing knowledge. In: HAUGELAND, John (ed.). Mind design II: philosophy, psychology, artificial intelligence. Cambridge, MA: MIT Press, 1997. p. 111–142.
NANDA, N. et al. Progress measures for grokking via mechanistic interpretability. arXiv preprint arXiv:2301.05217, 2023.
PERINI-SANTOS, E. Desinformação, negacionismo e a pandemia. Filosofia Unisinos, v. 23, n. 1, p. 1–15, 2022.
PERINI-SANTOS, E. Viver é fácil de olhos fechados: fake news, negacionismo e teorias da conspiração. Belo Horizonte: Editora UFMG, 2025.
PHILLIPS, P. J. et al. Four principles of explainable artificial intelligence. National Institute of Standards and Technology (U.S.), 2021.
PICCININI, G. Physical computation: a mechanistic account. Oxford: Oxford University Press, 2015.
POURSABZI-SANGDEH, F. et al. Manipulating and measuring model interpretability. In: Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21). New York: ACM, 2021.
RUDIN, C. Stop explaining black box machine learning models for high-stakes decisions and use interpretable models instead. arXiv preprint arXiv:1811.10154, 2018.
RYLE, G. ‘If’, ‘So’, and ‘Because’. In: BLACK, Max (ed.). Philosophical analysis. Ithaca, NY: Cornell University Press, 1950. p. 323–340.
SAMUELS, R. Classical computational models. In: SPREVAK, Mark; COLOMBO, Matteo (eds.). The Routledge handbook of the computational mind. London: Taylor & Francis, 2018. p. 103–119.
SCHANK, R. C.; ABELSON, R. P. Scripts, plans, goals and understanding. Hillsdale, NJ: Lawrence Erlbaum Associates, 1977.
SCHARP, K. A. Scorekeeping in a defective language game. Pragmatics & Cognition, v. 13, n. 1, p. 203–226, 2005.
SHANAHAN, M. Solving the frame problem: a mathematical investigation of the common sense law of inertia. Cambridge, MA: MIT Press, 1997.
SMITH, B. C. The promise of artificial intelligence: reckoning and judgment. Cambridge, MA; London: MIT Press, 2019.
STINSON, C. Explanation and connectionist models. In: SPREVAK, Mark; COLOMBO, Matteo (eds.). The Routledge handbook of the computational mind. London: Routledge, 2018.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Revista de Filosofia Moderna e Contemporânea
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Direitos Autorais para artigos publicados nesta revista são do autor, com direitos da primeira publicação para a revista. Em virtude dos artigos aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais.
