IA aprende a traduzir sem ser ensinada

Isto não é ficção científica, nem é apenas linguagem de marketing. Há anos que os investigadores documentam formas de capacidade multilingue “emergente”. Um trabalho da Google sobre tradução automática neural multilingue mostrou que modelos treinados em muitos pares de línguas conseguiam fazer traduções “zero-shot”, ou seja, entre pares para os quais nunca foram diretamente treinados. Isso foi uma grande fenda na antiga suposição de que cada rota de tradução tinha de ser ensinada explicitamente. Desde então, grandes modelos de linguagem treinados com vastos conjuntos de dados da internet levaram a ideia mais longe. Modelos como os sistemas ao estilo do GPT, os modelos multilingues da Meta e modelos abertos como as variantes Llama mostraram que conseguem traduzir, resumir e responder a perguntas em várias línguas, mesmo quando a tradução não era a sua tarefa única ou principal.

A evidência é mais forte em línguas com muitos recursos. Inglês, espanhol, francês, alemão, chinês, árabe e algumas outras dominam os textos online que estes sistemas processam. Investigações de instituições como a DeepMind, a Google, a Meta e grandes universidades descobriram repetidamente que aumentar a escala do treino multilingue melhora a transferência de conhecimento entre línguas. Simplificando, um modelo que aprende o suficiente sobre muitas línguas consegue, por vezes, mapear o significado entre elas sem precisar de exemplos diretos para cada par. O resultado pode ser quase assustador. Peça ao sistema para passar uma ideia de uma língua para outra e, muitas vezes, ele consegue.

Mas a manchete sedutora — de que a IA consegue ensinar-se a si própria a traduzir — precisa de rigor. Primeiro os factos: estes modelos não aprendem do nada. São treinados com oceanos de texto produzido por humanos, muitas vezes extraído da web, de livros, de código e de outras grandes coleções de texto. Eles não estão a inventar a linguagem a partir do zero. Opinião: chamar a isto “autodidata” é um atalho útil, mas também pode induzir em erro. O que realmente acontece é que o modelo está a extrair padrões de uma exposição multilingue tão vasta que a tradução se torna um efeito secundário da aprendizagem geral da linguagem. É menos romântico do que a frase sugere, mas em termos práticos pode ser mais importante.

Porque é que isto acontece? Porque a tradução não é apenas uma correspondência de dicionário. É o reconhecimento de padrões de significado, sintaxe, contexto e conhecimento do mundo. Os grandes modelos são incrivelmente bons a extrair padrões quando lhes são dados dados e poder computacional suficientes. Se um sistema vê os mesmos nomes, eventos, produtos, lugares e conceitos repetidos em várias línguas, começa a construir representações internas que os ligam. Os investigadores descrevem isto como um espaço semântico partilhado. O termo soa abstrato, mas a ideia é simples: o modelo começa a tratar as ideias como algo que pode ser transportado entre línguas.

Isso muda a economia da IA. Os sistemas de tradução tradicionais exigiam uma seleção cuidadosa de dados paralelos, o que é caro e muitas vezes escasso para línguas mais pequenas. Se os modelos de uso geral conseguem adquirir alguma capacidade de tradução a partir de texto misto em várias línguas, as empresas podem lançar produtos mais rápido e a um custo menor. É por isso que esta tendência é importante muito para além do laboratório. Afeta pesquisas, atendimento ao cliente, moderação de redes sociais, comércio internacional, ferramentas de educação e assistentes de voz. A tradução já não é uma função separada. Está a tornar-se uma capacidade integrada dos sistemas de IA em geral.

Há aqui uma história sedutora sobre democratização. No melhor dos casos, modelos que generalizam entre línguas poderiam ajudar a trazer mais pessoas para o mundo online na sua própria língua. Poderiam apoiar a tradução de baixo custo para escolas, clínicas, migrantes e pequenas empresas. Em países com muitas línguas locais e recursos digitais limitados, isso é importante. A UNESCO e outras organizações globais há muito que alertam para a exclusão digital de línguas com pouca representação online. Se a IA reduzir essa barreira, as vantagens são reais.

Agora a dura realidade. A mesma tendência também pode aprofundar a desigualdade. Estes sistemas são mais fortes onde os dados são mais ricos e mais fracos onde são mais necessários. A investigação sobre processamento de linguagem natural multilingue tem encontrado repetidamente um desequilíbrio brutal: um pequeno número de línguas domina os dados, os testes e a atenção dos engenheiros. Línguas com poucos recursos, línguas indígenas e dialetos são muitas vezes mal tratados ou ignorados. Um modelo pode parecer fluente numa língua principal e depois falhar redondamente numa língua regional, ou apagar o significado local em favor de formas padronizadas. Isto não é um mero detalhe técnico. É uma questão de poder. A língua transporta leis, identidade, cultura e confiança. Uma má tradução num hospital, num tribunal ou num serviço governamental não é uma falha inofensiva.

Há outro problema que a indústria da IA gosta de ignorar. Se os modelos aprendem capacidades de forma indireta, então os testes e o controlo tornam-se mais difíceis. Os programadores podem ajustar um sistema para um propósito e ainda assim acabar com capacidades ou falhas inesperadas noutros. Isso não é prova de perigo em todos os casos, mas é um verdadeiro desafio de governação. Se uma empresa não consegue explicar claramente que comportamentos linguísticos surgiram de que dados e etapas de treino, os reguladores e os utilizadores ficam com uma caixa negra embrulhada numa demonstração de produto.

A resposta não é o pânico, e certamente não é o entusiasmo cego. É a transparência rigorosa. As empresas devem divulgar em que línguas os seus sistemas são avaliados de forma fiável e em quais não são. Parece básico porque é básico. Demasiados produtos de IA ainda promovem uma competência “multilingue” como se isso significasse uma qualidade ampla e igual. Não significa. Os testes públicos devem incluir mais línguas, especialmente as que são marginalizadas digitalmente. Governos e universidades devem investir em conjuntos de dados abertos e ferramentas de avaliação para línguas sub-representadas, com o consentimento e o envolvimento das comunidades locais. Se o futuro da tradução está a ser moldado por modelos gigantes, então o público não deveria ter de aceitar um sistema construído apenas em torno das línguas mais lucrativas do mundo.

Os programadores também precisam de parar de fingir que o tamanho, por si só, é sinónimo de sabedoria. Modelos maiores podem descobrir padrões interlinguísticos impressionantes, sim. Mas também podem absorver preconceitos, traduzir mal conceitos sensíveis ou apagar nuances. Os tradutores humanos, linguistas e especialistas comunitários ainda são importantes. Na verdade, são ainda mais importantes quando os sistemas de IA parecem competentes o suficiente para enganar compradores e autoridades, levando-os a confiar excessivamente neles. O perigo não é que a tradução por IA seja inútil. O perigo é que seja útil o suficiente para ser usada de forma descuidada.

A história antiga era que as máquinas traduzem porque os humanos lhes ensinam explicitamente cada passo. A nova história é mais complexa e mais poderosa. Os modelos de IA podem desenvolver a capacidade de tradução como um efeito secundário da aprendizagem massiva de linguagem. Este é um verdadeiro avanço técnico. Mas pode também ser uma falha política e cultural. Quando uma máquina começa a criar pontes entre línguas sem que lhe digam diretamente como o fazer, a conquista é real. A responsabilidade também. A tradução nunca é apenas sobre palavras. É sobre o significado de quem sobrevive à travessia.