Neuralese: quando as inteligências artificiais não precisam mais falar como nós

Quando dois seres humanos precisam colaborar, geralmente utilizam uma linguagem compartilhada. Quando dois sistemas informáticos precisam trocar informação, utilizam protocolos definidos previamente: APIs, formatos de dados, esquemas, mensagens, eventos ou comandos cuja sintaxe e significado foram determinados por seres humanos.

Os sistemas de inteligência artificial introduzem progressivamente uma terceira possibilidade. Agentes treinados para colaborar podem aprender por conta própria representações ou protocolos de comunicação que lhes permitem realizar uma tarefa comum, sem que cada elemento dessa comunicação corresponda necessariamente a uma palavra, a uma frase ou mesmo a uma estrutura diretamente compreensível por um ser humano.

Essa família de fenômenos é estudada há vários anos sob os termos emergent communication e emergent language. O termo Neuralese também é utilizado para designar certas formas de representações numéricas aprendidas pelas redes neurais. Em seu uso contemporâneo mais amplo, ele é às vezes aplicado ao raciocínio latente, quando informações intermediárias permanecem no espaço contínuo das representações do modelo em vez de serem sistematicamente convertidas em tokens e em linguagem natural.

É preciso evitar de imediato uma interpretação sedutora, mas enganosa: não descobrimos uma língua secreta universal falada pelas inteligências artificiais. Não existe necessariamente um vocabulário Neuralese, uma gramática comum ou um dicionário que permita traduzir diretamente uma representação vetorial para o português ou o inglês. As representações aprendidas dependem do modelo, de seu treinamento, da tarefa e do sistema que deve interpretá-las.

Nem por isso o fenômeno deixa de ser tecnologicamente importante. Se sistemas artificiais podem raciocinar e se comunicar de maneira eficaz em representações que já não precisam passar sistematicamente pela linguagem humana, ganhamos potencialmente em eficiência, em riqueza informacional e em capacidade de coordenação. Criamos também um problema particularmente interessante para os arquitetos, engenheiros de IA e especialistas em segurança: como observar, auditar e governar sistemas cuja parte do raciocínio e das comunicações já não é naturalmente legível pelos seres humanos?

Para compreender o Neuralese, é preciso voltar à maneira como uma rede neural processa a informação. Um grande modelo de linguagem recebe tokens, mas internamente não manipula as palavras como as vemos na tela. Os tokens são transformados em representações numéricas multidimensionais. Ao longo das diferentes camadas da rede, essas representações evoluem em função dos mecanismos de atenção, dos parâmetros aprendidos e do contexto.

O texto constitui, portanto, a interface visível de um sistema cujos cálculos são essencialmente realizados em espaços vetoriais de alta dimensão.

Essa distinção torna-se particularmente importante quando se examina o raciocínio. Em uma abordagem tradicional de Chain-of-Thought, um modelo produz uma sequência intermediária sob a forma de tokens: uma etapa do raciocínio é expressa em linguagem, e essa sequência passa a ser o contexto que permite prosseguir o cálculo. Esse método possui uma vantagem evidente para a interação com os seres humanos, já que as etapas podem assumir uma forma linguística.

Ele impõe, contudo, a passagem por um canal discreto: o vocabulário do modelo.

Os trabalhos sobre latent reasoning ou continuous chain-of-thought exploram outra possibilidade. Em vez de decodificar cada estado intermediário em palavras, certas arquiteturas permitem conservar ou reinjetar diretamente estados ocultos contínuos nas etapas seguintes do cálculo. O modelo pode assim efetuar várias transformações em seu espaço latente antes de retornar à linguagem natural quando precisa, finalmente, comunicar seu resultado.

A ideia é tecnicamente fascinante porque uma representação vetorial pode potencialmente transportar uma estrutura informacional que não corresponde propriamente a uma sucessão de frases. Converter cada etapa em linguagem humana pode constituir uma forma de compressão: uma representação rica e contínua precisa ser transformada em uma sequência limitada de símbolos antes de ser recodificada para a etapa seguinte.

Isso ainda não significa que o raciocínio latente seja automaticamente superior. As pesquisas são recentes e os resultados permanecem variáveis. Vários métodos buscam precisamente determinar em quais circunstâncias a manutenção de estados intermediários contínuos melhora o raciocínio, a eficiência ou o planejamento. A distinção importante está em outro lugar: a linguagem natural não é necessariamente o único suporte possível do raciocínio computacional intermediário de um sistema de IA.

O fenômeno torna-se ainda mais interessante quando vários agentes precisam colaborar.

Nos ambientes de Multi-Agent Reinforcement Learning, ou MARL, vários agentes podem receber observações diferentes, perseguir um objetivo comum ou parcialmente comum e aprender quais ações maximizam sua recompensa. Quando um canal de comunicação lhes é fornecido, eles também podem aprender quais informações transmitir aos demais agentes a fim de melhorar seu desempenho coletivo.

Nada obriga, então, que o protocolo ótimo se pareça com uma língua humana.

Um agente pode aprender que determinado sinal multidimensional provoca em outro agente um comportamento útil em um contexto específico. Ao longo do treinamento, certas representações tornam-se associadas a objetos, estados, intenções, ações ou relações. Estruturas mais complexas podem surgir quando a tarefa exige mais coordenação.

É precisamente isso que a pesquisa sobre linguagens emergentes estuda. Trabalhos recentes observaram estratégias de comunicação capazes de generalizar para novos níveis de abstração, enquanto outras pesquisas tentam identificar propriedades semelhantes à composição, à morfologia ou à ordem dos elementos nas comunicações aprendidas por agentes.

Torna-se então útil distinguir duas formas de Neuralese. A primeira é intramodelo: representações latentes utilizadas no processamento ou no raciocínio de um sistema. A segunda é interagentes: representações aprendidas que servem diretamente para transferir informação entre vários sistemas.

Essa segunda categoria abre perspectivas arquiteturais consideráveis.

Imaginemos uma infraestrutura composta por centenas ou milhares de agentes especializados. Alguns monitoram infraestruturas, outros analisam eventos de cibersegurança, otimizam cadeias logísticas, controlam robôs, interpretam sensores, realizam pesquisas ou orquestram recursos computacionais. Se cada interação precisar ser traduzida em frases gramaticalmente corretas, várias camadas de representação tornam-se necessárias unicamente para tornar as comunicações compatíveis com a linguagem humana.

Ora, duas máquinas não têm nenhuma razão intrínseca para trocar a frase “o servidor número 47 apresenta um aumento anormal de latência associado a uma mudança recente do perfil de tráfego” se uma representação numérica compacta pode transmitir diretamente o estado pertinente a outro sistema capaz de interpretá-lo.

O Neuralese poderia, portanto, tornar-se uma forma de compressão semântica machine-to-machine.

O potencial não diz respeito apenas à velocidade. Comunicações latentes podem evitar certas operações repetitivas de decodificação e recodificação, reduzir a quantidade de tokens trocados e permitir potencialmente transmitir representações mais ricas do que aquelas que podem ser facilmente expressas sob a forma de frases. Pesquisadores já começam, aliás, a examinar a comunicação emergente entre agentes como uma via de melhoria da eficiência computacional e energética dos sistemas multiagentes.

Em grande escala, essa evolução poderia modificar profundamente a arquitetura dos sistemas agênticos. Hoje, grande parte dos ambientes multiagentes ainda se apoia em interfaces compreensíveis pelos desenvolvedores: prompts, JSON, chamadas de API, mensagens estruturadas, eventos e linguagem natural. Esses mecanismos oferecem uma excelente observabilidade, mas podem tornar-se ineficientes quando um número muito elevado de agentes precisa se comunicar continuamente.

Uma arquitetura futura poderia, portanto, utilizar várias camadas de comunicação. Os seres humanos continuariam a interagir em linguagem natural. As interfaces críticas conservariam esquemas estruturados e auditáveis. Certas comunicações internas entre agentes poderiam utilizar representações muito mais compactas, otimizadas para as máquinas.

É aqui que o problema se torna particularmente interessante para a segurança.

Nos sistemas informáticos tradicionais, a observabilidade constitui uma propriedade fundamental. Queremos saber quais serviços se comunicam, quais APIs são chamadas, quais dados circulam, quais identidades realizam as operações e quais decisões produzem determinados eventos. Os logs, rastreamentos distribuídos, SIEM, sistemas de detecção e mecanismos de auditoria apoiam-se largamente em nossa capacidade de interpretar os eventos observados.

O que acontece quando uma parte significativa da comunicação entre agentes se torna semanticamente opaca para o ser humano?

Registrar um vetor de vários milhares de dimensões não significa que compreendemos a mensagem. Dois agentes podem perfeitamente explorar uma representação da qual somos capazes de conservar cada valor numérico sem poder explicar precisamente o que ela codifica.

Obtemos então uma situação incomum: a transmissão pode ser perfeitamente observável no nível técnico e, ao mesmo tempo, permanecer parcialmente opaca no nível semântico.

Essa distinção poderia tornar-se fundamental nas arquiteturas agênticas.

O desafio de segurança não consiste, portanto, necessariamente em proibir as comunicações emergentes. Sua eficiência poderia tornar-se interessante demais para que essa posição seja realista. Será preciso, antes, desenvolver novas formas de observabilidade adaptadas às representações latentes.

Vários níveis de controle tornam-se possíveis. Podemos observar quais agentes se comunicam, com que frequência e em quais circunstâncias. Podemos medir as transformações de suas representações, detectar mudanças de distribuição, comparar comportamentos com referências conhecidas, utilizar sondas de interpretabilidade, impor canais distintos conforme a sensibilidade das operações e exigir traduções ou justificativas quando uma comunicação contribui para uma ação crítica.

O princípio de Zero Trust assume aqui uma dimensão nova. Uma comunicação não deveria tornar-se digna de confiança simplesmente por provir de outro agente pertencente ao mesmo sistema. A identidade do emissor, seu contexto, suas permissões, o objetivo da comunicação e a ação solicitada podem continuar a ser verificados independentemente da representação utilizada para transportar a informação.

O Continuous Trust torna-se ainda mais pertinente quando o próprio conteúdo é difícil de interpretar diretamente. A confiança pode ser continuamente reavaliada a partir da identidade, do comportamento, da procedência, do histórico, do contexto e das consequências observáveis.

Uma arquitetura segura poderia também separar o canal de comunicação do canal de autoridade. Dois agentes poderiam trocar representações latentes extremamente ricas sem que essa comunicação lhes conceda automaticamente o direito de executar uma operação sensível. A informação pode circular livremente dentro de certos limites, enquanto as ações permanecem submetidas a controles explícitos.

Essa separação torna-se essencial se os próprios protocolos emergentes evoluírem com o tempo.

Uma língua humana possui certa estabilidade porque é compartilhada por uma comunidade e transmitida culturalmente. Um protocolo emergente entre agentes pode ser muito mais dinâmico. Uma nova versão do modelo, um retreinamento, uma modificação da função de recompensa ou uma mudança de ambiente podem alterar a maneira como certas representações são utilizadas.

O problema já não é, então, apenas compreender um protocolo. É preciso detectar seu desvio.

Reencontramos uma dificuldade já familiar em Machine Learning Operations: data drift, concept drift e model drift. Os ambientes multiagentes poderiam acrescentar outra categoria: communication drift.

Dois agentes que funcionavam corretamente juntos podem modificar progressivamente suas representações. Uma atualização de um deles pode alterar a interpretação de certos sinais. Subpopulações de agentes podem desenvolver convenções diferentes. Um protocolo otimizado para uma tarefa pode produzir comportamentos inesperados quando utilizado em outro ambiente.

A interoperabilidade torna-se, portanto, também ela um problema de pesquisa.

Os protocolos da Internet tiveram um sucesso extraordinário precisamente porque suas especificações são relativamente independentes das implementações. TCP/IP, DNS, HTTP e TLS permitem que sistemas concebidos por organizações diferentes se comuniquem porque suas interfaces são normalizadas.

O Neuralese funciona segundo uma lógica quase inversa: a representação pode emergir do treinamento e estar profundamente ligada aos parâmetros dos sistemas que a utilizam.

Um vetor produzido por um modelo A não tem nenhuma garantia de ter o mesmo significado para um modelo B. Mesmo duas versões do mesmo modelo podem desenvolver espaços latentes suficientemente diferentes para complicar uma troca direta.

As arquiteturas de comunicação machine-to-machine deverão, portanto, provavelmente resolver um compromisso entre eficiência emergente e interoperabilidade padronizada. Espaços latentes comuns, codificadores e decodificadores especializados, representações intermediárias normalizadas ou gateways capazes de traduzir entre vários protocolos poderiam tornar-se necessários.

Essa evolução levanta também uma questão importante para a explicabilidade.

Pedimos frequentemente aos sistemas de IA que expliquem suas decisões. Essa explicação é geralmente produzida depois ou em torno do cálculo interno. Ela não constitui necessariamente uma transcrição literal das representações que conduziram à resposta.

Quanto mais o raciocínio e as comunicações permanecem no espaço latente, mais se torna importante distinguir explicação e observabilidade.

Uma IA pode gerar uma excelente justificativa em linguagem natural sem que essa justificativa constitua uma reconstrução fiel de todas as operações internas que produziram a decisão. Para os ambientes críticos, será preciso, portanto, combinar várias abordagens: rastreabilidade das entradas e saídas, procedência dos dados, identidade dos agentes, controle das permissões, instrumentação dos estados internos quando isso for possível, análise comportamental e validação independente dos resultados.

Não precisamos necessariamente compreender cada número contido em cada vetor para governar um sistema. Precisamos, contudo, dispor de visibilidade suficiente para saber o que ele está autorizado a fazer, detectar quando ele se comporta de maneira diferente do esperado e impedir que uma comunicação opaca se torne automaticamente uma autorização opaca.

É aqui que o Neuralese encontra diretamente a Hipersegurança.

À medida que as infraestruturas passam a ser compostas por agentes capazes de raciocinar, comunicar e agir na velocidade das máquinas, a segurança já não pode depender unicamente da inspeção manual do conteúdo. Ela deve integrar a identidade das máquinas, a segmentação dos ambientes, o controle dinâmico dos privilégios, a procedência, a análise comportamental, o monitoramento contínuo e a capacidade de interromper rapidamente uma cadeia de ações quando seu comportamento sai do quadro esperado.

A questão não é, portanto, forçar eternamente as máquinas a falar como nós. Ela consiste em conceber arquiteturas nas quais elas possam beneficiar-se de formas de comunicação adaptadas às suas capacidades sem que os seres humanos percam a possibilidade de compreender o sistema em um nível suficiente para governá-lo.

Neuralese não designa uma misteriosa língua secreta universal que as inteligências artificiais teriam começado a falar entre si. O termo recobre antes uma família de fenômenos muito mais interessantes do ponto de vista técnico: representações numéricas aprendidas que podem servir ao raciocínio interno e protocolos de comunicação que podem emergir quando vários agentes aprendem a colaborar.

A pesquisa já mostra que as comunicações emergentes podem desenvolver estruturas que permitem a coordenação, a abstração e certas formas de composição. Ela mostra também o quanto sua interpretação, sua generalização e sua avaliação permanecem difíceis. Uma revisão científica publicada em 2025 destaca precisamente que o campo ainda precisa resolver importantes questões de medição, de grounding, de interpretabilidade e de caracterização das propriedades linguísticas emergentes.

Para os engenheiros de IA e os arquitetos de TI, a questão torna-se particularmente importante com a chegada dos sistemas multiagentes. Milhares de agentes especializados talvez nem sempre tenham interesse em transformar cada uma de suas representações internas em frases destinadas a seres humanos antes de se comunicarem entre si. Os ganhos potenciais em eficiência, em densidade informacional e em coordenação poderiam favorecer a emergência de comunicações cada vez mais machine-native.

Essa evolução fará surgir uma nova categoria de problemas de engenharia: como instrumentar uma comunicação cujos dados podemos registrar sem necessariamente compreender de imediato a semântica? Como detectar seu desvio? Como manter a interoperabilidade entre modelos? Como distinguir o transporte de informação da autoridade para agir? Como aplicar Zero Trust e Continuous Trust a trocas entre agentes? E como conservar uma capacidade de auditoria suficiente quando certas etapas do raciocínio nunca existem sob a forma de linguagem humana?

Para a Quantum Beyond, essa fronteira ilustra exatamente por que a arquitetura dos sistemas de inteligência artificial deve evoluir ao mesmo tempo que suas capacidades. A AI Governance, o AI Onboarding, o IAM, a segmentação, a observabilidade e a Hipersegurança deverão progressivamente aplicar-se a sistemas que se comunicam e raciocinam em um nível de representação concebido mais para as máquinas do que para nós.

Passamos várias décadas ensinando os computadores a compreender a nossa linguagem. Entramos agora em um período em que deveremos também aprender a construir sistemas capazes de funcionar com segurança quando as máquinas já não precisarem traduzir cada um de seus pensamentos e de suas comunicações para a nossa.