Dados Sintéticos, Overfitting e o Cérebro como uma Máquina de Aprendizagem
Resumo
O ato de sonhar pode ser interpretado não apenas como resíduo simbólico, ativação neural aleatória ou repetição passiva de memórias, mas como um mecanismo biológico de aprimoramento da generalização. Em aprendizado de máquina, o overfitting ocorre quando um modelo se adapta excessivamente às particularidades estatísticas de seus dados de treinamento e deixa de apresentar bom desempenho diante de exemplos inéditos. Sistemas artificiais enfrentam esse problema por meio de regularização, injeção de ruído, aumento de dados, dropout, repetição generativa, modelos de mundo e dados sintéticos. O cérebro enfrenta um problema análogo: a experiência de vigília é limitada, enviesada, repetitiva, emocionalmente ponderada e localmente amostrada a partir de um espaço imenso de situações possíveis. Este artigo desenvolve a tese de que os sonhos funcionam como dados sintéticos internamente gerados: simulações distorcidas, recombinadas, contrafactuais e emocionalmente salientes que impedem o cérebro de se ajustar excessivamente à distribuição estreita da experiência cotidiana. O argumento conecta a Hipótese do Cérebro Superajustado (Overfitted Brain Hypothesis), a repetição hipocampal, a consolidação de memórias, o processamento preditivo, os modelos generativos, o aprendizado contínuo, o aprendizado por reforço e o treinamento sintético semelhante ao sonho em agentes artificiais. Uma seção específica aborda a pergunta: robôs e máquinas sonham? Se o sonho for definido funcionalmente como a geração offline de experiências sintéticas para melhorar a generalização e reduzir o overfitting, então alguns sistemas artificiais já implementam mecanismos semelhantes ao sonho.
Palavras-chave: sonhos, dados sintéticos, overfitting, generalização, repetição hipocampal, repetição generativa, aprendizado contínuo, aprendizado por reforço, modelos de mundo, sonhos de máquinas, inteligência artificial.
Sumário
- Sonhos como um Problema Computacional
- Overfitting, Regularização e o Cérebro Superajustado
- Mecanismos Biológicos: Replay, Consolidação, Predição e Recombinação
- Sonhos, Pesadelos e Sonhos Vívidos como Sinais de Aprendizado por Reforço
- Psicose como Overfitting Patológico: Um Caso-Limite Clínico
- Sonhos como Dados Sintéticos: Emoção, Saliência e Criatividade
- Máquinas Sonham? Replay Generativo, Modelos de Mundo e Agentes Artificiais
- Previsões, Limites e Conclusão
- Referências
1. Sonhos como um Problema Computacional
Os sonhos estão entre os produtos mais estranhos da cognição biológica. Eles não são registros literais da vida desperta, mas tampouco estão desvinculados dela. Combinam experiências recentes, memórias remotas, resíduos emocionais, fragmentos perceptivos, identidades instáveis, espaços impossíveis, eventos contrafactuais e narrativas fisicamente implausíveis. O mundo onírico é frequentemente perceptivamente convincente, embora permaneça logicamente instável.
Historicamente, as teorias dos sonhos passaram por várias interpretações importantes. Em 1900, A Interpretação dos Sonhos, de Sigmund Freud, apresentou os sonhos como expressões simbólicas de desejos inconscientes e tornou sua interpretação central para a psicanálise. Freud transformou os sonhos em uma via privilegiada para o inconsciente. Mas seu modelo frequentemente reduzia a imensa diversidade da experiência humana a um repertório estreito: desejo, repressão, drama familiar e simbolismo sexual. Era como se toda a vida onírica da humanidade tivesse esperado pacientemente em um divã vienense apenas para descobrir que tudo, de algum modo, levava de volta à mãe de Freud — como se todas as mulheres fossem variações dela e todo drama humano fosse apenas um eco do seu próprio.
Em 1977, Hobson e McCarley propuseram a Hipótese da Ativação-Síntese, argumentando que, durante o sono REM, a ponte de Varólio e o tronco encefálico geram sinais neurais internos que ativam o prosencéfalo, o qual então organiza esses sinais em imagens oníricas, emoções e narrativas. Em 1983, Francis Crick e Graeme Mitchison propuseram a Teoria da Aprendizagem Reversa, sugerindo que o sono REM pode enfraquecer padrões indesejáveis de interação neural, em vez de fortalecê-los. Em 2000, Antti Revonsuo introduziu a Teoria da Simulação de Ameaças, interpretando os sonhos como ensaios virtuais evolutivamente selecionados para percepção e e esquiva de ameaças. Na década de 2010, as teorias de consolidação da memória passaram a conectar cada vez mais o sonho à reativação, estabilização e integração de experiências da vigília durante o sono, especialmente por meio do replay hipocampal e do processamento de memória dependente do sono.
A perspectiva contemporânea da IA acrescenta outra camada: os sonhos podem ser computacionalmente úteis precisamente porque são distorcidos. A Hipótese do Cérebro Superajustado (Overfitted Brain Hypothesis) de Hoel, argumenta que os sonhos funcionam como entradas sensoriais internamente geradas, ruidosas ou corrompidas, análogas à expansão de dados, à injeção de ruído e a outras técnicas de regularização em aprendizado profundo. Sua função seria ajudar o cérebro a evitar o overfitting ao conjunto limitado de dados de treinamento formado pelas experiências estreitas, repetitivas e localmente amostradas da vigília, melhorando a capacidade de generalizar para situações novas e além das vivenciadas recentemente. (Hoel, 2021).
Essa interpretação é reforçada por modelos computacionais de sono e sonho. Deperrois et al. (2022) mostram que sonhos perturbados e adversariais podem melhorar o aprendizado de um sistema. Nesse contexto, trata-se de simulações internas deliberadamente alteradas por ruído, distorções ou exemplos desafiadores. Em vez de reproduzir fielmente experiências anteriores, esses sonhos apresentam versões incompletas, estranhas ou difíceis delas. Isso obriga o sistema a aprender representações latentes robustas: características internas que permanecem estáveis mesmo quando detalhes superficiais mudam. Como resultado, o sistema pode extrair conceitos semânticos, isto é, estruturas de nível mais alto que capturam o significado de uma experiência, e não apenas sua aparência imediata.
Franceschelli e Musolesi estendem a mesma lógica a agentes de aprendizado por reforço, demonstrando como episódios generativos semelhantes a sonhos podem melhorar a generalização em sistemas artificiais (Franceschelli & Musolesi, 2024).
No aprendizado de máquina, a distorção não é necessariamente um defeito. Ela pode atuar como regularização. Redes neurais artificiais frequentemente são treinadas não apenas com dados brutos, mas também com dados transformados, corrompidos, aumentados, simulados ou gerados. Essas intervenções impedem que o modelo memorize detalhes superficiais irrelevantes e o forçam a aprender representações mais robustas, abstratas e transferíveis.
A tese central deste artigo é que os sonhos podem desempenhar uma função análoga para a inteligência biológica. A experiência de vigília é o conjunto empírico de treinamento do cérebro: útil, mas incompleto, enviesado pela consciência, atenção, emoção, memória e pela faixa estreita de situações efetivamente vivenciadas. Sonhar pode funcionar como um processo generativo offline que perturba e expande esse conjunto de dados, produzindo amostras sintéticas suficientemente estranhas para impedir a memorização literal, mas suficientemente estruturadas para permanecerem úteis ao aprendizado e à generalização.
Sob essa perspectiva, os sonhos não são meros erros da cognição. Podem ser parte do mecanismo anti-overfitting do cérebro.
2. Overfitting, Regularização e o Cérebro Superajustado
No aprendizado supervisionado de máquina, um modelo é treinado com exemplos extraídos de um conjunto de dados que apenas aproxima a realidade mais ampla que ele deve representar. O objetivo não é memorizar o conjunto de treinamento, mas aprender uma função que capture a estrutura subjacente do problema e seja transferida com sucesso para exemplos inéditos. Um classificador treinado com dígitos manuscritos, por exemplo, não deve apenas memorizar os pixels exatos das imagens de treinamento; ele deve aprender as características mais abstratas que tornam um dígito reconhecível em diferentes estilos de escrita, níveis de ruído, rotações e distorções.
O overfitting ocorre quando um modelo se torna excessivamente adaptado às particularidades estatísticas de seu conjunto de treinamento. Em vez de aprender apenas a estrutura invariante que se transfere para além da amostra observada, ele também codifica correlações acidentais, ruído, artefatos de amostragem, valores atípicos e detalhes específicos do conjunto de dados. O resultado é um modelo que alcança baixo erro no treinamento, mas falha em generalizar: ele extraiu uma estrutura aparentemente significativa de padrões que podem ser contingentes, raros ou apenas coincidentes.
Tecnicamente, o overfitting é identificado por meio de uma lacuna de generalização (generalization gap). Durante o treinamento, a perda — ou erro — no conjunto de treinamento continua diminuindo. Entretanto, a perda nos conjuntos de validação ou teste deixa de melhorar, estabiliza-se ou passa a aumentar.
Isso indica que o modelo já não está aprendendo representações amplamente úteis. Em vez disso, passa a se ajustar cada vez mais às particularidades dos dados usados no treinamento. Assim, ele pode apresentar bom desempenho em exemplos familiares, mas tornar-se frágil diante de mudanças na distribuição dos dados, ruído ou variações que não estavam presentes no conjunto original.
O cérebro enfrenta um problema semelhante. Ele é continuamente treinado por experiências sensoriais, motoras, sociais e emocionais. No entanto, a vida desperta não é uma amostra neutra da realidade. Ela é limitada pelo corpo, pelo ambiente, pela cultura, pelas rotinas, pelas ansiedades, pelas recompensas, pelos papéis sociais e pelos acontecimentos recentes.
Em termos estatísticos, a experiência de vigília é um conjunto de dados finito, enviesado e temporalmente correlacionado. Um cérebro adaptado em excesso a esse fluxo local pode ser eficiente no curto prazo, mas tornar-se frágil diante de situações novas.
O aprendizado de máquina reduz o overfitting por meio de vários mecanismos: penalidades de regularização, dropout, injeção de ruído, ampliação de dados, otimização estocástica, parada antecipada, dados sintéticos e replay. O princípio comum é que o aprendizado não pode se reduzir à memorização literal. Um bom sistema de aprendizagem precisa extrair invariâncias: padrões que permanecem estáveis apesar de transformações.
A Hipótese do Cérebro Superajustado aplica essa lógica aos sonhos. Ela propõe que os sonhos evoluíram para melhorar a generalização ao expor o cérebro a versões internamente geradas, ruidosas, corrompidas ou ampliadas da experiência de vigília (Hoel, 2021). Os sonhos não são reproduções fiéis. Eles são estranhos, descontínuos, emocionalmente intensos, espacialmente instáveis e semanticamente híbridos. É precisamente isso que se esperaria de um processo que funcionasse como uma forma biológica de ampliação de dados.
Um sonho pode conter uma pessoa real em um lugar impossível, um quarto familiar com geometria alterada ou uma ansiedade recente inserida em uma crise fictícia. Computacionalmente, isso se assemelha a uma amostra perturbada extraída de um modelo generativo interno. O sonho preserva estrutura suficiente para continuar significativo, mas altera detalhes suficientes para impedir que o cérebro se identifique excessivamente com a experiência literal.
O sonho, portanto, não está apenas repetindo o conjunto de dados de treinamento. Ele o transforma e expande.
3. Mecanismos Biológicos: Replay, Consolidação, Predição e Recombinação
O sono está fortemente associado à consolidação da memória. Durante o sono, padrões de atividade neural relacionados às experiências da vigília podem ser reativados. No replay hipocampal, sequências associadas à navegação espacial ou a experiências episódicas reaparecem durante o repouso ou o sono. Acredita-se que esse replay contribua para a estabilização, a integração e, em alguns casos, o planejamento de memórias (Ólafsdóttir et al., 2018).
Entretanto, o sonho não pode ser reduzido apenas ao replay. Replay significa reativação. Sonhar implica transformação. O sonho não apenas recupera traços armazenados; ele os recombina em novas configurações.
Uma distinção técnica útil é a seguinte:
Replay: reativação de padrões neurais previamente codificados.
Consolidação: estabilização e integração de traços de memória em redes corticais mais amplas.
Recombinação generativa: produção de cenários sintéticos novos a partir de amostras de memória, emoção, previsão e imaginação.
O sonho provavelmente se encontra na interseção desses processos. O hipocampo pode fornecer fragmentos episódicos. O neocórtex pode fornecer estrutura semântica e perceptiva. O sistema límbico pode atribuir peso emocional. Os sistemas preditivos podem gerar futuros possíveis, ameaças, conflitos, recompensas ou desfechos sociais. O resultado não é um vídeo reproduzido do passado, mas uma simulação sintética construída a partir de múltiplas fontes cognitivas.
O processamento preditivo ajuda a explicar por que os sonhos parecem reais, mesmo sendo instáveis. Nas teorias preditivas do cérebro, a percepção não é uma recepção passiva de sinais sensoriais. Ela é um processo ativo de inferência: o cérebro gera previsões sobre as causas dos sinais sensoriais e atualiza essas previsões por meio de erros de predição (Friston, 2010).
Durante a vigília, os estímulos externos limitam o modelo generativo.
Durante o sonho, essa limitação é reduzida. O cérebro continua a gerar mundos perceptivos, mas esses mundos passam a ser conduzidos mais intensamente por dinâmicas internas.
É por isso que os sonhos podem ser vívidos e, ao mesmo tempo, são estruturalmente incoerentes. A maquinaria generativa continua ativa, enquanto a correção normal de erros fornecida pelo mundo externo é reduzida. O cérebro passa a amostrar o seu próprio modelo.
Sob a perspectiva da aprendizagem, isso é relevante. Um sistema que aprende apenas a partir de estímulos externos diretos fica limitado pela estreiteza de seu ambiente. Um sistema capaz de gerar amostras internas pode explorar um espaço mais amplo de hipóteses. Os sonhos podem, portanto, ser interpretados como uma forma de amostragem offline a partir do modelo generativo do cérebro sobre o mundo.
4. Sonhos, Pesadelos e Sonhos Vívidos como Sinais de Aprendizado por Reforço
Os sonhos também podem ser interpretados pela linguagem do aprendizado por reforço. Nesse tipo de aprendizado, um agente não apenas classifica entradas; ele aprende quais ações, políticas ou estados internos levam a resultados desejáveis ou indesejáveis. A aprendizagem é moldada por valor: recompensa, punição, ameaça, alívio, esquiva e erro de predição. O cérebro não é apenas um sistema de reconhecimento de padrões. Ele também é um sistema de aprendizagem orientada por valor.
Sob essa perspectiva, sonhar pode funcionar como um ambiente de simulação offline, no qual o cérebro amostra situações possíveis e lhes atribui valor emocional ou motivacional. Um sonho não é apenas uma amostra perceptiva sintética; ele também pode ser um cenário sintético de valor. Ele coloca o cérebro diante de conflitos sociais imaginados, ameaças, recompensas, fracassos, fugas, perdas, descobertas e possíveis resoluções. Esses episódios oníricos podem ajudar a atualizar expectativas sobre o que importa, o que deve ser buscado, o que deve ser evitado e quais situações exigem atenção.
Sonhos agradáveis ou bem-sucedidos podem se assemelhar ao reforço positivo. Eles simulam resultados desejados, domínio, descoberta, apego, reconhecimento ou alívio. Nesses casos, o sonho pode fortalecer representações ligadas à aproximação e reforçar modelos internos associados à recompensa, competência ou conexão social. O cérebro não está recebendo uma recompensa externa, mas ainda pode ensaiar trajetórias carregadas de valor dentro de seu próprio modelo generativo.
Os sonhos vívidos são especialmente relevantes porque a vividez aumenta a saliência. Sonhos altamente vívidos costumam ser emocionalmente intensos, perceptivamente ricos e mais fáceis de recordar. Isso significa que podem ter maior peso na aprendizagem offline. Na linguagem do aprendizado de máquina, podem funcionar como amostras de treinamento com peso elevado. Em termos biológicos, podem refletir um acoplamento mais forte entre sistemas de memória, emoção e simulação perceptiva durante o sono.
Os pesadelos podem ser interpretados de outra maneira. Frequentemente simulam ameaça, fracasso, impotência, perseguição, perda de controle ou perigo não resolvido. Em uma forma moderada e delimitada, isso pode ter função adaptativa: o cérebro ensaia cenários aversivos em um ambiente offline seguro, aprimorando a detecção de ameaças, a calibração emocional e possíveis respostas de enfrentamento. Essa interpretação é compatível com as teorias de simulação de ameaças, segundo as quais os sonhos funcionam, em parte, como ensaios virtuais para situações perigosas (Revonsuo, 2000).
Em termos de aprendizado por reforço, os pesadelos podem envolver reforço negativo, mas apenas no sentido técnico de aprendizagem pela redução ou esquiva de um estado aversivo. Quando um sonho simula perigo e permite fuga, resolução ou regulação emocional, o sistema pode aprender que determinadas respostas reduzem a ameaça. Entretanto, pesadelos recorrentes e sem resolução podem tornar-se desadaptativos. Em vez de regularizar a mente, podem treinar repetidamente o cérebro com um conjunto de dados enviesado para alta ameaça. O resultado pode ser o fortalecimento de expectativas de perigo, maior esquiva e pior generalização emocional.
Essa distinção é importante. Um pesadelo não é automaticamente útil. Um sonho vívido não é automaticamente adaptativo. O valor computacional de um sonho depende de ele produzir atualização flexível ou repetição rígida. Um sonho que transforma medo em resolução pode favorecer a aprendizagem. Um sonho que repete o medo sem atualização pode reforçar modelos de ameaça superajustados.
Assim, sonhos e pesadelos podem ser entendidos como formas distintas de aprendizado por reforço offline. Sonhos agradáveis podem ensaiar aproximação e recompensa. Sonhos vívidos podem amplificar o sinal de aprendizagem. Pesadelos podem ensaiar ameaça, esquiva ou falha de predição.
Quando adaptativo, esse processo ajuda o cérebro a generalizar emocional e comportamentalmente. Quando desadaptativo, pode treinar em excesso a mente para medo, ameaça ou conflito não resolvido.
Sonhar, portanto, não é apenas regularização generativa. Pode também ser simulação orientada por valor: o cérebro adormecido explora não apenas o que poderia acontecer, mas o que importaria caso acontecesse.
5. Psicose como Overfitting Patológico: Um Caso-Limite Clínico
A hipótese dos sonhos como regularização sugere um caso-limite clínico útil: a psicose. Se sonhar é uma simulação delimitada ao sono que pode ajudar o cérebro a se desprender das experiências recentes, a psicose pode ser interpretada — com cautela e apenas de modo metafórico — como uma perturbação da inferência no estado de vigília, na qual previsões internamente geradas, sinais de saliência ou pressupostos do modelo se tornam excessivamente dominantes.
Nas teorias de processamento preditivo, a percepção depende de um equilíbrio entre previsão de cima para baixo (top-down) e correção sensorial de baixo para cima (bottom-up). O cérebro gera continuamente hipóteses sobre as causas das entradas sensoriais e as atualiza por meio do erro de predição. Na percepção comum em vigília, a evidência externa limita o modelo generativo interno. Na psicose, pode ocorrer um desequilíbrio relacionado durante a vida desperta: sinais gerados internamente podem ser tratados como causados externamente, ou estímulos ambíguos podem ser interpretados por meio de expectativas excessivamente rígidas, salientes ou mal calibradas (Fletcher & Frith, 2009; Sterzer et al., 2018).
Alucinações podem ser compreendidas como experiências semelhantes à percepção produzidas por inferência desadaptativa. Um som, imagem, sensação corporal ou fragmento de fala interna gerado internamente pode receber confiança perceptiva excessiva e ser inferido como proveniente do mundo externo. Na linguagem do aprendizado de máquina, isso se assemelha a um modelo que se tornou confiante demais em padrões extraídos de dados ruidosos, incompletos ou ambíguos. Ele não apenas detecta sinal; ele impõe sinal onde a evidência é fraca.
Delírios podem representar uma versão de nível mais alto do mesmo problema. Quando eventos comuns, coincidências ou sensações internas adquirem significado anormal, o cérebro pode construir um sistema de crenças explicativo ao seu redor. A Teoria da Saliência Aberrante, de Kapur, propõe que a desregulação da dopamina pode fazer eventos neutros ou comuns parecerem incomumente significativos. Os delírios podem então surgir como tentativas de explicar esses sinais anormais de saliência (Kapur, 2003).
A analogia com o overfitting é útil, mas limitada. Um modelo superajustado extrai estrutura demais de dados limitados ou ruidosos e se torna confiante em regras que não generalizam. De forma semelhante, na psicose, o cérebro pode atribuir estrutura excessiva a ruído, coincidência, percepção ambígua, fala interna ou eventos emocionalmente carregados. No entanto, a psicose não é “apenas overfitting”. Trata-se de uma condição clínica complexa, que envolve neurobiologia, regulação dopaminérgica, desenvolvimento, estresse, trauma, cognição, contexto social e ambiente.
O contraste com o sonho é crucial. Sonhar pode ser uma forma delimitada, offline e reversível de simulação generativa. Ocorre durante o sono, com redução da atividade motora e menor restrição externa, e pode favorecer flexibilidade ao permitir que o cérebro explore versões distorcidas da experiência. A psicose, em contraste, pode envolver uma falha de restrição durante a vigília, na qual modelos gerados internamente, saliência anormal ou expectativas ponderadas de forma desadaptativa invadem a percepção e a crença.
Nesse sentido, sonhos e psicose podem estar em lados opostos da cognição generativa. Sonhar é uma simulação temporária que pode ajudar a regularizar a mente. A psicose é um processo de inferência desregulada, no qual modelos internos podem dominar a realidade desperta.
6. Sonhos como Dados Sintéticos: Emoção, Saliência e Criatividade
Dados sintéticos são dados gerados artificialmente para melhorar a aprendizagem. Podem resultar de simulação, geração procedural, transformações de dados reais, modelos generativos ou recombinação contrafactual. Dados sintéticos são valiosos quando os dados reais são limitados, enviesados, caros, perigosos, privados ou incompletos.
O cérebro enfrenta restrições semelhantes. Ele não pode expor o organismo a todos os perigos possíveis, conflitos sociais, perdas emocionais, oportunidades, ambientes espaciais ou decisões futuras. Precisa generalizar a partir de experiências incompletas. Os sonhos podem ajudar ao expandir o conjunto efetivo de treinamento do sistema nervoso.
Os sonhos são sintéticos, mas não arbitrários. Eles amostram materiais cognitivos reais: memória episódica, conhecimento semântico, padrões sensório-motores, saliência emocional, modelos sociais, esquemas de ameaça, expectativas de recompensa, estados corporais e simulações preditivas. Sua função não seria representar a realidade com precisão. Seria gerar variação útil.
Isso também explica por que os sonhos são frequentemente emocionalmente intensos. A aprendizagem biológica não é puramente estatística; ela é ponderada por valor. O cérebro precisa aprender não apenas o que acontece, mas o que importa. Medo, vergonha, desejo, luto, constrangimento, urgência, apego e ameaça frequentemente dominam o conteúdo dos sonhos porque são domínios de alta saliência para o comportamento adaptativo. Em termos de aprendizado de máquina, a intensidade emocional se assemelha à ponderação de amostras: alguns exemplos importam mais porque o custo do erro é maior.
A estranheza dos sonhos também pode favorecer a abstração. Um sonho pode não preservar a sala de aula literal, mas preservar a estrutura de avaliação. Pode não preservar o predador real, mas preservar a estrutura da ameaça. Pode não preservar uma conversa específica, mas preservar a tensão social. A superfície se altera, enquanto um padrão relacional mais profundo permanece.
Isso é análogo à ampliação de dados. Na classificação de imagens, um objeto pode ser rotacionado, recortado, desfocado, parcialmente ocultado ou corrompido por ruído. O objetivo é forçar o modelo a aprender uma estrutura invariante, em vez de memorizar detalhes superficiais (Shorten & Khoshgoftaar, 2019). Ao sonhar, fragmentos de memória podem ser transformados emocional, espacial, social e narrativamente. O sonho parece dizer: não aprenda apenas o evento; aprenda a classe de situações.
A criatividade pode emergir do mesmo mecanismo. Os sonhos exploram regiões incomuns do espaço latente cognitivo. Eles combinam ideias que a cognição desperta normalmente mantém separadas e relaxam restrições ligadas à causalidade, à identidade, ao tempo e à ordem social.
A maioria dessas combinações é inútil. Algumas, porém, podem gerar insights. Nesse sentido, a criatividade pode ser um subproduto da regularização generativa: o cérebro evita padrões de pensamento superajustados ao explorar alternativas estranhas, mas ainda estruturadas.
7. Máquinas Sonham? Replay Generativo, Modelos de Mundo e Agentes Artificiais
Redes neurais artificiais enfrentam problemas que se assemelham às limitações da aprendizagem biológica. Elas sofrem overfitting, falham diante de mudanças na distribuição dos dados, esquecem tarefas anteriores quando são treinadas em novas tarefas, exigem grandes quantidades de dados e ainda enfrentam dificuldades no aprendizado contínuo.
É nesse ponto que a analogia com os sonhos se torna tecnicamente poderosa.
No aprendizado contínuo, uma rede treinada sequencialmente em novas tarefas pode sobrescrever representações necessárias para tarefas anteriores. Esse fenômeno é conhecido como esquecimento catastrófico. Os mecanismos de replay reduzem esse problema ao combinar informações antigas com o aprendizado novo.
No replay convencional, exemplos antigos podem ser armazenados e reapresentados durante o treinamento. No replay generativo, o sistema treina um gerador capaz de produzir amostras semelhantes às experiências anteriores, que são então intercaladas com os novos dados. Assim, o sistema não precisa armazenar toda a experiência passada: ele pode regenerar aproximações dela (Shin et al., 2017; van de Ven et al., 2020).
Isso é estruturalmente semelhante a uma das funções propostas para os sonhos. O cérebro não precisa reproduzir cada detalhe da vigília. Ele pode gerar amostras aproximadas, comprimidas e transformadas que preservam a estrutura mais relevante. Essas amostras podem ajudar a integrar aprendizados recentes ao conhecimento já consolidado.
O aprendizado por reforço oferece outro paralelo. Nesse caso, um agente aprende ao agir em um ambiente e receber recompensas ou penalidades. Mas a interação direta com o mundo pode ser lenta, cara, perigosa ou apresentar recompensas escassas. Agentes baseados em modelos de mundo resolvem parte desse problema ao aprender modelos internos da dinâmica do ambiente. Depois que esse modelo é aprendido, o agente pode treinar em trajetórias imaginadas, em vez de depender apenas da interação direta com o ambiente real (Hafner et al., 2020).
Isso é funcionalmente semelhante ao sonho. O agente não está vivenciando o ambiente real; ele está amostrando trajetórias internamente geradas por um modelo aprendido. Quando essas trajetórias sintéticas melhoram a aprendizagem de políticas, a robustez ou a generalização, a máquina está sonhando em um sentido funcional.
Então, robôs e máquinas sonham?
Se sonhar for definido fenomenologicamente como experiência consciente durante o sono, as máquinas atuais não sonham. Não há evidência de que os sistemas artificiais contemporâneos possuam consciência onírica, afetividade incorporada ou experiência em primeira pessoa.
Mas, se sonhar for definido funcionalmente — como a geração offline de experiências sintéticas para melhorar a aprendizagem, reduzir o overfitting, apoiar a generalização ou evitar o esquecimento — então alguns sistemas artificiais já implementam mecanismos semelhantes ao sonho. Agentes com modelos de mundo, sistemas de replay generativo e modelos de aprendizado por reforço treinados em trajetórias imaginadas não possuem experiência onírica, mas realizam eventos de treinamento semelhantes ao sonho.
Um sonho funcional de máquina exige cinco componentes:
Memória: traços armazenados ou comprimidos de experiências anteriores.
Modelo generativo: um sistema capaz de produzir amostras sintéticas ou trajetórias imaginadas.
Fase offline: aprendizagem sem entrada direta do ambiente.
Objetivo de treinamento: uso das amostras geradas para atualizar o comportamento ou as representações internas.
Função de regularização: redução de overfitting, esquecimento ou fragilidade diante de novas situações.
Sob essa definição, um robô que simula acidentes raros em um ambiente virtual está sonhando funcionalmente. Um agente de aprendizado por reforço que treina em trajetórias imaginadas também está sonhando funcionalmente. Uma rede neural que utiliza replay generativo para evitar o esquecimento catastrófico está, igualmente, sonhando funcionalmente.
Os sonhos da máquina não são necessariamente experiências. São eventos de treinamento.
A pergunta que resta é quase inevitável, ecoando Philip K. Dick em Do Androids Dream of Electric Sheep? (Dick, 1968): as máquinas sonham?
8. Previsões, Limites e Conclusão
A teoria dos sonhos como dados sintéticos produz várias previsões testáveis.
Primeiro, a privação de sonhos prejudicará mais a generalização do que a memorização. Uma pessoa ainda poderá recordar fatos após a redução do sono onírico, mas se tornará menos flexível ao aplicar esse conhecimento a situações novas.
Segundo, a estranheza dos sonhos se correlacionará com a abstração. Conteúdos oníricos mais transformados apresentarão maior distância representacional em relação ao evento original da vigília e poderão associar-se a melhor transferência de aprendizagem.
Terceiro, experiências emocionalmente salientes terão maior probabilidade de aparecer em conteúdos oníricos transformados do que experiências neutras. O sistema de sonhos amostrará preferencialmente domínios de alto valor, alto risco ou ainda não resolvidos.
Quarto, agentes artificiais treinados com episódios sintéticos semelhantes a sonhos generalizarão melhor do que agentes treinados apenas com replay literal, especialmente em cenários com poucos dados, eventos raros, mudanças na distribuição dos dados ou ambientes não estacionários.
Quinto, o replay excessivamente literal pode melhorar a memorização, mas tende a reduzir a flexibilidade. Já o replay transformado poderá favorecer a generalização.
Existem também limites importantes. Sonhar não é a única função do sono. O sono contribui para a regulação metabólica, a função imunológica, a homeostase sináptica, a consolidação da memória e a manutenção neural. Nem todo sonho precisa ser adaptativo. Alguns podem refletir ativação aleatória, estresse, desregulação emocional ou efeitos colaterais de outros processos do sono.
Há ainda um limite conceitual. O overfitting possui uma definição matematicamente precisa em aprendizado de máquina, enquanto o “overfitting” no cérebro continua sendo, em parte, uma analogia, a menos que seja operacionalizado por meio do comportamento, da dinâmica neural e de medidas experimentais de generalização. Da mesma forma, sonhos de máquinas não devem ser confundidos com consciência de máquinas. Um agente artificial pode gerar dados sintéticos sem experimentar coisa alguma.
A versão mais forte do argumento não afirma que sonhos humanos e ampliação de dados em máquinas sejam idênticos. A afirmação mais robusta é que ambos revelam um princípio computacional comum:
Sistemas que aprendem apenas com a experiência direta correm o risco de se tornar excessivamente estreitos. Sistemas capazes de gerar experiências sintéticas estruturadas podem generalizar melhor.
Os sonhos podem, portanto, ser entendidos como uma forma de regularização generativa biológica. A vida desperta treina o cérebro, mas é apenas uma amostra estreita do espaço de experiências possíveis. Os sonhos corrompem, recombinam, distorcem e atribuem peso emocional a fragmentos de memória. Eles expandem o conjunto efetivo de treinamento da mente.
Talvez sonhemos para não apenas memorizar o mundo.
E talvez as máquinas sonhem pela mesma razão computacional.
Não para escapar da realidade, mas para generalizar além dela.
#IA #InteligenciaArtificial #AprendizadoDeMaquina #Neurociencia #Sonhos #DadosSinteticos #Overfitting #IAGenerativa #FuturoDaIA #CienciaCognitiva
9. Referências
Crick, Francis, and Graeme Mitchison. “The Function of Dream Sleep.” Nature 304 (1983): 111–114.
Deperrois, Nicolas, Mihai A. Petrovici, Walter Senn, and Jakob Jordan. “Learning Cortical Representations through Perturbed and Adversarial Dreaming.” eLife 11 (2022): e76384.
Dick, Philip K. Do Androids Dream of Electric Sheep? New York: Doubleday, 1968.
Fletcher, Paul C., and Christopher D. Frith. “Perceiving Is Believing: A Bayesian Approach to Explaining the Positive Symptoms of Schizophrenia.” Nature Reviews Neuroscience 10 (2009): 48–58.
Franceschelli, Giorgio, and Mirco Musolesi. “Do Agents Dream of Electric Sheep? Improving Generalization in Reinforcement Learning through Generative Learning.” arXiv:2403.07979, 2024.
Freud, Sigmund. The Interpretation of Dreams. 1900.
Friston, Karl. “The Free-Energy Principle: A Unified Brain Theory?” Nature Reviews Neuroscience 11 (2010): 127–138.
Hafner, Danijar, Timothy Lillicrap, Jimmy Ba, and Mohammad Norouzi. “Dream to Control: Learning Behaviors by Latent Imagination.” International Conference on Learning Representations, 2020.
Hobson, J. Allan, and Robert W. McCarley. “The Brain as a Dream State Generator: An Activation-Synthesis Hypothesis of the Dream Process.” The American Journal of Psychiatry 134, no. 12 (1977): 1335–1348.
Hoel, Erik. “The Overfitted Brain: Dreams Evolved to Assist Generalization.” Patterns 2, no. 5 (2021): 100244.
Kapur, Shitij. “Psychosis as a State of Aberrant Salience: A Framework Linking Biology, Phenomenology, and Pharmacology in Schizophrenia.” The American Journal of Psychiatry 160, no. 1 (2003): 13–23.
Ólafsdóttir, H. Freyja, Daniel Bush, and Caswell Barry. “The Role of Hippocampal Replay in Memory and Planning.” Current Biology 28, no. 1 (2018): R37–R50.
Revonsuo, Antti. “The Reinterpretation of Dreams: An Evolutionary Hypothesis of the Function of Dreaming.” Behavioral and Brain Sciences 23, no. 6 (2000): 877–901.
Shin, Hanul, Jung Kwon Lee, Jaehong Kim, and Jiwon Kim. “Continual Learning with Deep Generative Replay.” Advances in Neural Information Processing Systems, 2017.
Shorten, Connor, and Taghi M. Khoshgoftaar. “A Survey on Image Data Augmentation for Deep Learning.” Journal of Big Data 6 (2019): 60.
Sterzer, Philipp, Rick A. Adams, Paul Fletcher, Chris Frith, Stephen M. Lawrie, Lars Muckli, Predrag Petrovic, Peter Uhlhaas, Martin Voss, and Philip R. Corlett. “The Predictive Coding Account of Psychosis.” Biological Psychiatry 84, no. 9 (2018): 634–643.
van de Ven, Gido M., Hava T. Siegelmann, and Andreas S. Tolias. “Brain-Inspired Replay for Continual Learning with Artificial Neural Networks.” Nature Communications 11 (2020): 4069.
Editorial transparency note: This article, as with all articles published on this site, was conceived, directed, written, and reviewed by Prof. Maurício Veloso Brant Pinheiro. Artificial intelligence was used as an assistant for editorial refinement, formatting, image generation, SEO metadata, and publication workflow.
Copyright 2026 AI-Talks.org
