Mentes e Maquinas

MENTES E MQUINAS
T266m
Teixeira, Joo de Fernandes Mentes e mquinas: uma introduo cincia cognitiva / Joo de Fernandes Teixeira. Porto Alegre : Artes Mdicas, 1998. 1. Psicologia cognitiva. I. Ttulo. CDU 159.922
Catalogao na publicao: Mnica Ballejo Canto - CRB 10/1023 ISBN 85-7307-329-2
JOO DE FERNANDES TEIXEIRA

Doutor em Filosofia (PhD) pela University of Essex, Inglaterra. Professor do Departamento de Filosofia da Universidade Federal de So Carlos. Colaborador pleno do Grupo de Cincia Cognitiva do Instituto de Estudos Avanados da Universidade de So Paulo.
MENTES E MQUINAS
Uma introduo cincia cognitiva
PORTO ALEGRE, 1998
Artes Mdicas Sul Ltda, 1998 Capa: Mrio Rnhelt Preparao de original: Maria Rita Quintella, Clarisse Fagundes Superviso editorial: Leticia Bispo de Lima Editorao eletrnica: Formato Artes Grficas
Reservados todos os direitos de publicao, em lngua portuguesa : EDITORA ARTES MDICAS SUL LTDA. Av. Jernimo de Ornellas, 670 - Fones (051) 330-3444 e 330-2183 900040-340 - Porto Alegre, RS, Brasil
FILIAL SO PAULO Rua Francisco Leito, 146 - Pinheiros Fone (011) 883-6160 05414-020 So Paulo, SP, Brasil IMPRESSO NO BRASIL PRINTED IN BRAZIL
Nenhum computador tem conscincia do que faz, Mas, na maior parte do tempo, ns tambm no. Marvin Minsky
CAPTULO 1
Sumrio
INTRODUO .........................................................................................
PRIMEIRA PARTE O Modelo Computacional da Mente

Mquinas de Turing e computabilidade ............................................... Funcionalismo, pensamento e smbolos ................................................ Sistemas especialistas ............................................................................... As grandes objees: Searle e Penrose ................................................... 19 35 51 67
SEGUNDA PARTE Conexionismo e Redes Neurais

Uma nova concepo do funcionamento mental ................................. Um sistema conexionista com memria distribuda ........................... 83 91
8 / JOO DE FERNANDES TEIXEIRA
Conexionismo e filosofia da mente ........................................................ Crticas ao modelo conexionista .............................................................
103 111
TERCEIRA PARTE Tendncias Recentes

Vida artificial ............................................................................................. A nova robtica: COG e o projeto do MIT ............................................ A Escola Chilena ....................................................................................... O Futuro da Cincia Cognitiva ............................................................... APNDICE A Uma demonstrao do Teorema da Parada ................................................. APNDICE B O dcimo problema de Hiltert, indecidibilidade e os Teoremas de Gdel............................................................................. GLOSSRIO .............................................................................................. PERIDICOS DE CINCIA COGNITIVA ............................................ BIBLIOGRAFIA COMENTADA ............................................................. 155 165 169 171 153 121 133 143 149
CAPTULO 1
Introduo
A IDIA DE UMA CINCIA DA MENTE No final de 1955, Herbert Simon, futuro prmio Nobel de Economia, fez uma declarao chocante comunidade cientfica: Neste Natal eu e Allen Newell inventamos uma mquina pensante. Poucos meses depois, o programa de computador chamado de Logical Theorist produziu, pela primeira vez, a demonstrao automtica de um teorema. Logo em seguida, o programa foi aperfeioado e pde produzir a prova de mais de 38 teoremas da lgica. Verificou-se, ento, que algumas das demonstraes realizadas por este programa de computador eram mais elegantes do que quando realizadas por seres humanos. Isto foi motivo de orgulho para seus inventores que, de imediato, resolveram enviar as novas demonstraes para uma conceituada revista americana de lgica, o Journal of Symbolic Logic, que, no entanto, recusou-se a publicar um artigo no qual o Logical Theorist aparecia como co-autor. Este evento pitoresco teve uma grande importncia histrica para a formao e a institucionalizao de uma nova disciplina cientfica que surgia durante a dcada de 50: a Inteligncia Artificial. Com ela abria-se a perspectiva no apenas de replicar o pensamento humano, mas, tambm, de lanar mo de novos mtodos para estudar nossas prprias atividades mentais.
A histria que culmina com o aparecimento da Inteligncia Artificial (IA) e, posteriormente, com a institucionalizao das chamadas Cincias Cognitivas bastante complexa e rodeada de vrios episdios surpreendentes. A Fsica, a Matemtica, a Biologia e as demais cincias da natureza passaram por grandes revolues no decorrer do sculo XX revolues cujos resultados foram surpreendentes e levaram a uma modificao radical da nossa imagem do mundo. Era de se esperar que o mesmo pudesse ocorrer com a Psicologia, que esta pudesse sofrer uma revoluo que finalmente abrisse as portas para um estudo cientfico da mente. Desde o final dos anos 30 a Psicologia atravessava uma grande crise. bem verdade que a Psicologia sempre enfrentou crises que puseram em questo sua validade como cincia, mas, desta vez, parece que a crise foi mais profunda. Exigia-se que a Psicologia finalmente estabelecesse um paradigma para suas investigaes, ou seja, um ponto de partida consensual que permitisse fundar uma cincia da mente. Estabelecer um paradigma significa estabelecer clara e unificadamente o objeto e os mtodos de uma disciplina cientfica. As grandes escolas psicolgicas do sculo XX pareciam estar longe de satisfazer esta expectativa. De um lado havia a Psicanlise e, de outro, o Behaviorismo ou Comportamentalismo, duas propostas que mantinham uma coexistncia conflituosa. As neurocincias tambm comeavam a se impor, sobretudo aps a Segunda Guerra Mundial e ameaavam reduzir a Psicologia ao estudo do crebro, transformando a ltima em Neuropsicologia. Estas trs vertentes construam o objeto da Psicologia de maneira diferente, ora como estudo da mente, ora como estudo do comportamento ou como estudo do crebro. A cada uma destas maneiras de construir o objeto da Psicologia correspondiam propostas cientficas e metodolgicas diferentes, se no incompatveis. A Psicanlise sempre reconheceu a existncia da mente ou do aparelho psquico, mas nunca foi capaz de estabelecer exatamente em que isto consistia. Aps a morte de seu fundador, a Psicanlise parecia ter enveredado por uma rota de estagnao, na medida em que os seguidores de Freud no ousavam questionar seus fundamentos ltimos. A Neuropsicologia apresentou mais promessas do que resultados. Por outro lado, os behavioristas comeavam a perceber que a idia de explicar o funcionamento mental por meio de um esquema rgido, tipo estmuloresposta, no dava conta de fenmenos mais complexos ou atividades cerebrais superiores como era o caso da linguagem humana. Discusses sobre a natureza da linguagem humana e at que ponto esta poderia ser explicada por princpios comportamentais inflamaram a comunidade dos
MENTES E MQUINAS / 11
psiclogos e dos filsofos, desde o final da dcada de 40, envolvendo nomes como Chomsky e Quine, e culminando com a publicao, em 1957, do Verbal Behavior, de Skinner. Um episdio marcante neste debate foi o artigo The Serial Order of Behavior, do psiclogo Karl Lashley, apresentado em 1948. Deste estudo, revolucionrio para a poca, Lashley deriva a concluso de que a linguagem no poderia ser explicada por meio de um esquema tipo estmulo-resposta; um fenmeno to complexo como este exigia que se postulasse algo mais do que uma passagem de inputs para outputs. A linguagem e outros comportamentos complexos exigiam algum tipo de planejamento, algo que no poderia ser concebido a no ser que se postulasse a existncia de algum tipo de processamento de informao ou estados mentais no intervalo entre inputs e outputs. Mas voltar a postular a existncia de estados mentais ou representaes e supor que estas alterariam a produo do comportamento jogava a Psicologia num dilema metodolgico: como estudar esses estados internos ou essas representaes sem voltar para o introspeccionismo ou a velha Psicologia de poltrona que todos queriam abandonar? No seria isto um retrocesso para os velhos mtodos de auto-exame ou de introspeco que haviam sido propostos no sculo XIX? Tratava-se de um dilema terico que, em ltima anlise, colocava em cheque a possibilidade de se construir uma cincia da mente. Era preciso, de alguma forma, conciliar o reconhecimento da existncia de estados internos ou representaes com uma proposta metodolgica que afastasse a Psicologia do introspeccionismo. Poucos anos depois, em 1956, realizou-se em Dartmouth, nos Estados Unidos, uma conferncia que durou seis semanas reunindo os maiores especialistas em Cincia da Computao na poca. O objetivo da conferncia era estabelecer as bases para o desenvolvimento de uma cincia da mente, a qual deveria tomar como modelo o computador digital. A idia de que processos mentais poderiam ser estudados luz de um modelo computacional apresentava uma boa alternativa para os dilemas metodolgicos da Psicologia: abandonar o comportamentalismo estrito sem, entretanto, incorrer na vaguidade do introspeccionismo. Esta proposta poderia ser o paradigma para uma cincia da mente. A Cincia da Computao ensaiava seus primeiros passos na dcada de 30, a partir dos trabalhos do matemtico ingls Alan Turing, mas a possibilidade de construir computadores digitais s veio anos mais tarde com John von Neumann. O momento em que surgiu a idia de que o computador digital poderia ser um bom modelo para entender o funcionamento do crebro humano marca o incio da Inteligncia Artificial, que, posteriormente, se expandiria para algo mais amplo, que hoje denominamos de Cincia Cognitiva. Esta conferncia de 1956 produziu grandes frutos nas dcadas seguintes. A idia de estudar fenmenos mentais humanos luz
de um modelo computacional expandiu-se rapidamente. O termo Inteligncia Artificial, cunhado por um dos organizadores da conferncia, John McCarthy, disseminou-se rapidamente. John McCarthy e Marvin Minsky, outro pesquisador norte-americano, associaram-se e fundaram o primeiro laboratrio de pesquisas em Inteligncia Artificial no MIT, em Massachusetts. A iniciativa foi logo seguida por outros investigadores que solicitaram a Minsky e McCarthy auxlio para fundar outro laboratrio em Stanford, na Califrnia. Poucos anos depois, Alan Newell e Herbert Simon instalaram mais um laboratrio de Inteligncia Artificial, desta vez na Universidade Carnegie-Mellon, em Pittsburgh. Destes laboratrios surgiram as primeiras mquinas de jogar xadrez, de demonstrar teoremas da lgica e outras grandes realizaes da Inteligncia Artificial nas dcadas seguintes. Mas no era apenas com proezas computacionais que tais pesquisadores estavam preocupados: tratava-se de efetivamente simular processos mentais humanos e usar o computador para fundar uma cincia da mente. Para tanto, era preciso expandir a aplicao do modelo computacional para outros domnios alm da simulao do raciocnio como acontecia com as mquinas de jogar xadrez ou de demonstrar teoremas da lgica. Por exemplo, simular computacionalmente a linguagem humana seria um grande feito; algo que possibilitaria a construo de mquinas para traduzir as vrias lnguas humanas. Mas para isto era preciso conhecer os mecanismos profundos da linguagem, era preciso associar-se com lingistas, psicolingistas e outros especialistas oriundos de outras reas do conhecimento. O desafio de simular computacionalmente processos mentais humanos requeria a contribuio de todos aqueles que, direta ou indiretamente, estivessem envolvidos com o estudo da mente: psiclogos, lingistas, filsofos, neurlogos, etc. Este esforo interdisciplinar levou consolidao do que mais tarde ficou conhecido como Cincia Cognitiva, uma grande reorganizao de tudo o que sabemos sobre a mente humana, tendo como um possvel paradigma unificador o modelo computacional. Esta reorganizao operou, contudo, um recorte metodolgico especfico que lhe conferiu uma peculiaridade: desafetizar os pensamentos para que estes possam ser objetos de modelagem cientfica. No se tratava de ignorar a existncia dos afetos, mas, simplesmente, de separ-los, mesmo que provisoriamente, do estudo da cognio, para que este no adquirisse uma abrangncia excessiva. Hoje em dia a cincia cognitiva encontra-se fortemente consolidada em centros de pesquisa e departamentos universitrios em vrios lugares do mundo onde se realizam pesquisas interdisciplinares. Suas mltiplas ramificaes so habitualmente representadas atravs de diagramas, como o apresentado na Figura 1.1.
Inteligncia Artificial
Neurocincias
Lingstica
Cincia Cognitiva
Psicologia Cognitiva
Filosofia da Mente
Figura 1.1. Diagrama das inter-relaes entre algumas disciplinas que compem a Cincia Cognitiva.
O termo Cincia Cognitiva passou a ser utilizado a partir de 1956 e, ao que tudo indica, foi criado pelo psiclogo George Miller. Ele foi cunhado para designar esta nova rea de estudos que, na verdade, se expande para alm das ramificaes que j apresentamos e, hoje em dia, tende a incluir outras disciplinas, como, por exemplo, a Antropologia e a Filosofia da Cincia. Apresentar um panorama histrico completo do desenvolvimento da Cincia Cognitiva nas ltimas dcadas constitui hoje uma tarefa monumental uma tarefa que certamente no podemos abranger neste livro. Da mesma maneira, apresentar todos os contornos de uma cincia multidisciplinar e que requer conhecimentos especializados em diversas reas constitui um desafio para aqueles que desejam se iniciar nesta nova rea de estudos. Entretanto, possvel delinear um conjunto de informaes bsicas que permitam ao estudioso dominar um conjunto de conceitos fundamentais que sirvam de guia para seu desenvolvimento posterior. Neste livro apresentamos estes conceitos fundamentais seguidos de sugestes para leituras posteriores. A Cincia Cognitiva tal como se apresenta hoje muito mais do que simplesmente o que entendemos por Inteligncia Artificial (ou IA). Contudo, foi a partir do desenvolvimento da IA, nas ltimas dcadas, que toda a idia de uma cincia da mente se desenvolveu. A IA proporcionou o passo fundamental para se tentar relacionar mentes e computadores e estabelecer o que passamos a chamar de modelo computacional da mente. No fossem os desenvolvimentos e realizaes da IA nas ltimas dcadas suas mquinas de jogar xadrez, demonstrar teoremas matemticos, realizar diagnsticos mdicos toda uma polmica sobre a natureza da mente e da inteligncia no teria surgido. Se a IA no conseguiu
realizar sua grande proeza, isto , construir efetivamente mquinas inteligentes, ela nos obrigou a refletir sobre o significado do que ser inteligente, o que ter vida mental, conscincia e muitos outros conceitos que freqentemente so empregados pelos filsofos e psiclogos. Debruar-se sobre os conceitos fundamentais introduzidos pela IA muitos dos quais tomados de emprstimo da prpria Cincia da Computao constitui, assim, um passo fundamental para entrarmos nesta nova rea de estudos. Ser a partir do exame destes conceitos fundamentais (algoritmo, mquinas de Turing, Problema da Parada e teste de Turing), empreendido na primeira parte deste livro (Captulo 1), que poderemos entender o que significa o modelo computacional da mente; esta nova e perturbadora metfora que aparece na segunda metade do sculo XX (Captulo 2). A introduo destes conceitos no primeiro captulo torna-o um pouco tcnico. Sua leitura exige um pouco mais de ateno e de pacincia por parte do leitor leigo. Em compensao, para os aficionados em Matemtica e Cincia da Computao sugerimos uma leitura suplementar: os apndices A e B, no final deste livro. O exame desta nova concepo de mente e de inteligncia leva-nos ainda para uma incurso pelos chamados sistemas especialistas que so introduzidos como uma espcie de ilustrao ou aplicao prtica do modelo computacional da mente (Captulo 3). Ainda neste captulo, iniciamos a anlise do impacto filosfico do modelo computacional da mente, impacto que se exerceu sobretudo na questo das relaes mente-corpo ou mente-crebro que vem ocupando os filsofos atravs dos sculos. No Captulo 4 apresentamos as duas principais objees ao modelo computacional da mente, formuladas pelo filsofo norte-americano John Searle e pelo fsico ingls Roger Penrose. Tais objees constituem fortes reaes s tentativas de equiparar seres humanos e computadores, o que ainda uma perspectiva assustadora neste final de sculo. Esta primeira etapa seguida pela apresentao de uma nova abordagem mente que ganha mpeto no panorama da Cincia Cognitiva a partir do incio dos anos 80: o conexionismo. O conexionismo, que enfoca a replicao da inteligncia pela construo de redes neurais artificiais, constitui hoje um verdadeiro subparadigma dentro da Cincia Cognitiva e muitas vezes visto como uma alternativa ao modelo computacional da mente, proposto inicialmente pela Inteligncia Artificial. A produo cientfica neste setor , hoje em dia, imensa, e, assim sendo, apresentaremos apenas seus princpios gerais (Captulos 1 e 2), suas conseqncias filosficas (Captulo 3) e algumas de suas dificuldades metodolgicas (Captulo 4). A terceira parte deste trabalho aborda trs movimentos recentes no mbito da Cincia Cognitiva: a Vida Artificial, desenvolvida por Christopher Langton, e a Nova Robtica, um movimento que se iniciou a partir
dos trabalhos de Rodney Brooks no laboratrio de IA do MIT, em Massachusetts, no final da dcada de 80. O terceiro movimento a chamada Escola Chilena, liderada por Francisco Varela, Humberto Maturana e Evan Thompson. A importncia destes trs movimentos recentes reside no fato de eles restaurarem antigas ligaes entre IA, Robtica e Biologia ligaes que aparentemente se perderam no curso das ltimas dcadas. A leitura desta ltima parte levar o leitor a perceber o quanto a Cincia Cognitiva uma rea em ebulio que ainda tenta firmar seus prprios caminhos uma rea onde o consenso ainda est muito distante. Esperamos que a leitura da segunda e da terceira partes deste livro possa desfazer a concepo errnea e quase popular que identifica Cincia Cognitiva e Inteligncia Artificial. Na realidade, esta identificao s vlida at o incio dos anos 80 e s pode ser adequadamente entendida se tomarmos o termo Inteligncia Artificial numa acepo lato sensu, isto , como designando toda e qualquer tentativa de construir mquinas inteligentes. A quantidade de literatura sobre Cincia Cognitiva de que dispomos hoje em dia estarrecedora. Seria leviano dizer que este livro pode recobri-la. Por exemplo, no pudemos abordar muitos programas de pesquisa para o estudo da mente humana englobados pela Cincia Cognitiva como o caso, por exemplo, da abordagem do funcionamento mental por meio de sistemas dinmicos e o darwinismo neural, apenas para citar alguns. medida que abordamos alguns temas, sugerimos algumas leituras e alguns sites (URLs) da World Wide Web no final de cada captulo, que o leitor poder consultar para obter informaes mais especficas ou aprofundar alguns assuntos. Um pequeno glossrio foi acrescentado no sentido de auxiliar o leitor a entender alguns termos tcnicos. Na Bibliografia Comentada, que apresentamos no final do texto, relacionamos no apenas os livros citados e indicados ao longo desta obra, mas tambm livros recentes e importantes que so listados para que o leitor possa ter acesso a informaes mais atualizadas. O QUE LER
Sobre a histria da Inteligncia Artificial: 1 Gardner, H. A Nova Cincia da Mente. 2 Breton, P. Histria da Informtica. 3 Varela, F. Conocer. 4 Dupuy, P. Nas origens da Cincia Cognitiva.
PRIMEIRA PARTE
O modelo computacional da mente

Mquinas de Turing e computabilidade Funcionalismo, pensamento e smbolos Sistemas especialistas As grandes objees: Searle e Penrose
C APTULO 1
Mquinas de Turing e computabilidade
Conceitos introduzidos neste captulo: Algoritmo. Mquina de Turing. Mquina de Turing Universal. Nmeros no-computveis. Problema da Parada da mquina de Turing. Problemas P e NP. Teste de Turing.
H vrias maneiras de contar a histria de como a Cincia da Computao comeou. A mais provvel que a revoluo que possibilitou o aparecimento do computador tenha se iniciado em 1935, quando Alan Turing, um estudante do Kings College, em Cambridge, na Inglaterra, teve uma idia para tentar resolver o chamado Problema de Hilbert, uma famosa questo matemtica. Na mesma poca, um grande debate entre os matemticos de Princeton, nos Estados Unidos, levava ao aparecimento de um novo tipo de clculo lgico, criado para fornecer uma base matemtica para a idia de realizar uma computao. Estas duas iniciativas diferentes formaram as bases para o que mais tarde ficou conhecido como cincia da computao. Dez anos mais tarde, John von Neumann decidiu usar essas idias para, efetivamente, construir os primeiros computadores modernos. Em 1935, Turing estava assistindo a uma srie de palestras ministradas pelo lgico matemtico Max Newman. Durante o curso, Newman introduziu o Entscheidungsproblem (Problema da Deciso) formulado por Hilbert. O Entscheidungsproblem consistia em indagar se existe um procedimento efetivo (mecnico) para determinar se todos os enunciados matemticos verdadeiros poderiam ou no ser provados, ou seja, serem deduzidos de um dado conjunto de premissas. Por exemplo: dada uma frmula qualquer do clculo de predicados, existe um procedimento sistemtico, geral, efetivo, que permita determinar se essa frmula
demonstrvel ou no? O significado do Entscheidungsproblem formulado por Hilbert era fundamental para o desenvolvimento da Matemtica: tratava-se de saber se existiria um procedimento efetivo para a soluo de todos os problemas matemticos pertencentes a classes amplas mas bem definidas. Ora, a grande dificuldade que no havia, ento, uma noo clara do que significava procedimento efetivo. Aps milhares de anos de histria da Matemtica, no se sabia o que era um algoritmo e tampouco o que era uma computao. Para responder a estas questes, Turing inventou uma mquina terica que se tornou o conceito-chave de toda Cincia da Computao. A seguir, introduziremos alguns conceitos fundamentais para a Cincia da Computao que esto direta ou indiretamente relacionados com a inveno matemtica de Turing. Esta apresentao incluir uma incurso pelas noes de algoritmo, mquina de Turing, mquina de Turing universal e problema da parada da mquina de Turing todas noes fundamentais para o desenvolvimento da Cincia da Computao e posteriormente para a Cincia Cognitiva. ALGORITMOS O primeiro passo a ser dado para resolver o Problema de Hilbert (ou Problema da Deciso) era substituir a idia intuitiva de procedimento efetivo por uma idia formal, matemtica. O resultado foi a construo de uma idia matemtica da noo de algoritmo, modelada a partir da maneira pela qual seres humanos procedem quando efetuam uma computao. A palavra algoritmo origina-se do nome de um matemtico persa al-Khowarizm que escreveu um importante manual de lgebra no sculo IX. Exemplos de algoritmos j eram conhecidos muito antes do livro de al-Khowarizm, designando sempre a idia de um procedimento sistemtico. Seguindo esta tradio, Turing concebeu um algoritmo como sendo um processo ordenado por regras, que diz como se deve proceder para resolver um determinado problema. Um algoritmo , pois, uma receita para se fazer alguma coisa. Tomemos como exemplo um algoritmo para preparar um dry martini: Tome os seguintes ingredientes: dose de vermute branco seco, 2 doses de gin, 1 gota de angostura, 1 gota de orange bitter, 1 cubo de gelo,1 azeitona. Passos para a preparao: 1 Coloque a dose de vermute branco seco e as 2 doses de gin num copo. 2 Adicione uma gota de angostura. 3 Adicione uma gota de orange bitter.
3 Coloque a pedra de gelo. 4 Enfeite com a azeitona espetada num palito. Cada passo especfico constitui parte do algoritmo para fazer o dry martini. Em cada estgio, o algoritmo especifica de maneira no-ambgua exatamente o que deve ser feito, at que se chega a uma regra final que nos diz que o dry martini est pronto para ser servido. No seria difcil imaginar um mecanismo que misturasse os ingredientes e preparasse o dry martini uma verdadeira mquina de fazer dry martini. A noo de algoritmo constitui o ncleo de toda a teoria da computao. Vejamos agora como os algoritmos podem ser utilizados na Matemtica. O ALGORITMO DE EUCLIDES Um exemplo de aplicao de algoritmo para resolver problemas matemticos o chamado algoritmo de Euclides. Este algoritmo, freqentemente mencionado nos manuais de Cincia da Computao, utilizado para achar o mximo divisor comum de dois nmeros inteiros a e b. H uma regra para isto, um algoritmo descoberto na Antigidade, cujo princpio pode ser encontrado em qualquer livro elementar de teoria dos nmeros. Vamos assumir, por definio, que a maior do que b. Vamos introduzir tambm a notao res {x/y} para designar o resto aps dividir o nmero x por um nmero y. O algoritmo euclidiano consiste em calcular a seqncia de inteiros {r1 , r2 ...} por meio da regra:
r1 = res {a/b} , r2 = res {b/ r1} , r3 = res { r1/ r2} ...,
onde o processo continua at que obtenhamos resto 0. O nmero r*, no qual o processo pra, ser o mximo divisor comum de a e de b. Suponhamos que a = 137 e b = 6. Seguindo os passos do algoritmo de Euclides, temos:
r1 = res{137/6} = 5 ; r2 = res{6/5} = 1 ; r3 = res{5/1} = 0
Conclumos, ento, que r* =1 o mximo divisor comum de 137 e 6. Na verdade nem precisaramos do algoritmo para perceber isto, pois 137 um nmero primo; os nicos nmeros que podem dividi-lo so 1 e o prprio 137. Assim sendo, 137 e 6 so primos entre si. Para quem tem alguma familiaridade com Cincia da Computao, este processo poderia ser representado atravs do seguinte fluxograma:
Tome dois nmeros AeB
Substitua A por B Substitua B por C
Divida A por B e reserve o resto C
No
C zero?
Sim
Interrompa o clculo e imprima a resposta B
Figura 1.2. Fluxograma com representao do algoritmo de Euclides (adaptada de Penrose, 1989, p. 32.)
O importante aqui que, da mesma maneira que na preparao do dry martini, os passos do algoritmo de Euclides so claramente estabelecidos de antemo. Apenas uma operao especificada para cada passo, no h interpretao dos resultados intermedirios e no possvel pular passos. O que temos a repetio mecnica de operaes de diviso e de restos. Seguir cegamente um conjunto de regras constitui a essncia de um algoritmo. Foi na tentativa de expressar matematicamente esta idia que Turing criou a mquina de Turing, um dispositivo virtual que reflete o que significa seguir os passos de um algoritmo e efetuar uma computao.
MQUINAS DE TURING A mquina de Turing constitui a melhor formalizao da noo de algoritmo de que se tem notcia na histria da Matemtica. Uma mquina de Turing possui dois componentes: a) Uma fita, infinitamente longa, dividida em pequenos quadrados; cada um deles contm um conjunto finito de smbolos. b) Um scanner que pode ler, escrever e apagar smbolos dos quadrados da fita. O scanner um dispositivo mecnico qualquer que permite ler o smbolo que est no quadrado, alm de apagar ou imprimir smbolos que ali se encontram. Consideremos um alfabeto de smbolos para a mquina de Turing. Vamos supor que este alfabeto contm apenas dois smbolos, 0 e 1. Zero (0) e 1 aqui no devem ser tomados como os nmeros naturais 0 e 1, mas apenas como os numerais representando estes nmeros. Assim sendo, poderamos ter escolhido os smbolos X e Y ou at I e II. A representao habitual da mquina de Turing a seguinte:
a1 a2 ... ai .... an B B
Controle Finito (scanner) Figura 1.3. Esquema de uma mquina de Turing.
O comportamento da mquina de Turing governado por um algoritmo, o qual se manifesta no que chamamos de programa. O programa composto de um nmero finito de instrues, cada uma delas selecionada do seguinte conjunto de possibilidades:
IMPRIMA 0 NO QUADRADO QUE PASSA PELO SCANNER IMPRIMA 1 NO QUADRADO QUE PASSA PELO SCANNER V UM QUADRADO PARA A ESQUERDA V UM QUADRADO PARA A DIREITA V PARA O PASSO i SE O QUADRADO QUE PASSA PELO SCANNER CONTM 0 V PARA O PASSO j SE O QUADRADO QUE PASSA PELO SCANNER CONTM 1 PARE.
A partir destas sete instrues podemos construir o que chamamos Programas de Post-Turing, os quais informam mquina o tipo de computao que ela deve efetuar. Operar a mquina de Turing muito simples. Em primeiro lugar, colocamos nela a fita com 0s e 1s (os dados de input). A mquina dispe o scanner em algum ponto da fita que ser o quadrado inicial. A partir da todas as aes da mquina so governadas pelo programa. Vamos ver como isto acontece por meio de um exemplo. Suponhamos que a configurao inicial da fita consiste de uma cadeia de 1s com 0s em cada uma das pontas:
0 1
<
Figura 1.4. Exemplo de uma mquina de Turing funcionando.
Na fita acima, o nmero 1 sobre o qual a flecha incide indica o quadrado onde o scanner est localizado no momento. Suponhamos agora que queremos que a mquina de Turing mude os 0s que esto no fim da fita por 1s e em seguida pare. A mquina teria de efetuar o seguinte programa:
1 2 3 4 5 V UM QUADRADO PARA A DIREITA V PARA O PASSO 1 SE O QUADRADO NO SCANNER CONTM 1 IMPRIMA 1 NO QUADRADO ONDE EST O SCANNER V PARA A ESQUERDA UM QUADRADO V PARA O PASSO 4 SE O QUADRADO ONDE EST O SCANNER CONTM 1 6 IMPRIMA 1 NO QUADRADO ONDE EST O SCANNER 7 PARE.
Se seguirmos os passos deste programa, veremos que o scanner se move para a direita at encontrar o primeiro 0, que , ento, substitudo por 1, atravs do comando IMPRIMA 1. O scanner, em seguida, move-se para a esquerda, at parar. A Figura 1.5 ilustra melhor como a mquina de Turing funciona.
Lista do Estado da Mquina A B C D E F G H... Tabela da Mquina Se no estado A A B B ... lendo... 0 1 0 1 ... ento imprima 1 0 0 1 ... mude para E D D E ... v para D B A B ...
SCANNER
Figura 1.5. Representao de operaes na mquina de Turing.
Certamente os computadores de que dispomos hoje so, aparentemente, muito mais complexos do que esta mquina de Turing que acabamos de descrever. Contudo, qualquer computador digital , em princpio, uma mquina de Turing. A mquina de Turing o princpio geral para a construo de computadores digitais, pois, por meio dela, podemos executar qualquer tipo de algoritmo. Isto levou Turing idia de mquina de Turing universal, ou seja, idia de que qualquer computador pode, em princpio, ser concebido e reduzido a uma mquina de Turing. A MQUINA DE TURING UNIVERSAL (MTU) Para caracterizar a mquina de Turing universal (MTU), Turing sups que no apenas os dados (input) de um problema como tambm o programa a ser executado pela mquina poderiam ser codificados atravs de uma srie de 0s e 1s. O Quadro 1.1 a seguir oferece um exemplo deste tipo de codificao. Assim sendo, o programa tambm pode ser considerado como um input e podemos escrev-lo na fita da mesma maneira que os dados que ele deve processar. A partir desta idia, Turing construiu um programa que pode simular a ao de qualquer outro programa P, quando P dado como parte de seu input.
Quadro 1.1. Esquema de cdigo para a linguagem da mquina de Turing. Note-se que os passos 5 e 6 comportam repeties
Enunciado do Programa IMPRIMA 0 NO QUADRADO QUE EST SENDO SCANNEADO IMPRIMA 1 NO QUADRADO QUE EST SENDO SCANNEADO V UM QUADRADO PARA A DIREITA V UM QUADRADO PARA A ESQUERDA V PARA O PASSO i SE O ATUAL QUADRADO CONTM 0 V PARA O PASSO j SE O ATUAL QUADRADO CONTM 1 PARE Cdigo 000 001 010 011 10100...01 11011...10 100
Vejamos como isto funciona. Suponhamos que temos um programa para mquina de Turing, o programa P, que especifica uma determinada mquina de Turing. Tudo o que temos de fazer escrever este programa P na fita da MTU, junto com os dados (input) sobre os quais o programa P deve efetuar operaes. Daqui para a frente, a MTU vai simular a ao de P sobre os dados, no haver mais nenhuma diferena entre rodar o programa P na mquina original ou na MTU que simula P. A MTU pode, assim, imitar perfeitamente a mquina de Turing P. A MTU um objeto matemtico formal: sua inveno permite saber, exatamente, o que significa computar alguma coisa. Da sua importncia. Mas aqui aparece uma questo: o que pode ser computado a partir deste dispositivo? Ser que qualquer nmero pode ser computado utilizando-se este dispositivo? Ou haver nmeros no-computveis? NMEROS NO-COMPUTVEIS Vejamos o que significa dizer que um nmero computvel. Um nmero inteiro n computvel se existe uma mquina de Turing que possa produzi-lo. Ou seja, um nmero n computvel se, comeando com uma fita contendo apenas 0s, existe um programa de mquina de Turing que pra aps um nmero finito de passos, com a fita contendo tantos 1s quantos forem necessrios para representar n. O resto da fita conter 0s. Esta a definio de nmero computvel de acordo com o modelo de computao baseado na mquina de Turing. Computar um nmero real pode ser mais complicado. Muitos nmeros reais contm um nmero infinito de dgitos. Este o caso, por exemplo, do nmero = 3.14159265.... , 3 = 1, 732.... Eles continuam indefinidamente e seus dgitos nunca produzem um ciclo repetitivo e finito de nmeros. Isto quer dizer que s podemos chamar um nmero real de computvel se existir uma mquina de Turing que imprima,
sucessivamente, os dgitos desse nmero, um aps outro. Claro que, neste caso, a mquina no parar nunca. Mas ao afirmar isto estamos rompendo com uma das regras fundamentais que caracterizam um procedimento algortmico: a idia de que o programa da Mquina de Turing deve sempre parar, isto , que o nmero de passos envolvido num algoritmo deve sempre ser finito. O resultado a que chegamos aqui quase paradoxal: a grande maioria dos nmeros no podem ser produzidos usando uma mquina de Turing, ou seja, eles no podem ser produzidos atravs de um procedimento algortmico. Os nmeros computveis constituem apenas um conjunto pequeno, formado pelos nmeros inteiros. Como h muito mais nmeros reais do que nmeros inteiros, isto significa que a maioria dos nmeros incomputvel. O PROBLEMA DA PARADA DA MQUINA DE TURING Um aspecto crucial da definio de nmero computvel o fato de o programa envolvido ter de parar aps um nmero finito de passos. Isto nos leva a uma questo fundamental na teoria da computao: existir algum procedimento geral, isto , um algoritmo que possa nos dizer, a priori, se um determinado programa ir parar aps um nmero finito de passos? Este o famoso problema da parada da mquina de Turing. Em outras palavras: dado um programa para mquina de Turing P e um conjunto de dados de input I , existir um programa que aceite P e I como seus dados de input e que pare aps um nmero finito de passos, determinando, assim, a configurao final da fita e especificando se P vai parar aps um nmero finito de passos aps processar os dados I? Estamos aqui buscando por um programa geral que funcionar para todas as instncias de programas P e todos os possveis dados de input I. Ou seja, esta uma questo do tipo metacomputacional, na medida em que indaga pela existncia de um programa que poder estipular caractersticas de todos os outros programas. Suponhamos que temos um programa P que l uma fita de mquina de Turing e pra quando nela aparece o primeiro 1. O programa diz: Continue lendo at que o primeiro 1 aparea, ento pare. Neste caso, se os dados de input I consistirem inteiramente de 1s o programa pra aps o primeiro passo. Por outro lado, se os dados de input forem unicamente 0s, o programa no pararia nunca. Nestes casos temos um procedimento intuitivo para saber se o programa vai parar ou no: olhar para a fita. O programa parar se e somente se a fita contiver um 1; caso contrrio, ele no pra. Contudo, a maioria dos programas muito mais complicada do que isto. A essncia do problema da parada perguntar se existe ou no um
procedimento efetivo que possa ser aplicado a qualquer programa e seus dados e que nos permita saber, a priori, se o programa vai parar ou no. Em 1936, Turing demonstrou que no existe tal procedimento efetivo. (O leitor que se interessar por saber como Turing fez esta demonstrao poder consultar o APNDICE A no final deste livro.) COMPLEXIDADE COMPUTACIONAL: PROBLEMAS P E NP Introduziremos agora alguns conceitos bsicos da chamada teoria da Complexidade Computacional, um ramo relativamente recente da Cincia da Computao que se ocupa de aspectos prticos da elaborao de algoritmos. Tais aspectos prticos dizem respeito, primordialmente, a questes relativas velocidade e eficincia dos algoritmos alm de suas possveis limitaes. Para comear, consideremos um problema matemtico chamado Torre de Hani. O problema o seguinte: perto de Hani, no Vietn, h um mosteiro onde os monges se dedicam a uma tarefa assaz importante. Num de seus ptios h trs postes, nos quais h 64 discos, cada um com um furo no centro e de tamanhos diferentes. Quando o mosteiro foi fundado, todos os discos estavam num poste, cada um sobre o imediatamente maior do que ele. Os monges tm uma tarefa a executar: deslocar todos os discos para um dos outros postes. Apenas um nico disco pode ser deslocado por vez e os demais discos devero estar em um dos postes. Alm disso, em nenhum momento durante a transferncia um disco maior poder ser colocado em cima de um menor que ele. O terceiro poste pode ser utilizado como um lugar de repouso temporrio para os discos. Qual a maneira mais rpida dos monges realizarem esta tarefa? As figuras 1.6 e 1.7 apresentam esquemas representando estgios deste problema:
A B C
Figura 1.6. Representao do estgio inicial da torre de Hani. .
MENTES E MQUINAS / 29 Transforma de
Para
Figura 1.7. Representao parcial do estado final da resoluo do problema da torre de Hani.
Ora, existe um algoritmo que pode resolver este problema para qualquer nmero n de discos. Este programa mostra que o nmero mnimo de transferncias necessrias 2n -1. No caso especfico dos nossos monges, n = 64. Mesmo se supusermos que cada transferncia de disco leve 10 segundos para realizar este algoritmo, ou seja, 264 -1 passos, seriam necessrios nada mais nada menos do que 5 trilhes de anos. No toa que a lenda diz que quando este problema estiver resolvido o mundo ter acabado! O nmero de passos necessrio para a soluo do problema da Torre de Hani cresce exponencialmente com o nmero n de discos. Estamos aqui diante de um problema computacional complexo no qual o nmero de passos para realizar um algoritmo cresce exponencialmente com o tamanho do problema. Consideremos agora um problema simples: separar as cartas de um baralho nos quatro naipes em ordem ascendente. Em primeiro lugar preciso achar o s de espadas e separ-lo. Em seguida volte para as outras cartas at que o 2 de espadas seja encontrado. Separe o 2 de espadas. Seguindo este mtodo, rapidamente o baralho estar ordenado. Comeando com n cartas, no pior caso voc ter de examinar n2 cartas. Assim sendo, o nmero de passos para resolver este problema a funo quadrtica do tamanho do problema, ou seja, o nmero de cartas no baralho. Problemas simples podem ser resolvidos em tempo polinomial, problemas complexos requerem um nmero de passos que cresce exponencialmente medida que o tamanho do problema aumenta. Ou, para definir um pouco mais rigorosamente: um algoritmo roda em tempo polinomial se existem dois inteiros fixos, A e k tais que para um problema de tamanho n a computao ser concluda no mximo com Ank passos. Chamamos este tipo de problema de P (P aqui significa polinomial).
Algoritmos que no rodam em tempo polinomial so aqueles que requerem um tempo exponencial. Um algoritmo que, para ser rodado, requer 2n passos ou n! passos para resolver um problema um algoritmo de tempo exponencial. Algoritmos cujo nmero de passos cresce exponencialmente formam uma outra classe de problemas chamados de NP. NP significa tempo no determinstico polinomial. Observe-se tambm que os problemas P so considerados tratveis e os problemas NP, intratveis. Esta classificao pode ento ser representada no seguinte diagrama:
NP
O termo no-determinstico no significa que existe algo probabilstico ou indeterminado nestes problemas. Ademais, o diagrama acima mostra que os problemas P so na verdade um subconjunto dos problemas NP, embora ningum tenha conseguido, at hoje, demonstrar que NP = P. Vejamos alguns exemplos de problemas NP: O problema do caixeiro viajante O viajante tem de percorrer um nmero de cidades para visitar clientes e preciso encontrar uma rota tal que ele no passe duas vezes pela mesma cidade. A questo ento a seguinte: dado o traado das estradas, existe uma rota que comea e termina na mesma cidade e o permite visitar todas as demais cidades sem efetuar nenhuma repetio? Quando o nmero de cidades maior do que 100, este problema torna-se intratvel1. O problema da atribuio de horrio Dadas informaes sobre horrios de aulas, estudantes e cursos, existir um horrio para cada estudante que no cause conflitos ou superposies? Desde a formulao desta classificao na Teoria da Complexidade Computacional a natureza dos problemas NP tem atrado cada vez mais a
1
O problema do caixeiro viajante , na verdade, um problema NP - completo, ou seja, pertence a uma classe especfica de problemas NP. Contudo, no abordaremos detalhes tcnicos aqui.
ateno dos cientistas da computao. Percebeu-se que muitos problemas que ocorrem na indstria tais como desenvolver algoritmos para projetar circuitos integrados automaticamente so do tipo NP. Poder resolver estes problemas de maneira eficiente significaria encontrar a chave para uma poro de quebra-cabeas que atormentam a vida prtica de muitas pessoas, como, por exemplo, gerar ou decifrar cdigos de segurana de agncias militares governamentais. Voltaremos a falar de problemas P e NP, bem como da Teoria da Complexidade Computacional no Captulo 4.
O TESTE DE TURING E O JOGO DA IMITAO Em 1950, Alan Turing publicou um artigo intitulado Computao e Inteligncia no qual formulou, pela primeira vez, de maneira explcita a questo: Pode uma mquina pensar? Alm de formular esta questo, que ainda intriga a todos at hoje, Turing formulou, pela primeira vez, um teste para decidir quando poderamos dizer que uma mquina pensa. Este teste ou critrio geral ficou conhecido como teste de Turing, o qual se baseia no que ele chamava de jogo da imitao. O jogo da imitao envolve trs pessoas, uma mulher (A), um homem (B) e um interrogador (C), que pode ser de qualquer sexo. O interrogador fica num quarto separado do homem e da mulher e seu objetivo que constitui o objetivo do jogo determinar o sexo dos outros dois. Como o interrogador fica num quarto separado, ele conhece seus parceiros apenas por X ou Y e no final do jogo ele tem de dizer X A (uma mulher) e Y B (um homem) ou, alternativamente, X B (um homem) e Y A (uma mulher). Para determinar o sexo de X e de Y o interrogador deve formular uma bateria de questes. Por exemplo, ele pode comear perguntando: C: O sr. ou a sra. Y poderia me dizer o comprimento de seu cabelo? Se Y for de fato um homem, ele pode dar uma resposta evasiva e dizer Meu cabelo ondulado, o fio mais comprido deve ter uns 15 centmetros. As respostas sempre podero ser evasivas e tanto X como Y podero mentir. X pode tambm tentar tumultuar o jogo, despistando o interrogador com sentenas do tipo: Oua, eu sou o homem! No oua Y, ele o est tentando confundir. O que eu digo verdade Mas Y pode se utilizar da mesma estratgia. Assim sendo, cabe ao interrogador formular perguntas verdadeiramente capciosas para adivinhar o sexo de X e de Y.
Figura 1.7. Esquema do jogo da imitao.
Para se jogar corretamente o jogo da imitao preciso que seus participantes fiquem isolados uns dos outros, isto , nenhum contato que permita a identificao do sexo de X ou de Y deve ser permitido. Isto significa dizer que C no poder v-los nem tampouco ouvir suas vozes. A comunicao entre C, X e Y deve ser feita por meio de um teclado de computador. As respostas devem aparecer numa tela. Ora, suponhamos que em vez de um homem (B, ou Y), o jogo esteja sendo jogado por uma mquina. possvel que C nunca venha a descobrir o sexo de Y nem tampouco perceber que no estava jogando com um ser humano e sim com uma mquina! Se esta situao ocorrer e perfeitamente possvel que ela ocorra podemos dizer que essa mquina passou no teste de Turing. Em essncia, o teste de Turing estabelece o seguinte critrio para decidirmos se uma mquina pensa: se o comportamento de uma mquina for indistinguvel daquele exibido por um ser humano, no h razo para no atribuir a essa mquina a capacidade de
pensar. No caso, o comportamento que estaria sendo perfeitamente simulado o comportamento verbal. primeira vista, o teste de Turing choca-nos por parecer algo no mnimo bizarro, uma super-simplificao do que entendemos por pensar. Mas, na verdade, ele oferece uma alternativa para a incapacidade de sabermos o que significa pensar, pensamento ou estados mentais. Mas qual ser nosso critrio cotidiano para sabermos quando algum pensa? Nada alm da observao de seu comportamento: se seu comportamento for idntico ao nosso, sentimo-nos vontade para atribuir pensamento a essa criatura. O critrio de atribuio de pensamento baseia-se na aproximao com nossos possveis comportamentos: por intermdio desse critrio que julgamos no apenas se outros seres humanos pensam, como tambm se os animais pensam. E no dispomos de nada melhor, uma vez que os filsofos nunca conseguiram chegar a um consenso sobre o que pensar. O teste de Turing recebeu muitas crticas por parte de vrios filsofos que sempre apontaram para o fato de ele ser um critrio exclusivamente comportamental para atribuir pensamento a criaturas humanas ou mquinas. De fato, possvel conceber algumas situaes que mostram que o teste insuficiente. Eu posso estar passando por uma rua e ouvir uma msica, uma sonata de Beethoven vindo de algum lugar. Bato na porta da casa de onde julgo que a msica vem, entro e constato que no havia ningum tocando piano, apenas um aparelho de CD ligado. Todas as condies do teste se verificaram, ou seja, eu no estava vendo nada, apenas ouvindo sons e de repente me sentiria obrigado a atribuir estados mentais e pensamentos a um aparelho de CD! Neste caso, a aplicao do teste estaria me levando a uma afirmao bizarra. Por outro lado, eu poderia estar convivendo com uma pessoa, conversando e partilhando minha casa com ela. Um dia essa pessoa cai e bate a cabea na borda da banheira e, em vez de miolos, dela saem chips. Percebo que eu estava convivendo o tempo todo com um rob, to bem disfarado e com um comportamento to indistinguvel do de um ser humano que a ele sempre atribu pensamento, sem qualquer sombra de dvida. Faria sentido agora, depois do acidente, eu dizer: No, na verdade voc nunca teve pensamentos porque agora percebo que voc era uma mquina? Ou: Sim, voc pensava, mas agora que vi que voc feito de chips acho que voc no pensa mais? Uma ltima observao: at hoje, o Museu do Computador de Boston promove, anualmente, uma competio de softwares. O melhor software aquele que tem melhores condies de passar no teste de Turing e ganha o prmio Loebner. Um dos melhores softwares foi o que venceu a competio em 1991, o PC Therapist, desenvolvido por Joseph Weintraub da Thinking Software. Este software conseguiu enganar cinco dos 10 juzes que compunham a banca examinadora do concurso.
O QUE LER
1 Turing, A. Computing Machinery and Intelligence. H traduo deste artigo para o portugus na coletnea Crebros, mquinas e conscincia, Joo de F. Teixeira (org.). 2 Nagel, E. e Newman, J.R. A Prova de Gdel. 3 Penrose, R. A mente nova do rei (primeira parte). O leitor que quiser ampliar seu conhecimento sobre as noes introduzidas neste captulo deve se remeter ao APNDICE B no final deste livro e tambm s seguintes obras: 4 Epstein, R. e Carnielli, W. Computability: Computable Functions, Logic and the Foundations of Mathematics. 5 Hopcroft, J. e Ullmann, J., Introduction to Automata Theory, Languages and Computation. 6 Garey, M. e Johnson, D. Computers and Intractability.
CAPTULO 2
Funcionalismo, pensamento e smbolos
Conceitos introduzidos neste captulo: A idia de um modelo computacional da mente. O neurnio de McCulloch. A Inteligncia Artificial simblica ou paradigma simblico. O problema mente-crebro. O funcionalismo.
Agora que estudamos as noes de computabilidade e mquina de Turing podemos delinear, com maior preciso, o que significa o modelo computacional da mente. A idia de que a mente funciona como um computador digital e que este ltimo pode servir de modelo ou metfora para conceber a mente humana iniciou-se a partir da dcada de 40, quando o termo Inteligncia Artificial sequer havia sido inventado. Naquela poca, predominava um movimento chamado ciberntica, do qual hoje mal ouvimos falar. Os ciberneticistas acreditavam que toda atividade psicolgica humana poderia um dia ser estudada por meio de modelos matemticos da mesma maneira que podemos estudar fenmenos da natureza utilizando este tipo de modelo. Tratava-se de tornar a Psicologia uma cincia, nos mesmos moldes das cincias da natureza. Seu ponto de partida baseava-se na possibilidade de criar circuitos eltricos que pudessem modelar o funcionamento do crebro, o que para eles seria suficiente para modelar tambm a atividade mental. A grande intuio que orientou este movimento cientfico foi a analogia entre sistema nervoso e circuitos eltricos, ou seja, de que se podia descrever em termos lgicos o funcionamento de certos sistemas materiais, mas que, inversamente, esses sistemas materiais podiam ser representados como encarnando a lgica1. Dois grandes personagens se
1
Dupuy (1994), p. 28.
sobressaem neste cenrio: Claude Shannon, o criador da teoria matemtica da informao, e o neurofisilogo Warren McCulloch. Claude Shannon havia publicado, em 1938, a dissertao intitulada A Symbolic Analysis of Relay and Switching Circuits que originou estas idias. McCulloch vai desenvolver um modelo do neurnio baseado na idia de um sistema material que instancia o raciocnio lgico. Seu trabalho vai se celebrizar num artigo publicado em 1943 e que lhe valeu a fama: A Logical Calculus of the Ideas Immanent in Nervous Activity. Passados os anos cibernticos abandona-se a idia de modelar o crebro. Ganha fora a idia de que possvel modelar a mente, uma concepo que vai encontrar apoio na viso de que existe uma independncia e uma relativa autonomia entre o software e o hardware das mquinas utilizadas para simular a inteligncia. Marco desta nova tendncia so os trabalhos de Newell e Simon, com seu programa para provar teoremas lgicos, o Logical Theorist, desenvolvido nos meados da dcada de 50. O grupo de Newell e Simon, que se tornou tendncia dominante no panorama da Inteligncia Artificial, sustentava que a analogia entre pensamento e circuitos neurais (entendidos como circuitos eltricos) no era muito proveitosa. Um caminho muito melhor seria simular os fenmenos mentais propriamente ditos, entendendo a mente como um conjunto de representaes de tipo simblico e regidas por um conjunto de regras sintticas. O pensamento nada mais seria do que o resultado da ordenao mecnica de uma srie de representaes ou smbolos e, para obter esta ordenao no seria preciso, necessariamente, um crebro. esta concepo de pensamento e inteligncia culminando nos anos 70 nos laboratrios do MIT que vai levar ao aparecimento da RTM ou Representational Theory of Mind ou Inteligncia Artificial Simblica. tambm esta abordagem que teve maior repercusso filosfica, levando ao aparecimento de doutrinas especficas sobre as relaes entre mente e crebro (o funcionalismo) que examinaremos mais adiante. OS ANOS 40 E O NEURNIO DE McCULLOCH Conforme dissemos, a idia de simular a mente iniciou-se com uma tentativa de simular o crebro. Para simular o crebro, necessrio simular a atividade de suas unidades bsicas: os neurnios. Sabe-se tambm que os neurnios transmitem impulsos eltricos e que estes so fundamentais para o funcionamento do sistema nervoso. O sistema nervoso uma vasta rede de neurnios distribudos em estruturas com interconexes extremamente complexas. Esta rede recebe inputs (sinais de entrada) de um grande nmero de receptores: as clulas dos olhos, os receptores de dor, frio, tato, os receptores de esforos musculares, etc.
Estes receptores transformam estes estmulos que provm do mundo exterior em padres de estmulos eltricos que fornecem informao para a rede de neurnios. Estes impulsos, por sua vez, interagem com padres de estmulos eltricos que j se encontram presentes nos neurnios (calcula-se haver cerca de 1010 neurnios no crebro humano) e provocam a emisso de outros impulsos que controlam os msculos e as glndulas, gerando as respostas ou comportamentos. Temos, assim, um sistema que poderia ser descrito, de forma esquemtica, como funcionando em trs grandes etapas: receptores, rede neural e efetores.
ESQUEMA NEURNIO Ncleo
Dentritos
Axnio Figura 2.1. Esquema de um neurnio.
O neurnio uma clula e, portanto, tem um ncleo contido no soma ou corpo da clula. Podemos imaginar os dendritos como filamentos muito finos, mais finos que os axnios e estes como um cilindro estreito que leva os impulsos do soma para outras clulas. O axnio divide-se numa delicada estrutura em forma de rvore cujos ramos terminam num pequeno bulbo que quase toca os dendritos de outro neurnio. Estes pontos de quase-contato denominam-se sinapses. Os impulsos que chegam a uma sinapse estabelecem sinais eltricos nos dendritos sobre os quais incide a sinapse. A transmisso interneuronal se faz por meio de substncias denominadas neurotransmissores. Um determinado neurnio s dispara um impulso eltrico ao longo do axnio se o nmero de impulsos que chegam aos bulbos terminais de seus dendritos for suficiente. O tempo que leva para ocorrerem estes impulsos eltricos chamado de perodo de somao latente. Tais impulsos que chegam podem ajudar ou impedir a ocorrncia de um impulso pelo neurnio e se chamam, respectivamente de excitadores ou inibidores. A condio para a ativao de um neurnio que a excitao supere a inibio numa quantidade crtica, chamada de limiar do neurnio. Entre um perodo de somao latente e a passagem do impulso axonal correspondente aos bulbos terminais h um pequeno atraso, de
modo que a chegada dos impulsos aos dendritos de um neurnio no determina a ativao de seu axnio, a no ser aps um certo intervalo de tempo. Depois de passado um impulso pelo axnio, h um tempo, denominado de perodo refratrio, durante o qual o axnio no transmite nenhum impulso. Assim sendo, durante um espao de tempo equivalente a um perodo refratrio um nico impulso pode atravessar o axnio. Se tomamos como unidade de tempo o perodo refratrio do neurnio, podemos determinar o comportamento deste, especificando se ele disparou durante os intervalos de tempo 1, 2, 3, etc. Certamente este um modelo supersimplificado do neurnio. Entretanto, foi a partir desta simplificao que se decidiu criar um modelo artificial do crebro que pudesse simular a atividade mental como sendo, grosso modo, a somatria do funcionamento desta unidade bsica. As bases para a construo deste modelo artificial foram lanadas por W. McCulloch e W. Pitts em 1943, tendo como ponto de partida este modelo simplificado do crebro e as idias de Claude Shannon, expostas na sua dissertao de mestrado de que falamos. No final dos anos 30, Shannon defendeu a idia de que os princpios da lgica (em termos de proposies verdadeiras ou falsas) poderiam ser usados para descrever os dois estados (ligado e desligado) de interruptores de rels eletromagnticos. Assim sendo, os circuitos eltricos (do tipo dos do computador) poderiam expressar operaes fundamentais do pensamento. Na realidade, Shannon mostrou que estes circuitos poderiam ser utilizados para expressar equaes do tipo booleano. Tais equaes tinham sido desenvolvidas por um matemtico ingls, Georges Boole, na metade do sculo passado. Boole estudou as leis bsicas do pensamento e as fundamentou sobre princpios de lgica. Para representar os componentes do pensamento, Boole utilizou-se de smbolos arbitrrios (a, b, c, etc). Estes elementos simblicos podiam ser combinados ou dissociados por meio de operaes como adio, subtrao, multiplicao, etc. de modo a formar novas expresses, resultantes das primeiras. Estas operaes ficaram conhecidas como lgebra de Boole e, segundo seu autor, correspondem s leis do pensamento. Mais do que isto, Boole mostrou que sua lgica era um sistema de valores binrio, ou seja, qualquer expresso podia receber um valor de verdade: 1 designaria expresses verdadeiras, 0 expresses falsas. Reunindo as idias de Boole, de Shannon e o modelo supersimplificado do crebro humano de que falamos, W. McCulloch e W. Pitts propuseram um modelo de neurnio artificial. Eles acreditavam que, a partir deste modelo, seria possvel simular redes de neurnios e, em ltima anlise, a produo do pensamento. A intuio destes pesquisadores era que se neurnios artificiais pudessem efetuar computaes lgicas, estaria aberto o caminho para simular o raciocnio humano.
Estes neurnios artificiais eram unidades binrias, i.e., podiam estar ligados ou desligados. Cada unidade poderia receber inputs excitatrios ou inibitrios de outras unidades. Quando uma unidade recebe um input inibitrio ela vai para a posio desligado. Quando no h input inibitrio ela vai para a posio ligado (se a soma de inputs excitatrios exceder o seu limiar). McCulloch e Pitts mostraram como a configurao destas unidades pode realizar as operaes lgicas caracterizadas como E, OU e NO. As demais operaes lgicas realizadas pela mente humana podem ser derivadas destas trs e se com isto conseguimos implement-las num circuito com neurnios artificiais teremos construdo uma mquina de pensar. Vejamos como isto acontece. Raciocinamos por meio de uma combinao de proposies, efetuada a partir dos chamados conectivos lgicos. A lgica nos ensina que estas combinaes podem ser as seguintes: ou juntamos duas proposies (conectivo E ou ) ou dissociamos duas proposies (conectivo OU tambm representado como ), ou negamos uma proposio (conectivo NO ou ), ou dizemos que uma proposio implica outra (conectivo IMPLICA ou ) ou que uma biimplica outra (conectivo SE E SOMENTE SE ou ). Alm destes conectivos, temos ainda o OU EXCLUSIVO ou XOR (Exclusive Or), diferente do primeiro conectivo OU de que falamos acima. O primeiro conectivo OU () designa uma conjuno, como, por exemplo: Voc pode vir de terno ou de esporte fino. Isto significa que se eu puser um terno ou uma roupa esporte fino, ambas sero aceitveis. No caso do OU EXCLUSIVO, temos uma situao do tipo: No seu caf da manh voc pode escolher panquecas ou cereais, significando que terei de escolher entre panquecas ou cereais no posso optar por ambos. A lgica fornecenos tambm uma tabela que, para cada conectivo, estipula as possveis combinaes de proposies e seus respectivos valores de verdade, ou seja, as chamadas tabelas de verdade. Por exemplo, para o conectivo E temos as seguintes possibilidades de combinao :
A F F V V B F V F V S F F F V
Na tabela anterior A e B simbolizam duas proposies; as duas colunas da esquerda apresentam o valor de verdade que estas proposies podem assumir e na coluna mais direita o valor de verdade da combinao das mesmas.
Se podemos representar as proposies por meio de smbolos arbitrrios, para simular o raciocnio humano precisamos conceber os neurnios artificiais de maneira a que eles simulem as operaes lgicas, ou seja, simulem o que feito pelos conectivos. Podemos convencionar que F ser representado pelo estado 0, ou seja, aparelho desligado, ausncia de corrente eltrica; o estado 1 representar aparelho ligado, corrente passando. A representao da funo E feita atravs do seguinte circuito:
Chave A
Chave B Lmpada
Figura 2.2. Representao de um circuito eltrico.
Convenes: E = energia, corrente. L= lmpada, chave aberta = 0 , chave fechada =1, lmpada apagada = 0, lmpada acesa = 1. Situaes possveis: 1 Se a chave A estiver aberta (0) e a chave B aberta (0) no circula corrente no circuito e a lmpada permanecer apagada (0). 2 Se temos a chave A aberta (0) e a chave B fechada (1) a lmpada permanece apagada (0). (A = 1, B = 0, A B = 0). 3 Se temos a chave A fechada (1) e a chave B aberta (0), a lmpada permanece apagada (0). (A = 1, B = 0, A B = 0). 4 Se a chave A estiver fechada (1) e a chave B fechada (1), a lmpada acende, pois circula corrente. (A = 1, B = 1, A B = 1). Podemos agora descrever a porta lgica i.e., o circuito que executa a funo E. Esta porta ter o seguinte formato:
B
Figura 2.3. Representao de uma porta lgica.
Esta porta executa a funo de verdade E, ou seja, teremos a sada = 1 se e somente se as duas entradas forem 1 e temos a sada 0 nos demais casos. Estivemos trabalhando at agora com duas variveis de entrada, mas possvel estender esse conceito para qualquer nmero de entradas. Podemos imaginar uma porta lgica com N entradas e somente uma sada. A sada permanecer no estado 1 se e somente se as N entradas forem iguais a 1 e permanecer no estado 0 nos demais casos.
A B C D
N
Figura 2.4. Representao de uma porta lgica com n entradas e uma nica sada.
Esta uma porta E de quatro entradas e sua tabela de verdade encontra-se a seguir:
A 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 B 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 C 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 D 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 S 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
Esta tabela de verdade mostra as 16 possveis combinaes das variveis de entrada e seus resultados na sada. O nmero de situaes 2N , onde N o nmero de variveis. Se N = 4, temos 24 = 16, ou seja, 16 combinaes possveis para 4 variveis de entrada. No analisaremos aqui as outras portas lgicas, correspondentes aos conectivos OU, NO, etc. por falta de espao. Esta idia de representar o raciocnio lgico humano atravs de circuitos e portas lgicas foi sendo progressivamente aperfeioada no decorrer da dcada de 50. Contudo, conforme veremos a seguir, este tipo de abordagem logo ser substituda pela abordagem simblica ou paradigma simblico na Inteligncia Artificial. O MODELO SIMBLICO As idias e realizaes de McCulloch e Pitts tiveram um grande sucesso, mas logo em seguida passaram a ser fortemente criticadas. Em 1947 os dois pesquisadores escrevem um novo trabalho investigando a possibilidade de construir circuitos com neurnios artificiais para efetuar o reconhecimento de padres visuais. Eles estavam intrigados com a capacidade exibida por alguns animais e por humanos de reconhecer diferentes apresentaes de um mesmo objeto embora elas pudessem se manifestar de maneira bastante diferente. Na tentativa de resolver este problema, eles partiram da idia de que as imagens com suas diferenas (entrando como input no sistema) seriam elaboradas at se conseguir uma representao cannica aps mltiplas transformaes. Eles projetaram uma rede de neurnios com duas camadas que poderia efetuar estas transformaes. Seguindo os passos de McCulloch e Pitts, Frank Rosenblatt projetou uma mquina semelhante para reconhecimento de padres que passou a ser conhecida como perceptron. Contudo, o projeto de Rosenblatt seria fortemente criticado poucos anos mais tarde por Marvin Minsky e Seymour Papert dois pesquisadores que lanaram as bases para o aparecimento do paradigma simblico na Inteligncia Artificial. Minsky e Papert analisaram e enfatizaram as limitaes dos perceptrons. Segundo estes dois pesquisadores, as principais limitaes dos perceptrons (pelo menos os de duas camadas de neurnios) estariam na gama de computaes que eles podem efetuar. Haveria uma operao lgica, o OU EXCLUSIVO ou XOR que o perceptron no poderia realizar. Ademais, nesta mesma poca alguns avanos na Cincia da Computao estavam ocorrendo. Nos primeiros computadores, as regras para efetuar operaes, isto , as instrues ou programa do computador e os dados sobre os quais elas incidiam eram coisas distintas. As instrues tinham de ser ou parte do hardware da mquina ou este tinha de ser
manipulado especialmente para que as instrues fossem executadas passo a passo. Posteriormente, J. von Neumann mostrou que era possvel colocar no mesmo plano instrues e dados. No seriam necessrios, dois conjuntos de memria separados, ou seja, um para os programas e outro para os dados. Isto foi uma imensa revoluo em termos de como conceber a prpria arquitetura dos computadores. Todos os computadores modernos seguem este tipo de arquitetura, chamado de arquitetura von Neumann. este tipo de arquitetura que proporciona a possibilidade de haver uma autonomia entre hardware e software, ou seja, a possibilidade de rodar programas diferentes no mesmo hardware e vice-versa. Mais do que isto: as mquinas com arquitetura von Neumann so todas seqenciais. Estes dois fatores tratamento igual de dados e programas e a seqencialidade estabeleceram um novo horizonte para a construo de computadores e para a possvel simulao de atividades mentais que se distanciava muito do projeto de simulao do crebro de McCulloch e Pitts, fortemente marcado pela dependncia em relao a hardwares especficos, e paralelismo em vez de seqencialidade. Foi este horizonte que abriu as portas para se conceber a Inteligncia Artificial simblica, um paradigma que comeou a ganhar contornos ntidos no final dos anos 60. A possibilidade de simulao da inteligncia no estaria na construo de mquinas com hardwares especficos, mas no desenvolvimento de programas computacionais que operariam basicamente sobre dados ou representaes. Esta segunda fase do modelo computacional da mente caracterizou-se pela idia de que a inteligncia resulta do encadeamento adequado de representaes mentais que nada mais seriam do que smbolos. A mente um programa computacional, sua replicao depende de encontrar um programa computacional adequado que permita simul-la. Retira-se a nfase na construo de circuitos neurais eltricos: um programa pode ser rodado em diferentes tipos de hardware; o que importa o programa em si e no o substrato material que possa instanci-lo. Isto significou uma mudana radical na direo das pesquisas; uma mudana que teria reflexos profundos nas dcadas seguintes. A concepo de mente que introduzida pela Inteligncia Artificial simblica concebe o aparato mental essencialmente como um dispositivo lgico que pode ser descrito por meio de um conjunto de computaes abstratas, onde o que importa so as propriedades formais dos smbolos que so manipulados. Em outras palavras, a mente opera da mesma maneira que um sistema formal com suas propriedades sintticas entendendo-se por sistema formal um conjunto de smbolos e um conjunto de regras que nos permitem estipular as operaes que podemos efetuar sobre esses smbolos. A semntica (o significado) dos smbolos estabelecida pelo programador que constri sua simulao computacional.
A mudana que se verifica nesta segunda fase e que ser predominante na IA at o fim dos anos 70 uma mudana em termos do prprio conceito de inteligncia: inteligncia resulta da representao mental, e esta nada mais do que atividade simblica. O que nos distingue de outros animais menos inteligentes nossa capacidade de produzir e manipular smbolos. Este o real carter distintivo da inteligncia humana: a produo e manipulao de smbolos que do origem s atividades cognitivas superiores, como a Matemtica e a linguagem. Contudo, a manipulao de smbolos para produzir atividade inteligente deve ser voltada para a resoluo de problemas. Esta , alis, a definio mais geral de inteligncia: capacidade de resolver problemas. Assim sendo, para resolver um problema preciso um caminho, um algoritmo que permita a manipulao adequada da atividade simblica. isto o que a mente faz, mas isto que feito tambm por uma mquina de Turing, que o algoritmo mais geral possvel. Da a idia que prevaleceu nos anos ureos da Inteligncia Artificial (anos 70): a mquina de Turing o melhor modelo da atividade mental humana. Pensar nada mais do que realizar computaes, uma em seguida da outra. Esta idia encontrar eco no chamado modelo funcionalista da mente humana, que analisaremos logo a seguir. A idia de que proposies podem ser representadas em termos de 0s e 1s, como j se concebia nos anos cibernticos, levou tambm idia de que a mente nada mais do que um conjunto de proposies. Pensar encadear proposies por meio de conectivos lgicos e usar isto de forma a resolver problemas, isto , de forma algortmica. Para resumir os principais delineamentos do modelo computacional da mente segundo a Inteligncia Artificial simblica, podemos nos valer do seguinte quadro:
1 2 3 4 A mente essencialmente um processador de informao. Informao pode ser representada na forma de smbolos. Smbolos combinam-se entre si por meio de um conjunto de regras. O funcionamento mental (ou cerebral) assemelha-se ao funcionamento de uma mquina de Turing.
Quem tem um pouco mais de familiaridade com Cincia da Computao pode conceber o modelo computacional da mente da seguinte maneira: Programas de computador consistem de estruturas de dados (data structures) e algoritmos. As linguagens de programao atuais incluem uma grande variedade de estruturas de dados que podem conter expresses do tipo abc, nmeros como 3, 4 e estruturas mais complexas, como, por exemplo, listas (A B C) e rvores. Os algoritmos operam sobre esses vrios tipos de estruturas de dados. O modelo computacional da mente assume que a mente tem representaes mentais anlogas s
estruturas de dados e procedimentos computacionais anlogos aos algoritmos. Podemos perceber isto no seguinte esquema:
Programa estruturas de dados + algoritmos = programas que rodam Mente representaes mentais + procedimentos computacionais = pensamento
O problema mente-crebro
O aparecimento e a consolidao da Inteligncia Artificial simblica nos anos 70 trouxe um impacto profundo sobre outras reas do conhecimento, sobretudo para a Filosofia. A questo que os filsofos levantavam nesta poca era a seguinte: se computadores so um tipo especial de arranjo material, ou seja, uma combinao de elementos materiais de silcio ou de qualquer outro elemento da natureza, e se eles puderem realizar tudo o que uma mente humana realiza, no haveria nenhuma razo para supor que mente e matria so diferentes. Poderamos igualar mentes e mquinas, crebros e mentes. Este tipo de conjectura reavivou um dos debates mais tradicionais da Filosofia, qual seja, o problema das relaes mente-crebro. Este , na verdade, um problema filosfico milenar que tem suscitado, por parte dos filsofos, a produo de uma multiplicidade de diferentes teorias. Na Filosofia moderna este problema aparece pela primeira vez atravs da obra do filsofo francs Ren Descartes, no sculo XVII. Descartes foi o primeiro filsofo moderno a argumentar a favor da separao entre mente e corpo, sustentando a existncia de uma assimetria essencial entre estas substncias. Mente e crebro (ou corpo) teriam propriedades irredutveis entre si, como, por exemplo, a extenso e a divisibilidade, que seriam atributos do corpo propriedades que em hiptese alguma poderiam ser atribudas mente ou substncia pensante. A questo levantada por Descartes atravessa toda a Filosofia moderna, tendo sido alvo da ateno de vrios filsofos nos sculos seguintes. Um dos problemas cruciais que emergem a partir da doutrina de Descartes saber como possvel que uma substncia imaterial (a mente) possa influir causalmente numa substncia material (o corpo) e determinar a ao consciente ou deliberada. No sculo XX, o problema das relaes mente-crebro passou a ser estudado mais intensamente, em grande parte pelo desenvolvimento das cincias do crebro, que acalentavam a esperana de que ele poderia ser resolvido medida que se compreendessem melhor os mecanismos cerebrais. Por outro lado, a partir da segunda metade do sculo XX aparece a
Filosofia da Mente, um ramo especfico da Filosofia que tem por objetivo estudar a natureza do mental, tomando como pano de fundo as descobertas das neurocincias e as teorias propostas pela Cincia Cognitiva. Existe uma grande proliferao de doutrinas filosficas que concebem, cada uma a seu modo, as relaes entre crebro e mente. possvel agrup-las e classific-las de diversas maneiras, cada uma respeitando as especificidades de cada concepo. Contudo, podemos sempre agrup-las de acordo com as seguintes linhas-mestras:
Teoria da relao mente-crebro
Materialismo
Mentalismo
Dualismo
Figura 2.5. Doutrinas filosficas sobre a relao mente-crebro.
1 A viso dualista: Sustenta que mente e corpo so substncias diferentes. O corpo uma substncia extensa, ocupa lugar no espao e tem propriedades fsicas. A mente outro tipo de substncia, no ocupa lugar no espao e no tem nenhum tipo de propriedade fsica. Mente e corpo so essencialmente distintos. 2 A viso mentalista: Sustenta que a mente no material, tampouco os objetos fsicos com os quais ela interage no mundo. Objetos fsicos nada mais so do que sensaes produzidas pela mente. Esta viso no muito desenvolvida no Ocidente, mas defendida por vrias religies orientais. 3 A viso materialista: Sustenta que a mente pode ser explicada a partir de leis fsicas, da mesma maneira que o corpo. Materialismo e mentalismo sustentam a existncia de uma nica substncia no universo, seja ela fsica ou mental. Por isso, ambos constituem um tipo de monismo. Podemos falar de monismo materialista ou monismo mentalista, embora a palavra monismo seja freqentemente utilizada para se referir ao monismo materialista. J o dualismo sustenta que existem duas substncias distintas e irredutveis no universo: o fsico e o mental. Cada uma das concepes que apresentamos possui variedades especficas. As variedades da viso dualista, por exemplo, podem ser representadas no quadro a seguir:
MENTES E MQUINAS / 47 Cartesianismo Interacionismo
DUALISMO
Paralelismo
Epifenomenismo
Figura 2.6. Concepes dualistas da relao mente-crebro. .
O Cartesianismo postula que mente e corpo so substncias distintas, a primeira inextensa e imaterial, a segunda extensa e material. O Interacionismo sustenta que a mente afeta o corpo e o corpo afeta a mente. O Paralelismo dualista sustenta que corpo e mente correm em paralelo, nada tendo um a ver com o outro. considerada uma doutrina bastante bizarra. O Epifenomenismo sustenta que o corpo afeta a mente, mas a mente no afeta o corpo. Ou seja, o mental uma espcie de subproduto da atividade cerebral, um subproduto que produz experincia subjetiva, mas causalmente inerte. J as variedades do materialismo podem ser classificadas de acordo com o quadro a seguir:
Materialismo = Fisicalismo
Teorias da Identidade
Behaviorismo
Funcionalismo
Materialismo Eliminativo Figura 2.7. Concepes materialistas do problema mente-crebro.
As teorias da identidade sustentam que estados mentais so estados cerebrais ou estados do sistema nervoso central. uma teoria bastante recente, tendo sido sustentada por dois filsofos contemporneos, J.J.C. Smart e U.T. Place. O behaviorismo um tipo de materialismo que sustenta que aquilo que chamamos de mente pode ser reduzido a comportamento manifesto. preciso notar que o behaviorismo ou comportamentalismo possui muitas variedades ou subdivises. O que dissemos, por exemplo, no se aplica ao behaviorismo radical. Sobre o funcionalismo falaremos na seo seguinte. Resta, ainda, falar do materialismo eliminativo que classificamos como um tipo de teoria da identidade. O materialismo eliminativo sustenta que nossas teorias psicolgicas habituais (a chamada folk psychology) que se utilizam de conceitos como intenes, crenas, desejos, etc., sero progressivamente substitudas por uma teoria cientfica, de forte base neurofisiolgica. Tudo depender dos progressos futuros da neurofisiologia, que gradualmente eliminar tais conceitos, incluindo o prprio vocabulrio psicolgico oriundo destes e os substituir por uma teoria cientfica da mente. A Psicologia, como ela se apresenta hoje em dia envolvendo todos estes conceitos cotidianos , no mais do que uma teoria provisria que dar lugar a uma autntica cincia do crebro, da mesma maneira que nossa viso ingnua e cotidiana da natureza foi gradualmente substituda por uma teoria fsica com forte base cientfica. Retornaremos a este assunto o materialismo eliminativo na segunda parte deste livro, quando falarmos de conexionismo e redes neurais. O FUNCIONALISMO Como situar a teoria da mente defendida pelos partidrios da Inteligncia Artificial simblica no quadro de ismos que apresentamos acima? Qual foi a contribuio da Inteligncia Artificial para a reavaliao do problema mente-crebro? A noo de uma inteligncia artificial como realizao de tarefas inteligentes por dispositivos que no tm a mesma arquitetura nem a mesma composio biolgica e fisico-qumica do crebro levou formulao de uma teoria especfica das relaes mente-crebro: o funcionalismo. O funcionalismo, enquanto tese geral defendida pelos tericos da Inteligncia Artificial, sustenta que estados mentais so definidos e caracterizados pelo papel funcional que eles ocupam no caminho entre o input e o output de um organismo ou sistema. Este papel funcional caracteriza-se seja pela interao de um estado mental com outros que estejam presentes no organismo ou sistema, seja pela interao com a produo de determinados comportamentos. O funcionalismo consiste, assim, num nvel
de descrio no qual possvel abster-se ou suspender-se consideraes acerca da natureza ltima do mental, isto , se ele ou no, em ltima anlise, redutvel a uma estrutura fsica especfica. A descrio das funes uma descrio abstrata, que tem o mesmo estatuto da descrio de um software ou fluxograma que estipula quais as instrues que um computador deve seguir para realizar uma determinada tarefa. tambm com base nesta tese de que estados mentais se definem pelo seu papel funcional que um sistema pode apresentar predicados mentais independentemente do tipo de substrato fsico do qual eles poderiam eventualmente resultar. Um mesmo papel funcional que caracteriza um determinado estado mental pode se instanciar em criaturas com sistemas nervosos completamente diferentes, e nesse caso diremos que eles esto no mesmo estado mental. Um marciano pode ter um sistema nervoso completamente diferente do meu, mas se o sistema nervoso desse marciano puder executar as mesmas funes que o meu, o marciano ter uma vida mental igual minha pelo menos na perspectiva do funcionalismo. Ora, o funcionalismo no implica necessariamente uma postura materialista mas tambm no incompatvel com este ltimo. Um aparelho de rdio (hardware) toca uma msica (software): a msica e o aparelho de rdio so coisas distintas, irredutveis uma a outra, embora sejam ambas necessrias para que possamos ouvir uma msica. A msica (ondas eletromagnticas) diferente do aparelho de rdio (hardware), mas ambos fazem parte do mundo material. Neste sentido, podemos sustentar a compatibilidade do funcionalismo com o materialismo, uma viso preferida pelos filsofos da mente que repensaram o problema mentecrebro luz da Inteligncia Artificial. tambm esta perspectiva que explorada num clebre artigo sobre o problema mente-crebro na Inteligncia Artificial publicado em 1975 pelo filsofo norte-americano Hilary Putnam. A idia de Putnam que a mquina de Turing fornece-nos uma excelente analogia ou um bom modelo para concebermos a relao mente-crebro: de um lado, h um conjunto de regras abstratas (instrues) e, de outro, a realizao fsica dessas regras obtidas pelos diferentes estados da mquina. Assim, a analogia consiste basicamente em estabelecer uma correlao entre estados mentais (pensamentos) e o software (conjunto de instrues da mquina ou o programa do computador) de um lado e entre estados cerebrais e o hardware ou os diferentes estados fsicos pelos quais passa a mquina ao obedecer s instrues. O psicoparalelismo torna-se, assim, concebvel com base neste esquema conceitual um psicoparalelismo que dispensaria qualquer tipo de pressuposio metafsica responsvel pela possibilidade de interao entre o fsico e o mental. Finalmente, preciso notar que h vrios tipos de funcionalismo, sendo que o mais importante para a Inteligncia Artificial simblica o
chamado funcionalismo a la mquina de Turing, segundo o qual a mente a instanciao de uma mquina de Turing no substrato biolgico do crebro. O QUE LER
Sobre o paradigma simblico 1 Pylyshyn, Z. Computation and Cognition. Sobre o problema mente-crebro: 2 Churchland, P. Matter and Consciousness. 3 Putnam, H. Minds and Machines in Minds and Machines, Anderson, A. (ed). 4 Teixeira, J. de F. O que Filosofia da Mente. 5 Teixeira, J. de F. Filosofia da Mente e Inteligncia Artificial (captulo 5).
CAPTULO 3
Sistemas Especialistas
Conceitos introduzidos neste captulo: A idia de sistema especialista. Caractersticas dos sistemas especialistas. Exemplo de um sistema especialista. reas de aplicao dos sistemas especialistas. O problema da representao do conhecimento. Alguns mtodos de representao do conhecimento: regras e frames. Os problemas enfrentados na construo de sistemas especialistas.
A Inteligncia Artificial simblica deixou um legado de grandes realizaes. Desde o aparecimento do L.T. de Newell e Simon (ao qual aludimos na Introduo) at o final dos anos 80 proliferaram programas computacionais projetados para realizar tarefas especficas que requeriam inteligncia. Alguns deles ficaram famosos, como o caso do DENDRAL, do MACSYMA e do HEURISCO. O DENDRAL foi um programa projetado para determinar a frmula estrutural dos compostos qumicos. O MACSYMA foi projetado para efetuar manipulaes algbricas na Fsica e na Matemtica. J o HEURISCO foi concebido como um solucionador geral de problemas que pode atuar em reas diferentes, como a Biologia, a Matemtica e jogos de xadrez e de damas. Este tipo de programa que simula aspectos especficos da inteligncia humana chamado de sistema especialista. Os sistemas especialistas so solucionadores de problemas acoplados a imensos bancos de memria onde conhecimento humano acerca de uma determinada rea ou disciplina encontra-se estocado. Este acoplamento permite ao sistema especialista responder a consultas, fornecer conselhos (sobre um determinado assunto) para leigos, auxiliar os especialistas humanos e at mesmo auxiliar no ensino de uma disciplina ou rea de conhecimento especfica. A idia subjacente construo dos sistemas especialistas que a inteligncia no apenas raciocnio, mas tambm memria. Cotidianamente, atribumos inteligncia a uma pessoa quando esta possui
grande quantidade de informao sobre um determinado assunto, ou seja, quando esta pessoa capaz de memorizar grande quantidade de informao. Assim sendo, a construo dos sistemas especialistas obedece ao princpio de que
MEMRIA CONDIO NECESSRIA PARA A INTELIGNCIA.
O grande sucesso de que desfrutaram os sistemas especialistas nas dcadas de 70 e 80 foi tambm orientado pela idia de preservar os conhecimentos de especialistas humanos, mesmo aps o desaparecimento destes. Se h um mito que pode expressar este tipo de projeto, ns o encontramos num conto de Douglas Hofstadter, A Conversation with Einsteins Brain (Uma conversa com o crebro de Einstein) publicado na coletnea The Minds I, em 1981. Hofstadter imagina uma situao na qual toda informao contida no crebro de Einstein armazenada numa espcie de livro, pouco antes de sua morte. O livro inserido, ento, num sistema que permite realizar operaes de vrios tipos como, por exemplo, acessar informaes, fazer perguntas e obter respostas, etc. O sistema como um todo simula a atividade do crebro de Einstein e permite manter com ele uma conversa pstuma. Todas as respostas fornecidas so exatamente o que Einstein teria dito se estivesse vivo! Este certamente seria o sonho de preservao de conhecimento dos construtores de sistemas especialistas. Um sonho ainda bastante distante da realidade, pois estocar conhecimento humano em estruturas de dados uma tarefa que enfrenta vrios desafios. Por exemplo, preciso representar a totalidade dos conhecimentos que se quer estocar numa determinada estrutura de dados. E isto pode no ser fcil. Quando entrevistamos um especialista humano num determinado assunto para fazer a coleta de informao e instruir nossa base de dados muitas vezes deparamos com procedimentos sobre os quais o prprio especialista tem dificuldade de expressar. So procedimentos e conhecimentos que o especialista atribui a um sexto sentido ou a uma intuio que resiste conceitualizao ou a uma expresso clara. Este o caso tpico, por exemplo, daquela pessoa que sabe consertar o defeito do motor de um carro, mas no sabe dizer exatamente o que faz nem que tipo de funo desempenham as peas desse motor. Casos deste tipo so um desafio para a chamada aquisio de conhecimento, uma etapa fundamental para a construo de sistemas especialistas. A tentativa de construir sistemas especialistas para recobrir uma gama cada vez maior de tarefas humanas inteligentes acabou igualmente levantando uma srie de questes importantes. Verificou-se que muito mais fcil construir estes sistemas quando o domnio de conhecimento j possui ou pode receber facilmente uma expresso simblica. Este o caso, por exemplo, de domnios como a lgica, a matemtica e do jogo de
xadrez, que so domnios formalizados ou passveis de receber expresso formal (simblica). O mesmo j no ocorre em outros domnios. Seria extremamente difcil construir um sistema especialista para ensinar uma criana a andar de bicicleta; mesmo porque encontraramos grande dificuldade para expressar num conjunto de regras o que devemos fazer para andar de bicicleta. Os problemas envolvidos na aquisio e na formalizao do conhecimento levantam ainda outras questes para a Inteligncia Artificial. At que ponto a formalizao um instrumento eficiente para a representao do conhecimento? Haver limites para a representao formal do conhecimento humano? At que ponto um sistema especialista poderia gerar conhecimento novo? Poderia um sistema especialista realizar descobertas a partir da recombinao de dados de sua base de memria? Examinaremos em primeiro lugar a arquitetura geral dos sistemas especialistas para em seguida voltar a falar de alguns aspectos envolvidos na questo da representao do conhecimento. SISTEMAS ESPECIALISTAS: CARACTERSTICAS GERAIS A construo de sistemas especialistas obedece ao princpio de que a simulao da inteligncia pode ser feita a partir do desenvolvimento de ferramentas computacionais para fins especficos, o que torna tais sistemas verdadeiros especialistas em algum tipo de rea de conhecimento. Um sistema especialista muito mais do que um programa computacional. Na realidade, como j observamos, ele um programa acoplado a um banco de memria que contm conhecimentos sobre uma determinada especialidade. No se trata apenas de formalizar uma certa quantidade de conhecimento, mas de represent-lo de acordo com o modo como um especialista numa determinada rea pode faz-lo. E esta representao deve ser construda de tal modo que um computador possa manipul-la atravs de uma linguagem formal apropriada. Por exemplo, um componente importante de uma base de conhecimento o modo pelo qual os conceitos se relacionam mutuamente. Se tomarmos um sistema especialista para efetuar diagnstico mdico, este ter de ser capaz de relacionar sintomas de doenas com sintomas causados por efeitos colaterais de determinados tratamentos e enquadr-los, por sua vez, em algum tipo de categoria geral que leve a uma definio de um determinado diagnstico, e assim por diante. O processo de construo destes sistemas especiais levou ao aparecimento de uma nova rea na Cincia da Computao, a Engenharia do Conhecimento, isto porque a construo de um sistema especialista pressupe uma forma especial de interao entre aqueles que o desenvolvem (o engenheiro de conhecimento) e os especialistas humanos de
uma determinada rea. A tarefa do engenheiro de conhecimento extrair dos especialistas humanos seus procedimentos, estratgias, raciocnios, etc. e codific-los de forma a gerar bancos de dados. Tal atividade de construo de um sistema especialista pode ser representada da seguinte forma:
Questes, Problemas
REA DE ESPECIALIZAO
ENGENHEIRO DE CONHECIMENTO
Estratgias, Conhecimento Prtico, Regras
SISTEMA ESPECIALISTA
Respostas, Solues Figura 3.1. Esquema do conjunto de atividades necessrias para a construo de um sistema especialista.
O corao do sistema especialista o corpo de conhecimento, elaborado durante sua construo. O conhecimento armazenado no corpo de conhecimentos deve ser explcito e organizado. Ou, em outras palavras, o conhecimento armazenado deve ser pblico, isto , suscetvel de ser transmitido. A habilidade de armazenar o conhecimento estratgica e adequadamente fundamental para a construo de sistemas especialistas com grande eficincia e que simulem os melhores especialistas humanos de uma determinada rea. Outra caracterstica importante do sistema especialista adequadamente construdo seu poder preditivo que o permite fornecer respostas para um problema mesmo quando novas situaes aparecem. O corpo de conhecimento determina igualmente mais uma caracterstica do sistema especialista: a memria institucional. Se o corpo de conhecimento foi construdo atravs de uma interao com os melhores especialistas de uma rea (numa determinada poca), isto significa que o sistema especialista se torna uma memria permanente ou retrato do conhecimento disponvel numa determinada rea, em uma determinada
poca. Um retrato que subsiste posteriormente ao desaparecimento destes especialistas. Vale ainda lembrar uma ltima caracterstica dos sistemas especialistas: eles se tornam uma ferramenta para treinar seres humanos que esto se iniciando numa determinada rea. Isto ocorre quando eles incluem uma interface amigvel e incluem na sua construo algumas tcnicas de ensino. Este tipo de caracterstica pode ser muito til na vida de uma empresa: quando alguns especialistas em reas muito especficas saem da empresa, possvel treinar outros em curto espao de tempo. Vejamos ento como todas estas caractersticas se agregam, usando o diagrama a seguir:
Conhecimento Especializado
Ferramenta de Treino
CORPO DE CONHECIMENTO
Capacidade de Predio
Memria institucional
Figura 3.2. Caractersticas do corpo de conhecimento de um sistema especialista (adaptada de Waterman, 1986, p.6).
Dissemos que o conhecimento no sistema especialista organizado. Conhecimentos acerca de uma rea especfica ficam separados de outros conhecimentos que esto no sistema, como, por exemplo, conhecimentos gerais acerca de resoluo de problemas ou conhecimentos que permitem a interao com o usurio.
Este conhecimento acerca de uma rea especfica chamado de base de conhecimento e aqueles sobre resoluo de problemas so denominados de mecanismo de inferncia. Programas projetados desta maneira so chamados sistemas baseados em conhecimento. A base de conhecimento de um sistema especialista contm fatos (dados) e regras para usar estes fatos no processo de tomar decises. O mecanismo de inferncia contm um intrprete que decide como aplicar as regras de maneira a gerar novos conhecimentos. Esta maneira de organizar o sistema pode ser representada atravs da Figura 3.3.
REGRAS 0 1 2 3 4 5 N Condies Aes Mtodo de Inferncia Sistema de Controle Linguagem Natural Usurio
MODELOS DO MUNDO 0 1 2 N Asseres
Figura 3.3. Representao da base de conhecimento de um sistema especialista e sua interao com o usurio.
Na figura anterior, no canto esquerdo, vemos a base de conhecimento; no canto direito, a interface com o usurio, que entra com fatos que descrevem um problema e fornece informao que o sistema pode necessitar durante seus processos de inferncia. Em geral, os sistemas
especialistas utilizam-se de interfaces com linguagem natural para facilitar a comunicao usurio/sistema. O mecanismo de inferncia (centro) tem um papel extremamente importante no sistema especialista: ele usa asseres (fatos) e estratgias de resoluo de problemas para gerar concluses.
EXEMPLOS DE SISTEMAS ESPECIALISTAS Vamos agora examinar como funcionam os sistemas especialistas. Tomemos dois exemplos que ficaram famosos: o MYCIN, utilizado para auxiliar na diagnose mdica e o PROSPECTOR, utilizado para ajudar gelogos na explorao mineral. Este segundo sistema especialista ser examinado em maior detalhe. O MYCIN foi um sistema especialista desenvolvido durante a dcada de 70, com a finalidade de prescrever medicao para pacientes com infeces bacterianas. Ora, no muito difcil de imaginar como teria de funcionar um sistema deste tipo: ele teria de ter um sistema de raciocnio que permitisse, a partir de um conjunto de sintomas, identificar a molstia a eles correspondente para, em seguida, emitir uma receita. Uma base de dados contendo os sintomas e um sistema de raciocnio do tipo SE... ENTO pareceria suficiente para construir um diagnosticador artificial. Uma aplicao desta regra seria mais ou menos assim:
SE O paciente apresenta febre, o paciente apresenta vmitos e diarria, o paciente est desidratado ENTO o paciente sofre de infeco intestinal. SE O paciente sofre de infeco intestinal, ENTO o paciente deve tomar (um determinado antibitico).
Este seria um caminho preliminar para construir um diagnosticador de infeces bacterianas. Infelizmente, o diagnstico mdico envolve uma grande margem de impreciso, ou seja, ele envolve raciocnios inexatos e falta de conhecimento completo. Ou seja, existe um componente probabilstico no acerto de diagnsticos mdicos, na medida em que, por exemplo, nem todos os sintomas ocorrem num paciente. Uma maneira de contornar esta dificuldade atravs da atribuio de pesos diferentes a sintomas mais relevantes na caracterizao de uma doena e, atravs
destes pesos, estipular, com grande margem de probabilidade, que o paciente est sofrendo de uma determinada molstia. aproximadamente desta maneira que o MYCIN opera: com uma margem de probabilidade que no fica muito distante daquela exibida pelos especialistas humanos. Examinemos agora o PROSPECTOR, um sistema desenvolvido por Richard Duda, no Stanford Research Institute (SRI), e criado com a finalidade de ajudar os gelogos na explorao mineral (descrito em Waterman, 1986, pp. 55-57). O Prospector foi desenvolvido de 1974 a 1983 e para sua construo colaboraram nove gelogos e vrios engenheiros do conhecimento. O longo tempo envolvido na sua construo deve-se prpria complexidade do sistema, que conta com mais de mil regras e estoca mais de mil termos geolgicos. O PROSPECTOR foi um sistema especialista muito bem sucedido: em 1980 ele possibilitou a descoberta de uma reserva de molibdnio num local prximo a Washington local que at ento tinha sido apenas parcialmente explorado. Como funciona o sistema? Em primeiro lugar, os usurios inserem no sistema informao geolgica geral acerca de uma determinada regio. A partir deste conjunto de informaes preliminares, o PROSPECTOR aplica regras que estabelecem uma conexo entre evidncia de descobertas geolgicas (E) e certas hipteses (H), de acordo com os fatores de certeza LS e LN. LS o fator que indica o quanto podemos acreditar na hiptese e LN o quanto devemos duvidar da hiptese. A aplicao da regra toma ento a seguinte forma:
SE (E) ENTO H (EM GRAU) LS, LN
LS e LN no so os nicos fatores de certeza do PROSPECTOR. Cada evidncia e cada hiptese no sistema tem seu fator de certeza (P). (P) representa a probabilidade de que existe evidncia ou que a hiptese vlida. A evidncia no PROSPECTOR uma combinao lgica de vrios tipos de evidncia, como, por exemplo:
E1 e E2 e E3 E1 ou E2 E1 e (E2 ou E3)
A hiptese H sempre um conceito independente; por exemplo, H2 pode ser usado no antecedente SE da regra para sugerir ou implicar outras hipteses, como:
H2 H1 (LS2, LN2).
As regras no PROSPECTOR formam uma grande rede de inferncias que indicam todas as conexes entre evidncia e hipteses, ou seja, todas as cadeias de inferncia que podem ser geradas a partir das regras. A
cadeia de inferncias que se forma a partir de trs regras simples pode ser representada assim:
Regras E1 e E2 H2 (LS1, LN1) H2 H1 (LS2, LN2) E3 H1 (LS3, LN3) (P2) Rede de Inferncia H1 (LS3, LN3) E3 (P1) (LS2, LN2) H2 (P3) (LS1, LN1) e
(P4)
E1
E2
(P5)
Figura 3.4. Representao das regras e rede de inferncia em um sistema especialista, o PROSPECTOR (adaptada de Waterman, p. 56).
Cada um dos trs modelos no PROSPECTOR uma coleo de centenas de regras que forma uma rede de inferncias. Os valores para os fatores de certeza LS e LN foram definidos quando o modelo foi construdo e permanecem fixos durante a operao. Os valores de (P) o fator de certeza para a evidncia e para as hipteses tambm foram colocados no modelo, mas eles mudam medida que nova informao adicionada pelo usurio. Suponhamos, por exemplo, que o usurio adiciona a seguinte informao sobre a evidncia E1 na figura anterior:
E1 pode estar presente na regio
O PROSPECTOR mapeia essa expresso subjetiva de certeza acerca de E1 numa escala que vai de -5 a +5 . Neste caso, o nmero escolhido pode ser 2. O sistema usa ento o nmero 2 para ajustar a probabilidade P4 que j estava associada com a evidncia E1. Uma vez que 2 maior do que 0, P4 ajustada para cima. medida que P4 muda, a probabilidade de E1 muda e a probabilidade de que H2 seja vlida tambm muda. Mudar a probabilidade de E1 causa uma mudana na probabilidade de H2, que, por sua vez, causa uma mudana na probabilidade de H1. Esta propagao de probabilidade ocorre automaticamente no PROSPECTOR. A propagao continua para cima, em direo aos ndulos superiores, mudando as probabilidades da hiptese inicial, por exemplo, de que a regio possui determinado tipo de minrio. A parte do sistema que propaga as probabilidades para cima por meio da rede de inferncias o mecanismo de inferncia do PROSPECTOR. A propagao de probabilidade no se inicia at que o usurio fornea
novas informaes para o sistema. O mecanismo de inferncia deve decidir as perguntas que devem ser feitas ao usurio. Na figura anterior, se H1 for o objetivo, o sistema examinar as regras E3 H1 e H2 H1 para determinar se, saber E3 ou H2 afeta a probabilidade de H1. Se E3 tivesse o mesmo efeito, o sistema pediria ao usurio informaes sobre E3. Se H2 tiver mais conseqncias, os sistema usar o mesmo procedimento para encontrar a questo que, uma vez formulada, afetar a probabilidade de H2. Esta uma busca do tipo de trs para a frente (backward chaining) que continua at que uma questo seja escolhida. APLICAES DE SISTEMAS ESPECIALISTAS So vrias as reas do conhecimento que contam com o auxlio de sistemas especialistas. Para citar apenas algumas delas: Qumica, Engenharia, Direito, Medicina, etc. Nos diagramas a seguir, adaptados do livro A Guide to Expert Systems, de Donald Waterman, apresentamos os sistemas especialistas mais importantes em trs diferentes reas de aplicao: Qumica, Medicina e Engenharia.
Figura 3.6. Esquema com exemplos de sistemas especialistas em Medicina, com a descrio de sua funo.
Qumica
CRYSALIS
Interpretao Infere a estrutura 3D de uma protena de um mapa de densidade do eltron. Infere uma estrutura molecular dos dados de massa espectral e resposta nuclear.
DENDRAL
CLONER MOLGEN
Planejamento Design
SECS SPEX SYNCHEM2
Ajuda o bilogo molecular nos processos de design e criao de uma nova molcula. Ajuda o geneticista molecular a planejar experimentos de clonagem gentica. Ajuda os qumicos a sintetizarem molculas orgnicas completas. Ajuda os cientistas a planejarem experimentos complexos de laboratrio em biologia molecular. Sintetiza molculas orgnicas complexas sem assistncia ou ajuda humana.
Figura 3.5. Esquema com exemplos de sistemas especialistas na rea de Qumica com a descrio de sua principal funo.
PUFF SPE VM
Diagnstico doenas pulmonares Diagnstico condies inflamatrias Monitorar pacientes em UTI Ajudar no diagnstico desordens eletrolticas e cido-base Ajudar no diagnstico de doenas do sangue Diagnstico de doenas de tecido conectivo na clnica reumatolgica Diagnstico de doenas na prtica de Medicina geral Ver acima Vera acima Ajudar administrar digitalina para pacientes com problemas cardacos Ver acima
Medicina
ABEL Interpretao Diagnstico AI/COAG AI/RHEUM CADUCEOUS PUFF SPE
Acompanhamento
ANNA VM ANNA BLUE BOX
Ver acima Ajuda diagnstico/tratamento depresso Diagnstico/tratamento doenas relacionadas com glaucoma Diagnstico/tratamento de infeces bacterianas Ajuda tratamento e manejo de pacientes com cncer submetidos quimioterapia Ver acima Ensina mtodos de manejo de substncias anestsicas Ensina diagnstico e tratamento de paciente com infeces bacterianas Ver acima
Diagnstico Debugging
CASNET/ GLAUCOMA MYCIN ONCOCIN VM
Instruo
ATTENDING GUIDON
Controle
VM
Figura 3.6. Esquema com exemplos de sistemas especialistas em Medicina, com a descrio de sua funo.
ENGENHARIA
Interpretao REACTOR Ajuda operadores a diagnosticar e tratar acidentes com reatores nucleares Ajudar a identificar e corrigir defeitos em locomotivas Ver acima Ajuda engenheiros a descobrir estratgias de anlises para problemas estruturais
DELTA Diagnstico Debugging REACTOR SACON Monitorao
REACTOR STEAMER
Ver acima Ensina a operao de uma mquina com propulso a vapor
Instruo
Figura 3.7. Esquema com exemplos de sistemas especialistas em Engenharia, com a descrio de sua funo.
REPRESENTAO DO CONHECIMENTO EM SISTEMAS ESPECIALISTAS Na anlise do funcionamento do PROSPECTOR, o leitor deve ter notado que este sistema especialista funciona basicamente por meio de um sistema de regras do tipo Se... ento. Esta uma maneira muito freqente de representar conhecimento em sistemas especialistas. Mas hoje em dia h ainda outras tcnicas, alm de redes de regras, para representar conhecimento nestes sistemas. Regras do tipo Se... ento so chamadas de regras de produo. Uma regra estabelece que certas concluses (conseqentes) seguem-se de certas condies (antecedentes). Quando um antecedente verdadeiro, o conseqente verdadeiro e a regra dispara. Uma regra num sistema complexo no leva necessariamente a uma concluso final. s vezes, uma srie delas precisa ser disparada at que se chegue concluso final. Alguns sistemas podem incluir regras acerca de suas prprias regras, ou seja, regras que estipulam quando certas regras devem ser usadas. Este tipo de regras so as chamadas metarregras e constituem o metaconhecimento do sistema, ou seja, uma espcie de conhecimento do sistema sobre si mesmo.
De modo geral, a representao do conhecimento atravs de regras pode reunir vrias vantagens. Dentre elas est a possibilidade de adicionar regras, remover regras, etc., sem que, com isto, o sistema seja inteiramente alterado, o que torna a expanso e a manuteno da base de conhecimento uma tarefa relativamente fcil. Contudo, h desvantagens: sempre necessrio que o sistema procure a regra adequada a ser aplicada e para isto ele precisa percorrer todas as regras. O sistema pode, rapidamente, tornar-se lento, apesar da existncia de algumas tcnicas de busca para evitar que isto sempre ocorra. Outra limitao est no fato de que o sistema no pode pular para uma concluso final: ele sempre ter de percorrer todas as concluses intermedirias a no ser que se estipulem certas condies para que uma ou mais concluses intermedirias se tornem desnecessrias. Contudo, isto diminui, de certa forma, a auto-nomia do sistema. Uma alternativa para a representao de conhecimento em sistemas especialistas so os chamados frames uma organizao hierrquica do conhecimento. Um frame uma estrutura hierrquica de ns e relaes onde os ns superiores representam conceitos gerais e os inferiores, instncias especficas desses conceitos. Um conceito, situado em um n, definido por um conjunto de atributos (slots) e valores que so especificados para esses atributos. Slots podem ser associados a asseres, listas, regras, e aos prprios frames. Cada slot pode ter um procedimento associado a ele, que ativado quando a informao nele contida muda. Muitos slots contm tambm sub-slots chamados de facetas. Uma faceta um sub-slot que contm conhecimento acerca da informao que est nos slots. Algumas facetas podem conter informao do tipo SE tal coisa... ENTO... faa tal coisa. Este tipo de informao chamado de informao procedimental (procedural), pois especifica um tipo de ao que deve ser executada quando um slot adicionado ou modificado. Um exemplo de frame pode ser encontrado no livro de M. Minsky, A sociedade da mente. Minsky fala-nos de um frame para representar uma festa de aniversrio, uma situao onde: Mary foi convidada para a festa de Jack. Ficou imaginando se ele gostaria de ganhar uma pipa. Consideremos agora, diz-nos Minsky, as suposies e concluses habituais que todo mundo faria numa situao como a descrita antes: A festa uma festa de aniversrio. Jack e Mary so crianas: Ela Mary. Ele Jack. Ela est pensando em dar uma pipa para Jack. Ela imaginou se ele iria gostar da pipa.
O que ocorre que as palavras Mary foi convidada para a festa de Jack despertam o frame convite para festa na mente das pessoas e isto, por sua vez, desperta outras preocupaes do tipo: Quem o anfitrio? Quem ir festa? Que presente devo levar? Que roupa devo vestir? Cada uma destas preocupaes est ligada, por sua vez, a um outro frame. Na realidade, a representao por frame trabalha com dois fatores: a experincia cotidiana das diversas situaes e a idia de que nossas representaes esto ligadas por um fator de contigidade. Como ocorre o processo de inferncia quando representamos o conhecimento por meio de frames? Um mtodo bastante comum chamado de inferncia atravs de expectativa: cada slot preenchido atravs da execuo de um procedimento. Se todos os slots puderem ser preenchidos, ento o problema inicial pode ser considerado resolvido. No caso, por exemplo, da identificao de um objeto, se todos os slots forem preenchidos, o objeto identificado, ou seja, referido a um determinado frame. Caso contrrio, ser necessrio procurar, na base de conhecimento, outros frames com os quais o objeto possa eventualmente ser identificado. Se nem assim ele puder ser identificado , o sistema pedir ao usurio que insira informao suplementar na base de conhecimento. Este mtodo de representao e de inferncia apresenta muitas vantagens. Novos conceitos e objetos podem ser reconhecidos mais rapidamente e classificados em termos de conceitos j familiares. Sistemas especialistas que se utilizam de frames podem lidar com problemas cuja descrio se encontra incompleta. Mais do que isto: este tipo de representao muito mais adequado para situaes onde contextos desempenham um papel importante, tais como interpretao da linguagem, anlise poltica e at mesmo reas em que conhecimento contraditrio pode aparecer. A representao do conhecimento por frames foi muito utilizada na construo de sistemas especialistas no incio dos anos 80. Posteriormente, surgiram outras tcnicas, que precisam ser mencionadas, ainda que rapidamente, como, por exemplo, a representao orientada para objetos. Neste tipo de representao os conceitos so organizados em hierarquias; os objetos que compem as partes mais altas da estrutura normalmente representam classes ou generalizaes dos conceitos que ocupam os nveis hierrquicos inferiores. A hierarquia baseada na generalizao formaliza uma intuio trivial acerca das classes de objetos. Ou seja, a idia de classe faz parte do raciocnio humano e fornece um princpio organizacional poderoso para a construo de sistemas especialistas. Atravs desta idia podemos deduzir as propriedades de objetos e de conceitos novos. Por exemplo, se encontramos o objeto baleia e se claro que baleia faz parte da classe dos mamferos, podemos inferir vrias de suas propriedades com base no que sabemos acerca da classe dos mamferos. Este tipo de inferncia ou herana de propriedade permite uma expanso e organizao do
conhecimento sem que para isto seja necessrio que toda informao relevante seja explcita e previamente representada, o que, sem dvida, constitui um ganho em termos de flexibilidade na construo de um sistema especialista. O FUTURO DOS SISTEMAS ESPECIALISTAS O que dissemos at agora est ainda longe de recobrir todas as pesquisas que tm sido realizadas nesta rea. Sistemas especialistas usando regras, frames, etc. floresceram nos anos 70 e incio dos 80. Seguiuse a este perodo um certo declnio de entusiasmo medida que algumas de suas limitaes comearam a aparecer. Hoje vivemos uma fase na qual tudo indica que o interesse por sistemas especialistas est ressurgindo. Pensa-se em novas possibilidades, como, por exemplo, sistemas especialistas hbridos, que utilizam uma arquitetura convencional acoplada a uma arquitetura conexionista (falaremos de arquiteturas conexionistas na segunda parte deste livro). Contudo, preciso assinalar que esta rea ainda enfrenta pelo menos dois grandes desafios: o problema de estipular metodologias mais eficientes para a aquisio do conhecimento a partir de especialistas humanos e o problema da simulao do senso comum. Ainda h muitas dificuldades e ausncia de tcnicas definitivas para efetuar a aquisio de conhecimento. Por outro lado, o problema da simulao do senso comum ainda persiste, apesar de todas as tentativas de encontrar mtodos alternativos para a representao do conhecimento. Exemplos tpicos deste problema ocorrem quando, por exemplo, algum nos pergunta qual o nmero de fax de Ludwig van Beethoven. Ns imediatamente descartamos a pergunta, pois sabemos que na poca de Beethoven no havia aparelhos de fax. Um sistema especialista consultaria sua base de conhecimento e tentaria encontrar o nmero de fax de Beethoven para, depois de algum tempo, fornecer a resposta, ou seja, afirmar que tal nmero no existe. Pior do que isto, possvel que o sistema especialista acuse que sua base de conhecimento est incompleta e solicite ao usurio que fornea esta informao suplementar! Atravs deste exemplo podemos perceber o quanto os sistemas especialistas ainda so extremamente rgidos. Eles podem resolver uma srie de problemas rotineiros, mas sempre que uma situao nova aparece seu desempenho , no mnimo, precrio. Dois pesquisadores contemporneos, Lenat e Guha (1990), apresentam um exemplo de um sistema especialista para diagnstico mdico que, quando reexamina um paciente que fez uma consulta h alguns dias, refaz perguntas acerca da data de nascimento e sexo deste paciente como se tais dados pudessem mudar de uma semana para outra...
Lenat e Guha argumentam que uma das principais razes deste comportamento rgido est no fato de que normalmente os sistemas especialistas tm uma base de conhecimento muito incompleta, que no permite uma utilizao desse conhecimento de maneira flexvel. Eles acreditam que estas dificuldades podero ser superadas na medida em que sistemas especialistas forem dotados de um profundo conhecimento da natureza do mundo. Neste sentido, estes pesquisadores esto desenvolvendo o projeto CYC, uma tentativa de construir um agente inteligente cuja base de conhecimento possa fornecer uma representao explcita de nossa compreenso cotidiana do mundo a incluindo conceitos de espao, tempo, objetos materiais, processos, eventos, etc. A base de conhecimento deste agente passaria a ser uma espcie de componente standard para todos os sistemas especialistas: sempre que houvesse problemas de rigidez, os sistemas especialistas lanariam mo do CYC. O CYC um projeto cuja execuo levar pelo menos 10 anos tratase de um dos projetos mais ambiciosos que apareceram na rea de Engenharia do conhecimento. Seus primeiros resultados apareceram em 1994 e foram relativamente bem sucedidos. Se este sucesso persistir, o CYC constituir, sem dvida, um passo fundamental para ampliarmos nossa compreenso do modo como percebemos o mundo que est nossa volta. O QUE LER
1 Minsky, M. A Framework for Representing Knowledge in Mind Design. 2 Minsky, M. A Sociedade da Mente captulos 25 e 26. 3 Waterman, D. A Guide to Expert Systems.
C APTULO 4
As grandes objees: Searle e Penrose
Conceitos introduzidos neste captulo: A Inteligncia Artificial no sentido forte e fraco. Argumento do quarto do chins. Problema da intencionalidade. Argumento de Lucas-Penrose. Intuio matemtica
Como todo movimento cientfico de vanguarda, a Inteligncia Artificial no deixou de ter os seus crticos. A idia de que atividades mentais humanas possam ser replicadas mecanicamente , no mnimo, assustadora, principalmente para os filsofos e intelectuais, que tanto prezam a razo humana. Foram estes que, no decorrer das ltimas dcadas, passaram a questionar os pressupostos tericos envolvidos na formulao do modelo computacional da mente, em especial, a idia de uma analogia entre mente e computador. Para os filsofos, no se trata de procurar uma comparao entre mentes e mquinas simplesmente em termos prticos. Suas preocupaes so muito mais radicais e se expandem para alm das dificuldades tecnolgicas que a Inteligncia Artificial enfrenta ou poder vir a enfrentar no futuro. Eles questionam se h alguma diferenciao em princpio, ou seja, intransponvel, entre mentes e mquinas. Se houver esse critrio de diferenciao, se pudermos formul-lo com preciso, ento estaramos de volta nossa confortvel posio antropocntrica que torna nossa inteligncia nica e inigualvel pelo menos em nosso planeta. A primeira grande crtica ao projeto da Inteligncia Artificial surgiu no incio da dcada de 70, com a publicao do livro do filsofo Hubert Dreyfus, What Computers Cannot Do. Num tom panfletrio e indignado, Dreyfus dispara uma srie de ataques contra a Inteligncia Artificial, enfatizando seus insucessos, sobretudo na rea de traduo automtica de
idiomas. Dreyfus insistia na existncia de caractersticas no-programveis, seja na linguagem, seja no comportamento humano, o que inevitavelmente comprometeria o projeto de simulao mecnica. Aspectos contextuais envolvidos na linguagem e na percepo visual seriam uma barreira intransponvel para a anlise do comportamento humano em termos de manipulao normativa de um conjunto de dados, ou seja, pelo emprego do computador digital. O projeto da Inteligncia Artificial essencialmente platonista, diria Dreyfus; seu pressuposto parece ser de que tanto a linguagem quanto o comportamento humano so inteiramente passveis de formalizao, mas no isto o que ocorre. Anos mais tarde, o prprio Dreyfus iria rever as suas prprias posies. Contudo, suas observaes e crticas, sobretudo no que diz respeito possibilidade de simulao da linguagem natural, serviram de plataforma para o incio de um grande debate filosfico em torno dos limites da Inteligncia Artificial. Alm dos trabalhos de Dreyfus poderamos citar muitas outras crticas que a Inteligncia Artificial tem recebido no decorrer das ltimas dcadas. Porm, neste captulo, restringir-nos-emos a abordar duas delas, pelo papel e importncia que passaram a desempenhar no domnio da Filosofia da Mente: a objeo do quarto do chins, formulada pelo filsofo da mente norte-americano John Searle e a objeo formulada pelo fsico e matemtico ingls Roger Penrose, em 1989. Estas duas objees so at hoje vistas como o grande calcanhar de Aquiles da Inteligncia Artificial. A CRTICA DE SEARLE: O ARGUMENTO DO QUARTO DO CHINS1 O debate em torno dos limites da Inteligncia Artificial toma um impulso decisivo a partir da publicao do artigo de J. Searle, Minds, Brains and Programs, em 1980. Neste artigo, Searle apresenta uma crtica vigorosa possibilidade de se obter um equivalente mecnico para o fenmeno cognitivo humano que normalmente denominamos compreenso. Seu ponto de partida a anlise dos programas para compreender histrias curtas desenvolvidas por R. Schank, em 1977, na Universidade de Yale, e que se concretizaram no trabalho Scripts, Plans, Goals and Understanding. Os programas desenvolvidos por R. Schank conforme assinalamos tinham por objetivo a compreenso de histrias. Por exemplo, se se fornece a um computador o seguinte relato: um homem entra num restaurante, pede um sanduche e sai sem pagar ou deixar gorjeta porque notou que o po estava estragado, o programa de Schank construdo de
1
Parte deste material foi publicado em Teixeira, J. de F., 1996, captulo 1.
tal maneira que lhe possvel responder coerentemente a questes elaboradas com base no texto da histria. Tendo em vista estes resultados, Schank sustenta que este tipo de programa capaz de compreender o texto e constituir uma explicao para a capacidade do ser humano de compreender textos ou histrias curtas. As crticas desenvolvidas por Searle s pretenses de que um tal programa realmente compreende baseiam-se na construo de um experimento mental que reproduz o procedimento do prprio programa. O caminho adotado por Searle para construir este experimento mental o inverso do procedimento normalmente utilizado para elaborar simulaes cognitivas: trata-se de instanciar o programa de Schank num sujeito humano. Imagine um falante trancado num quarto. Este falante s conhece o portugus e tem em seu poder: a) um texto escrito em chins, que pode, por exemplo, ser uma histria; b) um conjunto de regras de transformao, em portugus, que permite executar operaes sobre o texto em chins. Estas operaes so idnticas quelas desempenhadas pelos programas de Schank: trata-se de operaes de decomposio e recomposio de palavras com base num script que permite mquina reconhecer palavras-chaves em uma determinada questo, comparar a presena destas palavras no texto e o decompor a partir destas informaes. Este resultado organizado na forma de sentenas, de maneira a gerar uma resposta estruturada. O falante (trancado no quarto) recebe periodicamente novos textos e questes em chins e aplica estas operaes ou regras de transformao associando as seqncias anteriores com as seqncias mais recentes. Com base nestas regras de transformao ele passa a emitir ou escrever mais seqncias de smbolos em chins. Claro que o falante preso no quarto no sabe precisamente o contedo das informaes que ele est gerando com base nos dois textos e nas regras de transformao. O primeiro texto corresponde, em nosso experimento mental, ao relato que fornecido ao computador; o segundo texto, ao conjunto de questes que elaborado com base neste relato; e as novas seqncias geradas, s respostas a tais questes. As regras de transformao so bastante complexas e concebidas de maneira tal que elas simulem os processos mentais e o comportamento lingstico de um falante nativo de chins numa conversao habitual. Aps um certo tempo, o falante aprendeu a manipular perfeitamente estas regras de transformao e, com base nos outputs, um observador externo poderia dizer que ele compreende chins , o que, no entender de Searle, constitui um contra-senso. A instanciao dos programas de Schank num sujeito humano, reproduzida neste experimento mental, , para Searle, bastante reveladora. Ela mostra que os programas desse tipo no estabelecem as condies necessrias para a simulao da atividade cognitiva da com-
preenso: o falante aplica as regras de transformao e compreende estas regras, mas as seqncias de smbolos em chins no tm nenhum significado para ele. A manipulao de smbolos realizada no programa inteiramente cega.
Figura 4.1. O argumento do quarto do chins.
Ademais, como ressalta Searle na resposta s objees ao seu texto Minds,Brains and Programs: A manipulao de smbolos formais, por si s, no tem intencionalidade, no sequer manipulao de smbolos, uma vez que esses smbolos no simbolizam nada. Eles tm apenas sintaxe, mas no semntica. Ainda na sua resposta s objees, Searle ressalta que a esse programas falta aquilo que chamarei de intencionalidade intrnseca ou de genunos estados mentais. A atribuio de intencionalidade ou de significado, diz Searle, , nestes casos, sempre uma atribuio a posteriori, dependente da intencionalidade intrnseca dos sujeitos humanos que observam os outputs do programa. Mas o que intencionalidade intrnseca no entender de Searle, e que relao tem esta noo com a idia de significado? O conceito de intencionalidade intrnseca no largamente explorado em Minds, Brains and Programs. Searle o desenvolve com maior profundidade em outros artigos, tais como Intrinsic Intentionality e What is an Intentional State (1982), bem como no seu livro de 1983, Intentionality. A intencionalidade, segundo Searle, uma capacidade apresentada pelos seres vivos, atravs da qual nossos estados mentais se relacionam com os objetos e estados de coisas no mundo. Assim, se tenho uma inteno, esta deve ser a inteno de fazer alguma coisa, se tenho um desejo ou um medo, este desejo e este medo devem ser um desejo ou medo de alguma coisa que est no mun-
do. Um estado intencional pode ser definido, grosso modo, como uma representao associada a um determinado estado psicolgico. Esta mesma capacidade estritamente biolgica, no entender de Searle percorre nossa linguagem, convertendo-a num tipo particular de relao organismo/mundo. Contudo, ela no uma propriedade da linguagem e sim uma propriedade especfica que nossos estados mentais imprimem ao nosso discurso. Nesta operao, os sinais lingsticos, sejam eles os sons que emitimos ou as marcas que fazemos no papel, passam a ser representaes de coisas ou estados de coisas que ocorrem no mundo, e, no caso especfico das representaes lingsticas, podemos afirmar que elas constituem descries dessas representaes ou mesmo representaes de representaes que esto na nossa mente. A intencionalidade dos estados mentais no derivada de formas mais primrias da intencionalidade, mas algo intrnseco aos prprios estados mentais. Neste sentido, a intencionalidade a propriedade constitutiva do mental e sua base estritamente biolgica s os organismos desempenham esta atividade relacional com o mundo, constituindo representaes. Sua origem est nas prprias operaes do crebro e na sua estrutura, constituindo parte do sistema biolgico humano, assim como a circulao do sangue e a digesto. A intencionalidade intrnseca, presente no discurso lingstico, constitui uma forma derivada de intencionalidade que consiste na relao das representaes lingsticas com os estados intencionais, o que permite que estas ltimas sejam representaes de alguma coisa do meio ambiente. Em outras palavras, esta relao entre representaes lingsticas e estados intencionais transforma o cdigo lingstico num conjunto de signos, ou seja, estabelece o seu significado. Neste sentido, a intencionalidade intrnseca constitui para Searle a condio necessria para que um sistema simblico adquira uma dimenso semntica. Sem esta dimenso semntica, no podemos falar de compreenso; sem esta relao entre representaes mentais ou contedos intencionais e representaes lingsticas, no podemos falar de compreenso de textos ou compreenso lingstica. A ausncia de intencionalidade intrnseca nos programas desenvolvidos por Schank est na base da afirmao de Searle de que estes ltimos constituem um procedimento cego de associao de signos sem significado um procedimento cego que no deve ser confundido com autntica compreenso lingstica. Ora, at que ponto podemos supor que as afirmaes de Searle so corretas? Se o forem, a questo que formulamos no incio desta seo estaria respondida em carter definitivo, ou seja, sistemas artificiais no podem gerar estados intencionais e tampouco representar o mundo exterior. Ocorre que vrios filsofos favorveis ao projeto da Inteligncia Artificial apresentaram contra-argumentos s posies defendidas por
Searle. Alguns deles apontaram falhas no argumento principal, salientando que no sabemos se, de fato, os computadores podem ou no compreender alguma coisa. A situao seria semelhante quela quando observamos um ser humano responder a perguntas a respeito de um texto qualquer: como podemos estar certos de que essa pessoa compreende o que est fazendo? Por acaso muitos de nossos processos mentais cotidianos no so to rotineiros que os fazemos por uma associao to mecnica e cega como as do computador? Se as operaes efetuadas pelo falante trancado no quarto so cegas, ser que no podemos afirmar o mesmo de nossas prprias operaes mentais? Mesmo quando tentamos examinar o fluxo de nossos pensamentos, isto no nos d nenhuma informao sobre como ocorrem as operaes de nosso crebro. Somos, em grande parte, opacos para ns mesmos e no seria essa uma situao idntica de algum que olha para os resultados das operaes de um computador e, com base nestes ltimos, quer sustentar a afirmao de que essa mquina nada compreende acerca dessas operaes? Mas no so estas as nicas objees ao argumento do quarto do chins. O prprio John Searle colecionou vrias delas medida que foi apresentando seu argumento em vrias universidades e grupos de pesquisa em Cincia Cognitiva dos Estados Unidos. Depois de colecionlas, tentou respond-las uma a uma na verso do seu artigo Minds, Brains and Programas, publicado em 1980. Dentre essas objees destaca-se o argumento dos sistemas. Posteriormente, foi levantada uma outra objeo, conhecida como argumento do Dr. Jekyll e Mr. Hyde. Este ltimo argumento no aparece especificamente no artigo de Searle, e deve-se a William Poundstone (1991). Contudo, resolvemos apresent-lo aqui, mesmo sem ter conhecimento de nenhuma resposta que Searle teria elaborado para refut-lo. O argumento dos sistemas diz o seguinte: possvel que a pessoa trancada no quarto no entenda chins, mas nada nos indica que o sistema como um todo (a pessoa, mais o quarto fechado, etc.) no possa entender chins. A pessoa que est trancada no quarto no constitui algo anlogo nossa mente, ela seria, no mximo, uma pequena parte (embora no sem importncia) do nosso crebro. Em outras palavras, o que se est dizendo que o processo de compreenso (e de conscincia) no se encontra localizado em nenhum neurnio ou conjunto de neurnios especfico. Conscincia e compreenso so resultado do processo como um todo. Searle respondeu a este argumento da seguinte maneira: Ok, vamos assumir que o sistema como um todo o responsvel pela produo da conscincia e da compreenso. Vamos, contudo, subtrair algumas partes desse sistema: derrubemos as paredes do quarto, vamos jogar fora os pedaos de papel, o lpis, etc. Faamos a pessoa que estava no quarto memorizar as instrues e realizar todas as manipulaes apenas na sua cabea. O sistema fica reduzido apenas a uma pessoa. A pergunta que
podemos colocar agora a seguinte: ser que essa pessoa entende chins? Certamente que no! Vejamos agora o outro contra-argumento. Imaginemos agora que o ser humano trancado no quarto possa entender chins, mas no estar ciente disto. Poderamos compar-lo a algum cujo crebro foi danificado e por isso no pode efetuar tradues. Ou, talvez, algum que sofra de um transtorno psquico do tipo mltiplas personalidades. Suponhamos agora que Dr. Jekyll entre no quarto, falando apenas portugus. Em seguida, ele cria um certo Mr. Hyde que fala chins. Jekyll no sabe da existncia de Hyde e vice-versa. Assim sendo, Jekyll incapaz de fazer qualquer traduo do portugus para o chins, uma vez que ele no tem conscincia de que Hyde fala chins. Da mesma maneira, temos muitas habilidades mentais das quais no somos conscientes: pulsao, digesto e uma srie de outras atividades neurovegetativas que no chegam ao limiar de nossa conscincia. Contudo, todas elas so controladas pelo nosso crebro e cada um de ns tem apenas um crebro. Mas se temos apenas um crebro, como possvel que essas duas personalidades Jekyll e Hyde (que fala chins) no estejam integradas? Talvez isto se deva ao modo pelo qual o conhecimento do chins foi enxertado ou injetado no crebro. Mas, seja qual for a razo, abre-se a possibilidade de que algum compreenda chins e no esteja consciente disto! Ora que tipo de resposta poderia Searle apresentar a este tipo de contra-argumento? difcil saber quem tem razo num debate deste tipo: como todas as polmicas filosficas, esta tambm deve ser inconclusiva. Entretanto, preciso fazer uma observao importante: a crtica de Searle pode ser considerada correta se levarmos em conta o tipo de modelo computacional da mente sobre o qual ela recai. Trata-se de um modelo muito especfico e que vigorou at meados dos anos 80, qual seja: um modelo baseado nas idias de algoritmo e de representao simblica (ver o Captulo 2). Seguir regras no significa compreender, da mesma maneira que executar determinadas funes e produzir um output esperado tampouco significa compreender. Estes so aspectos importantes levantados pela crtica de Searle. So crticas s pretenses da chamada Inteligncia Artificial no sentido forte, segundo a qual um computador adequadamente programado uma mente e reproduz estados mentais. A esta viso radical contrape-se chamada Inteligncia Artificial no sentido fraco, segundo a qual os programas so meramente ferramentas que nos habilitam a testar teorias acerca do funcionamento mental humano. Mas h mais coisas ainda para serem ditas: o argumento do quarto do chins mostra mais uma fraqueza do teste de Turing: o sistema (quarto, falante, etc) poderia facilmente passar no teste de Turing, mas isto no quer dizer que ele compreenda alguma coisa. Searle diria que o teste de Turing constitui uma condio necessria, mas no suficiente para atribuir
estados mentais a um organismo ou a um artefato. E no que diz respeito a este ponto especfico ele parece estar certo. A OBJEO DE PENROSE A objeo de Penrose ao projeto da Inteligncia Artificial tem como ponto de partida uma recapitulao das limitaes intrnsecas aos sistemas formais neles includa a mquina de Turing, que tambm um sistema formal. Ele enfatiza que, por uma espcie de ironia, a mquina de Turing, concebida como o dispositivo terico fundamental para a Cincia da Computao acaba se tornando tambm o instrumento pelo qual pode ser mostrada sua limitao fundamental. Existe um problema que a mquina de Turing no pode resolver: saber se outra mquina de Turing pra ou no; reconhecer (mecanicamente) se um problema matemtico pode ou no ser resolvido atravs de de um procedimento efetivo (com nmero finito de passos) ou no. Isto s pode ser realizado intuitivamente, algo que requer uma inteligncia que no pode ser expressa de forma algortmica. Assim sendo, as bases da prpria Cincia da Computao so muito mais movedias do que se imagina, na medida em que somente atravs da intuio que podemos saber se um determinado programa vai parar ou no. Esta intuio marcaria uma diferena entre mentes e mquinas. Mas no foram apenas os resultados de Turing que levaram, j na dcada de 30, a supor a existncia de uma diferenciao entre mentes e mquinas. Foi tambm nessa dcada que o matemtico K. Gdel apresentou um de seus teoremas revolucionrios: o teorema da Incompletude. Em linhas gerais, o teorema da Incompletude (1931) estabelece que em qualquer sistema formal existem proposies que no so passveis de prova ou refutao com base nos axiomas do sistema, e, como corolrio, as contradies que h no seu interior no podem ser suprimidas pelo prprio sistema. Em outras palavras, a verdade ou falsidade dos prprios axiomas que servem de ponto de partida para a construo de um sistema formal no podem ser decididas no interior do sistema; elas tm de ser decididas externamente a ele. Estabelece-se um abismo entre verdade e demonstrao, um abismo que s poderia ser coberto pela inteligncia humana ou pela intuio matemtica. Isto significa dizer que o valor de verdade de algumas proposies (indecidveis) no pode ser obtido por meio de nenhum procedimento mecnico (algortmico), uma concluso que converge em direo aos resultados que Turing tinha obtido ao formular o Halting Problem (problema da parada da mquina de Turing). Posteriormente, foi demonstrada a equivalncia do Halting Problem com o 10 problema de Hilbert, bem como o fato de que a insolubilidade deste problema conseqncia direta do teorema da Incompletude de Gdel (o leitor interessado pode consultar o apndice B).
O prprio Gdel estava convencido de que as conseqncias de seu teorema da Incompletude levavam a srias limitaes no que diz respeito simulao mecnica das atividades mentais humanas pretendida pelos pesquisadores da Inteligncia Artificial. A intuio matemtica, que seria a base de todos os sistemas formais e da prpria possibilidade de fundamentar a Matemtica, no poderia ser expressa algoritmicamente. Teramos encontrado um critrio de diferenciao entre mentes e mquinas, aquele critrio que os filsofos estariam buscando. Mas as afirmaes de Gdel ficaram por muito tempo obscurecidas pelo sucesso e pelo entusiasmo que recobriram as realizaes da Inteligncia Artificial, esta nova disciplina que se consolidava cada vez mais por suas realizaes principalmente aquelas que se originavam das pesquisas realizadas no MIT. Os pesquisadores da Inteligncia Artificial estavam convencidos de que haveria maneiras ou pelo menos tcnicas para se contornar os problemas colocados por Turing e por Gdel. E, quem sabe, essa idia de intuio matemtica como algo exclusivamente humano no passaria, afinal de contas, de uma balela... Em 1961, o filsofo ingls J.R. Lucas publica um artigo no British Journal for the Philosophy of Science, chamando a ateno dos pesquisadores da Inteligncia Artificial para o fato de que as questes envolvendo indecidibilidade no poderiam ser contornadas com tanta facilidade. Como poderia uma mquina construda com base em procedimentos algortmicos demonstrar a existncia de proposies cujo valor de verdade no poderia ser decidido algoritmicamente? Lucas (1961) argumentava que:
Os paradoxos da conscincia surgem porque um ser consciente sabe o que ocorre com ele e no pode ser dividido em partes. Isto significa que um ser consciente pode lidar com questes gdelianas: ele pode conceber seu prprio desempenho e ao mesmo tempo algo externo a esse desempenho, sem que para isso tenha de se dividir em partes. Isto no poderia ocorrer no caso de uma mquina. Uma mquina pode ser concebida de maneira a relatar o que ela faz, mas isto no seria possvel sem que precisssemos adicionar uma nova mquina original. inerente nossa prpria idia de conscincia a capacidade de auto-reflexo, ou seja, a capacidade de relatar e criticar nossos prprios desempenhos sem que nenhuma parte suplementar seja necessria; a conscincia , neste sentido, completa e no possui nenhum calcanhar de Aquiles (p.122).
O artigo de Lucas provocou um debate momentneo; foi seguido de vrias respostas no prprio British Journal for the Philosophy of Science, respostas que, se no foram conclusivas, serviram pelo menos para reativar um debate que merecia maior ateno. Os filsofos da mente passaram ento a se agrupar em torno dos problemas suscitados pelo
Teorema de Gdel, ora fazendo defesas da concepo mecnica da mente, ora descartando-a como algo impreciso e mistificador. Filsofos como D. Dennett, J. Webb, J.J.C. Smart e D. Hofstadter rechaaram as idias de Lucas que ento encontrava poucos defensores. Em 1989, o fsico e matemtico ingls R. Penrose publica o livro The Emperors New Mind (A Mente Nova do Rei). Desde ento este livro vem causando uma grande reviravolta na Filosofia da Mente. Penrose refaz o argumento de Lucas passando por uma cuidadosa reconstruo dos resultados de Turing e de Gdel. O reconhecimento da existncia da intuio matemtica e de processos no-algortmicos nas atividades mentais humanas faz com que Penrose se coloque um segundo tipo de questo: ser que isto nos fora a abandonar o modelo computacional de mente, isto , a idia de que processos mentais so anlogos a uma mquina de Turing instanciada atravs do crebro? Penrose sustenta esta assimetria, afirmando que possvel estabelecer semelhanas entre intuio matemtica, processos conscientes e processos no-algortmicos, mas, afastando-se de Gdel e de Lucas, formula uma questo adicional: ser que no haveria, na prpria natureza, processos no-algortmicos e assim sendo no poderamos continuar sustentando uma possvel identidade entre processos mentais e processos cerebrais? preciso ento investigar tudo aquilo que a Fsica pode nos dizer sobre a natureza e se nesta poderamos de fato encontrar processos no-algortmicos. O debate se amplia ento: talvez a mecnica quntica pudesse nos fornecer esse ingrediente suplementar que caracteriza os processos no-algortmicos tpicos do crebro humano. A idia desenvolvida por alguns pesquisadores seria que fenmenos qunticos possuem algumas propriedades especiais, como o indeterminismo e a nolocalidade fenmenos que se supe ocorrerem no crebro humano. Penrose defende esta perspectiva no seu segundo livro, Shadows of the Mind, publicado em 1994 e ainda no traduzido. Trata-se de uma perspectiva um pouco diferente daquela apresentada em The Emperors New Mind, que termina com uma resposta negativa possibilidade de simulao mecnica plena das atividades mentais humanas e com uma defesa da existncia da intuio matemtica como algo caracteristicamente humano, no replicvel pelas mquinas. Em Shadows of the Mind, Penrose identifica a existncia de estados no-computveis (noalgortmicos) no crebro humano que seriam responsveis pelo que chamamos de compreenso ou intuio matemtica que o distingue de um computador e o torna capaz de saber o que est fazendo o que no ocorre no caso de uma mquina digital. Toda a hiptese desenvolvida por Penrose assenta-se, em ltima anlise, na idia de que estados conscientes podem ser identificados com estados no-computveis, como o caso da intuio matemtica que nos permite resolver o problema da parada da mquina de Turing e o valor de
verdade de algumas proposies indecidveis. Estes estados conscientes desempenham o papel de um observador externo que toma decises diante de processos no-computveis. Ora, como conceber um anlogo a estes estados no-computveis sem romper com uma hiptese materialista? preciso encontrar na natureza algo semelhante, algo que possa servir de fundamento para uma abordagem cientfica da conscincia. Penrose supe que um processo anlogo ocorre na mecnica quntica, uma rea da fsica na qual se reconhece a existncia de processos nodeterministas a ruptura com o determinismo seria ento o elemento caracterstico da no-algoritmicidade (vale lembrar que um processo algortmico sempre finito e determinstico). A mecnica quntica seria pelo menos de acordo com uma certa interpretao a chave para uma cincia da conscincia. Ora, sero vlidos estes argumentos contra o modelo computacional da mente formulados por Penrose? Ao que parece, sua profisso de f materialista o impede de enriquecer seus prprios argumentos acerca da natureza da intuio matemtica. Por exemplo, um aspecto que no parece ter sido explorado neste debate so as possveis limitaes fsicas para a capacidade de uma mquina replicar atividades mentais humanas. Estipular este tipo de relao remete-nos para a chamada Teoria da Complexidade Computacional (cujos principais delineamentos j apresentamos no final do Captulo 1), uma teoria que lida com questes prticas relativas velocidade e eficincia na execuo de procedimentos algortmicos para resolver problemas. Lembremo-nos de que a Teoria da Complexidade Computacional parte da idia de que podemos dividir os problemas computacionais em duas classes, os chamados problemas tratveis e os intratveis. Esta classificao baseia-se no nmero de passos e, conseqentemente, no tempo requerido para se rodar um determinado algoritmo num computador. Problemas intratveis so aqueles que comportam uma soluo algortmica, porm o tempo requerido para se executar este algoritmo o torna ineficiente. Certamente algum poderia dizer que os problemas levantados pela teoria da Complexidade, ou seja, a velocidade de computao depende do tipo de mquina na qual o algoritmo rodado. Pode-se argumentar que avanos na arquitetura de hardware poderiam levar a uma diminuio no tempo requerido para se rodar um algoritmo e, portanto, que a eficincia para se resolver problemas intratveis poderia gradualmente ser atingida. Assim concebido, este seria um problema prtico ou tecnolgico que no imporia nenhum tipo de limitao fsica a priori sobre o que um computador poderia fazer. Contudo, trabalhos pioneiros na rea de teoria da Complexidade desenvolvidos por H.J. Bremermann (1977) mostram que h limites fsicos na arquitetura de computadores de qualquer tipo e que estes limites fsicos condicionam o tempo para computar problemas consumido por
estas mquinas no importando o quanto seu hardware estiver aperfeioado. De acordo com Bremermann, h dois limites fsicos a serem considerados: o tempo de propagao e o tempo de comutao. Estes dois limites compem o chamado limite fundamental para a velocidade dos computadores que no pode ser ultrapassado. Tal limite fundamental deriva-se da idia de que a velocidade mxima de transmisso de sinal entre os componentes internos de um computador limitada pela velocidade da luz, ou seja, 3.108 m/segundo. O tempo de propagao ou intervalo de transmisso de sinal entre os componentes internos do computador determinado pela distncia na qual se situam tais componentes e, por sua vez, limitado por aquilo que se chama tempo de comutao. O tempo de comutao o intervalo para o processamento de informao atravs de dispositivos discretos. Mesmo que suponhamos a possibilidade tecnolgica de construir um computador muito pequeno para minimizar e otimizar a trajetria de transmisso de sinal, tal limite fundamental no pode ser ultrapassado sob pena de estarmos ignorando tudo o que a Fsica contempornea nos diz. A possibilidade tecnolgica de construir uma mquina ideal em tamanho, cuja velocidade de transmisso de sinal se aproximasse da velocidade da luz no pode ser descartada como algo a ser obtido no futuro. Contudo, mesmo com um hardware assim poderoso, haveria problemas cuja complexidade transcomputvel. Um problema transcomputvel um problema intratvel cujo procedimento algortmico de soluo no pode ser obtido em tempo eficiente a despeito de qualquer aperfeioamento do hardware do computador utilizado. O intervalo de tempo requerido para rodar alguns algoritmos transcomputveis pode ser to longo quanto a prpria idade do universo. Este crescimento em complexidade temporal requerido para a realizao de algoritmos transcomputveis aplica-se igualmente ao crebro humano se este for concebido como um sistema fsico e portanto submetido ao conceito de limite fundamental desenvolvido por Bremermann. Processamento de sinal neuronal no pode ocorrer a uma velocidade maior do que a da luz. Estes trabalhos pioneiros de Bremermann permitem-nos fazer uma especulao interessante acerca das limitaes fsicas exibidas pelos computadores. Como possvel que nossa mente, atravs de intuio matemtica ou insight especfico possa resolver, instantaneamente, alguns problemas transcomputveis? Isto significa dizer que, se nossa mente funciona algoritmicamente, ela capaz de processar informao com uma extraordinria rapidez uma rapidez que superaria o limite fundamental proposto por Bremermann. A superao deste limite fundamental, ou seja, processar informao a uma velocidade maior que a da luz tem como conseqncia metafsica imediata a possibilidade de sustentar que pelo menos parte das atividades mentais humanas no teria as caractersticas
atribuveis a sistemas fsicos. Mente e crebro teriam de ser diferentes, caso contrrio a intuio matemtica no poderia existir. Estaramos aqui diante de um forte argumento em favor da distino entre mente e crebro! um tipo de argumento que parece ter passado completamente despercebido pelo prprio Penrose que, na Mente Nova do Rei, aborda, muito rapidamente e de passagem, os problemas suscitados pela teoria da Complexidade Computacional. Finalizando, preciso dizer que os argumentos de Lucas e de Penrose ainda suscitam muita inquietao entre os filsofos da mente. No livro de D. Dennett, Darwins Dangerous Idea, publicado em 1995, encontramos um captulo inteiro dedicado refutao dos pontos de vista de Penrose. O legado deste debate em torno das possibilidades da computao simblica e da abordagem formal de processos cognitivos encaminha a filosofia da mente para mais uma questo fundamental que passa a ocupar um papel central no seu cenrio: o estudo da natureza da conscincia, esta ltima trincheira que ainda parece resistir possibilidade de replicao mecnica. Nos ltimos dois anos tem havido uma verdadeira proliferao de teorias sobre a natureza da conscincia; os simpsios realizados em Tucson, no Arizona, em abril de 1994 e em abril de 1996, constituem um marco decisivo desta nova tendncia. O reconhecimento da irredutibilidade de fenmenos conscientes a qualquer tipo de base, seja neurofisiolgica ou fsica, defendida por filsofos como D. Chalmers (1996), parece dominar esta nova etapa da histria da Filosofia da Mente. O QUE LER
1 Dreyfus, H. What Computers Cannot Do. 2 Dreyfus, H. What Computers Still Cannot Do. 3 Penrose, R. A Mente Nova do Rei. 4 Searle, J. Mente, Crebro e Cincia. 5 Searle, J. Minds, Brains and Programs. H traduo deste artigo para o portugus na coletnea Crebros, Mquinas e Conscincia, Joo de F. Teixeira (org). 6 Teixeira, J. de F., O que Inteligncia Artificial captulo 4.
SEGUNDA PARTE
Conexionismo e redes neurais

Uma nova concepo do funcionamento mental Um sistema conexionista com memria distribuda Conexionismo e filosofia da mente Crticas ao modelo conexionista
C APTULO 5
Uma nova concepo do funcionamento mental
Conceitos introduzidos neste captulo: Principais caractersticas dos sistemas conexionistas. Os componentes principais dos sistemas conexionistas. A soluo conexionista para o conectivo XOR. Sumrio do paradigma conexionista.
Desde os anos 40, quando surgiu o movimento ciberntico, o projeto de simular as atividades mentais esteve dividido entre duas grandes alternativas: estudar a mente humana ou o crebro humano. Da primeira vertente surgiu a IA simblica, que privilegiou o estudo das representaes mentais e da sua simulao atravs de programas computacionais que apresentavam grande autonomia em relao ao hardware onde eles poderiam ser rodados. Da segunda vertente que tenta simular o crebro como caminho para simular a atividade mental surgiu o conexionismo. O conexionismo no teve sucesso at o incio da dcada de 80, quando surgiram os trabalhos de Hinton e Anderson (e, posteriormente, de Rumelhart e McClelland), tendo ficado abafado, principalmente, durante os anos 70, quando havia grande entusiasmo pelas possibilidades abertas pela IA simblica. O conexionismo, funcionalismo neurocomputacional ou processamento paralelo distribudo (PDP = Parallel Distributed Processing) no endossa a viso de que processos mentais possam ser estudados como computaes abstratas, independentemente de sua base fsica e do meio ambiente onde se situa o organismo ou o sistema onde elas ocorrem. Conhecimentos acerca do funcionamento do crebro e conhecimentos sobre computao devem convergir no estudo da natureza dos estados mentais. O crebro humano visto como um dispositivo computacional em paralelo que opera com milhes de unidades computacionais cha-
madas neurnios ou neuron-like units. Computadores e crebros so sistemas cuja funo principal processar informao e, assim, podem-se utilizar redes artificialmente construdas para simular esse processamento. Tais redes constituem um intrincado conjunto de conexes entre essas neuron-like units que esto dispostas em camadas hierarquicamente organizadas. Dado um determinado input, diferentes estados mentais podem ocorrer como conseqncia de mudanas nas conexes, que podem ser inibidas ou ativadas, variando de acordo com a interao do sistema com o meio ambiente e com seus outros estados internos. As conexes entre unidades estimuladas via inputs externos geram os chamados padres de conectividade. As unidades esto conectadas umas com as outras: unidades ativas excitam ou inibem outras unidades. A rede funciona como um sistema dinmico ou seja, uma vez dado o input inicial, este espalha excitaes e inibies entre as unidades. Em alguns tipos de rede, este processo no pra at que um estado estvel seja atingido. Sistemas conexionistas e simblicos so sistemas computacionais, mas h uma grande diferena no tipo de computao que eles realizam. Na perspectiva simblica, a computao essencialmente a transformao de smbolos de acordo com regras regras que esto estabelecidas num programa. A idia de computao subjacente a um sistema conexionista diferente: seu princpio um conjunto de processos causais atravs dos quais as unidades se excitam ou se inibem, sem empregar smbolos ou tampouco regras para manipul-los. Abandona-se a idia de uma mente que executa passos algortmicos discretos (como uma mquina de Turing) e a suposio de que processos mentais seriam uma justaposio inferencial de raciocnios lgicos. Em vez, o que temos um conjunto de neurnios artificiais para modelar a cognio; neurnios cujo peso de conexo sinptica pode ser alterado atravs da estimulao positiva ou negativa da conexo (esta chamada regra hebbiana em homenagem a Donald Hebb). Cada neurnio tem um valor de ativao, e cada sinapse que chega at ele tem uma fora, positiva ou negativa, de conexo. Alguns sistemas conexionistas so fortemente inspirados em modelos fsicos. Este o caso dos sistemas que se baseiam num outro tipo de mquina virtual, a mquina de Boltzmann, inspirada num modelo termodinmico. A mquina de Boltzman composta de uma srie de unidades simples operando em paralelo e conectadas com unidades vizinhas atravs de ligaes bidirecionais. Tais ligaes recebem um determinado peso que pode ser positivo ou negativo. Suponhamos agora que a um determinado momento concebamos cada uma das unidades como representando informaes recebidas atravs de um determinado input. Uma determinada unidade ento ativada na medida em que ela acredita que aquela informao seja verdadeira. Duas unidades que representam informaes contraditrias sero ligadas por uma conexo
de peso negativo, enquanto que unidades que representam hipteses coincidentes tendero a incrementar o peso de sua conexo. Em outras palavras, as ligaes permitem que as unidades individuais se excitem e se inibam entre si de uma maneira sistemtica. O estado de uma unidade num determinado momento depender, em parte, do estado de todas as outras unidades com a qual ela est ligada. E essas unidades, por sua vez, sero influenciadas ainda por outras com as quais esto conectadas no interior da rede. A produo de um determinado output depender, assim, de um processo interativo de ajustamento mtuo de inibies e excitaes, at que uma deciso final seja atingida a deciso que chamamos de deciso comunitria. Este processo de ajustamento tambm denominado de processo de relaxamento, num ciclo que guarda muita semelhana com o modelo de prazer/desprazer e o princpio de constncia que norteou o modelo hidrulico da mente proposto por Freud1. A abordagem conexionista uma tentativa de construir um modelo de mente mais prximo de sua realidade biolgica. Embora estes sistemas no sejam um modelo completo do crebro e de seu funcionamento, podese pelo menos dizer que eles so inspirados na estrutura do crebro. Processamento paralelo distribudo tambm tem uma inspirao neurolgica: emprega vrios processadores simples ligados em paralelo, de uma forma bastante intrincada. Uma forte analogia entre modelos conexionistas e o crebro se estabelece na medida em que nos primeiros, da mesma maneira que no crebro, a informao estocada pode subsistir apesar da destruio de alguns neurnios. Os crebros e as redes neurais no perdem to facilmente a informao porque ela est distribuda no sistema. COMPONENTES DOS SISTEMAS CONEXIONISTAS A construo de sistemas conexionistas envolve os seguintes componentes:
1 2 3 4 Um conjunto de unidades de processamento (neuron-like units). Um padro de conectividade entre as unidades. Pesos (ou fora) entre as conexes. Uma regra de ativao que toma os inputs que recaem sobre uma unidade num determinado estado e os combina para produzir um novo nvel de ativao para essa unidade. 5 Uma regra de aprendizado, a partir da qual padres de conectividade mudam com a experincia.
1.
J notamos esta semelhana em Teixeira, J de F. (1996), captulo 5.
A especificao do conjunto de unidades de processamento (neuron-like units) o primeiro passo para a construo de um sistema conexionista. Cada uma dessas unidades cumpre sua funo, qual seja, a de receber um input das unidades vizinhas e computar um valor de output que , ento, passado para outras unidades vizinhas. Uma vez que o sistema funciona em paralelo, muitas unidades podem realizar computaes simultaneamente. H trs tipos de unidades: unidades de input, unidades de output e unidades ocultas. De modo geral, as unidades de input recebem estmulos de fontes externas ao sistema. Contudo, unidades de input podem tambm receber estmulos oriundos do prprio sistema, ou seja, de outras unidades. As unidades de output enviam sinais para fora do sistema sinais que podem afetar componentes motores acoplados a este ltimo. Finalmente, as unidades ocultas so aquelas cujos inputs e outputs provm do interior do sistema que estamos construindo. As unidades esto conectadas umas com as outras. o padro de conectividade que determina o que o sistema sabe e determina como ele responder a um input qualquer. O padro de conectividade existente entre as unidades permite especificar o sistema de processamento e o conhecimento que o sistema contm. O peso (ou fora) corresponde a um nmero real que associado a cada conexo entre as unidades e que determina o quanto uma unidade afetar outra. Alm dos pesos e do padro de conectividade, a construo de sistemas conexionistas exige a determinao de uma regra de ativao. Esta regra estabelece como os inputs que recaem sobre uma certa unidade se combinam entre si e com o estado presente da unidade, produzindo um novo estado de ativao. Finalmente, a regra de aprendizado descreve mudanas no conhecimento contido num sistema conexionista. Estas mudanas so fundamentalmente modificaes nos padres de conectividade. Basicamente, h trs tipos de modificaes que podem ocorrer: o aparecimento de novas conexes, a perda de conexes j existentes ou a modificao do peso entre conexes. O terceiro tipo de modificao engloba as outras duas, pois quando o valor de uma conexo passa de 0 para 1 obtemos, na verdade, uma nova conexo. O oposto vale para o desaparecimento de conexes j existentes. O PROBLEMA DO XOR Conforme afirmamos, a abordagem conexionista originou-se da Ciberntica, a partir dos trabalhos de McCulloch e Pitts (1943) e, posteriormente, Hebb (1949) e Rosemblatt (1962). McCulloch e Pitts
demonstraram que uma rede de neurnios com ligaes excitatrias e inibitrias pode computar as funes lgicas e, ou e no (ver o Captulo 2 da primeira parte deste livro), o que se supunha equivaler capacidade de modelar qualquer tipo de expresso lgica. Alm das tentativas de estabelecer uma caracterizao formal do comportamento das redes de neurnios, esta pesquisa direcionou-se para a modelagem de funes cognitivas. Num trabalho de 1947, McCulloch e Pitts exploraram a possibilidade de construir redes para efetuar o reconhecimento de padres visuais. Eles investigavam a habilidade de humanos e animais de reconhecer diferentes modos de apresentao de um mesmo objeto e como as mltiplas transformaes de uma imagem (input) poderiam gerar uma representao cannica (standard) desse objeto. Seriam necessrias duas redes para realizar esta tarefa: a primeira deveria identificar as propriedades invariantes de um padro e a segunda produziria uma representao standard. Rosenblatt liderou esta pesquisa. Ele desenvolveu redes com vrias camadas de neurnios binrios, ou seja, redes que recebem inputs de fora e mandam excitaes ou inibies para um outro conjunto de neurnios que podem, por sua vez, enviar inputs para um terceiro conjunto. Rosenblatt chamou estes sistemas de perceptrons. Vrias novidades foram introduzidas na construo dos perceptrons: as conexes entre as unidades eram contnuas e no propriamente binrias, camadas de neurnios ativados podiam enviar excitaes de volta para camadas anteriormente excitadas e a rede podia ser treinada para mudar suas respostas. Ou seja, a rede podia modificar os pesos das conexes de modo a modificar as respostas incorretas. Rosenblatt demonstrou um teorema importante acerca deste procedimento de treino, o chamado teorema da Convergncia do Perceptron, mostrando que atravs de um nmero finito de sesses de treino a rede aprenderia a responder corretamente. Alm do reconhecimento de padres visuais estudavam-se redes para modelar a memria humana. Um dos problemas nesta rea era saber como redes poderiam estocar associaes entre lembranas diferentes. Donald Hebb (1949) desenvolveu uma proposta para resolver este problema que passou a ser conhecida, posteriormente, como a regra de Hebb (j nos referimos a ela no incio deste captulo). A regra de aprendizado de Hebb consiste em estipular que, se duas unidades de uma rede so excitadas simultaneamente, h um aumento na fora de conexo entre elas. Esta regra vale tambm para sua variante inibitria. Contudo, o desenvolvimento das pesquisas na rea de redes neurais foi subitamente interrompido pela publicao do livro Perceptrons, por Minsky e Papert, em 1969. Por intermdio de uma anlise matemtica rigorosa, Minsky e Papert mostraram que a exploso combinatorial na quantidade de tempo requerida para o perceptron aprender a resolver certos problemas o tornava invivel. Ademais, eles mostraram que havia
certos problemas que o perceptron no poderia resolver: este era o caso da operao lgica XOR ou ou exclusivo. Com isto, pretendia-se sepultar, de maneira definitiva, a abordagem conexionista na simulao de atividades mentais. Neste sentido, Minsky e Papert foram bem sucedidos: aps sua crtica, foram precisos 20 anos para que os trabalhos de Hinton, Anderson, Rumelhart e McClelland voltassem a chamar a ateno da comunidade cientfica para as perspectivas que poderiam ser abertas pelo estudo das redes neurais artificiais. Hoje em dia, o problema da modelagem da operao lgica XOR com o uso de redes neurais foi superado. Como os conexionistas solucionaram o problema do XOR? Um ou torna-se ou exclusivo se estabelecemos que um input, mas no ambos, assumem o valor 1 para se obter um output 1. Posso vir de terno ou de esporte fino, mas no posso vestir os dois. Em outras palavras, o output do XOR ser 1 se os dois inputs forem diferentes. Um nico neurnio no capaz de implementar o XOR, mas uma rede resolve o problema. A figura a seguir mostra o tipo de rede que estamos procurando:
unidades ocultas 1
-1 1 1 1 -1 1 1
unidade de input
unidade de output
Figura 5.1. Rede XOR (adaptada de Franklin, 1995, p.128.)
Na figura anterior, os crculos esquerda representam unidades geradoras de input. As duas unidades centrais so chamadas de unidades ocultas, pois no recebem inputs diretamente nem geram outputs diretamente. A unidade mais direita produz o output da rede. As unidades ocultas e a unidade de output disparam quando um determinado limiar atingido. Dados dois 0s como input, a soma de ambos os pesos das unidades ocultas est abaixo do limiar, e, assim sendo, a unidade de output recebe apenas inputs 0, produzindo o output desejado. Suponhamos que a unidade superior recebe um 1 e a inferior um 0. No passo seguinte, a soma dos pesos da unidade superior oculta atinge o limiar, mas a inferior no. No terceiro passo, a unidade de output recebe um input de 1 e um de 0, produzindo uma soma de pesos que atinge o limiar e gera um output de 1, conforme o desejado. Se os inputs de 1 e 0 so invertidos, a situao se mantm simtrica e o resultado o mesmo. A situao torna-se um pouco
mais delicada quando ambos os inputs so 1. No segundo passo, a soma dos pesos das unidades ocultas 0, em decorrncia do fato de que inputs excitatrios e inibitrios se cancelam mutuamente. Assim sendo, no terceiro passo a unidade de output recebe 0 e produz 0, conforme o desejado. A resoluo do problema do XOR abriu novas perspectivas para a abordagem conexionista. A partir dos anos 80, pesquisas na linha que vinha sendo desenvolvida por Rosenblatt passaram novamente a atrair ateno. Trabalhos sobre redes neurais comearam a ressurgir. Em 1981, Hinton e Anderson publicam o livro Parallel Models of Associative Memory e, em 1986, o clssico de Rumelhart e McClelland, Parallel Distributed Processing, que teve sua primeira edio esgotada antes mesmo de ser publicado. Vrios fatores influenciaram o reaparecimento do conexionismo: o descontentamento com modelos simblicos, a tentativa de reaproximar a abordagem da cognio com a pesquisa na rea de neurocincia que comeava a ganhar cada vez mais fora e o aperfeioamento de novas tcnicas para treinar redes de mltiplas camadas. Este reaparecimento do conexionismo a partir da dcada de 80 influenciou de modo decisivo o desenvolvimento da Cincia Cognitiva modificando, de maneira drstica, seu desenvolvimento e suas perspectivas futuras. SUMRIO DO PARADIGMA CONEXIONISTA No seu ensaio Conocer (1988), Francisco Varela apresenta as linhas gerais do paradigma conexionista que reproduzimos a seguir:
O que a cognio? A emergncia de estados globais numa rede de componentes simples. Como funciona esta rede? Por meio de regras locais que governam as operaes individuais e de regras de mudana que governam a conexo entre os elementos da rede. Como saber se um sistema cognitivo funciona adequadamente? Quando verificamos que as propriedades emergentes e a estrutura resultante correspondem a uma atitude cognitiva especfica: uma soluo satisfatria para a tarefa em questo.
No paradigma conexionista, os smbolos no desempenham um papel central. A computao simblica substituda por operaes numricas, como, por exemplo, as equaes diferenciais que governam um sistema dinmico. Neste tipo de sistema o que realmente conta no so os smbolos, mas complexos padres de atividade entre as mltiplas
unidades que constituem a rede. Esta mudana de enfoque implica abandonar o pressuposto bsico da IA simblica, qual seja, de que deve haver um nvel simblico independente do hardware na abordagem da cognio. Ademais, na abordagem conexionista, o significado no est localizado em smbolos especficos: este emerge do estado global do sistema. Como este estado global emerge de uma rede de unidades mais bsicas que os prprios smbolos, o paradigma conexionista tambm chamado de paradigma subsimblico (Smolensky, 1988). O nvel subsimblico superpe-se ao biolgico, embora esteja mais prximo deste do que na IA simblica. No paradigma subsimblico, o significado emerge de complexos padres de atividade sem, entretanto, residir especificamente em cada um dos componentes da rede. O QUE LER
1 McClelland e Rumelhart . Parallel Distributed Processing. 2 Smolensky, P . On the Proper Treatment of Connectionism.
C APTULO 6
Um sistema conexionista com memria distribuda
Conceitos introduzidos neste captulo: Sistemas com representao distribuda. As propriedades de sistemas conexionistas: a) Memria enderevel por contedo b) Degenerao gradual c) Atribuio default d) Generalizao flexvel e) Propriedades emergentes f) Aprendizado
Redes conexionistas so sistemas complexos de unidades simples que se adaptam ao seu meio ambiente. Alguns deles tm milhares de unidades, mas mesmo aqueles que tm apenas algumas poucas podem apresentar um comportamento complexo e, por vezes, surpreendente. Seu processamento ocorre em paralelo e de forma interativa, distinguindo-se do processamento serial utilizado pela Inteligncia Artificial simblica. De um modo geral, tais sistemas podem ser divididos em duas grandes classes, de acordo com o tipo de representao que eles utilizam. O primeiro tipo utiliza-se de representaes locais, ou seja, as unidades neste tipo de sistema tm interpretaes bem definidas (por exemplo, uma unidade especfica pode tornar-se ativa se e somente se o input a cor vermelha; assim sendo, a unidade pode ser interpretada como significando vermelho). O segundo tipo utiliza-se de representaes distribudas por meio de vrias unidades (um n ou unidade pode fazer parte de diferentes representaes: ele pode estar ativado quando o vermelho est presente, mas tambm quando o alaranjado est). Neste caso, a interpretao s possvel considerando-se um conjunto de unidades. preciso notar que quando falamos em representao num sistema conexionista estamos empregando esta palavra num sentido diferente daquele utilizado pela Inteligncia Artificial simblica. Representar, num sistema conexionista, significa estabelecer relaes entre unidades ou
neuron-like units relaes que podem ser expressas matematicamente na forma de um conjunto de equaes. Neste sentido, a prpria idia de como a atividade mental produz representaes profundamente alterada na concepo conexionista, ou seja, no podemos conceber a existncia de um nvel representacional abstrato e simblico, com total independncia em relao ao hardware que o instancia. UM EXEMPLO DE SISTEMA COM REPRESENTAO DISTRIBUDA Um dos melhores exemplos do funcionamento de um sistema conexionista com representao distribuda encontra-se no livro de McClelland, Rumelhart e Hinton (1986). Alguns comentrios e complementaes a este exemplo foram feitos posteriormente por Clark (1989), que reproduzimos aqui. McClelland, Rumelhart e Hinton nos convidam a imaginar duas gangues que agem nas ruas de Nova Iorque: os JETS e os SHARKS. Caractersticas destas gangues esto representadas na tabela a seguir:
Nome Art Al Sam Clyde Mike Jim Greg John Doug Lance George Pete Fred Gene Ralph Phil Ike Nick Don Ned Karl Ken Earl Rick Ol Neal Dave Guangue Jets Jets Jets Jets Jets Jets Jets Jets Jets Jets Jets Jets Jets Jets Jets Sharks Sharks Sharks Sharks Sharks Sharks Sharks Sharks Sharks Sharks Sharks Sharks Idade 40 30 20 40 30 20 20 20 30 20 20 20 20 20 30 30 30 30 30 30 40 20 40 30 30 30 30 Escolaridade Primrio Primrio Superior Primrio Primrio Primrio Secundrio Primrio Secundrio Primrio Primrio Secundrio Secundrio Superior Primrio Superior Primrio Secundrio Superior Superior Secundrio Secundrio Secundrio Secundrio Superior Secundrio Secundrio Estado Civil solteiro casado solteiro solteiro solteiro divorciado casado casado solteiro casado divorciado solteiro solteiro solteiro solteiro casado solteiro solteiro casado casado casado solteiro casado divorciado casado solteiro divorciado Profisso traficante assaltante banqueiro banqueiro banqueiro assaltante traficante assaltante banqueiro assaltante assaltante banqueiro traficante traficante traficante traficante traficante traficante assaltante banqueiro banqueiro assaltante assaltante assaltante traficante banqueiro traficante
(Note-se que as idades so aproximadas, 40= ao redor de 40 anos, 20= em torno de 20 anos. Note-se tambm que banqueiro = banqueiro de bicho).
Estas caractersticas podem, por sua vez, ser representadas atravs do seguinte diagrama:
Figura 6.1. Modelo de rede conexionista distribuda (adaptada de McClelland & Rumelhart, 1986, p. 28).
Note-se, no diagrama apresentado que: Crculos irregulares significam a existncia de conexes mutuamente inibitrias entre as unidades dentro do crculo. Assim, a primeira figura est composta de trs unidades, uma delas significando que o indivduo em questo tem em torno de 20 anos, outra significando que o indivduo tem em torno de 30 anos, e assim por diante. Na medida em que ningum pode, simultaneamente, estar em torno de seus 30 anos e de seus 40 anos tambm, as unidades tm de ser mutuamente inibitrias. Se uma delas excitada, as outras duas tero de ser inibidas. As linhas com flechas na extremidade representam conexes excitatrias. Se a linha possui flechas em ambas as extremidades, a conexo mutuamente excitatria. Assim sendo, suponha que todos os assaltantes tenham idade em torno de 30 anos. Haveria uma conexo excitatria entre cada unidade correspondente a um assaltante e a unidade correspondendo idade em torno de 30 anos. Se, alm disto, somente os assaltantes esto em idade em torno de 30 anos, a unidade correspondente a 30 anos estaria conectada, de maneira excitatria, com as unidades que representam assaltantes.
Os crculos pretos significam indivduos e esto conectados com as propriedades exibidas pelo indivduo por meio de conexes excitatrias. Por exemplo, uma destas unidades est ligada s unidades representando Lance, 20 anos, assaltante, solteiro, Jet e aluno de escola primria. Estocando informao desta maneira, o sistema passa a exibir as seguintes propriedades, que examinaremos a seguir: memria enderevel por contedo (content addressable memory), degenerao gradual (Graceful Degradation) e generalizao. Memria enderevel por contedo (Content Addressable Memory): considere a informao que a rede estoca acerca de Rick. Rick divorciado, um assaltante com curso secundrio e tem em torno de 30 anos. Num sistema convencional, esta informao seria estocada em um ou vrios endereos e sua recuperao (retrieval) dependeria de se saber o endereo. Contudo, possvel tornar toda esta informao acessvel atravs de qualquer uma das rotas escolhidas. Por exemplo, pode-se querer saber dados acerca de um Shark em torno de 30 anos ou se pode ter uma descrio que seja adequada para identificar um indivduo especfico. Contudo, esta descrio pode conter alguns erros. Este acesso informao, apesar da descrio com alguns erros, a memria enderevel por contedo. Podemos facilmente encontrar o item que satisfaz a descrio: um ator, inteligente, um poltico, apesar da descrio ser incompleta. Num sistema tradicional, a descrio incompleta ou com erros exige uma busca extremamente complexa. O mesmo no ocorre se se estoca a informao numa rede como a que acabamos de descrever, que se comportar de uma das seguintes maneiras: 1 Quando um padro familiar (j estocado) entra na memria do sistema, ele expandido e o sistema responde com uma verso mais forte do input, numa espcie de atividade de recognio. 2 Se um padro totalmente desconhecido entra na memria do sistema, ele simplesmente descartado. 3 Quando somente uma parte do padro entra na memria do sistema, este completa as partes que faltam. Este o caso tpico da memria enderevel por contedo (Content Addressable Memory System). Vejamos como (3) ocorre tomando como exemplo a rede de que estamos falando. Suponhamos que queiramos saber quem satisfaz a descrio um Shark em torno de 30 anos. As unidades correspondentes a Sharks e tem em torno de 30 anos so ativadas e passam valores positivos para as unidades com as quais elas esto conectadas por meio de ligaes excitatrias. Espalha-se uma ativao que se inicia com a primeira unidade e depois com as outras. O resultado um padro de ativao envolvendo as unidades correspondentes a Shark, tem em torno de 30 anos, assaltante, divorciado, tem curso secundrio e Rick. O processo aparece na figura a seguir:
Figura 6.2. Padro de ativao para um Shark em torno de 30 anos. As partes hachuradas correspondem a inputs e as ressaltadas correspondem s unidades pelas quais a ativao se espalha (adaptada de McClelland & Rumelhart, 1986, p.28).
O ponto importante que deve ser notado o seguinte: o mesmo padro final de ativao (isto , o padro geral de unidades ativas aps espalhar-se a ativao) poderia ter sido obtido dando-se ao sistema qualquer uma das descries parciais, por exemplo, os inputs Shark, educao secundria, Rick, em torno dos 30 anos, e assim por diante. Usando-se uma rede para a representao dos dados, obtm-se uma memria flexvel, enderevel por contedo. Degenerao gradual (Graceful Degradation): Clark aponta que h duas variedades de degenerao gradual. A primeira consiste na capacidade de um sistema em continuar a funcionar apesar de seu hardware ter sofrido algum dano. A segunda consiste na capacidade de um sistema de operar com base em dados que podem ser parciais ou incluir erros. A capacidade de tolerar danos no hardware uma propriedade que aproxima os sistemas com memria distribuda do modo como funciona a memria humana: a perda de alguns componentes do sistema faz com que a informao degrade, mas no implica a sua perda total. A plausibilidade da memria distribuda torna-se evidente no clebre caso da memria da vov: se todas as minhas memrias acerca de minha av
estivessem estocadas localmente, ou seja, em apenas um neurnio no meu crebro e se por acaso esse neurnio desaparecesse ou se degenerasse, no dia seguinte eu seria incapaz de reconhecer minha av. Tal fato no ocorreria se minhas memrias acerca de minha av estivessem distribudas na rede; no mximo eu me tornaria incapaz de me lembrar de alguma caracterstica especfica de minha av ou de algum evento relacionado com a sua vida. Vejamos agora o segundo tipo de degenerao gradual. Suponhamos que queiramos recuperar o nome de um indivduo que acreditamos ser um Jet, banqueiro de bicho, casado e com educao primria. Ningum em nosso modelo satisfaz esta descrio. O que melhor se encaixa Sam, que banqueiro de bicho, Jet, casado, mas tem educao superior. A rede pode lidar com estes dados, graas conexes inibitrias. As unidades para banqueiro de bicho, casado, Jet e unidade (errada) para educao primria so ativadas. As unidades para banqueiro de bicho e casado excitam apenas uma das unidades que especifica indivduos. Elas aparecem na figura a seguir:
Figura 6.3. Padro de ativao para um Jet que banqueiro de bicho e com educao primria. As unidades no centro da figura esto marcadas com as iniciais dos membros da gangue. Os inputs esto hachurados. As unidades individuais mais ativadas esto marcadas com um x e as unidades correspondentes a nomes que so excitadas, ressaltadas (adaptada de McClelland & Rumelhart, 1986, p. 28).
A unidade Jet excita as unidades correspondentes a indivduos marcadas como A, S, Ra, e L. (somente Rick, cuja unidade correspondente est marcada como ri um Shark). A unidade escola primria excita L, Ra e A. Ou seja: A unidade banqueiro de bicho excita S. A unidade casado excita S. A unidade Jet excita A, S, Ra, L. A unidade escola primria excita L, Ra, A. Assim sendo, a unidade S estimulada trs vezes e as unidades L, Ra e A, duas vezes. Mas as vrias unidades que representam indivduos so conectadas entre elas numa maneira mutuamente inibitria e, assim, a tripla ativao da unidade S tende a inibir a ativao dupla, mais fraca das unidades A, L e Ra. Quando a ativao se espalha a partir das unidades individuais, a unidade S transmite o valor excitatrio mais importante. A unidade S est conectada, de forma excitatria, com a unidade correspondente a Sam. E as diversas unidades correspondentes a nomes esto tambm conectadas, competitivamente, atravs de ligaes mutuamente inibitrias. Assim sendo, Sam vai ser o resultado da descrio incompleta que comea com Jet, banqueiro de bicho , casado, educao primria . O caminho da ativao aparece na figura anterior. Atribuio default: Suponhamos que no saibamos que Lance um assaltante. Mas sabemos que a maior parte dos Jets com educao primria e em torno de 20 anos so assaltantes e no banqueiros de bicho ou traficantes. Seria razovel supor que Lance tambm um assaltante, at prova em contrrio. Este tipo de pressuposio chamada de atribuio default. prtica comum pressupor que podemos sempre estender os dados disponveis de maneira a recobrir casos novos. A rede que estamos examinando recobre, por atribuio default, casos novos. Como isto ocorre? Suponhamos que no saibamos que Lance, um assaltante. Mesmo assim, quando ativamos a unidade com o nome Lance, esta ativar as unidades relacionadas a todas as propriedades conhecidas de Lance (Jet, escola primria, casado, em torno de 20 anos). Estas unidades correspondentes a propriedades vo, por sua vez, excitar as unidades de outros que tambm tm estas propriedades. Se a maioria daqueles que tm as propriedades de Lance tm tambm uma propriedade adicional, ento a ativao a partir destas unidades vai se combinar para ativar, no caso de Lance, a unidade representando a propriedade adicional em questo. Neste sentido, a unidade correspondente a assaltante ativada como uma espcie de atribuio default de Lance. Generalizao flexvel: A generalizao flexvel uma propriedade muito similar atribuio default. Num certo sentido, podemos considerar todas as propriedades de nosso exemplo como envolvendo descries em nveis diferentes e usos da mesma estratgia computacional para lidar
com casos de descrio incompleta. Neste caso, a capacidade do sistema de completar a descrio usada para gerar um conjunto tpico de propriedades associadas com essa descrio. O sistema sabe sobre indivduos e nenhum deles precisa ser uma perfeita instanciao da descrio em questo. Assim, suponhamos que queiramos encontrar o esquema do Jet tpico. Existem padres que definem se um indivduo ou no um Jet, embora nenhum indivduo instancie todos esses padres. Assim, a maioria dos Jets so solteiros, em torno de 20 anos e com educao primria. No existe nenhum padro, que, por si s, especifique que um indivduo seja um Jet. Se se d o input Jet para o sistema, as unidades correspondentes a solteiro, em torno de 20 anos, e com escola primria entraro em atividade, e as restantes se inibiro mutuamente. Desta maneira, o sistema generaliza a natureza tpica de um Jet, embora nenhum indivduo de fato possua as trs propriedades simultaneamente. O interessante aqui no apenas a capacidade de generalizar, mas a flexibilidade do sistema. Um sistema convencional poderia criar e estocar vrias generalizaes. Mas o PDP pode generalizar de uma maneira muito flexvel, sem necessidade de uma estocagem explcita ou decises anteriores quanto forma da generalizao. A rede pode fornecer generalizaes a partir de qualquer tipo de dado que entre como input, desde que este dado esteja de alguma maneira estocado nela. Por exemplo, em vez de pedir detalhes de um Jet tpico, podemos pedir detalhes de uma pessoa em torno de 20 anos, com educao primria ou um tpico traficante casado. A generalizao efetuada pela rede flexvel, ela pode alinhar dados de uma maneira nova e at impredizvel: esta uma das grandes vantagens do PDP no que diz respeito representao do conhecimento. Propriedades emergentes: em nosso captulo sobre sistemas especialistas vimos brevemente a idia de representao utilizando frames. Os frames funcionam como uma espcie de esquema, uma estrutura de dados que estoca de forma estereotipada itens ou eventos associados com alguma descrio. O problema envolvido na construo destes esquemas a enorme quantidade de informao implcita ou simplesmente pressuposta, o que torna a sua construo por vezes problemtica. Por exemplo, uma das dificuldades que surgem o fato de eles se comportarem de maneira rgida. Qualquer variante da situao expressa no esquema exige que se construa um subesquema, e isto pode exigir a construo de uma enorme quantidade de subesquemas se procedermos na maneira tradicional da Inteligncia Artificial simblica. O custo computacional envolvido neste tipo de tarefa pode se tornar enorme. McClelland e Rumelhart desenvolveram um sistema conexionista no qual as propriedades de um esquema simplesmente emergem da atividade de uma rede de unidades que reagem variao de caractersticas
(variantes) do esquema em questo. Estes esquemas emergentes so apresentados como uma soluo parcial para o dilema que surge na abordagem tradicional: eles caracterizam-se por um tipo de maleabilidade que falta na abordagem tradicional ou que teria de ser suprida passo a passo. J no modelo PDP no h um esquema explcito representado: ele emerge no momento necessrio, a partir da interao de vrios elementos simples, ou seja, de padres ou subpadres de unidades que se conectam a partir de ligaes excitatrias. No preciso estabelecer de antemo as variantes de um esquema, pois este sistema pode aprendlas e mobiliz-las quando for necessrio. Estas idias so ilustradas por McClelland e Rumelhart, que analisam o modo de conceber um quarto, uma cozinha ou um escritrio. Tais exemplos ilustram melhor ainda a idia de representao distribuda, alm de mostrar como caracterizaes simblicas tpicas (por exemplo, uma idia de quarto ou cozinha) podem emergir a partir de uma rede de entidades mais simples. Um quarto padro tem moblias tpicas; o mesmo ocorre com uma cozinha. Em geral, quando entramos num cmodo com um fogo, h nele tambm uma pia, mas no h uma cama. Suponhamos agora que temos um conjunto de unidades PDP sensveis presena de moblia domstica. Unidades que se ligam o fazem atravs de conexes excitatrias, enquanto unidades que no se ligam mantm entre si conexes inibitrias. Quando se excita um item que se encontra numa cozinha, todos os itens que normalmente so encontrados numa cozinha so igualmente excitados: este um esquema emergente. Vejamos em maior detalhe este modo de representar informao. A primeira propriedade interessante , neste caso, a natureza distribuda da representao da cozinha. O conceito de cozinha, nesta perspectiva, envolve muitas caractersticas implcitas (ou microcaractersticas, como, por exemplo, propriedades funcionais ou geomtricas dos objetos). A estratgia de construir correlatos de conceitos a partir de pequenas partes (microcaractersticas) tem vantagens: degradao gradual, possibilidade de esquemas emergentes, para citar apenas duas. Encontramos aqui um exemplo concreto de como uma rede pode simular aspectos tpicos da inteligncia e cognio humanas, com sua caracterstica essencial: a flexibilidade. Esquemas emergentes dispensam a necessidade de decidir previamente quais as situaes possveis com as quais o sistema precisar lidar, dando lugar a uma espcie de holismo informacional que simula a flexibilidade da inteligncia humana. Aprendizado e memria: McClelland e Rumelhart desenvolveram um modelo de memria no qual experincias especficas, uma vez estocadas, geram uma compreenso geral da natureza do domnio em questo. Por exemplo, estocar caractersticas de experincias especficas de ver
cachorros vai gerar um prottipo de cachorro. A compreenso prototpica surge como uma propriedade emergente gerada pelo sistema aps uma srie de experincias. No modelo desenvolvido por McClelland e Rumelhart, a rede exposta a um conjunto sucessivo de inputs que contm primitivos representacionais, ou seja, um conjunto de caractersticas (cor, tamanho, nome, etc) que causa uma reao nas unidades do sistema. A tarefa do sistema a seguinte: dado um input com as caractersticas f1....f10, o sistema deve estocar o input de tal maneira que seja capaz de recri-lo a partir de um fragmento dele que sirva como pista. Assim, se se do ao sistema os valores f1..f4, queremos que ele preencha f5...f10 com valores apropriados, ou seja, derivados da experincia anterior. Uma regra simples de aprendizado, chamada de regra delta produz este tipo de comportamento. O que faz a regra delta? Fazer com que um sistema recrie um padro de ativao anterior f1...f10 quando o fragmento f1...f4 dado significa fazer com que as conexes internas entre as unidades na rede sejam de tal maneira que a ativao do fragmento f1...f4 cause a ativao do resto, ou seja, f1...f10. preciso que haja ligaes excitatrias fortes entre f1...f4 e f5...f10. Uma vez que o sistema recebe o input f1...f10, a regra delta faz com que o sistema verifique se as conexes internas entre as unidades que estavam ativas podem levar a recriar a totalidade do input. Se este no for o caso, ela modifica o padro de conectividade para que isto acontea. Na verdade, redes neurais podem ser treinadas para ajustar seu padro de conectividade. A fase de treinamento uma fase de aprendizado. A rede recebe um input e produz um output. Este output , ento, comparado com o output que seria correto. Calcula-se o erro e a rede ento ajusta seus padres de conectividade para ver se consegue aproximar seu output daquilo que se considera o output correto. Uma vez tendo feito todo o aprendizado, a rede torna-se capaz no apenas de processar o input tpico como tambm suas instncias mais prximas e a partir delas gerar prottipos. Vejamos como isto acontece no exemplo com cachorros, que tiramos de McClelland e Rumelhart. Em primeiro lugar, preciso delimitar o domnio, ou seja, estabelecer um prottipo de cachorro. Digamos que neste prottipo participam 16 primitivos representacionais. Em seguida, precisamos criar uma srie de descries de cachorros especficos, nenhuma das quais igual ao prottipo. No passo seguinte damos um nome para cada cachorro. Para cada cachorro com um nome haver um padro de ativao entre oito unidades. Damos para a rede uma srie de experincias de cachorros individuais ativando as unidades que correspondem descrio do cachorro e os nomes de cachorros. Aps isto, deixamos o sistema utilizar-se da regra delta para formar um trao de memria na forma de um padro de conectividade alterada e para facilitar a chamada da ltima descrio de cachorro.
Aps 50 exposies, o sistema no foi exposto a nenhum cachorro prototpico, mas apenas a instncias distorcidas. O sistema recebeu apenas um fragmento do prottipo como input, mas foi capaz de complet-lo. Nenhuma unidade com nomes foi ativada. O que a rede fez foi extrair um padro comum de todos os inputs distorcidos. Da mesma forma, a rede ser capaz de recriar o padro de ativao de um cachorro especfico, se o input que for dado tiver algum tipo de dica que aponte para esse animal: o seu nome ou alguma caracterstica fsica particular. O QUE LER
1 McClelland e Rumelhart. Parallel Distributed Processing.
C APTULO 7
Conexionismo e filosofia da mente
Conceitos introduzidos neste captulo: O problema mente-crebro na perspectiva conexionista. As implicaes filosficas do conexionismo para a questo do estatuto da folk-psychology. As implicaes filosficas do conexionismo para a filosofia da cincia (modelos explicativos). Os limites da abordagem conexionista (problema da descrio e problema epistmico).
Quais as implicaes filosficas da abordagem conexionista? Embora muitos tenham questionado se o conexionismo realmente representa uma ruptura com as concepes tradicionais de computabilidade, no partilhamos deste ponto de vista. O conexionismo introduz uma nova concepo do funcionamento mental uma concepo radicalmente diferente da viso cartesiana pressuposta pelo paradigma simblico. Se h razes filosficas para o conexionismo, estas devem ser buscadas em concepes materialistas da mente, como, por exemplo, a defendida pelo filsofo francs La Mettrie, no sculo XVIII. Mesmo que sistemas conexionistas possam ser simulados em computadores digitais mquinas com arquitetura von Neumann isto no deve nos iludir: h uma diferena radical, paradigmtica, entre a Inteligncia Artificial simblica e a conexionista. No seu livro LHomme machine um verdadeiro arauto em defesa do materialismo e da Inteligncia Artificial, perdido no sculo XVIII La Mettrie fazia referncia possibilidade de aparecer um segundo Prometeu que um dia construiria um homem mecnico que poderia falar. Contrariamente a Descartes, La Mettrie explicava o fato de que animais no possam falar pela sua anatomia, que teria algum defeito ou incompletude que poderia eventualmente ser corrigido, restando ento a tarefa de treinar o animal para que ele pudesse falar. Embora este tipo de afirmao possa nos parecer estranha ou ingnua hoje em dia, ela nos
remete para algo que ser fundamental para o conexionismo, sculos depois: a nfase na importncia do hardware ou da arquitetura fsica utilizada para simular a atividade mental. Na perspectiva conexionista, a mente no simplesmente um programa computacional, um enlace de representaes que realiza um algoritmo e que pode ser instanciado em qualquer tipo de substrato fsico, independentemente de sua arquitetura especfica. A Inteligncia Artificial simblica herdou uma metafsica cartesiana ao estabelecer uma dualidade entre software e hardware como metfora para conceber as relaes mente/crebro. O mais paradoxal disto que Descartes era precisamente o filsofo que no concordava com a possibilidade de se atribuir vida mental legtima a animais ou a autmatos. Ao mesmo tempo, Descartes foi o pai da IA forte, da IA que sustenta que o programa que deve comandar a seqncia das transformaes fsicas no hardware, ou, em outras palavras, que a conscincia que controla os processos cerebrais e no vice-versa. E a IA forte por muitos anos omitiu-se de falar qualquer coisa sobre a conscincia, na medida em que seus defensores sabiam que simular estados conscientes seria quase impossvel. No final dos anos 70, a IA forte comeou a admitir as mesmas concluses de Descartes, ou seja, a idia de que pelo fato de no podermos simular a conscincia, a possibilidade de gerar uma simulao completa da atividade mental encontraria sempre um hiato intransponvel entre mentes e mquinas. A retomada do conexionismo e de seu projeto de simulao do crebro nos meados dos anos 80 representou uma aposta no materialismo, ou seja, na idia de que a complexidade de certos sistemas fsicos que os qualifica para produzir vida mental. Estados mentais emergem das redes: a ordem da programao substituda pela prpria organizao ou auto-organizao do hardware, ou, em outras palavras, estados mentais so a realizao de certas disposies que exigem uma arquitetura especfica da mquina. O PROBLEMA MENTE-CREBRO NO CONEXIONISMO Qual a contribuio do conexionismo para o problema mentecrebro? O conexionismo no resolve este problema, mas dele surgem perspectivas que merecem comentrio. Com efeito, o conexionismo abre novas perspectivas para se sustentar uma teoria materialista da mente, apontando para possveis solues de algumas de suas dificuldades conceituais. Uma dessas dificuldades conceituais o chamado paradoxo da localizao espacial dos estados mentais. Se queremos estipular uma teoria materialista da mente de acordo com bases cientficas, inevitvel que estados mentais devam se conformar s leis da Fsica. Se estas ltimas esto corretas e, se, alm disto, estados mentais ocorrem no tempo (o que
parece difcil ou quase impossvel de negar), ento devemos igualmente supor que estados mentais ocorrem no espao, ou seja, que eles devam ter algum tipo de localizao espacial. Facilmente enveredamos por paradoxos semnticos ao tentar localizar estados mentais no espao: que sentido haveria em afirmar que meu sonho ocorreu a 5 cm do hemisfrio esquerdo do meu crebro? Ou que a minha ansiedade est localizada a 5 cm do hemisfrio esquerdo do meu crebro? Note-se, entretanto, que a gerao destes paradoxos semnticos s ocorre em contextos particularmente limitados: com efeito, no faz sentido afirmar que o meu sonho ocorreu a 5 cm do hemisfrio esquerdo do meu crebro, ou no neurnio que convencionei ter o nmero 235. Contudo, no parece ser paradoxal afirmar que o meu sonho ocorreu no quarto onde eu dormia, nem afirmar que o meu sonho ocorreu no mundo. Se meu sonho no tivesse ocorrido no mundo, como poderia falar dele quando retorno vida desperta? A questo da possibilidade de se falar da localizao de estados mentais fundamental para a idia de que estados mentais so estados materiais, ou seja, para uma viso materialista da mente. Ora, os modelos conexionistas tornam possvel conceber estados mentais como estados materiais sem cair nos paradoxos de que falamos. Estados mentais ocorrem no espao, embora no possamos dizer exatamente onde eles ocorrem: eles esto em algum lugar da rede de conexes entre as unidades e na forma de um processo global do sistema. No faz sentido afirmar meu sonho ocorre a 5 cm do hemisfrio esquerdo do meu crebro, mas faz sentido afirmar que meu sonho ocorre no quarto ou meu sonho ocorre no mundo, da mesma maneira que o faz afirmar que ele ocorre em algum lugar da rede. No podemos identificar um estado mental com um estado cerebral especfico da mesma maneira que no podemos localiz-lo nem dizer que ele o resultado de uma nica e possvel combinao de ativaes de uma determinada rede. A identidade ser sempre identidade com um determinado processo (uma ativao ou inibio) e no com um grupo especfico de neurnios. Contedos mentais no so fenmenos localizados, mas o resultado de uma arquitetura especfica das redes de conexes ou de um design especfico que instancia um determinado software. A produo do mental depende no de um material especfico nem de uma combinao simblica, mas desse design especfico no qual a ordem semntica e a ordem causal das leis da natureza constituem um mesmo e indistinguvel objeto dando lugar representao implcita ou a um estado mental. Neste modelo, os contedos mentais emergem da atividade das redes e suas conexes: caminhamos aqui numa direo inversa quela do funcionalismo tradicional onde estados mentais so atribudos a estados do hardware. Ou, para empregar uma terminologia filosfica, podemos afirmar que estados mentais so supervenientes atividade das redes. A noo de emergncia ou de supervenincia que introduzimos aqui
compatvel com a hiptese materialista que procuramos manter at agora e encontra paralelo numa srie de fenmenos fsicos cotidianos. A formao do gelo, aps o resfriamento da gua, constitui um bom exemplo do que estamos afirmando. Ningum negaria que o gelo gua, mas, por outro lado, a ele podem ser atribudos predicados que no se encontram na gua, como ser slida. A solidez um predicado emergente que se forma a partir de leis fsicas bem estabelecidas e conhecidas. Contudo, ser slido no um predicado que possamos atribuir a cada uma das molculas de uma barra de gelo, mas s ao sistema fsico como um todo. A mesma coisa podemos afirmar, mutatis mutandis, da emergncia de estados mentais a partir das configuraes neuronais e da conectividade: estados mentais podem surgir destas ltimas, mas dificilmente poderamos atribuir suas propriedades a cada um dos neurnios considerados isoladamente. tambm esta concepo de conectividade que possibilita que indipvduos inicialmente com uma mesma rede e recebendo um mesmo input possam formar contedos mentais diferenciados, seja do ponto de vista qualitativo, seja do ponto de vista da intensidade de uma determinada sensao: impossvel determinar a priori quais sero as conexes a serem ativadas e como ser a distribuio dos pesos pela rede. Esta seria a contribuio dos modelos conexionistas para uma possvel soluo do problema dos qualia. Contedos mentais so, assim, essencialmente indeterminveis no apenas na medida em que no podemos antever quais as redes que sero ativadas por um input sensorial, como tambm pelo fato de se poder estabelecer uma diferena entre contedos sensoriais e contedos representacionais em diferentes indivduos. Contedos representacionais, na medida em que supervm atividade da rede, podem se tornar privados e inescrutveis. Um exemplo que ilustra esta afirmao e, conseqentemente, a diferena entre contedo sensorial e contedo representacional pode ser encontrado no livro de I. Rock, Introduction to Perception. Nele, Rock apresenta ao leitor a figura composta por pontos1. O que h de interessante nesta figura de Gestalt o fato de que quem a v pode relatar sua percepo, seja como trs linhas com pontos cheios ou como quatro colunas com trs pontos cheios. O mesmo input visual, ou seja, o mesmo contedo sensorial pode dar lugar a dois tipos diferentes de contedo representacional. A variao de contedo representacional poderia ser explicada pela ativao de diferentes redes ou diferentes conexes que podem variar de indivduo para indivduo ou at ocorrer no mesmo indivduo em tempos diferentes uma diferena de ativao que por sua peculiaridade torna a formao de contedos representacionais imprevisveis para um observador externo.
1
Este exemplo bem como esta discusso foram apresentados em Teixeira, J. de F. (1996), captulo 5.
Figura 7.1. Figura composta por pontos.
OUTROS ASPECTOS FILOSFICOS DO CONEXIONISMO H ainda outras implicaes filosficas que emergem do paradigma conexionista que precisam ser comentadas, ainda que brevemente: A questo da folk-psychology vimos no captulo anterior que a relao entre conexionismo e as neurocincias, bem como a plausibilidade neurolgica dos modelos conexionistas ocupam um lugar de destaque. Embora modelos conexionistas no sejam modelos do crebro, eles apontam para uma possvel relao de seus componentes com componentes cerebrais. A questo que podemos colocar a seguinte: at que ponto esta relao no pode, em certos casos, constituir algum tipo de reduo? Esta questo torna-se mais importante no caso da folk-psychology, cuja reduo a componentes cerebrais significaria seu desaparecimento progressivo. Este o ponto de vista defendido por filsofos como Rorty (1965) e Feyerabend (1963), que sustentam que a folk-psychology desaparecer medida que tivermos teorias mais adequadas de como o crebro funciona. Chegamos, assim, ao materialismo eliminativo, de que tivemos oportunidade de falar no Captulo 2 da primeira parte deste livro. Este ponto de vista tambm defendido por Patricia e Paul Churchland. Para os Churchlands, a folk-psychology uma teoria falsa, que deve ser abandonada. Contudo, este ponto de vista ainda bastante controverso: a possibilidade de estabelecer correlatos cerebrais para a folk-psychology usando vocabulrio conexionista no implica, por si s, que esta seja necessariamente falsa.
O problema da intencionalidade: vimos no Captulo 4 da primeira parte deste livro que o problema da intencionalidade constitui um srio obstculo a ser superado pela Inteligncia Artificial simblica. A questo da intencionalidade consiste em saber como os smbolos utilizados por um programa de computador podem ter referentes no mundo. Numa abordagem formal e sinttica, como o caso da Inteligncia Artificial simblica, praticamente impossvel superar este problema o Argumento do Quarto do Chins, formulado por John Searle, vai nesta direo. Esta incapacidade de referir-se ao mundo torna-se mais evidente ainda no caso da linguagem natural: os smbolos so atmicos e incapazes de representar contextos, na medida em que so smbolos que no variam. Uma das vantagens da abordagem conexionista o modo como o processamento de informao que ocorre nos sistemas estabelece uma continuidade com os processos que ocorrem no mundo exterior. H a possibilidade de situar o sistema cognitivo no mundo fazendo com que seus inputs e o processamento destes varie medida que o mundo se transforma: este seria o processo de adaptao do sistema. Haveria, assim, pelo menos uma esperana de superar o problema da intencionalidade. Infelizmente, a maioria dos sistemas conexionistas ainda funciona com representaes que so em grande parte fornecidas pelo programador, e, assim sendo, no podemos afirmar que tais sistemas esto efetivamente em contato com o mundo exterior. Esta limitao ainda inerente aos sistemas conexionistas motivou em grande parte a crtica dos partidrios da Vida Artificial e da Nova Robtica e sua insistncia na necessidade de ligar diretamente sistemas artificiais ao mundo exterior crticas que teremos oportunidade de examinar na terceira parte deste livro. Questes de Filosofia da Cincia: uma das questes centrais discutidas pelos filsofos da cincia a natureza das explicaes cientficas. Tradicionalmente, uma explicao cientfica envolve leis gerais, a partir das quais um evento especfico pode ser explicado. Paul Churchland (1989) sustenta que explicar um fenmeno envolve a ativao de um prottipo ou modelo que capacita o organismo a lidar com uma situao especfica que se quer explicar. A idia de Churchland que a explicao deve ser vista como a ativao de prottipos codificados em redes distribudas. Por exemplo, explicar por que um certo pssaro tem pescoo comprido ocorre pela ativao de um conjunto de ns que representam cisne. Outras abordagens ao problema da explicao utilizando modelos conexionistas podem ser construdas em termos da teoria da coerncia explicativa desenvolvida por Paul Thagard. Thagard (1996) fornece um exemplo de como funciona seu programa ECHO, desenvolvido para ilustrar a teoria da coerncia explicativa. Suponhamos que algum queira explicar um evento simples, como, por exemplo, o fato de que estamos
esperando encontrar uma pessoa no restaurante e essa pessoa (Fred) no comparece ao encontro. O conhecimento que temos de Fred e de outras pessoas semelhantes a ele pode sugerir vrias hipteses de por que ele no compareceu, mas ser necessrio escolher dentre essas hipteses qual a mais plausvel. Talvez Fred tenha decidido que seria melhor ficar estudando ou talvez tenha decidido que seria melhor ir a uma festa. No meio destas hipteses pode tambm surgir uma informao suplementar: a de que Fred foi visto na biblioteca da universidade. Como isso pode ser representado num sistema conexionista? As unidades representando hipteses so ligadas a uma unidade especial que as ativa e a ativao espalha-se para outras unidades. Existe uma ligao inibitria conectando as unidades que representam hipteses excludentes, como, por exemplo, que Fred estava na biblioteca e que Fred foi a uma festa. A escolha da melhor explicao pode envolver no apenas evidncias em favor da melhor hiptese, como tambm explicaes de por que tais hipteses podem ser verdadeiras. Por exemplo, Fred pode ter ficado estudando, pois precisa de notas para passar de ano; alternativamente, ele pode ter ido a uma festa, uma vez que gosta deste tipo de atividade. Quando a rede se estabilizar, ela ter fornecido uma interpretao coerente do comportamento de Fred. Se a rede se estabilizar quando a unidade para Fred est estudando for ativada, isto significar que esta unidade tem mais fora excitatria do que as demais, como, por exemplo, a unidade Fred foi a uma festa. O QUE LER
Sobre conexionismo e o problema mente-crebro: 1 Teixeira, J. de F Filosofia da Mente e Inteligncia Artificial captulo 5. Sobre conseqncias filosficas do conexionismo: 2 ,Bechtel, W. Connectionism and the Philosophy of Mind in Mind and Cognition, Lycan, W. (ed).
C APTULO 8
Crticas ao modelo conexionista
Conceitos introduzidos neste captulo: O problema da composicionalidade (Fodor e Pylyshyn). Limitaes filosficas abordagem conexionista.
Neste captulo examinaremos dois tipos de crticas ao modelo conexionista: a primeira, oriunda de defensores do paradigma simblico, qual seja, a objeo de Fodor e Pylyshyn, constitui uma crtica metodolgica utilizao de redes neurais para a modelagem de fenmenos cognitivos. A segunda crtica diz respeito a limitaes em princpio ou a priori abordagem conexionista trata-se de uma crtica filosfica ou epistemolgica que recai sobre os problemas inerentes modelagem do crebro bem como a possibilidade de sua replicao atravs de sistemas artificiais. FODOR E PYLYSHYN Fodor e Pylyshyn comeam sua crtica ao conexionismo por distinguir entre abordagens representacionalistas e eliminativistas. Os eliminativistas querem prescindir de noes semnticas (como o caso da representao) e supem que podem explicar integralmente os fenmenos cognitivos por meio de sua reduo a estruturas cerebrais. J os representacionalistas sustentam que os estados internos do sistema cognitivo (as representaes de estados do mundo) so necessrios para abordar a cognio. O conexionismo, segundo Fodor e Pylyshyn, est do lado dos representacionalistas, uma vez que seus partidrios fornecem interpre-
taes semnticas para a atividade das unidades de seus sistemas. Na verdade, o conexionismo no rompe totalmente com o representacionalismo: a atribuio de interpretaes semnticas para as unidades de um sistema equivale em certa medida atribuio de representaes, mesmo que estas adquiram a forma de um conjunto de subsmbolos. Ora, com base neste ponto de vista, Fodor e Pylyshyn formulam as seguintes questes: at que ponto sero os sistemas conexionistas suficientemente adequados para modelar a cognio como o fazem os sistemas representacionalistas tradicionais, isto , simblicos? Haver caractersticas de sistemas representacionais simblicos que no podem ser reproduzidas por sistemas conexionistas? Fodor e Pylyshyn argumentam em favor da idia de que sem os recursos de um sistema representacional simblico no possvel construir um sistema para modelar adequadamente os processos cognitivos. O ponto de partida desta crtica o reconhecimento do carter lingstico das representaes simblicas. Representaes simblicas exibem uma semntica e sintaxe combinatorial ou seja, a cognio consiste fundamentalmente no processo de formao de representaes moleculares (compostas), que, por sua vez, so formadas a partir de seus elementos constitutivos (representaes atmicas). As regras de composio (da mesma maneira que outras regras para manipulao simblica) so sintticas e podem ser aplicadas aos smbolos, independentemente de sua semntica. Contudo, a prpria possibilidade de se construir interpretaes semnticas est condicionada pela existncia da sintaxe, que permite a composio das partes e possibilita construo de interpretaes de representaes lingsticas compostas. Ou seja, a semntica do todo depende das partes, e todo este processo depende, por sua vez, de uma sintaxe composicional. Em outras palavras, no h semntica sem sintaxe e, embora no possamos afirmar que tudo que for sintaticamente bem construdo ser igualmente semanticamente bem construdo, no podemos negar que a semntica espelha a sintaxe. Ora, segundo Fodor e Pylyshyn, sistemas conexionistas no tm nem uma sintaxe nem uma semntica combinatorial. Embora unidades individuais e conjuntos de unidades num sistema conexionista possam ser interpretadas semanticamente, elas no podem se tornar expresses lingsticas e ser manipuladas de acordo com regras sintticas. Isto ocorre porque as unidades dos sistemas conexionistas no so smbolos, o que torna este tipo de sistema inadequado para modelar representaes compostas. Em outras palavras, somente um sistema com representaes simblicas dotadas de uma estrutura constitutiva (composicional) pode modelar adequadamente os processos cognitivos. Fodor e Pylyshyn sustentam que no s a linguagem que estruturada. O mesmo se aplica ao pensamento, cujo espelho a linguagem. O pensamento sistemtico na medida em que as representaes
internas tambm o so. Esta sistematicidade decorrente de uma relao abstrata entre smbolos, da o fato de ela se encontrar ausente nos sistemas conexionistas que tm como ponto de partida um conjunto de representaes no estruturadas entre si. A sistematicidade decorre de uma estrutura profunda da organizao do pensamento e da cognio humana, exibindo as trs principais caractersticas necessrias requeridas por uma sintaxe e uma semntica combinatoriais: 1 A produtividade do pensamento: refere-se capacidade de produzir e de entender proposies a partir de um conjunto infinito de possibilidades. Uma vez que esta capacidade realizada utilizando-se recursos finitos, operaes de recombinao so necessrias operaes cuja existncia pressupe a prpria sistematicidade do pensamento como ponto de partida. 2 A sistematicidade do pensamento: resulta de uma conexo intrnseca entre a habilidade de compreender ou pensar um pensamento e a habilidade de compreender ou pensar outros. Dizemos, por exemplo, que qualquer um que tenha o pensamento Antnio ama a aougueira igualmente capaz de pensar que a aougueira ama Antnio. O falante aprende a construir sentenas com significado a partir da combinao de suas partes de um modo especfico. A compreenso do significado das palavras Antnio, ama, aougueira associada a uma regra de composio do tipo sujeito + verbo + objeto imediatamente possibilita a produo da sentena a aougueira ama Antnio. 3 A coerncia da inferncia envolve a habilidade de fazer inferncias plausveis, sinttica ou semanticamente. Por exemplo, pode-se inferir de x uma vaca amarela que x uma vaca e x amarela , ou seja, da conjuno verdadeira (A B) que ambos os elementos so verdadeiros (A verdadeiro e B verdadeiro). Fodor e Pylyshyn sustentam que sistemas conexionistas no podem compor representaes complexas a partir de representaes simples. Seu argumento o seguinte: considere um sistema conexionista onde cada unidade representacional atmica e onde exista apenas uma maneira pela qual as unidades se relacionem umas com as outras numa relao causal entre pares de unidades. Assim, A B e A so dois ns na rede; o peso da conexo de A B para A de tal maneira que, ao ativar A B, causa-se a ativao de A. Esta seria uma espcie de inferncia, mas a representao de A no parte da representao A B. Qualquer par de ns poderia ser conectado para resultar no mesmo tipo de relao, por exemplo, ns A B poderiam excitar o n Z. Assim sendo, a conexo no de natureza composicional e a inferncia no ocorre por causa da relao sinttica entre os ns. A inferncia precisa ser construda sustentam Fodor e Pylyshyn para cada caso de conjuno e no atravs de uma
regra que utiliza variveis para especificar a relao sinttica de incluso. Por exemplo, a unidade B C deve estar especificamente conectada unidade B se a inferncia de B C para B deve ocorrer, da mesma maneira que A B tem de estar ligada unidade A. Vejamos agora o que ocorre com sistemas distribudos. Em redes deste tipo, as unidades que so ativadas para se obter uma representao especfica instanciam caractersticas ou microcaractersticas da entidade que est sendo representada. Mas a representao distribuda no resolve o problema da composicionalidade pelo menos no entender de Fodor e Pylyshyn. O modo pelo qual uma caracterstica parte de uma representao de um objeto no o mesmo pelo qual uma unidade sinttica parte de uma unidade maior. No paradigma simblico, se tomamos a proposio Antnio ama a aougueira, a representao aougueira est numa relao sinttica especfica com o resto da proposio, de tal maneira que esta ltima no poderia ser confundida com a aougueira ama Antnio. Isto no ocorre no caso da representao distribuda. Por exemplo, uma representao distribuda da proposio Antnio ama a aougueira pode ser obtida numa rede cujas unidades correspondam aos conceitos Antnio, ama, e aougueira. Ao ativar estas trs unidades, teramos uma representao distribuda da proposio. Contudo, esta representao no seria distinta da representao A aougueira ama Antnio. No h como representar o fato de que Antnio que ama a aougueira e no vice-versa, pois as unidades no tm uma estrutura sinttica. De nada adiantaria adicionar unidades que representem a relao, marcando, atravs de algum tipo de estrutura hierrquica, a unidade que corresponde ao sujeito. Isto no impediria que as trs unidades fossem ativadas simultaneamente e que a unidade aougueira passasse a ocupar o lugar da unidade marcada para ser o sujeito da sentena. Em outras palavras, na construo de um sistema conexionista impossvel distinguir, dentre suas unidades, aquelas que correspondem a funes sintticas especficas, na medida em que estas so relaes entre representaes e no entre unidades causalmente conectadas atravs de uma ativao. Grande parte da cognio (a atividade lingstica, por exemplo) obedece a um conjunto de regras lgicas que se estabelecem entre representaes regras que muitas vezes no podem ser adequadamente mapeadas por relaes causais. Na sua defesa do paradigma simblico, Fodor e Pylyshyn reconhecem que o sistema nervoso no qual nossas representaes simblicas so implementadas pode ser um sistema conexionista. Contudo, somente a anlise ao nvel simblico interessa para a investigao cognitiva. Esta deve se ocupar unicamente com um nvel mais abstrato de anlise (o nvel simblico), ou seja, construir uma sintaxe e uma semntica combinatorial atravs de operaes efetuadas sobre cadeias de smbolos. O conexionismo no nada alm de uma
implementao possvel do sistema simblico representacional. Suas vantagens so apenas aparentes: quando sistemas simblicos passarem a ser implementados em hardware semelhante ao do sistema nervoso, estes sistemas passaro a exibir as mesmas caractersticas cognitivas exibidas pelos sistemas conexionistas. Ademais, nada impede que operaes sobre smbolos sejam implementadas em arquiteturas paralelas que operem a uma velocidade muito maior do que aquela exibida pelas mquinas com arquitetura von Neumann. Ora, poderamos nos perguntar at que ponto as crticas de Fodor e Pylyshyn so corretas. No h dvida de que as objees levantadas pelo argumento da composicionalidade e sistematicidade do pensamento apontam para dificuldades importantes a serem enfrentadas pelos partidrios do conexionismo. Contudo, preciso notar que a estas objees tambm cabem respostas. Uma delas que apenas mencionaremos foi elaborada por Clark (1989) e consiste em apontar para a possibilidade de que talvez a sistematicidade do pensamento no seja uma maneira intrnseca de organizao da cognio humana que exigiria que esta s pudesse receber uma abordagem simblica. Talvez a sistematicidade seja o modo pelo qual interpretamos nossas prprias habilidades cognitivas. Assim sendo, a sistematicidade, resultando de uma interpretao, no leva necessariamente necessidade de pressupor a existncia de um nvel simblico ao qual teramos de reconhecer uma independncia: sistemas conexionistas tambm poderiam vir a exibi-la na medida em que recebessem este mesmo tipo de interpretao do funcionamento de nossas atividades mentais, independentemente do fato de terem como ponto de partida um conjunto de representaes atmicas e no estruturadas previamente.
OS LIMITES DA ABORDAGEM CONEXIONISTA Alm das crticas metodolgicas de Fodor e Pylyshyn, possvel ainda levantar outros tipos de objees abordagem conexionista, quais sejam, objees filosficas mais gerais a partir das quais podemos formular questes do seguinte tipo: haver limites para a abordagem conexionista? O que podemos esperar deste tipo de abordagem? No Captulo 4 da primeira parte deste livro falamos de limites para a Inteligncia Artificial simblica; vejamos agora o que precisa ser dito acerca do conexionismo. As grandes dificuldades para o conexionismo parecem situar-se na possibilidade de modelagem do crebro. Neste sentido, dois grandes problemas podem surgir: ns os chamaremos de problema da descrio e problema epistmico.
Ambos os problemas apontam para um obstculo comum: at que ponto podemos conhecer nosso prprio crebro? Numa perspectiva conexionista com forte nfase no materialismo eliminativo (como a abordagem dos Churchlands), fenmenos mentais podero ser explicados como o resultado do alto grau de conectividade cerebral, alm de outras caractersticas (anatmicas, neurofisiolgicas, etc.) do crebro. Mas ser que poderemos algum dia produzir uma descrio do crebro to completa e detalhada que nos permita estabelecer um mapeamento entre estados mentais e estados cerebrais de forma a tornar possvel no futuro uma simulao da vida mental atravs de sistemas conexionistas? Responder a esta ltima questo leva-nos diretamente para o que chamamos de problema da descrio: ser nosso crebro capaz de produzir uma noo de complexidade que nos permita descrev-lo? Este problema se desdobra imediatamente na dificuldade envolvida em representar a multiplicidade das conexes que devem estar presentes no crebro. Esta multiplicidade pode ser to complexa e intrincada que, mesmo que nela encontremos algum tipo de padro, a gerao de um modelo de crebro, mesmo com o auxlio de computadores, pode facilmente levar-nos a um problema do tipo NP (ver o final do Captulo 1, primeira parte), ou seja, no poderamos, num tempo razovel, produzir sequer um retrato aproximado de nosso prprio crebro. E, neste caso, como poderamos estabelecer todas as possveis conexes entre seus neurnios conexes que seriam responsveis pelo aparecimento de formas mais complexas de vida mental. Em outras palavras, como simular aquilo que no podemos sequer representar? O segundo problema, qual seja, o problema epistmico consiste no seguinte: uma descrio completa do crebro ser sempre mais complexa do que o prprio crebro que a produz. Ora, como pode o crebro produzir algo mais complexo do que ele mesmo? E como o prprio crebro poderia compreender e reconhecer como sendo verdadeiro algo mais complexo do que ele mesmo? O problema do reconhecimento de tal teoria ou descrio pode levar a um impasse de difcil soluo: no seria possvel assegurar que tal descrio, uma vez atingida, a correta. Ora, se o crebro no pode produzir algo mais complexo do que ele mesmo, a possibilidade de replic-lo atravs de sistemas artificiais fica afastada. Pelo menos a possibilidade de construir uma rplica do crebro em laboratrio. J na dcada de 50, John von Neumann, um dos proponentes do que futuramente se tornou o conexionismo, reconhecia os limites deste tipo de abordagem sobretudo aquelas limitaes oriundas do problema epistmico. Sua estratgia para superar este problema foi a proposta de robs capazes de se auto-reproduzir, imitando artificialmente o processo evolucionrio de seleo natural, que permite a gerao sucessiva de
organismos (no caso mquinas) cada vez mais complexos. Por meio deste processo de gerao sucessiva seria possvel, em ltima anlise, conseguir reproduzir o extraordinrio grau de complexidade do crebro, superando, assim, o problema da descrio e o problema epistmico. Mas a proposta de von Neumann permaneceu ignorada por muitos anos e s foi revivida recentemente, no chamado projeto de Vida Artificial de que falaremos na terceira parte deste livro. O QUE LER
1 Fodor e Pylyshyn . Connectionism and Cognitive Architecture a critical analysis. 2 Fodor, J. Psychosemantics. 3 Clark, A Microcognition, captulos 8 e 9.
TERCEIRA PARTE
Tendncias recentes
Vida artificial A nova robtica: COG e o projeto do MIT A Escola Chilena O futuro da Cincia Cognitiva
C APTULO 9
Vida artificial
Conceitos introduzidos neste captulo: O que a Vida Artificial. Os autmatas celulares de von Neumann. Exemplos de programas de Vida Artificial. O que algoritmo gentico.
Vimos na primeira parte deste livro que a Inteligncia Artificial simblica preocupou-se com a simulao das chamadas atividades cognitivas superiores, ou seja, aquelas atividades que envolvem simbolizao e que freqentemente so realizadas em domnios restritos (este o caso do clculo matemtico e lgico, do jogo de xadrez, etc). A partir da dcada de 90, o descontentamento e as crticas ao paradigma simblico tornaram-se crescentes. Sistemas de IA simblica passaram a ser fortemente criticados pelo fato de precisarem de que seu input fosse previamente processado pelos programadores. Da mesma forma, alegava-se que os outputs deste sistema s fazem sentido para um intrprete humano. Quase o mesmo tipo de crtica era dirigida aos sistemas conexionistas: estes tambm estariam ignorando fatores fundamentais da cognio, tais como a percepo e a locomoo.1 Alm da percepo e da locomoo ou seja, de uma ligao com o meio ambiente que sistemas simblicos ou conexionistas no exibem a observao de alguns comportamentos de seres vivos sugeria a hiptese de que seu sistema nervoso deveria ter grande capacidade computacional apesar de sua relativa simplicidade. Este era o caso, por exemplo:
1
A maioria dos sistemas conexionistas ainda funciona com representaes que so escolhidas pelo programador e, neste sentido, no se pode dizer que estes sistemas estejam efetivamente ligados ao mundo exterior.
a) o comportamento de interceptao para o acasalamento da mosca domstica; b) o comportamento da r que projeta sua lngua para capturar o inseto que se movimenta sua frente (estudado por Lettvin, Maturana e McCulloch); c) o comportamento do kingfisher para capturar o peixe dentro da gua; d) a distino entre linhas horizontais e verticais pelo gato recmnascido; e) o comportamento do co que abocanha, no ar, a bola atirada pelo dono. Como poderiam esses animais, a partir de um sistema nervoso relativamente simples, executar comportamentos to complexos que requereriam uma grande capacidade computacional? E como poderiam eles ser executados to rapidamente e com tanta preciso? Descrever matematicamente tais comportamentos envolveria, no mnimo, uma grande quantidade de equaes diferenciais. Por outro lado, imaginar um algoritmo que execute estes comportamentos significa tambm percorrer um grande leque de opes que certamente levaria a uma exploso combinatorial tpica de um problema NP. Entretanto, estes animais executam estes comportamentos automaticamente. De alguma forma eles so capazes de superar os problemas da complexidade computacional sua estrutura biolgica seria a grande chave para se saber como estas dificuldades poderiam ser contornadas. J na dcada de 50, von Neumann havia percebido que o estudo do comportamento animal seria particularmente frutfero para desenvolver algoritmos eficientes. Ele sustentava que a natureza produz mquinas automticas incrveis e se perguntava como isto era possvel. Tambm nesta poca, von Neumann j suspeitava que qualquer tentativa de descrever em termos simples algo to complexo como o sistema nervoso do ser humano levaria, inevitavelmente, a uma srie de complicaes e paradoxos. Como o crebro poderia descrever-se a si mesmo? No seria esta descrio, obrigatoriamente, algo mais complexo do que o prprio crebro? Tentativas de dividir o crebro humano em partes para depois saber como elas funcionam em conjunto no poderiam dar certo: apesar de podermos algum dia vir a saber como cada uma destas partes funciona, junt-las para reproduzir algo to complexo como o crebro implicava que este pudesse gerar um conhecimento de si mesmo que suplantasse sua prpria capacidade um paradoxo intransponvel. A resposta estaria, ento, na prpria natureza: em vez de tentar gerar uma descrio completa do crebro instantaneamente, poderamos mimetizar o curso da evoluo, onde do simples se chega ao mais complexo. Para refazer o
curso da evoluo, contudo, era necessrio construir mquinas que fossem capazes de se auto-reproduzir: autmatas que fossem capazes de gerar cpias de si mesmos. A partir da reproduo, a adaptao e a mutao encarregar-se-iam de criar outros autmatas cada vez mais complexos e com maior capacidade computacional. Von Neumann mostrou, ento, que no h nenhuma contradio em pressupor que do simples se chega atravs do processo evolucionrio a algo mais complexo e forneceu uma descrio detalhada de um autmata que se auto-reproduz. Alm disto, Von Neumann criou vrios modelos que mostravam como mquinas automticas similares aos computadores desenvolvidos por Turing poderiam simular a auto-replicao: estas seriam mquinas de Turing com instrues especficas para se duplicarem. Mas a teoria dos autmatas que se auto-reproduzem, desenvolvida por von Neumann, ficou esquecida at recentemente, ou seja, no final da dcada de 80, quando surgiu o movimento chamado de Vida Artificial ou A-Life (de Artificial Life), protagonizada por Christofer Langton. Seguindo as mesmas intuies de von Neumann, mas utilizando uma estratgia diferente, Langton projetou programas computacionais para simular a evoluo biolgica. Posteriormente, a inveno do chamado algoritmo gentico por G. Holland representou um passo decisivo para a consolidao do projeto de Vida Artificial. O AUTMATA DE VON NEUMANN A histria da Vida Artificial data de aproximadamente 40 anos atrs, quando John von Neumann projetou um organismo que se reproduzia como uma criatura real. Von Neumann concebia a vida como essencialmente transmisso de informao realizada atravs de um sistema dinmico suficientemente poderoso para se reproduzir e gerar um descendente mais complexo do que seus genitores. Atrs disto estava a intuio de que os seres vivos eram os melhores modelos para inspirar a construo de sistemas artificiais mais poderosos. O organismo projetado por von Neumann era um autmato capaz de se reproduzir. Alm dos componentes computacionais normais, este organismo tinha ainda as seguintes partes: 1 Um instrumento para manipular objetos no mundo (algo como uma mo) e que aceitasse instrues oriundas do seu sistema de controle; 2 Um elemento cortante que pudesse desconectar duas partes quando recebesse instrues para proceder desta maneira; 3 Um elemento que pudesse juntar duas partes;
4 Um elemento sensorial, que pudesse transmitir informao oriunda do mundo externo e acerca de suas prprias partes. Este autmata teria tambm um habitat especial: um imenso reservatrio, cheio de peas de substituio para que ele pudesse se reproduzir. As partes do corpo do autmata consistiriam de trs subsistemas: o componente (A) seria uma espcie de fbrica capaz de reunir peas do reservatrio para mont-las de acordo com instrues que estariam no sistema de controle da mquina. A segunda parte (B) seria um duplicador: um elemento capaz de ler as instrues do sistema de controle e copi-las. O componente (C) o prprio sistema de controle do autmata. Haveria ainda um componente (D), que seria uma longa fita com perfuraes na qual estariam contidas as informaes que o autmata deveria seguir. A auto-reproduo comea quando o autmata adquire vida ao ler as instrues da fita. O componente (C) l as instrues, alimenta o duplicador (B) que as copia e passa esta duplicata de instrues para a fbrica , mantendo, entretanto, o original. A fbrica volta-se ento para o reservatrio de peas e pega as primeiras partes para comear a construir seu descendente. Quando uma pea encaixada, o autmata sai buscando outra. Quando a tarefa de construir um descendente termina, o autmata inicia a construo de uma segunda fbrica, um duplicador e um sistema de controle. Mas aqui h ainda um ponto essencial: o autmata transmite, para o seu descendente, as instrues que esto na fita, inserindo uma cpia desta no organismo que acaba de surgir. Isto garante que ele seja frtil e que possa iniciar um novo ciclo de reproduo. Pela reproduo e mutao torna-se possvel que os descendentes do autmata sejam mais complexos e exibam maior capacidade computacional do que seus genitores. Certamente esta criatura concebida por Von Neumann foi apenas um projeto; nunca chegou a ser construda. Contudo, interessante notar que toda esta arquitetura imaginria j antecipava caractersticas do DNA dos seres vivos que foi descoberto alguns anos depois. O mesmo se aplica ao processo de auto-reproduo que acabou sendo confirmado medida que avanaram os estudos embriolgicos. Mas no foi apenas isto que von Neumann antecipou: sua idia de que a vida depende no apenas da transmisso de informao, mas tambm de um certo grau de complexidade crtica que certos sistemas devem possuir foi confirmada por teorias bastante recentes que estudam o caos e sistemas dinmicos no lineares. Sem esta complexidade crtica, os organismos no evoluem e entram em processo de extino progressiva.
Parte completa do autmata construdo Parte incompleta do autmata construdo Controle de Construo Brao
Unidade de Construo
Unidade de Fita
Controle da fita
Fita
Figura 9.1. O autmata celular de von Neumann (adaptado de Levy. 1992, p.44).
ALGUNS PROGRAMAS DE VIDA ARTIFICIAL2 Somente vrios anos aps a conferncia de Hixon (onde von Neumann falou de seu autmata celular que se auto-reproduzia), as pesquisas sobre simulao de processos vitais foram retomadas. Em 1963, o ingls John Conway criou uma das primeiras simulaes de vida artificial num computador. O Game of Life, programa desenvolvido por Conway, simulava o comportamento de animais unicelulares. Mas a aceitao do estudo da vida artificial como cincia s ocorreu em 1987, com os trabalhos de Christopher Langton. Neste ano, Langton organizou o primeiro simpsio sobre Vida Artificial no Novo Mxico. A esta iniciativa juntou-se Thomas Ray, um bilogo evolucionrio que decidiu simular o processo de evoluo num computador. Ray desenvolveu um mundo computadorizado chamado TIERRA, onde programas de computador automultiplicadores competem por tempo de computao (representando energia) e memria do computador (representando recursos). Inicialmente o TIERRA tinha um nico organismo artificial, mas outros organismos se desenvolveram nele, ativados pelas funes de mutao que Ray incorporou no seu programa. Um tipo de mutao, projetado para simular os efeitos de fatores ambientais, como a
2
Alguns programas apresentados nesta seo esto descritos em Walnum (1993).
radiao solar, ocorre quando um bit no programa de uma criatura trocado aleatoriamente. Outras mutaes ocorrem durante a reproduo incluindo erros na multiplicao que podem mudar o programa resultante. Outros pesquisadores tambm contriburam com a criao de programas de vida artificial. Dan Hillis, da Thinking Machines Corporation, de Massachusetts, desenvolveu um programa que usa processos darwinianos para melhorar a capacidade de resoluo de problemas de um programa. Robert Collins, da Universidade da Califrnia (Los Angeles) criou uma simulao chamada ArtAnt, na qual organismos em evoluo semelhantes a formigas competem pela sobrevivncia, aprendendo a encontrar comida e a evitar conflitos. As formigas de Collins tm cromossomos de 10.000 bits que controlam a resposta de cada formiga ao meio ambiente. Cromossomos mutantes geram novos tipos de formigas com capacidades diferentes, que podem ou no aumentar as possibilidades de sobrevivncia. Craig Reynolds, da Symbolics Inc., criou objetos parecidos com pssaros, chamados boids, que so criaturas governadas por trs regras: mantenha uma distncia especfica de outros boids, voe na mesma velocidade que os outros boids e voe em direo ao maior nmero de boids. Embora a simulao de Reynolds no tenha um ponto de partida fixo, os boids rapidamente formam bandos e demonstram comportamentos semelhantes aos de seres vivos. Boids que batem em obstculos cambaleiam e depois juntam-se novamente ao bando; boids desgarrados tambm procuram se juntar ao bando. No h nenhuma instruo no programa original que sugira esse tipo de comportamento, o que demonstra que at as regras mais simples, quando vlidas para uma grande populao, podem gerar resultados surpreendentes. Este o tpico caso de formao de um comportamento emergente.
Figura 9.2. Os boids desenvolvidos por Craig Reynolds (adaptada de Walnum, p. 26, 1993).
Peter Oppenheimer, do New York Institute of Technology, desenvolveu um programa que usa regras de evoluo para criar vrios tipos de rvores no computador. Cada rvore tem 15 gens que controlam sua aparncia fsica, inclusive o nmero de galhos torcidos e a cor da casca. No programa ocorre, porm, uma influncia evolutiva que s permite a sobrevivncia de rvores que tenham uma aparncia bonita. Por exemplo, se Oppenheimer decidir que prefere as rvores azuis e no as vermelhas, a cor azul torna-se a caracterstica da sobrevivncia. Esta seleo artificial gera rvores com as caractersticas escolhidas pelo programador. ALGORITMOS GENTICOS Assim como as idias de evoluo e de seleo natural so centrais na Biologia, o mesmo ocorre com os sistemas de Vida Artificial. Nas dcadas de 50 e 60, foram estudados vrios modelos de sistemas evolucionrios para resolver problemas de Engenharia verdadeiros precursores dos chamados algoritmos genticos. A primeira descrio completa de um algoritmo gentico apareceu no incio da dcada de 60 e foi feita pelo seu inventor oficial, John Holland, na Universidade de Michigan. No seu livro publicado em 1975, Adaptation in Natural and Artificial Systems, Holland apresenta o algoritmo gentico como uma abstrao da evoluo biolgica. Seu modelo de algoritmo gentico constitua um mtodo para passar de uma populao de cromossomos (cadeias de bits representando organismos ou possveis solues para um problema) para uma nova populao, usando seleo natural e operadores genticos, tais como cruzamento, mutao e inverso. Cada cromossomo consiste de gens (p.ex., bits) e cada gen constitui um exemplo de um alelo especfico. A seleo escolhe quais desses cromossomos na populao pode se reproduzir e quantos descendentes vo nascer. Os cromossomos mais adaptados produziro mais descendentes do que os outros. O cruzamento consiste na troca mtua de algumas partes de dois cromossomos; a mutao muda, ao acaso, os valores de alguns lugares no cromossomo e a inverso reverte a ordem de uma seo do cromossomo. O procedimento de inverso , hoje em dia, raramente usado nos algoritmos genticos. A forma tpica de um algoritmo gentico , ento: 1 Comece com uma populao de cromossomos gerada ao acaso (por exemplo, possveis solues para um problema). 2 Calcule a adaptabilidade de cada cromossomo na populao. 3 Aplique seleo e operadores genticos (cruzamento e mutao) na populao, de forma a criar uma nova populao. 4 V para o passo 2.
Este procedimento aplicado vrias vezes, cada um sendo considerado uma gerao. Aps vrias geraes, obtm-se cromossomos altamente adaptados. A idia de criar um algoritmo baseado no conceito de uma populao, com cruzamento e inverso constitui a grande inovao trazida por Holland. Desde ento, algoritmos genticos passaram a ser utilizados nas seguintes reas: Otimizao: problemas de otimizao numrica, problemas de otimizao combinatorial no projeto de circuitos eltricos, etc. Programao automtica: algoritmos genticos podem gerar programas de computador para tarefas especficas. Aprendizado automtico e em robs: algoritmos genticos j foram usados para tarefas de classificao e predio (em sistemas dinmicos, na predio do tempo e de estruturas proticas). Tambm j foram utilizados para projetar redes neurais bem como para controlar robs. Modelos em economia: os algoritmos genticos tambm j foram utilizados para elaborar modelos de situaes econmicas, como, por exemplo, mercados emergentes. Modelos do sistema imunolgico: os algoritmos genticos foram usados para modelar o sistema imune. Modelos ecolgicos: algoritmos genticos foram usados para simular o processo de co-evoluo de algumas parasitas. Modelos de sistemas sociais: vrios modelos de sistemas sociais, incluindo a evoluo de sistemas cooperativos, evoluo da comunicao nas sociedades humanas e animais (formigas). A utilizao progressiva de algoritmos genticos de vrios tipos levou ao aparecimento de uma nova disciplina no mbito da Cincia Cognitiva: a computao evolucionria. COMO FUNCIONA UM ALGORITMO GENTICO? Vamos agora estudar em maior detalhe o funcionamento de um algoritmo gentico, utilizando-nos de um exemplo fornecido por Franklin (1995). Focalizaremos um algoritmo gentico em ao. Retomemos a rede neural que implementa um OU EXCLUSIVO ou XOR de que falamos na nossa seo sobre conexionismo e redes neurais. Uma rede neural deste tipo produz output 0 se seus dois inputs so iguais e output 1 se eles so diferentes. (Ver a figura a seguir).
IN 0 0 0 1 1 0 1 1
OUT 0 1 1 0
1 -1 1
-1 1 Rede XOR
XOR
Figura 9.3. Uma rede neural para XOR (adaptada de Franklin, 1995).
Cada n da rede produz 1 se a soma ponderada de seus inputs igual ou maior do que o limiar (1, no caso); caso contrrio, ela produz 0. Certamente o que faz com que a rede funcione a escolha dos pesos. Suponhamos que no soubssemos que pesos escolher, isto , que os 1s e -1s na figura desaparecessem. Teramos, ento, o problema de encontrar esses pesos para que a rede pudesse implementar o XOR. Ora, podemos resolver este problema usando o algoritmo gentico. A primeira coisa que temos de fazer arranjar um cdigo para transformar redes em gentipos. Podemos comear especificando as flechas atravs de nmeros, os quais funcionaro como marcadores de posio. Usando estes marcadores de posio, um gentipo pode ser uma cadeia de seis nmeros, cada um deles representando o peso na sua posio. Vejamos como isto fica, na seguinte figura:
1 -1 2 3 6 4 5
1 - 1.2
2 2.4
3 0.4
4 - 0.9
5 - 0.3
6 3.0
Figura 9.4. Gentipo para uma rede neural (adaptada de Franklin, 1995).
O gentipo atribui, por exemplo, o peso -0,9 para a flecha de nmero 4. Agora que temos esta cadeia de pesos que funciona como um gentipo, como podemos calcular sua adaptabilidade? Em primeiro lugar, preciso construir o seu fentipo, cuja rede neural determinada pela cadeia de pesos que mostramos acima. Esta rede toma ento a seguinte forma:
-1.2 -0.3 -2.4 0.2 -0.9 Figura 9.5. Rede Fentipo (adaptada de Franklin, 1995). 3.6
Em seguida, preciso avaliar o que a rede produz a partir de cada um dos quatro inputs. Calculemos ento o erro para cada input e somemos os erros produzidos. Quanto menor for o nmero, maior ser a adaptabilidade. Vejamos como isto fica, neste caso.
IN 0 0 0 1 1 0 1 1 OUT 0 0 0 1 ERR 0 1 1 1
Figura 9.6. Clculo de erro (adaptada de Franklin, 1995). .
Com um erro total de 3, onde 4 seria o pior resultado e 0, o melhor, este certamente no o melhor fentipo e teria uma chance muito baixa de se cruzar com outro. Uma vez determinada a adaptabilidade, preciso selecionar os vencedores deste jogo de cruzamentos. Podemos imaginar os nveis de adaptabilidade representando-os na seguinte roda:
0 1 4 3 2
Figura 9.7. Adaptada de Franklin (1995).
Girando a roda ao acaso, selecionemos um nvel de adaptabilidade. Em seguida, escolhemos, tambm ao acaso, uma cadeia com essa adaptabilidade para reproduzir. Continuamos repetindo este processo at que se selecione um nmero de cadeias igual ao da populao inicial. Uma vez selecionadas as cadeias, preciso cruz-las. Isto feito escolhendo pares dentre as cadeias uma escolha norteada apenas pelo acaso. Para cada par escolhe-se um ponto de cruzamento tambm ao acaso. Uma vez que se tem pares de cadeias, trocam-se os segmentos nos pontos de cruzamento para gerar duas novas cadeias:
ANTES DO CRUZAMENTO
Local do Cruzamento
DEPOIS DO CRUZAMENTO
Cadeia 1
Cadeia Nova 1
Cadeia 2
Cadeia Nova 2
Figura 9.8. Adaptada de Franklin, 1995.
Agora podemos iniciar as mutaes. Escolhemos novamente uma cadeia qualquer e um lugar nela. Escolhemos um alelo substitutivo para aquele lugar e retornamos cadeia modificada para a populao. Neste algoritmo gentico, o tamanho do gentipo (comprimento) mantm-se constante. Mudamos apenas os pesos, no a arquitetura. O que estamos gerando um algoritmo paralelo do tipo gere-e-teste que nos leva a um ciclo do tipo: geram-se solues possveis, estas so testadas e ento usadas como o melhor candidato para gerar outras. Ou seja, o algoritmo gentico estabelece uma busca a partir de uma populao de cadeias, e no a partir de um nico ponto delas. Aps uma seleo a partir de uma funo de adaptabilidade, elas so cruzadas, estabelecem mutaes e a busca se reinicia a partir de uma populao mais adaptada. A soluo encontrada quando se encontra aquela que tem maior adaptabilidade um procedimento idntico ao operado pela natureza no caso dos seres vivos. CONCLUSO A Vida Artificial um campo novo de estudos que ainda no possui uma institucionalizao plena nas universidades. A primeira revista especfica focalizando esta disciplina nova comea agora a ser publicada (Artificial Life, MIT Press). Poucos bilogos sabem da existncia deste movimento, que parece atrair mais os cientistas da computao e fsicos. Contudo, esperam-se mudanas para os prximos anos. No poderamos finalizar este captulo sem mencionar um dos mais famosos programas de vida artificial, o ANIMAT, desenvolvido por Wilson (1985). O ANIMAT um modelo de animal que executa comportamentos, tais como maximizar o prazer e minimizar a dor (comportamento tpico de um ser vivo). ANIMAT quase no possui representaes internas, a maioria de seus comportamentos uma reao a situaes reais que ele encontra no mundo, como, por exemplo, encontrar comida. ANIMAT aprende a encontrar comida em situaes diversas, e nesta tarefa observa-se que a maioria de seus comportamentos aprendidos no pr-programada: so comportamentos emergentes. Neste sentido, ANIMAT uma espcie de precursor de alguns princpios da Nova Robtica, que examinaremos no captulo seguinte. O QUE LER
1 Levy, S. Artificial Life. 2 Walnum, C. Aventuras em Realidade Virtual.
C APTULO 10
A nova robtica: COG e o projeto do MIT
Conceitos introduzidos neste captulo: A proposta geral da nova robtica. A arquitetura de subsuno. Alguns robs desenvolvidos no MIT.
O movimento conhecido hoje como Nova Robtica ou Nouvelle AI surgiu no laboratrio de Inteligncia Artificial do MIT, a partir dos trabalhos de Rodney Brooks, no final da dcada de 80. Em dois artigos fundamentais Intelligence without representation e Intelligence without reason (publicados em 1991), Brooks desenvolve uma crtica ao representacionalismo na IA e sua estratgia top-down que leva a uma equiparao entre cognio e representao, entre inteligncia e pensamento simblico. Ao partir do pressuposto de que cognio e representao so a mesma coisa, a IA se concentrou na simulao de atividades cognitivas superiores (linguagem, raciocnio matemtico, etc.) para, ento, tentar simular atividades mais bsicas, como, por exemplo, o senso comum. Esta estratgia, do tipo de cima para baixo (ou top-down), encontra rapidamente suas limitaes. A cognio e a inteligncia no podem ser equiparadas representao e ao pensamento simblico e nem a partir destes podemos simular atividades mais bsicas dos organismos atividades que inevitavelmente requerem inteligncia. Num artigo anterior, publicado em 1990 (Elephants do not Play Chess), Brooks chama a ateno para o fato de que elefantes no podem jogar xadrez, mas nem por isso deixam de apresentar algo que identificamos como inteligncia. O que a proposta da nova robtica e o que muda em relao concepo de cognio? A associao entre cognio e representao concebe a simulao do comportamento inteligente como a descoberta de
um programa computacional correto que mimetize os processos cognitivos entendidos como estados internos de um organismo. A estratgia proposta por Brooks vai na direo contrria: rompe-se com a idia de que para produzir comportamento inteligente preciso manipular um conjunto de regras ou representaes explcitas. A estratgia de Brooks ser bottom-up (de baixo para cima): a simulao do comportamento inteligente deve ter como ponto de partida os comportamentos simples, mundanos, que no requerem a existncia prvia de representaes. Isto constitui uma guinada radical em relao ao estatuto da representao, que passa a ser vista como um fenmeno tardio na ordem vital. A cognio no se inicia com a representao e sim com a interao do organismo com o seu meio ambiente onde dois fatores so fundamentais: a percepo e a locomoo. A idia central da nova abordagem ser construir um agente autnomo, um rob mvel que realize um conjunto de tarefas num ambiente que no foi previamente adaptado para isto. Uma reaproximao entre robtica e IA novamente proposta. O comportamento de um rob deste tipo gerado a partir de vrios mdulos. Cada mdulo desenvolve, independentemente, mecanismos para perceber, modelar, planejar ao, etc. H um rbitro ou um esquema de mediao que determina qual mdulo produtor de comportamento tem controle de qual parte do rob numa determinada ocasio. H pelo menos quatro conceitos fundamentais que norteiam este projeto e que o distanciam da abordagem da IA tradicional, seja ela conexionista ou simblica: 1 Situao Fsica (situatedness): os robs esto situados no mundo. So uma forma de inteligncia encarnada. Rompe-se com o mito do crebro na proveta, o pressuposto de que para simular a inteligncia ou a vida mental basta simular a mente ou o crebro. Os robs esto ligados com o meio ambiente. Situar significa tambm abrir mo de construir um modelo completo ou uma representao completa do meio ambiente para ento agir sobre ele. A idia expressa por Brooks The world is its own best model, ou seja, o mundo real e concreto (e no uma representao dele) deve servir de guia para o comportamento do rob. Para estes robs no haveria necessidade de se criar uma representao ou mapa interno que intermedie sua relao com o mundo. 2 Corporeidade: (embodiment) os robs tm corpos e experienciam o mundo diretamente. Suas aes so parte da dinmica do mundo e tm feedback de suas prprias sensaes. A necessidade de introduzir a corporeidade para a simulao da inteligncia j aparece nos ltimos escritos de Turing (1948), num artigo no-publicado chamado Intelligent Machinery. Neste artigo ele discute a possibilidade de construir uma mquina de jogar xadrez, mas ressalta a necessidade de corporeidade.
3 Inteligncia: a idia central a de que a inteligncia simblica algo tardio no processo evolucionrio dos seres vivos. Anteriormente inteligncia simblica existe uma inteligncia mais simples, bsica, que aparece a partir da percepo e da ao. A estratgia para simular a inteligncia deve comear com a replicao de atividades simples em animais uma verdadeira estratgia bottom-up. A complexidade do comportamento derivada da complexidade do meio ambiente e a inteligncia surge desta interao ambiental. Intelligence is determined by the dynamics of interaction with the world (A inteligncia determinada pela dinmica interativa com o mundo). Pensamento e conscincia so epifenmenos que emergem a partir de uma interao complexa entre organismo e mundo. 4 Emergncia: uma vez que a inteligncia do sistema surge a partir de sua interao com o meio ambiente, ela no precisa ser prprogramada. Comportamentos inteligentes, mais complexos, surgem a partir de uma multiplicidade de comportamentos simples. A idia central da emergncia que intelligence can only be determined by the total behaviour of the system and how that behaviour appears in relation to the environment (Brooks, 1991, p. 16). Ou seja, uma inteligncia coerente pode emergir de subcomponentes independentes interagindo com o mundo. Para se ter uma idia do que significam, por exemplo, as duas primeiras caractersticas, ou seja, situao fsica e corporeidade, basta que imaginemos dois contra-exemplos. Um sistema de reserva de passagens areas est situado mas no tem corporeidade: ele responde a centenas de questes, etc., mas interage com o mundo apenas pelo envio e recebimento de mensagens. Um rob numa indstria, destinado a pintar carros, tem corporeidade mas no est situado: ele tem rotinas para corrigir sua interao com os carros que aparecem na sua frente, mas no percebe nenhum aspecto da forma do objeto que lhe apresentado. Ele simplesmente segue uma rotina preestabelecida. A crtica da noo de representao, ou seja, a idia de que representaes internas servindo como modelos completos do meio ambiente seriam impossveis de serem obtidas e tampouco necessrias para que agentes autnomos possam gerar comportamento inteligente constitui um dos aspectos tericos mais polmicos da proposta de Brooks. Com seus agentes autnomos, Brooks pretende mostrar que modelar grande parte do comportamento inteligente pode ser feito prescindindo das noes de representao interna e de controle central. Seria igualmente este pressuposto tcito da Inteligncia Artificial tradicional (simblica ou conexionista) que teria sido em grande parte responsvel por suas limitaes. Representao, inteligncia e conhecimento no precisam necessariamente ser equiparados. Alis, esta parece ter sido a causa do insucesso dos sistemas especialistas no final dos anos 70. A idia de
conhecimento como representao parece estar na raiz das dificuldades tecnolgicas aparentes envolvidas na construo dos sistemas inteligentes da IA tradicional: exploso combinatorial, rigidez de estrutura, e assim por diante. A estratgia top-down falha nestes casos. Contudo, preciso ver at que ponto a estratgia bottom-up proposta por Brooks pode efetivamente levar possibilidade de modelar comportamentos inteligentes comple-xos, decorrentes de funes cognitivas superiores, a partir da simulao de comportamentos inteligentes simples. Se isto for efetivamente poss-vel, ser preciso revisar todos os fundamentos tericos que a Cincia Cognitiva assumiu at hoje, a comear pela sua tcita dicotomia entre cognio e mundo. Neste sentido, o sucesso do projeto COG que hoje est sendo desenvolvido no MIT pela equipe de Brooks (do qual falaremos adiante) ser decisivo para definir novos rumos para a Cincia Cognitiva. A ARQUITETURA DE SUBSUNO A idia de arquitetura de subsuno fundamental para a proposta desenvolvida por Brooks. Atravs dela possvel conceber uma relao estreita entre percepo e ao. Esta relao torna-se possvel na medida em que os robs so construdos como uma srie de camadas independentes que reagem ao mundo, conectando percepo ao. Cada camada uma mquina de estado finito ampliada. Estas mquinas tm um timer, alm de um alfabeto finito de inputs, um conjunto finito de estados e uma funo de transio. A funo de transio toma um determinado input e o devolve na forma de um estado diferente que constitui o output da mquina. Mquina de Estado Finito
Figura 10.1. Representao da mquina de estado finito. .
Ao olharmos a figura acima, podemos ver como funciona esta mquina de estado finito ampliada. Os retngulos em destaque so os registradores que coletam os inputs para a mquina. O crculo pequeno representa os timers da mquina. A mquina pode mudar de estado ou produzir um output quando o timer acionado. Os outputs aparecem representados pelas setas direita na figura. Inputs podem tambm ser produzidos por sensores acoplados mquina. Um output da mquina pode se tornar o input de outra mquina ou de si mesma. Alternativamente, ele pode acionar a produo de um movimento atravs de um atuador, ligando seu motor. Ou at mesmo, na qualidade de input de outra mquina, inibir ou suprimir o output desta segunda mquina. Dissemos que uma mquina de estado finito ampliada (MEFA) pode inibir outputs ou suprimi-los. No caso da inibio, o que existe um adiamento na produo do output e, no caso da supresso, uma substituio de output ocorre: o novo output substitui o original. Estes so os mecanismos fundamentais da arquitetura de subsuno, mecanismos atravs dos quais as situaes de conflito so resolvidas. Note-se, porm, que as prioridades a serem seguidas pelo sistema j so fixadas de antemo no seu hardware. Um grupo de MEFAs forma um comportamento, por exemplo, pegar alguma coisa. Transmitir mensagens, suprimir e inibir podem ocorrer num nico comportamento ou entre comportamentos distintos. O repertrio de comportamentos expandido pela adio de mais MEFAs produtoras de comportamento quelas j existentes. Este processo chamado de layering e constitui, na verdade, uma analogia simplista com o processo evolucionrio. Desta concepo emerge a idia de que o critrio de decomposio de um ser inteligente no por mdulos funcionais e sim por mdulos de atividade: o ponto de partida da cognio a ao e no a representao. Isto leva a uma arquitetura completamente diferente: o agente autnomo ter camadas que executam atividades, sendo que cada uma delas independente e nunca chamada como sub-rotina de uma outra. Cada uma das camadas reage ao meio ambiente de forma independente. Assim sendo, quando se adiciona uma camada, esta passa a funcionar independentemente. A camada anterior no sabe da existncia da segunda. Na verdade, um agente autnomo ou uma Creature uma coleo de comportamentos competindo entre si. Do caos inicial, um padro coerente de comportamento vai sendo gerado; h uma aposta na auto-organizao do comportamento. Contudo, preciso um dispositivo que resolva possveis conflitos entre comportamentos a serem produzidos; caso contrrio, o agente autnomo ou rob pode entrar em estagnao ou dead lock. Esta a funo da arquitetura de subsuno: por exemplo, quando alguma coisa aparece entre o rob e sua meta, um novo comportamento toma o lugar ou inibe o
comportamento atual at que a crise seja resolvida. Em seguida, o comportamento original reaparece. Suponhamos, por exemplo, que um rob esteja executando um de seus comportamentos, qual seja, localizar uma presa. O rob comea a ir para a frente em direo presa. Contudo, antes de alcan-la ele bate em um obstculo que est no cho. O comportamento levantar a perna inibe o comportamento ir para a frente, permitindo que o rob suba em cima do obstculo. Quando a perna estiver levantada, o ir para frente retoma o controle e o rob comea a escalar o objeto. A mudana de peso ativa o comportamento dobrar as juntas, que inibe ir para frente at que o rob esteja com os ps firmes na superfcie. A novidade desta arquitetura de camadas consiste no fato de ela no pressupor a existncia de um modelo central do mundo representado explicitamente dentro do agente autnomo. No existe uma separao implcita entre dados e computaes ambas so distribudas sobre a mesma rede de elementos. Tampouco existe um controle central; sistema perceptual, sistema central e sistema de atuao encontram-se intimamente mesclados. Todas as partes do sistema podem atuar como perceptores e atuadores dependendo das circunstncias, ou seja, no h hierarquizao prvia. Computaes esto disponveis imediatamente para os inputs que chegam. Os limites entre computao e mundo ficam tnues, uma vez que os sistemas se baseiam muito na dinmica de suas interaes com o mundo para produzir seus resultados. Isto possibilita que o rob reaja ao meio ambiente, ou seja, em funo dos resultados de uma ao que ele mesmo fez sobre o mundo e no simplesmente execute duas aes numa seqncia pr-programada. Recupera-se assim a idia de situao fsica e de corporeidade de que falamos antes. ALGUNS ROBS DE R. BROOKS Examinaremos agora trs agentes autnomos ou robs desenvolvidos no laboratrio de R. Brooks no MIT: ALLEN, HERBERT e o COG. Allen tem sonares que desempenham o papel de sensores e um odmetro que permite saber quais as distncias que ele percorre. Ele controlado por cabo, atravs de uma mquina LISP que simula sua arquitetura de subsuno. Allen tem trs camadas: a primeira evita obstculos. Por exemplo, se ele se encontra num aposento, capaz de correr evitando obstculos. Cada um dos sonares funciona atravs do envio de uma fora de repulso. Allen pra quando se defronta com um obstculo. isso que faz a primeira camada. A segunda camada faz com que ele se mova aleatoriamente a intervalos de 10 segundos. O comportamento da primeira camada, qual seja, evitar obstculos nunca inibido nem suprimido. Allen praticamente no tem estados internos e no se lembra de quase nada. Tampouco
gera representaes daquilo que est acontecendo no mundo nem regras do tipo simblico. Todos os seus comportamentos esto gravados no seu hardware. A terceira camada faz com que ele identifique lugares distantes e se mova em direo a eles. O odmetro, que est acoplado nele, permite que estes movimentos sejam monitorados. O sonar informa quo distante ele est destes objetos e em que direo ele est indo. Trata-se de um rob que executa movimentos bastante simples, um dos primeiros a ser contrudo pela equipe de Brooks no laboratrio do MIT. Examinemos agora um rob mais complexo, o Herbert. Ele vaga em ambientes cheios de objetos e pega latas de refrigerantes vazias. Em seguida, ele as devolve para o lugar onde elas estavam. Herbert dotado de um computador com um processador alimentado por uma bateria bem leve. Seus sensores so compostos de 30 portas infravermelhas e um sistema de laser que o permite identificar objetos a uma distncia de 3 a 4 metros, proporcionando algo como uma viso tridimensional. Seus atuadores so motores com rodas que o direcionam e um brao que permite que ele manipule objetos ao seu redor. A arquitetura de subsuno de Herbert permite que ele evite obstculos, siga em linha reta e reconhea objetos parecidos com latas de refrigerantes. Para pegar uma lata de refrigerante, ele capaz de exibir 15 diferentes tipos de comportamento. Herbert usa o mundo como seu modelo: no h comunicao interna entre os mdulos que geram seus diferentes comportamentos, a no ser supresso e inibio. Cada comportamento est conectado a sensores e a um sistema que arbitra qual dentre as vrias aes possveis deve ser executada num determinado momento. Quando Herbert se mexe, ele segue em linha reta at que seu sistema de viso identifique uma lata de refrigerante. Ele pra em frente da lata de refrigerante e ento seus braos comeam a se mexer e agarram a lata. A arquitetura de Herbert apresenta vrias vantagens. No se sabe nunca o que ele vai fazer no momento seguinte, sua ao organizada de maneira oportunista. Se Herbert est se movendo pra pegar uma lata de refrigerante e algum coloca uma em sua mo, ele pra de se mover e volta para o lugar onde se encontrava inicialmente. Isto significa que Herbert facilmente adapta seu comportamento s mudanas do meio ambiente. Mais do que isto: ele capaz de localizar latas de refrigerantes sobre escrivaninhas cheias de papis e outras coisas, embora no tenha nenhuma representao interna de uma escrivaninha. Finalmente, preciso dizer algumas palavras sobre o COG, o projeto mais ambicioso do laboratrio de agentes autnomos do MIT. O COG est sendo projetado por Rodney Brooks e por Lynn Andrea Stein e pretende ser um rob humanide completo. COG dever simular no apenas os pensamentos, mas tambm os sentimentos humanos. Apesar de ter a
forma de um homem, o COG consiste de um conjunto de sensores e de atuadores que simulam a dinmica sensrio-motora do corpo humano. COG est equipado para ter interaes naturais com seres humanos e com o meio ambiente. Pessoas comuns sero designadas para ensinar ao COG as coisas mais triviais do dia-a-dia, como ocorre com as crianas. At o momento foram projetadas e construdas as seguintes partes do COG: crebro, cabea, tronco, braos (pinas), sistema de viso e de controle motor. O aspecto mais interessante do COG que ele no ser desde o incio um adulto. Ele est sendo projetado para passar por um perodo de infncia artificial, onde aprender com a experincia e se ambientar com o mundo. Ele nascer com um software de reconhecimento facial e este item ser fundamental para o seu desenvolvimento. Mais do que isto, o COG ter uma me, a ser escolhida entre as estudantes que trabalham no projeto. COG reconhecer a sua me e far de tudo para que ela no saia de seu lado, como faz uma criana. Tudo o que no for desde o incio estabelecido como inato, mas for aprendido com a experincia, ser programado como inato na segunda verso do COG, o COG-2. Assim sendo, as vrias verses do COG percorrero os milhes de anos de evoluo do homem em poucos anos de laboratrio.
Figura 10.2. O sistema visual do COG. Um dos aspectos mais impressionantes deste . sistema visual a sua capacidade de seguir as pessoas com os olhos, ou seja, virar o globo ocular em direo s pessoas que se movem ao redor dele, tal qual um ser humano o faria.
O complexo de computadores que est sendo construdo para servir de plataforma para o sistema nervoso artificial do COG corresponde a 64 MacIntosh reunidos numa arquitetura paralela. So 239 ns de processamento embora at agora apenas oito estejam em uso. O crebro e o sistema de captura de vdeo do COG ocupam dois racks localizados prximo do console de controle do rob. A linguagem de programao do COG a linguagem L, uma nova verso da linguagem LISP desenvolvida por Rodney Brooks. O QUE LER
1 Brooks, R. Elephants do not play chess. 2 Brooks, R. Intelligence without representation. 3 Brooks, R. Intelligence without reason. 4 Brooks, R. New Approaches to Robotics. Visitar o site http://www.ai.mit.edu/people/brooks/projects.html
C APTULO 11
A Escola Chilena
Conceitos introduzidos neste captulo: A noo de enao. A crtica da noo de representao elaborada pela Escola Chilena. As principais linhas do paradigma enativo.
A Escola Chilena, representada por nomes como Francisco Varela, Humberto Maturana e Evan Thompson, nasce de uma insatisfao profunda com o conexionismo e com a Inteligncia Artificial simblica. Tanto no representacionalismo como no conexionismo, a idia de cognio continua envolvendo o conceito de representao de um mundo externo que j se encontra predefinido. A Escola Chilena adota um outro ponto de partida: o mundo emerge a partir da ao dos agentes cognitivos; a ao precede o aparecimento da prpria representao. Agente e mundo se especificam mutuamente, ou melhor, o meu aparato sensriomotor que especifica meu mundo. Como agente autnomo que sou, sou parte do meu mundo ao mesmo tempo em que sou especificado por ele. O conhecimento advm do fato de eu estar num mundo que inseparvel de meu corpo, de minha linguagem e de toda minha histria social. esta ao, que faz emergir um mundo ao mesmo tempo que torna o agente parte dele, que chamada, neste paradigma, de enao. Como ocorre a enao? Tomemos como exemplo o caso da viso (Varela, 1988). O que apareceu primeiro, o mundo ou a imagem? H duas respostas tradicionais a esta pergunta. A primeira consiste em sustentar que o mundo exterior tem leis fixas e precede imagem que projetada no sistema cognitivo. A segunda resposta consiste em sustentar que o sistema cognitivo cria seu prprio mundo e que, se neste h leis, estas so derivadas dos aspectos internos do prprio organismo. A perspectiva
enativa prope um caminho intermedirio: mundo e imagem se definem mutuamente; o processo contnuo da vida modela nosso mundo a partir de uma perspectiva perceptiva da qual participam limitaes externas e atividade gerada internamente, numa co-determinao. A CRTICA DA NOO DE REPRESENTAO Se o mundo em que vivemos vai surgindo ou modelado em vez de ser predefinido, a noo de representao no pode ter um papel essencial na cognio. A crtica que a Escola Chilena faz noo de representao de dois tipos: uma crtica arquitetura de sistemas baseados em representaes e uma crtica filosfica utilizao da noo de representao como fundamento da cognio. O primeiro tipo de crtica semelhante quele desenvolvido pela Nova Robtica, que tivemos oportunidade de examinar no captulo anterior: sistemas representacionalistas, ao tomar como ponto de partida a simulao de atividades cognitivas superiores, tornam-se incapazes de dar conta do senso comum. J o segundo tipo de crtica traz algumas novidades. O primeiro aspecto ressaltado pela Escola Chilena consiste em apontar que a IA simblica parte da identificao errnea entre conhecimento e representao. A IA simblica herdeira da teoria clssica da representao que comea no sculo XVII com o cartesianismo e parte da pressuposio da estranheza do mundo em relao mente que o concebe uma estranheza que resulta de uma caracterizao da mente como algo distinto e separado do mundo. Neste sentido, a representao tem de recuperar esse mundo do qual a mente no faz parte; preciso instaurar uma garantia de correspondncia com aquilo que se tornou exterior ou externo. Mas alm de uma garantia de correspondncia, a viso clssica exigia que as representaes fossem difanas, pois s assim poderiam desempenhar o papel de espelho do mundo. A representao tinha de ter propriedades especiais que a distinguisse dos objetos representados, ela no poderia ser um objeto entre outros; ela tinha de ser algo a mais do que uma relao fsica ou uma relao entre coisas no mundo. Idias, intenes, sonhos, etc. no poderiam ser eventos no mundo: a relao intencional nunca poderia ser concebida como uma relao entre objetos situados no espao. Paradoxalmente, as representaes e o sujeito cognoscente que os retm teriam de ser excludos do mundo para que se mantivesse este carter distintivo das representaes. Sustentar a imaterialidade da mente era a melhor estratgia para garantir este carter difano das representaes, ao mesmo tempo que se reforava o pressuposto bsico da interioridade do mental e sua separao em relao ao mundo. A imaterialidade da mente com suas representaes volteis s poderia ser sustentada de maneira plena se se tornasse o mental inescrutvel, ou seja, era necessrio rebat-lo para aqum de qualquer manifestao: tratava-se
de postular a existncia de um fantasma na mquina, um substrato invisvel e intangvel que seria o verdadeiro e nico responsvel pela conscincia e pelo significado (ou, mesmo, a intencionalidade) que as representaes poderiam adquirir. A Cincia Cognitiva contempornea o representacionalismo e a IA desenvolvida pelo MIT nos anos 70 herdou estes pressupostos da teoria clssica da representao. Este tipo de Cincia Cognitiva, que em grande parte prevalece at hoje, desenvolveu uma viso da cognio e do chamado modelo computacional da mente onde ambos so definidos como computaes de representaes simblicas. A idia de repre-sentao mental identificada com smbolo no est to distante da noo de idia cartesiana, definida por imagem intelectual que concebia as idias com signos. Mas no apenas a idia da representao mental identificada com smbolos (ou imagens intelectuais) que herdada pela IA dos anos 70. Ela herda tambm, talvez sem perceber ou a contragosto, a pressuposio do ghost in the machine (o fantasma no interior da mquina), a mesma pressuposio que fazia com que Descartes sustentasse a existncia de limitaes para as habilidades mentais dos autmatas limitaes em princpio que os impediriam de vir a ter uma vida mental semelhante nossa por mais que a tecnologia pudesse avanar. Por mais que os autmatas pudessem fazer tudo o que fazemos, a eles faltaria um ingrediente suplementar, qual seja, a conscincia do que esto fazendo, e s a partir desta ltima seus estados mentais poderiam adquirir significado autntico ou intencionalidade. O problema do ghost in the machine reaparece nas crticas IA esboadas no incio dos anos 80, sob a forma do argumento intencional ou argumento do quarto do chins desenvolvido por J. Searle (1980). O problema da intencionalidade ou do significado como algo indissocivel de uma conscincia (seja esta resultado de um fantasma oculto ou da atividade biolgica dos organismos como queria Searle) no constitui uma efetiva crtica da IA no sentido forte: ele menos uma ruptura do que a constatao natural dos limites da computao simblica; um desdobramento natural da tradio cartesiana herdada pela IA dos anos 70. Ora, o problema da intencionalidade intransponvel para a computao simblica. Mais do que isto, ele marca os limites da teoria clssica da representao adotada pela Cincia Cognitiva ou pelo cognitivismo nos seus anos florescentes. A manipulao simblica, por mais sofisticada que seja, no pode fazer com que os smbolos se refiram ou passem a ser acerca de algo no mundo. Os partidrios da Escola Chilena apontam que o desenvolvimento da Cincia Cognitiva nas ltimas dcadas esteve na contra-mo de toda histria da Filosofia no sculo XX: se de um lado a Cincia Cognitiva tentou se consolidar fundamentando-se na noo de representao, a histria da Filosofia parece ter realizado um percurso inverso. Esta tentou, de seu lado, desmantelar a noo de representao e evitar o mentalismo
nas suas concepes sobre o conhecimento. Foi numa aliana com a Filosofia Analtica (a filosofia de tradio anglo-sax deste sculo) que a Cincia Cognitiva procurou encontrar seus fundamentos e ferramentas conceituais definies de conhecimento, representao, inferncia, etc. Esta foi uma aliana jamais questionada, uma vez que dela derivariam os cnones de racionalidade e clareza que devem servir para a construo de uma disciplina legitimamente cientfica. Contudo, a prpria Filosofia Analtica, nos ltimos anos, tem colocado em questo suas noes tradicionais de representao e conhecimento. Ocorre que a prpria Filosofia Analtica tentou implodir a noo de representao. A derrocada de empreendimentos filosficos como o Tractatus Logico-Philosophicus do filsofo austraco Ludwig Wittgenstein implicava a falncia de uma viso da linguagem como representao e, certamente, a necessidade de reviso do prprio estatuto deste conceito. Mais do que isto, a Cincia Cognitiva, ao ignorar a evoluo da prpria Filosofia que lhe serviria de fundamento, parece ter incorrido na iluso ingnua de que a consolidao de uma disciplina como cientfica implica uma recusa positivista em discutir seus fundamentos filosficos. O preo desta surdez deliberada e da recusa de se dissociar de pressupostos assumidos de maneira no-crtica pode ser to alto a ponto de a Cincia Cognitiva comprometer seu futuro como programa de pesquisa. No caso especfico da IA, esta atitude comea a se refletir como estagnao terica e at mesmo tecnolgica. O insucesso das tentativas de construo das mquinas de traduo na dcada de 60 impiedosamente avaliado e criticado pelas agncias financeiras americanas nada mais veio do que apontar para a impossibilidade de se assumir o pressuposto cognitivista da linguagem entendida como representao; um insucesso filosoficamente previsvel se a prpria noo de representao tivesse sido questionada e se a Cincia Cognitiva no tivesse virado as costas para a Filosofia contempornea. Mas as dificuldades encontradas na construo da mquina de traduo por exemplo, o problema da contextualizao e da construo de uma semntica a partir da sintaxe no foram reconhecidas como dificuldades filosficas e sim tecnolgicas. Para que estas fosse reconhecidas como filosficas, seria preciso rever o prprio conceito de linguagem e com este o conceito de representao o que a comunidade cientfica da IA no queria fazer. A mesma parceria filosfica infeliz parece ter sido a causa do insucesso dos sistemas especialistas no final dos anos 70. Em suma, a idia de conhecimento como representao parece estar na raiz das dificuldades tecnolgicas aparentes envolvidas na construo destes sistemas: exploso combinatorial, comportamento rgido e assim por diante1.
1
Desenvolvo este ponto de vista mais detalhadamente no meu ensaio A Cincia Cognitiva para alm da Representao.
AS LINHAS GERAIS DO PARADIGMA ENATIVO Varela (1988) apresenta uma sntese das principais linhas do paradigma enativo utilizando-se para isto do seguinte dilogo:
O que a cognio? A cognio ao efetiva: histria do acoplamento estrutural que faz emergir um mundo. Como isto possvel? Atravs de uma rede de elementos interconectados capazes de mudanas estruturais ao longo de uma histria ininterrupta. Como saber se um sistema cognitivo funciona adequadamente? Quando se transforma em parte de um mundo de significao preexistente (como ocorre com indivduos de toda uma espcie) ou configura um novo (como ocorre na histria evolucionria).
A noo de inteligncia tambm alterada no paradigma enativo: em vez de ser definida como capacidade de resolver problemas, ela passa a ser a capacidade de ingressar num mundo compartilhado. O processo evolutivo passa a substituir o design orientado para tarefas especficas. Outra importante mudana trazida pelo paradigma enativo o modo de conceber a linguagem: a atividade de comunicao no consiste na transferncia de informao do emissor para o receptor, mas na modelao mtua de um mundo comum atravs de uma ao conjunta. O QUE LER
1 Maturana, H. & Varela, F. Autopoiesis and Cognition. H traduo para o portugus de uma parte substancial deste livro, com o ttulo De Mquinas e Seres Vivos, publicado pela Artes Mdicas, 1997. 2 Varela, F . Conocer, captulo 5. 3 Varela, F.; Thompson, E.; Rosch, E. The Embodied Mind.
C C APTULO 12
O futuro da Cincia Cognitiva
A Cincia Cognitiva uma disciplina jovem que provavelmente entrar no prximo sculo na mesma situao de disperso prparadigmtica em que se encontra hoje. Para superar esta dificuldade seria preciso encontrar uma teoria unificada da cognio que integrasse todas as abordagens de que falamos at agora. Contudo, esta teoria unificada s poderia ser consensualmente aceita se explicasse de uma vez por todas um problema milenar: o das relaes entre mente e crebro. S assim poderamos saber do que estamos falando quando nos referimos a fenmenos mentais. Mas, apesar das vrias solues propostas, o problema mente-crebro ainda parece resistir a qualquer tipo de abordagem unvoca, motivando, sucessivamente, no apenas a proposio de novas solues possveis como tambm novas estratgias tericas para sua prpria formulao. Um sintoma destas dificuldades o problema da natureza da conscincia, questo que se arrasta h j alguns sculos e que agora retorna agenda dos filsofos da mente depois de um perodo de aparente esquecimento. O problema da conscincia tem forado a Cincia Cognitiva a conviver com mais uma disperso: aquela provocada pelo avano notvel da Neurobiologia no decorrer da dcada de 90. Na virada desta dcada, os filsofos da mente passaram a escrever insistentemente sobre o problema da conscincia tentando esclarec-lo com o auxlio de modelos
explicativos derivados da Cincia Cognitiva. Foi nesta retomada que apareceram alguns trabalhos marcantes, como os de Baars (1987), Jackendoff (1988) e de Dennett (1991). Mas a partir dos meados dos anos 90 que a Neurobiologia comea a delinear seu papel decisivo na abordagem de problemas filosficos e cognitivos. Uma estratgia adotada pelos neurobilogos para investigar o problema da conscincia foi dividi-lo numa srie de subproblemas especficos, antes de tentar delinear uma teoria geral. Dois destes subproblemas vm atraindo a ateno dos neurobilogos: as bases neuronais que permitem uma diferenciao entre sono e viglia e a integrao da informao cognitiva, principalmente na percepo (binding problem). A diferenciao entre sono e viglia abre uma primeira porta para sabermos o que significa estar consciente. O binding problem consiste em saber como o crebro pode integrar diferentes modalidades de informao acerca de um objeto de forma a poder perceb-lo de forma unificada. Por exemplo, posso perceber um co de diversas maneiras diferentes perspectivas visuais. Existem vrias raas de ces; uso a palavra co para referir-me a esses objetos e uso tambm a palavra escrita co. Contudo, meu crebro capaz de integrar todas estas modalidades de informao de maneira que invoco um nico objeto quando ouo a palavra co. Esta unificao operada pelo meu crebro particularmente importante na medida em que a partir dela componho objetos fora de mim, o que um primeiro passo para definir-me como um ser consciente. A investigao destes dois subproblemas a diferena entre sono e viglia e o binding problem levaram a resultados surpreendentes. Francis Crick (1994), um cientista do California Institute of Technology descobriu uma correlao entre a ocorrncia do binding e uma constncia em certas oscilaes de grupos de neurnios no crtex uma oscilao que se situa sempre entre 35-40Mhz. Esta descoberta (que lhe valeu um Prmio Nobel) levou-o a escrever um livro, The Astonishing Hypothesis, que se tornou um best-seller de divulgao cientfica. O mais polmico no livro de Crick sua afirmao de que nossas alegrias e tristezas, nosso sentido de identidade e de liberdade talvez no sejam nada mais do que o comportamento de um vasto conjunto de neurnios e suas reaes qumicas. A investigao da diferena entre sono e viglia tambm trouxe resultados no menos surpreendentes. Llins e Pare (1991) mostraram que os mecanismos de implementao do sono e da viglia no crebro so idnticos, ou seja, no h diferena nas bases neuronais responsveis pela produo destes dois tipos de estado. Mas o mais surpreendente ainda foi eles terem mostrado que no h diferenas neurolgicas e funcionais entre sonhar e perceber: estes dois estados tambm tm uma base comum, qual seja, as oscilaes de grupos de neurnios na faixa de 35-40 Mhz. Se h muito de percepo no sonho, esta ltima est tambm muito prxima dos estados onricos.
bem provvel que haja muito de exagero nas afirmaes de Crick e que suas investigaes no constituam ainda uma explicao completa das bases neuronais da viso consciente. Com certeza, os dualistas diriam que isolar os correlatos neuronais da conscincia ainda insuficiente para explicar como o crebro produz experincias conscientes. Contudo, este tipo de investigao iniciado por Crick abre o caminho para futuras pesquisas sobre a natureza da conscincia pesquisas que tero como ponto de partida um forte componente emprico derivado das neurocincias. De qualquer forma, preciso superar uma viso filosfica tradicional que pretende abordar o problema da conscincia de modo puramente especulativo. Este tipo de abordagem puramente especulativa hoje em dia s pode ser equiparada ao temor daqueles que, no sculo XVII, recusavam-se a estudar o funcionamento do corao para continuar sustentando que nele est a sede das emoes e sentimentos. Mas no apenas na investigao do problema da conscincia que a Neurobiologia tem surpreendido. Outros trabalhos, como, por exemplo, o best-seller de Antnio Damasio (DescartesError), um neurobilogo portugus radicado em Iowa, reabre a discusso de um dos pressupostos bsicos da Cincia Cognitiva: a possibilidade de separao, mesmo que apenas metodolgica, entre emoo e cognio, alm de questionar at que ponto podemos conceber fenmenos cognitivos independentemente de sua base biolgica. Compreender as emoes humanas algo que exige mais do que um modelo computacional da mente: preciso entender como o corpo humano e seu crebro desenvolvem mecanismos especiais para gerar a experincia consciente e como as emoes contribuem decisivamente para o foco da ateno e a opo por determinados comportamentos. A questo das emoes leva-nos para um territrio que s agora comea a ser explorado: o estudo dos neurotransmissores. H mais de 50 neurotransmissores j detectados, todos eles envolvidos na passagem de informao de um neurnio para outro. A serotonina, por exemplo, um dos mais importantes, na medida em que afeta diretamente as emoes e o comportamento. Mas ainda no sabemos exatamente em que sentido ela afeta o pensamento e a cognio. No h dvida de que at agora as respostas tradicionais ao problema mente-crebro tm menosprezado as relaes entre emoes e pensamento. O dualismo, por exemplo, enfatiza a experincia emocional consciente mas negligencia sua base neurofisiolgica. Por outro lado, o materialismo, reducionista ou eliminativista, enfatiza excessivamente a base biolgica das emoes e o papel do crebro, esquecendo dos aspectos experienciais e computacionais envolvidos nas emoes. Livros como os de Damasio ampliam cada vez mais o desafio de superar a disperso crescente que circunda o conhecimento da mente e caminhar em direo a uma teoria unificada e paradigmtica. Talvez o que
a Cincia Cognitiva precise desenvolver um tipo novo de materialismo, o materialismo integrativo (Thagard, 1996) que unifique, pelo menos, os aspectos neurofisiolgicos envolvidos na emoo e no pensamento, alm de seus aspectos computacionais. A simples proliferao de dados e experimentos na Neurobiologia no suficiente para dar este passo, sobretudo se sua interpretao for filosoficamente ingnua. Como j dissemos, o grande desafio a ser enfrentado pela Cincia Cognitiva continua sendo, em grande parte, efetuar progressos conceituais e empricos que nos permitam saber do que estamos falando quando nos referimos mente ou conscincia.
APNDICE A
Uma demonstrao do Teorema da Parada
Neste apndice apresentamos um esboo da demonstrao do teorema da parada da mquina de Turing (Halting Problem) que mencionamos no captulo I. Este teorema diz o seguinte: Para qualquer programa de mquina de Turing H, construdo para decidir se programas de mquina de Turing param ou no, existe um programa P e dados de input I, tais que o programa H no pode determinar se P vai parar ou no, quando processa os dados I.
Para proceder sua demonstrao, Turing ir supor a existncia de uma mquina de Turing (A) que decide se uma computao especfica sobre um nmero n vai parar ou no. Para isto, preciso imaginar uma lista de todos os outputs de todas as mquinas de Turing possveis, atuando sobre todos os possveis inputs diferentes. Isto pode ser feito da seguinte forma: Consideremos uma computao sobre um nmero natural n. Chamemos esta computao C(n) e podemos conceb-la como parte de uma famlia de computaes sobre nmeros naturais 0, 1, 2, 3,... ou seja, as computaes C(0), C(1), C(2)....C(n). Suponhamos que temos uma computao A de tal forma que quando A para isto constitui uma demonstrao de que uma computao C(n) no para. Ou seja, se A parar, isto uma demonstrao de que a computao especfica que est sendo realizada no ir parar. Para aplicar A a computaes em geral, precisamos listar todas as possveis computaes C da seguinte maneira: C0, C1, C2, C3, C4.....Cq. Podemos nos referir a Cq como a q-entupla computao. Quando estas computaes so aplicadas a um nmero particular n, escrevemos: C0(n), C1(n), C2(n), C3(n).... Esta uma ordenao numrica de programas de computador. Esta lista computvel, isto , existe uma computao C* que nos d Cq quando
ela atua sobre q , ou melhor, uma computao C* que atua sobre um par de nmeros q, n. e que nos d Cq(n). A computao A pode ser concebida como uma computao especfica que quando atua sobre um par de nmeros q, n, mostra que a computao Cq(n) no vai parar. Assim, quando a computao A pra, temos uma demonstrao de que Cq(n) no pra. A computao realizada por A pode ser escrita como A(q,n) e temos: (1) Se A(q,n) pra ento Cn(n) no pra. Imaginemos agora que q seja igual a n. Neste caso temos: (2) Se A(n, n) pra, ento Cn(n) no pra. A(n,n) depende apenas de um nmero, qual seja, n, e por isso ela deve ser uma das computaes C0,C1,C2,C3 aplicadas a n, pois esta uma lista de todas as computaes que podem ser aplicadas sobre um nmero natural n qualquer. Suponhamos que esta computao Ck, neste caso temos: (3) A(n, n)=Ck(n). Examinemos agora o que ocorre quando n = k. Temos: (4) A(k, k)=Ck(k) e, com n=k: (5) Se A(k, k) pra, ento Ck(k) no pra. Substituindo k no enunciado acima temos: (6) Se Ck(k) pra, ento Ck(k) no pra. Disso devemos deduzir que a computao Ck(k) no pra, pois se parasse ela no pararia, como vimos no enunciado (6). Mas A(k,k) no pode parar tampouco, pois por (4) ela o mesmo que Ck(k). Assim sendo, chegamos a uma contradio em termos: a computao A incapaz de mostrar que esta computao especfica Ck(k) no pra, mesmo quando ela pra.
APNDICE B
O dcimo problema de Hilbert, indecidibilidade e os Teoremas de Gdel
O DCIMO PROBLEMA DE HILBERT O problema da parada da mquina de Turing que vimos no Captulo 1 da primeira parte deste livro (e no apndice anterior) tem uma importncia terica fundamental: ele mostra que existem problemas que no podem ser resolvidos atravs de algoritmos. Da mesma maneira, a existncia de nmeros no-computveis marca um limite para o que pode ser representado atravs de um procedimento algortmico. Ora, haver outros tipos de problemas que no podem ser resolvidos mecanicamente, ou seja, por meio de algoritmos? Esta questo constituiu uma preocupao central para os matemticos e lgicos na dcada de 30. No Captulo 1 fizemos uma aluso a Hilbert e ao seu Dcimo Problema (Entscheidungsproblem). Veremos a seguir que este problema deu origem a todo um captulo da histria da computabilidade e que da tentativa de resolv-lo surgiu no apenas a mquina de Turing, mas tambm uma profunda revoluo conceitual na Matemtica: os teoremas de Gdel. Posteriormente, verificou-se a existncia de uma equivalncia entre o teorema da Incompletude de Gdel e o problema da parada da mquina de Turing uma equivalncia da qual se deriva a existncia de um conjunto de problemas que no podem receber soluo algortmica. Delineava-se a idia de que h mais coisas que a razo humana faz do que uma mquina de Turing pode fazer.
No Congresso Internacional de Matemtica de 1928, que ocorreu em Bolonha, na Itlia, o matemtico alemo David Hilbert questionou a relao entre verdade e demonstrao. Isto significava questionar se seria possvel fornecer uma prova para todos os enunciados matemticos verdadeiros. Hilbert estava buscando algo como uma mquina de gerar enunciados matemticos verdadeiros, uma mquina que, uma vez alimentada com um enunciado matemtico, poderia dizer se o enunciado falso ou verdadeiro. Na verdade, Hilbert havia formulado uma lista de 23 problemas fundamentais que deveriam nortear a pesquisa matemtica no decorrer do sculo XX. Dentre estes 23 problemas destacava-se o Dcimo Problema ou Entscheidungsproblem, o qual questionava se haveria ou no um procedimento mecnico (algortmico) geral que pudesse resolver, em princpio, todos os problemas da Matemtica. Alm deste problema, Hilbert tinha tambm um programa para a fundamentao da matemtica que visava coloc-la em bases rigorosamente slidas, com axiomas e regras de procedimento que deveriam ser estabelecidos em carter definitivo. Hilbert acreditava que uma maneira de eliminar a possibilidade de aparecerem paradoxos na matemtica (paradoxos so sentenas do tipo Esta sentena falsa ou Todos os cretenses so mentirosos, diz Epimnides, pensador cretense) seria criar uma linguagem puramente sinttica, sem significado, a partir da qual poderamos falar acerca da verdade ou da falsidade de enunciados matemticos. Nessa linguagem os enunciados matemticos seriam expressos usando-se apenas smbolos abstratos que no teriam nenhum significado, a no ser o que fosse estabelecido por definio. Tal linguagem chamada de sistema formal . Os enunciados sem significado de um sistema formal so compostos de seqncias finitas de smbolos abstratos. Os smbolos so freqentemente chamados de alfabeto do sistema, e as palavras do sistema so as expresses. Os smbolos podem ser objetos do tipo *, @ e # . Num sistema formal, um nmero finito de expresses tomado como sendo o conjunto de axiomas do sistema. O sistema tem tambm um conjunto de regras de transformao e um conjunto de regras de inferncia. Tais regras especificam como uma dada expresso pode ser convertida numa outra. A idia de prova num sistema formal consiste em comear com um dos axiomas e aplicar uma seqncia finita de transformaes, convertendo o axioma numa sucesso de novas expresses, onde cada uma delas ou um dos axiomas do sistema ou derivada deles pela aplicao das regras de transformao. A ltima expresso de tal seqncia chamada de um teorema do sistema. A totalidade dos teoremas constitui o que pode ser provado no sistema. Mas note-se que tais enunciados na verdade no dizem nada, eles so apenas um conjunto de expresses construdas com smbolos abstratos. Vejamos um exemplo de como isto pode funcionar1
1
Este exemplo foi adaptado de Casti (1996).
Suponhamos que os smbolos de nosso sistema so estes trs objetos: *, @ e #. Tomemos a expresso com dois smbolos *@ como sendo o nico axioma de nosso sistema. Se x denota uma expresso finita e arbitrria de estrelas, arrobas e quadradinhos, as regras de transformao de nosso sistema sero: Regra 1 Regra 2 Regra 3 Regra 4 x@ #x @@@ x**x x@* #xx * xx
Nestas regras, significa substitudo por. Por exemplo, a Regra 1 diz que podemos formar uma nova expresso acrescentando uma estrela a qualquer expresso que termina com um quadradinho. A regra 4 diz que toda vez que duas estrelas aparecem juntas numa expresso, elas podem ser suprimidas na formao de uma nova expresso. Vejamos como estas regras podem ser usadas para provar um teorema. Comeando com a expresso @#, podemos deduzir que a expresso #*@ um teorema aplicando as regras de transformao na seguinte ordem: #@ (Axioma) #@@ (Regra 2) #@@@@ (Regra 2) #*@. (Regra 3)
Tal seqncia de passos, comeando com um axioma e terminando num enunciado como #*@ chamado de uma prova seqencial para o teorema representado pela ltima expresso da seqncia. Note-se que quando aplicamos a Regra 3 no passo final, poderamos ter substitudo os ltimos trs @s da expresso precedente, terminando com o teorema #@* em vez de #*@. fcil notar igualmente que todas as expresses intermedirias obtidas no caminho do axioma para o teorema comeam com #. Fica evidente tambm pelo axioma e pela ao das regras de transformao que todas as expresses tero esta propriedade. Esta uma propriedade metamatemtica do sistema, ou seja, um enunciado acerca do sistema e no um enunciado feito dentro do sistema. Tal distino entre o que o sistema diz e o que podemos dizer acerca do sistema, observando-o externamente, de extrema importncia, como veremos a seguir. Se compararmos o funcionamento do programa de uma mquina de Turing e a aplicao das regras de transformao num sistema formal, veremos que no existe diferena entre os dois. Uma possvel correspondncia entre mquinas de Turing e sistemas formais mostrada na tabela a seguir:
TABELA B.1. Correspondncia entre sistema formal e mquina de Turing . Mquina de Turing Smbolos na fita Padro da fita Dados de input Instruo do Programa Output Sistema Formal Alfabeto Conjunto de smbolos Axiomas Regras de inferncia Teorema
Falamos anteriormente do problema de Hilbert, que pergunta se existe um procedimento algortmico para decidir se uma determinada expresso ou no um teorema de um sistema formal. Usando as correspondncias da tabela acima entre mquinas de Turing e sistemas formais, Turing pde traduzir o problema de Hilbert para seu equivalente em termos de linguagem de mquinas. Este equivalente computacional o problema da parada, cuja soluo negativa implica tambm uma soluo negativa para o problema de Hilbert. Examinemos agora como um sistema formal (sinttico) se relaciona com um mundo de objetos matemticos aos quais esto associados significados. Esta relao se d atravs da noo de interpretao. A interpretao confere significado aos objetos e entidades matemticas, tais como linhas, pontos, nmeros, smbolos abstratos, etc. Assim sendo, todos os teoremas do sistema formal podem ser interpretados como enunciados verdadeiros acerca desses objetos matemticos. A Figura B-1 mostra com clareza a distino entre o mundo puramente sinttico dos sistemas formais e o mundo dos objetos matemticos, associados com um significado.
Mundo Formal (Sintaxe)
Mundo Matemtico (Semntica)
Smbolos/Expresses Axiomas Regras de Inferncia
Dicionrio
Aritmtica Geomtrica Anlise
Teoremas
Verdades Matemticas
Figura B-1. O Mundo da Matemtica e o Mundo Formal (adaptado de Casti, 1996, p. 157).
de se esperar que exista uma correspondncia perfeita, um a um, entre os fatos verdadeiros da Matemtica e os teoremas do sistema formal. O sonho de Hilbert era encontrar um sistema formal no qual todas as verdades matemticas fossem traduzveis para teoremas e vice-versa. Tal sistema denominado completo. Se uma linguagem deve evitar contradio, uma verdade matemtica e sua negao no podem ambas ser traduzveis para teoremas, ou seja, no podem ser provadas num sistema formal. Tal sistema, no qual enunciados contraditrios no podem igualmente ser provados, chamado de consistente.
INDECIDIBILIDADE Em 1928, quando Hilbert proferiu sua conferncia em Bolonha, os matemticos j sabiam que proposies geomtricas e outros tipos de asseres podiam ser expressas como asseres acerca de nmeros. Assim sendo, o problema da consistncia da matemtica como um todo era redutvel determinao da consistncia da aritmtica, ou seja, s propriedades e relaes entre nmeros naturais (inteiros positivos: 1, 2, 3..). O problema era ento construir uma teoria da aritmtica, ou seja, um sistema formal que fosse: a) finitamente descritvel, b) consistente, c) completo e d) suficientemente forte para representar todos os enunciados que podemos construir acerca de nmeros naturais. Com a palavra finitamente descritvel Hilbert queria dizer no apenas que a quantidade de axiomas e regras do sistema tinha de ser construtvel com um nmero finito de passos, mas tambm que qualquer enunciado passvel de prova no sistema todos os teoremas tinham de ser provados com um nmero finito de passos. Uma questo fundamental envolvida neste projeto de formalizao da aritmtica era perguntar se existe um procedimento finito pelo qual possamos decidir a verdade ou falsidade de qualquer enunciado aritmtico. Assim, por exemplo, se tomamos o enunciado: A soma de dois nmeros mpares sempre um nmero par queremos um procedimento finito um programa computacional que pare aps um nmero finito de passos e que nos diga se tal enunciado pode ser provado ou no em algum sistema formal poderoso o suficiente para abranger a aritmtica. Por exemplo, no sistema formal acima, *@#, tal procedimento de deciso dado por condies no inteiramente bvias: Uma expresso um teorema se e somente se (1) se ela comea com #, (2) se o restante da expresso constitudo por *s e #s, e (3) o nmero de #s no um mltiplo de 3. Hilbert achava que a formalizao da aritmtica seria possvel, mas, em 1931, Kurt Gdel provou o seguinte fato metamatemtico:
A ARITMTICA NO INTEIRAMENTE FORMALIZVEL. Trs anos aps a conferncia de Bologna, o matemtico austraco Kurt Gdel assombrou o mundo com a publicao de um artigo que reduzia a cinzas o programa de Hilbert. Em seu artigo, Gdel mostrou que existem enunciados matemticos que so verdadeiros, mas que no so suscetveis de prova, ou seja, h um abismo entre verdade e demonstrao. A idia de axiomatizar a Matemtica como Hilbert queria foi por gua abaixo. Gdel reconheceu a importncia da percepo de Hilbert de que toda formalizao de um ramo da Matemtica constitui tambm um objeto matemtico: quando dizemos que formalizamos algo, significa que criamos uma estrutura matemtica a partir da qual podemos falar acerca do que queremos formalizar. Assim, se criamos um sistema formal para expressar as verdades da aritmtica, tal sistema formal pode ser estudado no apenas como um conjunto de regras cegas para manipular smbolos, mas como um objeto que tem propriedades matemticas, isto , propriedades semnticas. Como Gdel estava interessado em relaes entre nmeros, seu objetivo era representar um sistema formal que contivesse a aritmtica nela mesma. Ou seja, mostrar como codificar qualquer enunciado acerca de nmeros e suas relaes atravs de um nico nmero. Tratava-se de representar enunciados acerca das relaes entre nmeros naturais usando os prprios nmeros naturais. Esta ltima idia fica mais clara no contexto da linguagem natural, na qual usamos palavras em portugus para falar a respeito de nossa prpria linguagem natural. Usamos palavras para descrever propriedades das palavras, para descrev-las como sendo nomes prprios ou verbos, escrevemos gramticas de portugus usando a lngua portuguesa. Em ambos os casos, estamos usando a linguagem de duas maneiras diferentes: (1) como uma coleo de expresses no-interpretadas de smbolos alfabticos que so manipuladas de acordo com as regras da gramtica e sintaxe da lngua portuguesa e (2) como um conjunto de expresses interpretadas tendo um significado dentro do contexto. A idia-chave que os mesmos objetos podem ser considerados de duas maneiras diferentes, abrindo a possibilidade de que o objeto fale sobre si mesmo. Esta era a idia subjacente demonstrao de Gdel uma demonstrao complexa, mas que apresentaremos de forma simplificada, baseando-nos, passo a passo, no trabalho de Casti (1996). Casti toma como ponto de partida uma verso supersimplificada da linguagem da lgica a verso desenvolvida por Ernest Nagel e James Newman (1958) com smbolos elementares e variveis. Suponhamos que temos 10 smbolos lgicos, como mostrado na Tabela 1.3, cada um deles com um nmero de cdigo, um nmero inteiro entre 1 e 10.
Tabela B.2. Correspondncia entre um smbolo, seu nmero de Gdel e seu sig. nificado. Smbolo ~ / $ = 0 s ( ) Nmero de Gdel 1 2 3 4 5 6 7 8 9 10 Significado No Ou Se...ento... Existe Igual Zero O sucessor imediato de ... Pontuao Pontuao Pontuao
Alm dos smbolos elementares, esta linguagem contm variveis lgicas que so ligadas por meio dos smbolos. Estas variveis so de trs tipos, representando uma ordenao hierrquica que depende do papel que a varivel desempenha na expresso lgica. Algumas variveis so numricas, o que quer dizer que elas podem assumir valores numricos. Outras variveis designam expresses lgicas ou frmulas (variveis sentenciais). Finalmente, temos as variveis de predicados que expressam propriedades dos nmeros ou das expresses numricas, tais como par, mpar primo, etc. Todas as expresses lgicas e suas relaes podem ser escritas usando estes trs tipos de variveis, conectando-as por smbolos lgicos. Nesta verso simplificada da linguagem da lgica h apenas 10 smbolos lgicos; o sistema numrico de Gdel codifica variveis numricas por nmeros primos maiores do que 10, variveis sentenciais por quadrados de nmeros primos maiores do que dez e variveis de predicados pelo cubo dos nmeros primos maiores do que 10. Para ter uma idia de como este processo de numerao funciona, considere a frmula lgica (x)(x = sy) que, traduzida para nossa linguagem natural, isto , o portugus, quer dizer: Existe um nmero x que o sucessor imediato do nmero y. Uma vez que x e y so variveis numricas, a codificao de Gdel nos diz que faamos a atribuio x 11, y 13, uma vez que 11 e 13 so os dois primeiros nmeros primos maiores do que 10. Os outros smbolos na frmula podem ser codificados substituindo-os por nmeros, conforme mostra a tabela de correspondncia. Isto nos leva seqncia de nmeros 8, 4, 11, 9, 8, 11, 5, 7, 13, 9. Esta seqncia de 10 nmeros traduz a frmula lgica. Mas uma vez que a aritmtica fala de propriedades de nmeros e no de seqncias de nmeros, seria interessante representar a frmula usando um nico nmero. O procedimento gdeliano para fazer isto consiste em tomar os 10 primeiros nmeros primos (na medida em que h 10 smbolos na frmula)
e multiplic-los juntos, sendo que cada nmero primo elevado potncia igual ao nmero de Gdel do elemento correspondente na frmula. Uma vez que os 10 primeiros nmeros primos pela ordem so 2, 3, 5, 7, 11, 13, 17, 19, 23 e 29, fazemos as substituies (, 28 , , , 34, x 511), e assim por diante. O nmero de Gdel para a frmula acima ento: (x)(x = sy) 28 x 34 x 511 x 79 x 118 x 1311 x 175 x 197 x 2313 x 299 Usando este esquema de numerao, Gdel pde relacionar um nico nmero para cada enunciado e seqncia de enunciados sobre a aritmtica que pudesse ser expresso nesta linguagem lgica. Qualquer proposio acerca de nmeros naturais pode ser expressa como um nmero, e, assim sendo, pode-se usar a aritmtica para examinar suas prprias verdades. O segundo passo dado por Gdel foi lanar mo da noo cotidiana de verdade e a traduo de um paradoxo lgico numa proposio aritmtica. O paradoxo utilizado envolve auto-referncia, ou seja, proposies que se referem a si mesmas, como o caso da seguinte: ESTA SENTENA FALSA. A sentena diz que ela falsa. Se esta assero no corresponde realidade, ento a sentena deve ser verdadeira. Por outro lado, se a sentena verdadeira, isto significa que o que ela diz corresponde realidade. Mas esta sentena verdadeira diz que ela falsa. Assim sendo, a sentena deve ser falsa. Se assumimos que a sentena falsa ou se assumimos que a sentena verdadeira, somos obrigados a concluir o oposto. Este um caso de paradoxo. O que Gdel queria fazer era achar uma maneira de expressar estes paradoxos de sentenas auto-referentes na linguagem da aritmtica. Com isto, ele procurava uma exceo tese de Hilbert de que todas as sentenas devem ser passveis de prova num sistema formal. Em vez de usar a noo de verdade, Gdel a substitui por algo que formalizvel: a noo de ser passvel de prova. O paradoxo pode ento ser modificado para: ESTE ENUNCIADO NO PASSVEL DE PROVA. Esta sentena uma assero auto-referente acerca de um enunciado particular, qual seja, o enunciado mencionado na sentena. Contudo, por meio de seu esquema de numerao Gdel pde codificar esta assero
num enunciado metamatemtico auto-referencial, expresso na linguagem da aritmtica. Vejamos as conseqncias disto. Ocorre que o enunciado acima passvel de prova e, assim sendo, ele deve ser verdadeiro. Logo, o que ele diz deve ser verdadeiro. Mas ele diz que ele no passvel de prova. Logo, o enunciado e sua negao so ambos passveis de prova. H, ento, uma inconsistncia no nosso esquema de prova. Por outro lado, se o enunciado no passvel de prova, ento o que ele diz correto, o enunciado verdadeiro, mas no passvel de prova. Temos um enunciado verdadeiro, mas que no passvel de prova, implicando que o sistema formal que estamos usando para provar enunciados incompleto. Como Gdel efetuou uma traduo deste enunciado auto-referente num enunciado equivalente no sistema formal, isto significa que nossas concluses acerca de inconsistncia e incompletude aplicam-se inteiramente aritmtica. Se o sistema formal usado para a aritmtica consistente ele deve, necessariamente, ser incompleto. Gdel pde mostrar que para qualquer sistema formal consistente, poderoso o suficiente para expressar todos os enunciados acerca da aritmtica, esta sentena de Gdel deve existir, logo, a formalizao deve ser incompleta. Existir, nestes sistemas formais, sempre um enunciado que no poder ser provado usando as regras do sistema. preciso estar fora do sistema para perceber sua verdade. Em seguida, Gdel mostrou como construir um enunciado aritmtico A que traduzido na assero metamatemtica a aritmtica consistente. Ele demonstrou que o enunciado A no passvel de prova, o que implica que a consistncia da aritmtica no pode ser estabelecida usando-se qualquer sistema formal que represente a prpria aritmtica. Chegamos ento formulao do seguinte teorema:
TEOREMA DE GDEL Em toda formalizao consistente da aritmtica existem verdades aritmticas que no so passveis de prova no interior do sistema formal.
Comparemos agora o teorema de Gdel com o teorema da parada de Turing:

TEOREMA DA PARADA Para qualquer programa de mquina de Turing H, construdo para decidir se programas de mquina de Turing param ou no, existe um programa P e dados de input I, tais que o programa H no pode determinar se P vai parar ou no quando processa os dados I.
O teorema da parada nada mais do que um caso de indecidibilidade como outros que so exibidos pelo teorema de Gdel, embora expresso em termos de mquinas de Turing e programas computacionais
em vez da linguagem lgica dos sistemas dedutivos. A equivalncia do teorema da parada e o Dcimo Programa de Hilbert, alm da correspondncia entre mquinas de Turing e sistemas formais, permitem-nos concluir que no pode existir um programa para mquina de Turing que imprima todos os enunciados verdadeiros da aritmtica. Os resultados de Gdel mostram que existem enunciados sobre os nmeros que sabemos ser verdadeiros embora sua verdade no possa ser provada atravs de raciocnios lgicos. H uma defasagem entre verdade e demonstrao, mais verdades do que aquilo que pode ser provado.
APNDICE A
Glossrio
Alelo Membro de um par de gens que ocupa uma posio especfica num determinado cromossomo. Arquitetura von Neumann Tipo de arquitetura mais usado para a construo de computadores, foi desenvolvida por John von Neumann. Este tipo de arquitetura permite que programas sejam estocados na memria do computador, como se fossem dados. Ademais, este tipo de arquitetura faz com que as instrues sejam executadas seqencialmente no computador, uma a uma. Quase todos os computadores modernos utilizam-se da arquitetura von Neumann. Autmato Do grego automatos e latim automatu. A melhor definio de autmato foi dada por uma enciclopdia alem, publicada em 1732 e que diz: So instrumentos mecnicos preparados de modo to sutil e engenhoso, segundo as artes da geometria, que se movem e andam sem a ajuda de fora externa, ou mquina que traz em si o princpio de seu prprio movimento. Quando elas tm aparncia humana so tambm chamadas de andrides. Behaviorismo ou Comportamentalismo Em Psicologia, o behaviorismo metodolgico a viso segundo a qual a tarefa do psiclogo consiste em estabelecer leis relacionando estmulos com respostas. Ainda segundo o behaviorismo metodolgico, o psiclogo deve evitar o estudo de estados mentais. Em Filosofia, o behaviorismo lgico uma forma de reducionismo, segundo o qual o significado da atribuio de estados mentais deve ser feito de acordo com o papel que eles desempenham na produo de comportamentos. Tais atribuies podem, em princpio, ser traduzidas em sentenas que faam referncia unicamente a circunstncias comportamentais e fsicas.
Clculo de Predicados Uma linguagem matemtica inventada por G. Frege e Ch.S. Peirce no final do sculo XIX), na qual possvel representar a forma lgica de sentenas da linguagem natural. Esta linguagem permite estabelecer critrios precisos para a validade das inferncias, a verdade das sentenas de diferentes formas e a consistncia lgica de conjuntos de sentenas. Ciberntica Do grego kybernetik cincia que estuda as comunicaes e o sistema de controle de mquinas e organismos vivos. A ciberntica teve seu auge nos anos 40 e incio dos anos 50. Seus pioneiros foram Norbert Wiener e John von Neumann. Cincia Cognitiva Estudo do funcionamento mental (humano ou no) que toma como modelo o computador. A Cincia Cognitiva essencialmente interdisciplinar, reunindo, na tentativa de fazer uma cincia da mente, disciplinas como a Psicologia, a Lingstica, a Cincia da Computao, as Cincias do Crebro e a Filosofia. COG Prottipo de rob humanide que est sendo desenvolvido no MIT pela equipe de Rodney Brooks. Condies de verdade Dada uma proposio, as condies de verdade so aquelas condies que devem ser satisfeitas para que a proposio seja verdadeira ou falsa. Conexionismo Concepo alternativa de modelagem da mente humana usando o computador. O conexionismo tenta modelar processos inteligentes tomando como base o sistema nervoso (crebro) e suas caractersticas biolgicas, tentando reproduzir, artificialmente, os neurnios e suas conexes cerebrais. Para o conexionista, a simulao da inteligncia deve comear por uma simulao do crebro. Freqentemente, as palavras conexionismo, redes neurais e PDPs (Parallel Distributed Processing ou processamento distribudo) so tomadas como equivalentes. Consistncia Um sistema lgico dito consistente se de seus axiomas no se deduzem proposies contraditrias entre si. Dualismo Doutrina filosfica que sustenta a existncia de uma distino (ou assimetria) entre fenmenos mentais e fenmenos cerebrais. O dualismo moderno origina-se a partir da filosofia de R. Descartes (1596-1650). Ope-se ao materialismo ou monismo (ver). Epifenomenismo Teoria filosfica segundo a qual os estados mentais e a conscincia acompanham os estados corpreos, mas so incapazes de reagir ou atuar sobre eles. Para o epifenomenista, estados mentais e estados conscientes so subprodutos da atividade cerebral. Fentipo Conjunto de caractersticas fsicas e bioqumicas de um organismo, determinadas seja pela sua composio gentica, seja pelas influncias ambientais. A palavra fentipo tambm empregada para designar uma caracterstica especfica de um organismo, como, por exemplo, estatura ou tipo sangneo a partir de influncias genticas ou ambientais.
Filosofia da Mente Ramo da Filosofia contempornea que reestuda questes tradicionais da Filosofia (problema mente-crebro, problema da identidade pessoal, problema da natureza das representaes mentais, etc.) luz dos recentes avanos da Inteligncia Artificial, da Cincia Cognitiva e das Cincias do Crebro. Fisicalismo Viso segundo a qual tudo o que se passa na mente pode ser explicado na linguagem da Fsica, da Qumica e da Fisiologia. De acordo com o fisicalismo, todos os fatos mentais e psicolgicos so redutveis a fatos fsicos. Folk Psychology Conjunto de teorias habituais e cotidianas a partir das quais explicamos o comportamento e a vida mental de outras pessoas. Segundo alguns tericos e filsofos da mente a folk psychology fragmentria e incoerente. Funcionalismo Doutrina que sustenta que o que torna um estado mental o papel que ele desempenha num sistema em questo. So as relaes causais e funcionais com outros estados do sistema que tornam um estado mental. Gentipo Constituio gentica de um organismo ou grupo de organismos. A palavra tambm usada para designar organismos que tm a mesma constituio gentica. GOFAI (Good and Old Fashioned Artificial Intelligence) Termo recentemente cunhado pelo pesquisador John Haugeland, da Universidade de Pittsburgh, EUA. A GOFAI designa a pesquisa em Inteligncia Artificial que se fez nas ltimas dcadas, excluindo, contudo, movimentos mais recentes, como, por exemplo, o Conexionismo (ver). IA forte Viso da IA segundo a qual o computador adequadamente programado uma mente e reproduz estados mentais. Os programas no so meramente ferramentas que nos habilitam a testar teorias acerca do funcionamento mental humano. IA fraca A IA-fraca ou viso fraca da IA sustenta que a criao de programas inteligentes simplesmente um meio de testar teorias sobre como os seres humanos talvez executem operaes cognitivas. Inteligncia Artificial (IA) Disciplina que estuda e desenvolve programas computacionais com a finalidade de simular atividades mentais humanas cuja realizao envolve inteligncia. O termo Inteligncia Artificial foi inventado pelo matemtico John McCarthy na dcada de 50. Linguagem natural Ou linguagem ordinria, freqentemente definida por oposio s linguagens formais ou artificiais. O portugus, o ingls, o francs, etc. so, todas, linguagens naturais. LISP Linguagem computacional inventada por John McCarthy. Ainda muito usada em Inteligncia Artificial. Materialismo/Monismo Doutrina filosfica que sustenta que fenmenos mentais so, em ltima anlise, fenmenos cerebrais. Embora no sejam exatamente a mesma coisa, as palavras materialismo e monismo so usadas como sendo equivalentes. A grande maioria dos pesquisadores da IA e da Cincia Cognitiva defende o Materialismo.
Materialismo Eliminativo Concepo segundo a qual nossa atribuio cotidiana de estados mentais a ns mesmos e a outros falsa, pois esta atribuio se faz a partir de uma teoria errada. De acordo com o materialismo eliminativo, nossa psicologia cotidiana (folk-psychology) e nosso vocabulrio psicolgico comum devem ser substitudos, no futuro, por uma teoria neurocientfica que trar, igualmente, um vocabulrio neurocientfico. MIT Abreviatura de Massachusetts Institute of Technology. Proposio O contedo de uma crena ou de uma assero, freqentemente expressa em linguagem natural incluindo uma clusula do tipo que. Por exemplo na sentena: Eu acredito que o sol est brilhando o sol est brilhando constitui a proposio. Reducionismo Na acepo usada em Psicologia ou em Filosofia da Mente, o reducionismo uma teoria que sustenta que fatos psicolgicos ou estados mentais podem ser reduzidos a fatos ou estados fisiolgicos ou comportamentais. Tempo Exponencial Se n o parmetro do qual depende a dificuldade de uma determinada tarefa matemtica (por exemplo, o tamanho de um input, o nmero de inputs, etc.), esta tarefa ser realizada em tempo exponencial se, para um nmero m e um algoritmo, o nmero de passos necessrios para realizar a tarefa sempre menor ou igual a mn . Tarefas que requerem tempo exponencial para serem realizadas so tarefas intratveis. Tempo polinomial Se n o parmetro do qual depende a dificuldade para realizar uma tarefa matemtica o tamanho de um nmero que serve de input, o nmero de inputs, etc. ento a tarefa realizada em tempo polinomial se, para um dado nmero m e um dado algoritmo, o nmero de passos necessrios para realizar a tarefa sempre menor ou igual a nm. Se uma tarefa pode ser realizada em tempo polinomial, ela uma tarefa tratvel. Teoria da Complexidade Ramo da Cincia da Computao que estuda o grau de dificuldade envolvido na resoluo algortmica de classes de problemas. Um dos principais tpicos abordados por esta disciplina a eficincia (extenso de tempo) envolvida na execuo de um algoritmo.
APNDICE A
Peridicos de Cincia Cognitiva
A cada dia que passa, maior o nmero de revistas especializadas que abordam assuntos relacionados Cincia Cognitiva. Assim sendo, a lista que apresentamos a seguir no completa: 1 Revistas interdisciplinares Behavioral and Brain Sciences Cognition Cognitive Science Mind and Language 2 Revistas filosficas Mind Minds and Machines Philosophical Psychology Journal of Consciousness Studies (web: Http://www.zynet.co.uk/imprint) 3 Revistas psicolgicas Cognitive Psychology Psychological Review 4 Revistas de Inteligncia Artificial Artificial Intelligence Computational Intelligence Connection Science
5 Revistas de Neurocincia Cognitive Neuroscience Neural Networks Biological Cybernetics 6 Revistas de Lingstica Foundations of Language Language Linguistic Inquiry 7 Revistas sobre conexionismo/redes neurais Neural Computation The Journal of Computational Neuroscience 8 Revistas eletrnicas Psyche http//psyche.cs.monash.edu.au/ Journal of Artificial Intelligence Research http//www.cs.washington.edu/research/Jair/home.html Think Quarterly
http://tkwww.kub.nl:2080/tki/Docs/Think
Sociedades e organizaes American Association for Artificial Intelligence Cognitive Neuroscience Society Cognitive Science Society Society for Machines and Mentality Society for Philosophy and Psychology Sociedades e organizaes no Brasil Grupo de Cincia Cognitiva do Instituto de Estudos Avanados da USP So Paulo Grupo de Cincia Cognitiva Instituto de Estudos Avanados da Universidade Federal do Rio Grande do Sul UFRGS Porto Alegre Sociedade Brasileira de Inteligncia Artificial SBIA Cursos e programas de ps-graduao em Cincia Cognitiva Informao sobre cursos de ps-graduao em Cincia Cognitiva no Exterior pode ser encontrada acessando-se as seguintes URLs da www: http://www-psych.stanford.edu/cogsci/. http://www.cog.brown.edu/pointers/cognitive.html.
APNDICE A
Bibliografia comentada
Os livros e artigos assinalados com um asterisco ( * ) esto comentados e so especialmente recomendados para aqueles que desejam se aprofundar no estudo da Cincia Cognitiva e da Filosofia da Mente. Esto includos nesta Bibliografia tambm os livros e artigos citados neste trabalho.
Abraham, R. H., & C. D. Shaw. 1992. Dynamics:the geometry of behavior 2. ed. Redwood City, California: Addison-Wesley. Allen, R. H., ed. 1992. Expert systems for civil engineers: knowledge representation New York: American Society of Civil Engineers. *Anderson, A.R. (1964). Minds and Machines New York: Prentice Hall. Antologia clssica de textos sobre Filosofia da Mente e Inteligncia Artificial. Inclui diversos artigos de Turing, Lucas, e o famoso artigo de Putnam Minds and Machines. H traduo para o castelhano em Controversia sobre Mentes y Mquinas Cuadernos Infimos 124, Tusquets Editores, Espanha. Anderson, J. R. 1983. The architecture of cognition. Cambridge, MA: Harvard University Press. Anderson, J. R. 1990. Cognitive science and its implications New York: Freeman. Anderson, J. R. 1993. Rules of the mind. Hillsdale, NJ: Erlbaum. *Baars, B. J. 1988. A cognitive theory of consciousness. Cambridge: Cambridge University Press. Livro sobre o problema da conscincia. Prope a teoria do global workspace, no qual a conscincia aparece como elemento integrador das vrias funes mentais e cerebrais. Bremermann, H.J. 1977. Transcomputability and Complexity in Smith, M. & Duncan, R. (eds) The Encyclopedia of Ignorance London: Routledge & Kegan Paul.
*Boden, M. 1987. Artificial Intelligence and Natural Man 2.ed. London: MIT Press. Livro importante para quem quer ter um panorama da IA at o incio dos anos 80. Descreve uma srie de programas de IA e suas caractersticas. Boden, M. 1988. Computer models of mind. Cambridge U.K.: Cambridge University Press. *Boden, M. (ed.) (1990). The Philosophy of Artificial Intelligence. New York: Oxford University Press. Importante coletnea de artigos na rea de IA. Contm artigos recentes e artigos de importncia histrica, como, por exemplo, o de McCulloch e Pitts, publicado em 1943. *Boden, M. (ed.) 1996. The Philosophy of Artificial Life. New York: Oxford University Press. Coletnea atualizada com artigos recentes sobre vida artificial. Contm artigos de Langton e de Thomas Ray. *Borst, C.V. 1970. The mind/brain identity theory. London:Macmillan. Coletnea clssica sobre o problema mente-crebro. Contm artigos de U.T. Place e de J. J. Smart. Brooks, R.A. 1990. Elephants do not play chess in P. Maes (ed) Designing autonomous agents p. 3-15. Cambridge, MA: The MIT Press. *Brooks, R. A. 1991. lntelligence without representation. Artificial Intelligence 47:139159. Artigo fundamental onde so lanadas as bases tericas para o desenvolvimento da Nova Robtica. Contm tambm forte crtica Inteligncia Artificial representacionalista. Para Brooks, o conceito de representao desnecessrio para conceber o comportamento inteligente. Brooks, R.A. 1991. Intelligence without reason Proceedings of the 12th. IJCAI pp. 56595, San Mateo, CA: Morgan Kauffmann. *Casti, J. (1996). Five Golden Rules. New York: John Wiley. Livro excelente que expe as cinco grandes realizaes da Matemtica no sculo XX. Contm um captulo sobre o teorema da parada de Turing, onde tambm so explicados, de maneira accessvel, o teorema da incompletude de Gdel e o Dcimo Problema de Hilbert, bem como outros conceitos fundamentais para a teoria da computabilidade. *Chalmers, D. 1996. The Conscious Mind. New York: Oxford University Press. Um dos livros mais recentes e polmicos sobre o problema da conscincia na Filosofia da Mente. Nele o autor sustenta que a conscincia no pode ser reduzida a qualquer outro tipo de fenmeno, seja este neurolgico ou de outra natureza. Advoga um dualismo peculiar, que ele batiza de dualismo naturalista. Chomsky, N. 1957. Syntatic structures. The Hague: Mouton. Chomsky, N. 1959. A review of B. F. Skinners Verbal behavior. Language, 35, 26-58. *Churchland, P. S. 1986. Neurophilosophy. Cambridge, Mass.: MIT Press. Livro de grande flego, dividido em duas partes. Na primeira expe as principais concepes sobre o funcionamento do crebro e na segunda explora teorias filosficas e computacionais acerca do funcionamento mental.
*Churchland, P. S. & Sejnowski, T. 1992. The computational brain. Cambridge, Mass.: MIT Press. Livro importante, explora teorias computacionais acerca do funcionamento cerebral. Aborda tambm temas como plasticidade cerebral e integrao sensriomotora. *Churchland, P. 1986. Matter and Consciousness. Cambridge, MA: The MIT Press. Uma excelente introduo Filosofia da Mente, recomendvel para todos os que quiserem se iniciar neste assunto. Clark, A. 1989. Microcognition: philosophy, cognitive science and parallel distributed processing. Cambridge, MA:MIT/Bradford Books. Crick, F. 1994. The astonishing hypothesis: The scientific search for the soul. London: Simon and Schuster. *Damasio, A.R. 1994. Descarteserror. New York: Putnam. Livro instigante, escrito pelo neurobilogo portugus radicado em Iowa, nos Estados Unidos. Argumenta que no possvel obter uma separao integral entre emoes e inteligncia, pondo em questo os principais pressupostos do cognitivismo e do cartesianismo. De leitura extremamente agradvel. H traduo para o portugus (Companhia das Letras). *Dennett, D. 1969. Content and Consciousness. London: Routledge & Kegan Paul. Um dos primeiros livros do filsofo norte-americano Daniel Dennett. Nele so lanados os principais conceitos que levaro elaborao do conceito de sistema intencional, fundamental para sua teoria da mente. *Dennett, D. 1978. Brainstorms Cambridge, MA: The MIT Press. Coletnea de artigos do filsofo norte-americano Daniel Dennett. Nesta coletnea so tratados vrios assuntos relevantes para a Inteligncia Artificial e suas relaes com a Filosofia da Mente. *Dennett, D. 1991. Consciousness explained. Boston: Little, Brown. Livro importante para quem se interessa pelo problema da conscincia em Filosofia da Mente. Nele proposto um modelo anticartesiano e antidualista de conscincia, baseado em idias computacionais. Dennett, D. (1995). Darwins dangerous idea. New York: Simon & Schuster. Dietrich, E., ed. 1994. Thinking computers and virtual persons: Essays on the intentionality of machines. San Diego, California: Academic Press. *Dreyfus, H.L. 1972. What computers cannot do. New York: Harper & Row. Um libelo contra a Inteligncia Artificial. Nele o autor argumenta (de maneira muitas vezes emocional) contra a possibilidade de simulao mecnica de atividades mentais humanas. Um de seus pontos de apoio foi o fracasso dos programas para traduzir linguagens naturais durante a dcada de 70. Dreyfus, H. L. 1991. Beng-in-the-world. Cambridge, Mass.: MIT Press. Dreyfus, H. L. 1992. What computers still cant do. 3. ed. Cambridge, Mass.: MIT Press. *Dupuy, P. 1994. Aux Origines des Sciences Cognitives. Paris: ditions La Dcouverte. Livro histrico, relata o aparecimento da Ciberntica, um ramo que as Cincias Cognitivas preferem esquecer. Nele se mostra como que da ciberntica se originaram a IA simblica e o conexionismo. H traduo para o portugus (EDUNESP. Editora da UNESP).
*Epstein, R. & Carnielli, W. 1989. Computability: Computable Functions, Logic and the Foundations of Mathematics. Pacific Grove, California: Wardsworth & Brooks/Cole. Um dos livros mais completos acerca de computabilidade. Possui passagens de matemticos e lgicos importantes como Hilbert, Gdel onde eles relatam seus pontos de vista acerca de questes de Computabilidade e Filosofia da Matemtica. Feyerabend, P.K. 1963. Materialism and the mind-body problem. Review of Metaphysics 17. 14-29. Flanagan, O. 1992. Consciousness reconsidered. Cambridge, MA.: MIT Press. Flanagan, O. 1995. Deconstructing dreams: The spandrels of sleep. Journal of Philosophy 92, 5-27. Franklin, S. 1995. Artificial Minds. Cambridge, MA: The MIT Press. *Fodor, J. 1975. The language of thought. New York: Crowell. Livro fundamental para quem se interessa pelo paradigma representacionalista. considerado uma espcie de bblia do cognitivismo clssico. Nele se argumenta pela existncia de uma linguagem do pensamento, que procederia atravs de computaes sucessivas. Esta linguagem do pensamento possibilitaria a cognio e a linguagem. Oferece algumas dificuldades de leitura. *Fodor, J. 1983. The modularity of mind. Cambridge, MA: The MIT Press. Livro importante para aqueles que se interessam pelo paradigma simblico. Nele argumenta-se que o aparato cognitivo humano est organizado em mdulos estanques, sendo que alguns deles funcionam automaticamente, sem passar pela conscincia. Fodor, J. 1987. Psychosemantics. Cambridge, Mass.: MIT Press. *Fodor, J.& Pylyshyn, Z. 1988. Connectionism and cognitive architecture: a critical analysis. Cognition 28:3-71. Artigo de leitura obrigatria para aqueles que se interessam por conexionismo. Nele esto contidas as principais crticas a este tipo de abordagem cognio. *Gardner, H. 1985. The minds new science. New York: Basic Books. Uma histria do surgimento e desenvolvimento da Cincia Cognitiva. Muita informao, embora de maneira um pouco esparsa, constitui livro importante para se ter um panorama desta disciplina. *Garey, M. & Johnson, D. 1979. Computers and Intractability. San Francisco: W.H. Freeman and Co. Livro clssico acerca da Teoria da Complexidade Computacional. Giere, R. 1988. Explaining science: A cognitive approach. Chicago: University of Chicago Press. Gleick, J. 1987. Chaos: Making a new science. New York: Viking. Graham, G. 1993. Philosophy of mind: An introduction. Oxford: Blackwell. *Haugeland, J. 1981. Mind Design Cambridge, MA, The MIT Press Uma das melhores coletneas sobre Inteligncia Artificial, Cincia Cognitiva e Filosofia da Mente. Rene artigos de Newell, Simon, Putnam, Dennett, Searle, Davidson e outros. Uma nova edio, ampliada, intitulada Mind Design II acaba de ser publicada pela MIT Press.
*Haugeland, J. 1985. Artificial Intelligence: the very idea, Cambridge MA: The MIT Press. Uma discusso filosfica acerca dos potenciais da IA. No livro, Haugeland caracteriza a GOFAI (ver Glossrio) e a concepo de inteligncia derivada deste conceito. Hinton, G. E. & A. Anderson, eds. 1981. Parallel models of associative memory. Hillsdale, NJ.: Erlbaum. *Hofstadter, D. 1979. Gdel, Escher, Bach: An eternal golden braid. New York: Basic Books. Livro instigante, trata de vrios problemas filosficos da IA e sustenta que a questo da auto-referncia contm a chave para resolver a maioria destes problemas. Hofstadter, D. & Dennett, D. 1981. The Minds I Sussex: The Harvester Press. Hofstadter, D. 1995. Fluid concepts and creative analogies: Computer models of the fundamental mechanisms of thought. New York: Basic Books. Holland, J. H. 1975. Adaptation in Natural and Artificial Systems. Ann Arbor: University of Michigan Press. Holland, J. H.; Holyoak, K.J.; Nisbett, R. E; Thagard, P. R. 1986. Induction: Processes of inference, learning, and discovery. Cambridge, MA: The MIT Press. Holtzman, S. 1989. Intelligent decision systems. Reading, MA.: Addison-Wesley. Holyoak, K. J., & J. A. Barnden, eds. 1994. Advances in connectionist and neural computatonal theory. Vol. 2, Analogical connections. Norwood, NJ.: Ablex. Holyoak, K. J., & Thagard, P. 1995. Mental leaps: Analogy in creative thought. Cambridge, Mass.: MIT Press. *Hopcroft, J. & Ullmann, J. 1979. Introduction to Automata Theory, Languages and Computation. New York: Addison Wesley. Um dos livros mais completos sobre computabilidade. De abordagem tcnica, oferece algumas dificuldades para o leitor leigo. *Humphrey, N. 1992. A History of the Mind. London: Chatto & Windus. Livro que aborda vrios aspectos e questes da Filosofia da Mente. H traduo para o portugus (Editora Campus Rio de Janeiro). Jackendoff, R. 1987. Consciousness and the computational mind. Cambridge, MA.: MIT Press. Keil, F. 1989. Concepts, kinds, and cognitive development. Cambridge, MA.: MIT Press. Kim, J. 1996. Philosophy of Mind. Boulder, CO: Westview Press. Kosslyn, S. M. 1980. Image and mind. Cambridge, MA.: Harvard University Press. Kosslyn, S. M. 1994. Image and brain: the resolution of the imagery debate. Cambridge, MA: The MIT Press. Kosslyn, S. M., & Koenig, O. 1992. Wet mind: The new cognitive neuroscience. New York: Free Press. Langton, C. (ed). 1989. Artificial Life. Reading, MA: Addison-Wesley. Lashley, K.S. 1951. The problem of serial order in behavior in Jeffress, L.A., (ed) Cerebral mechanism in behavior. New York, John Wiley & Sons.112-146. Latour, B., & Woolgar, S. 1986. Laboratory life: The construction of scientific facts. Princeton, NJ.: Princeton University Press. Lenat, D., & Guha, R. 1990. Building large knowledge-based systems. Reading, MA.: Addison-Wesley. Levine, D. S. 1991. Introduction to neural and cognitive modeling. Hillsdale, NJ.: Erlbaum. *Levy, S. 1992. Artificial Life. London: Jonathan Cape. Uma das melhores exposies do surgimento e desenvolvimento da Vida Artificial. Em linguagem simples e jornalstica, contm informaes importantes para quem quer se iniciar neste tpico.
Llins, R.R. & Par, D. 1991. Of Dreaming and Wakefulness. Neuroscience 44, n. 3, 521-535. *Lucas, J. R. 1961. Minds, machines, and Gdel. Philosophy 36: 120-124. Artigo polmico onde Lucas argumenta que o teorema da incompletude de Gdel constitui um obstculo intransponvel para a simulao completa das atividades mentais humanas e marca uma assimetria entre mentes e mquinas. H traduo para o castelhano em Controversia sobre Mentes y mquinas Cuadernos Infimos 124, Espanha Tusquets Editores. *Maturana, H. & Varela, F. 1980. Autopoiesis and Cognition. Boston: D. Reidel. Livro fundamental para a compreenso do paradigma inativo. Divide-se em dois ensaios = The biology of Cognition e Autopoiesis: the organization of the living. O segundo ensaio foi publicado separadamente e dele h traduo para o portugus com o ttulo De mquinas e Seres Vivos. Maturana, H. & Varela, F. 1997. De Mquinas e Seres Vivos, Porto Alegre: Artes Artes Mdicas. *McCorduck, P. 1979. Machines who think. New York: Freeman. Uma histria do surgimento e desenvolvimento da Inteligncia Artificial. Embora em linguagem jornalstica, contm muitas informaes relevantes. McCulloch, W. & Pitts, W. (1943). A Logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics. 5:115-133. McKworth, A. 1993. On seeing robots. ln A. Basu and X. Li, eds., Computer vision: Systems, theory, and applications, 1-13. Singapore: World Scientific. Maida, A. S. 1990. Frame theory. ln S. C. Shapiro, ed., Encyclopedia of artificial intelligence, 302-312. New York: Wiley. McClelland, J. L. & Rumelhart, D. E. 1989. Explorations in parallel distributed processing. Cambridge, MA: The MIT Press. Medin, D. L. & Ross, B. H. 1992. Cognitive psychology. Fort Worth, Tex.: Harcourt Brace Jovanovich. Michalski, R, Carbonell, J. & Mitchell, T. (eds.) 1986. Machine learning: An artificial intelligence approach. Vol. 2. Los Altos, California: Morgan Kaufmann. Miller, G. A. 1956. The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review 63, 81-97. Miller, G. A. 1991. The science of words. New York: Scientific American Library. Minsky, M. & Papert, S. 1969. Perceptrons. Cambridge, MA: The MIT Press. Minsky, M. 1975. A frame work for representing knowledge. In P. H. Winston, ed., The psychology of computer vision, 211-277. New York: McGraw-Hill. *Minsky, M. 1985. The Society of Mind. New York: Simon & Schuster. Livro bastante importante na literatura da IA. Nele est explicada a teoria dos frames proposta por Minsky. H verso em CD-ROM para McIntosh. H tambm traduo para o portugus (Francisco Alves). Murphy, G., & Medin, D. L. 1985. The role of theories in conceptual coherence. Psychological Review 92, 289-316. *Nagel, E., & Newman, J. R. 1958. Gdels proof. London: Routledge and Kegan Paul. Uma das melhores exposies dos teoremas de Gdel. Infelizmente as tradues disponveis no so confiveis. Neapolitain, R. 1990. Probabilistic reasoning in expert systems. New York: Wiley.
Nelson, G., Thagard, P., Hardy. S. 1994. lntegrating analogies with rules and explanations. ln Holyoak K. J. & Barnden, J. A. eds., Advances in connectionist and neural computational theory. Vol. 2, Analogical connections, 181-205. Norwood, NJ.: Ablex. Osherson, D. N. 1995. An invitation to cognitive science. 3 vols. 2. ed. Cambridge, MA: The MIT Press. Pearl, J. 1988. Probabilistic reasoning in intelligent systems. San Francisco, California: Morgan Kaufmann. *Penrose, R. 1989. The emperors new mind: Concerning computers, minds, and the laws of physics. Oxford: Oxford University Press. Este livro um verdadeiro best-seller, tendo sido traduzido para vrios idiomas, inclusive o portugus (Editora Campus Rio de Janeiro). Nele, Penrose faz um longo percurso, passando pela teoria da Computabilidade e pela Fsica para mostrar por que ele no acredita na possibilidade de simulao completa das atividades mentais humanas. Penrose, P,. 1994. Shadows of the mind: A search for the missing science of consciousness. Oxford: Oxford University Press. Pinker, S. 1994. The language nstinct: How the mind creates language. New York: Morrow. *Popper,K. & Eccles, J. (1977). The Self and its Brain. Berlin: Springer International Livro instigante, aborda o problema mente-crebro na perspectiva filosfica (Popper) e na perspectiva neurofisiolgica (Eccles). Ambos defendem uma interessante variedade de dualismo. H traduo para o portugus (Editora Papirus, Campinas). *Posner, M. I., ed. 1989. Foundations of cognitive science. Cambridge, MA: The MIT Press. A mais completa e abrangente coletnea de trabalhos em Cincia Cognitiva. Embora bastante extensa, leitura recomendada para o nefito. Poundstone, W. 1991. Labyrinths of Reason. London:Penguin Books. *Putnam, H. 1975. Mind, language, and reality. Cambridge: Cambridge University Press. Esta coletnea do filsofo norte-americano Hilary Putnam (em 3 volumes) contm importantes artigos que relacionam Inteligncia Artificial e Filosofia da Mente. Nela est o artigo clssico Minds and Machines, no qual proposto um modelo das relaes mente-crebro baseado em conceitos oriundos da Inte-ligncia Artificial. *Pylyshyn, Z. 1984. Computation and cognition: Toward a foundation for cognitive science. Cambridge, MA.: MIT Press. Livro importante para quem procura uma abordagem mais detalhada do paradigma simblico ou IA representacionalista. *Rich, E. 1983. Artificial Intelligence. New York: McGraw Hill. Manual que aborda vrios aspectos tcnicos da IA, passando por resoluo de problemas, representao do conhecimento, linguagem natural, etc. A edio mais atualizada tem uma parte sobre redes neurais. H traduo para o portugus pela Editora McGraw Hill Ltda. Riesbeck, C. K., & Schank, R. C. 1989. Inside case-based reasoning. Hillsdale, NJ.: Erlbaum. *Robinson, D. (1973). Introduo Analtica Neuropsicologia. So Paulo: E.P.U. Livro escrito em linguagem simples e clara, introduz o leitor no conhecimento do crebro humano.
Rorty, R. 1965. Mind-body identity, privacy and categories. The Review of Metaphysics, 19 22-33 *Rumelhart, D. E; McClelland, J. L. e o PDP Research Group. 1986. Parallel distributed processing: Explorations in the microstructure of cognition. Cambridge, MA.: The MIT Press. Livro fundamental para quem quer se iniciar no conexionismo. uma espcie de bblia sobre o assunto, reunindo artigos de vrios autores que analisam modelos conexionistas em vrias reas da cincia cognitiva. Schank, R. C. & Abelson, R. P. 1977. Scripts, plans, goals, and understanding: An inquiry into human knowledge structures. Hillsdale, NJ.: Erlbaum. Schank, P.; Kass C., A. & Piesbeck, C. K. 1994. Inside case-based explanation. Hillsdale, NJ.: Erlbaum. Searle, J. 1980. Minds, Brains and Programsin Mind Design. J. Haugeland (ed). Cambridge, MA, MIT Press/Bradford Books, 282-306. Searle, J. 1980a. Intrinsic Intentionality Behavioural and Brain Sciences, v 3. 307-309 Searle, J. 1982. What is an intentional state? in Dreyfus, H. (ed) Husserl, intentionality and cognitive science. Vermont:Bradford Books. 259-276. *Searle, J. 1984. Minds, Brains and Science. Cambridge, MA: Harvard University Press. Um dos livros mais importantes de J. Searle, em que ele explica, em linguagem simples, o argumento do quarto do chins e sua teoria da intencionalidade baseada em princpios biolgicos. O livro surgiu de uma srie de palestras feitas por J. Searle, as Reith Lectures. H traduo para o portugus (Edies 70 Portugal). *Searle, J. 1992. The rediscovery of the mind. Cambridge, MA.: MIT Press. Livro recente de Searle, que contm vrias crticas Cincia Cognitiva e Inteligncia Artificial. H traduo para o portugus (Editora Martins Fontes). Shannon, C. 1948. The mathematical theory of communication Bell System Technical Journal, 27 379-423. Simon, H. (1969). The Sciences of the Artificial Cambridge, MA: MIT Press. Coletnea de quatro ensaios sobre os fundamentos da Inteligncia Artificial. *Smolensky, P. 1988. On the proper treatment of connectionism. Behavioral and Brain Sciences, 2: 1-74. Artigo fundamental onde so discutidas as bases tericas do conexionismo bem como suas diferenas em relao ao paradigma simblico. Teixeira, J. de F. 1990. O que Inteligncia Artificial. S. Paulo: Editora Brasiliense. Coleo Primeiros Passos. Teixeira, J. de F. 1994. O que Filosofia da Mente. S. Paulo: Editora Brasiliense. Coleo Primeiros Passos. Teixeira, J.de F. 1996. Filosofia da Mente e Inteligncia Artificial. Campinas: Edies CLEUNICAMP. Teixeira, J. de F. (org) 1996a. Crebros, Mquinas e Conscincia: uma introduo Filosofia da Mente. S. Carlos: EDUFSCAR (Editora da Universidade Federal de S. Carlos). Teixeira, J. de F. 1996b. A Cincia Cognitiva para alm de Representao. So Paulo: Coleo Documentos, Srie Cincia Cognitiva, Instituto de Estudo Avanados da USP.
*Thagard, P. 1996. Mind: an introduction to cognitive science. Cambridge, MA: The MIT Press. Livro recente, constitui uma das melhores introdues Cincia Cognitiva em lngua inglesa. A traduo para o portugus ser publicada pela Editora Artes Mdicas. *Walnum, Clayton (1993). Adventures in Artificial Life, Que@Corporation. Livro interessante que contm a descrio de vrios programas de vida artificial. Em linguagem simples. H traduo para o portugus pela Berkeley Brasil Editora, com o ttulo: Aventuras em Realidade Virtual. *Varela, F. (1988). Conocer. Barcelona: Gedisa. Livro introdutrio, mas excelente. Nele Varela analisa, de forma sucinta e clara os principais paradigmas da Cincia Cognitiva: o simblico, o conexionista e o enactivo, desenvolvido pela Escola Chilena, da qual ele faz parte. *Waterman, D. 1986. A Guide to Expert Systems. Reading, MA: Addison Wesley. Um dos melhores livros sobre sistemas especialistas. Detalhado, expe os princpios de construo destes sistemas e apresenta quase todos os sistemas especialistas construdos at a metade da dcada de 80. Winograd, T. & Flores, F. 1986. Understanding computers and cognition. Reading, MA.: Addison-Wesley. Winston, P. 1993. Artificial intelligence. 3. ed. Reading, MA.: Addison-Wesley.

Mentes e Maquinas

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Mentes e Maquinas

Caricato da

Copyright:

Formati disponibili

MENTES E MQUINAS

Catalogao na publicao: Mnica Ballejo Canto - CRB 10/1023 ISBN 85-7307-329-2

JOO DE FERNANDES TEIXEIRA

PORTO ALEGRE, 1998

PRIMEIRA PARTE O Modelo Computacional da Mente

SEGUNDA PARTE Conexionismo e Redes Neurais

8 / JOO DE FERNANDES TEIXEIRA

Conexionismo e filosofia da mente ........................................................ Crticas ao modelo conexionista .............................................................

TERCEIRA PARTE Tendncias Recentes

10 / JOO DE FERNANDES TEIXEIRA

12 / JOO DE FERNANDES TEIXEIRA

14 / JOO DE FERNANDES TEIXEIRA

O modelo computacional da mente

20 / JOO DE FERNANDES TEIXEIRA

22 / JOO DE FERNANDES TEIXEIRA

Tome dois nmeros AeB

Substitua A por B Substitua B por C

Divida A por B e reserve o resto C

Interrompa o clculo e imprima a resposta B

Controle Finito (scanner) Figura 1.3. Esquema de uma mquina de Turing.

24 / JOO DE FERNANDES TEIXEIRA

Figura 1.4. Exemplo de uma mquina de Turing funcionando.

Figura 1.5. Representao de operaes na mquina de Turing.

26 / JOO DE FERNANDES TEIXEIRA

28 / JOO DE FERNANDES TEIXEIRA

Figura 1.6. Representao do estgio inicial da torre de Hani. .

MENTES E MQUINAS / 29 Transforma de

30 / JOO DE FERNANDES TEIXEIRA

32 / JOO DE FERNANDES TEIXEIRA

Figura 1.7. Esquema do jogo da imitao.

34 / JOO DE FERNANDES TEIXEIRA

Dupuy (1994), p. 28.

36 / JOO DE FERNANDES TEIXEIRA

Axnio Figura 2.1. Esquema de um neurnio.

38 / JOO DE FERNANDES TEIXEIRA

40 / JOO DE FERNANDES TEIXEIRA

Figura 2.2. Representao de um circuito eltrico.

42 / JOO DE FERNANDES TEIXEIRA

44 / JOO DE FERNANDES TEIXEIRA

46 / JOO DE FERNANDES TEIXEIRA

Figura 2.5. Doutrinas filosficas sobre a relao mente-crebro.

MENTES E MQUINAS / 47 Cartesianismo Interacionismo

Figura 2.6. Concepes dualistas da relao mente-crebro. .

Materialismo Eliminativo Figura 2.7. Concepes materialistas do problema mente-crebro.

48 / JOO DE FERNANDES TEIXEIRA

50 / JOO DE FERNANDES TEIXEIRA

52 / JOO DE FERNANDES TEIXEIRA

54 / JOO DE FERNANDES TEIXEIRA

Estratgias, Conhecimento Prtico, Regras

56 / JOO DE FERNANDES TEIXEIRA

MODELOS DO MUNDO 0 1 2 N Asseres

58 / JOO DE FERNANDES TEIXEIRA

60 / JOO DE FERNANDES TEIXEIRA

SECS SPEX SYNCHEM2

ABEL Interpretao Diagnstico AI/COAG AI/RHEUM CADUCEOUS PUFF SPE

ANNA VM ANNA BLUE BOX

CASNET/ GLAUCOMA MYCIN ONCOCIN VM

62 / JOO DE FERNANDES TEIXEIRA

DELTA Diagnstico Debugging REACTOR SACON Monitorao

Ver acima Ensina a operao de uma mquina com propulso a vapor

64 / JOO DE FERNANDES TEIXEIRA

66 / JOO DE FERNANDES TEIXEIRA

68 / JOO DE FERNANDES TEIXEIRA

Parte deste material foi publicado em Teixeira, J. de F., 1996, captulo 1.