João de Fernandes Teixeira-Mentes e Maquinas - Uma Introdução À Ciência Cognitiva-Artes Médicas (1998) PDF

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
MENTES E
FERNANDES
TEIXEIRA
Doutor em Filosofia (PhD) pela
MQUINAS Uma introduo
University of Essex, Inglaterra. cincia cognitiva
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.
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 ......................................................................................... 9
PRIMEIRA PARTE
O Modelo Computacional da Mente
Mquinas de Turing e computabilidade ............................................... 19

Funcionalismo, pensamento e smbolos ................................................ 35
Sistemas especialistas ............................................................................... 51
As grandes objees: Searle e Penrose ................................................... 67
SEGUNDA PARTE
Conexionismo e Redes Neurais
Uma nova concepo do funcionamento mental ................................. 83

Um sistema conexionista com memria distribuda ........................... 91
8 / JOO DE FERNANDES TEIXEIRA
Conexionismo e filosofia da mente ........................................................ 103

Crticas ao modelo conexionista ............................................................. 111
TERCEIRA PARTE
Tendncias Recentes
Vida artificial ............................................................................................. 121
A nova robtica: COG e o projeto do MIT ............................................ 133
A Escola Chilena ....................................................................................... 143
O Futuro da Cincia Cognitiva ............................................................... 149
APNDICE A
Uma demonstrao do Teorema da Parada ................................................. 153
APNDICE B
O dcimo problema de Hiltert, indecidibilidade e os
Teoremas de Gdel............................................................................. 155
GLOSSRIO .............................................................................................. 165

PERIDICOS DE CINCIA COGNITIVA ............................................ 169
BIBLIOGRAFIA COMENTADA ............................................................. 171
CAPTULO 1
Introduo
A IDIA DE UMA CINCIA DA MENTE
No final de 1955, Herbert Simon, futuro prmio Nobel de Econo-

mia, fez uma declarao chocante comunidade cientfica: Neste Na-
tal 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 teo-
rema. Logo em seguida, o programa foi aperfeioado e pde produ-
zir a prova de mais de 38 teoremas da lgica. Verificou-se, ento, que
algumas das demonstraes realizadas por este programa de com-
putador eram mais elegantes do que quando realizadas por seres
humanos. Isto foi motivo de orgulho para seus inventores que, de ime-
diato, resolveram enviar as novas demonstraes para uma conceitua-
da 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 surpre-
endentes. 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 con-
sensual 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 lon-
ge 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 tam-
bm 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 Psicolo-
gia 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 Neuro-
psicologia 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 estmulo-
resposta, 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 lin-
guagem no poderia ser explicada por meio de um esquema tipo est-
mulo-resposta; um fenmeno to complexo como este exigia que se pos-
tulasse algo mais do que uma passagem de inputs para outputs. A lingua-
gem e outros comportamentos complexos exigiam algum tipo de plane-
jamento, 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 exis-
tncia de estados mentais ou representaes e supor que estas alterariam a
produo do comportamento jogava a Psicologia num dilema metodo-
lgico: 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 di-
gital poderia ser um bom modelo para entender o funcionamento do
crebro humano marca o incio da Inteligncia Artificial, que, poste-
riormente, se expandiria para algo mais amplo, que hoje denominamos
de Cincia Cognitiva.
Esta conferncia de 1956 produziu grandes frutos nas dca-
das 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 con-
ferncia, 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 au-
xlio para fundar outro laboratrio em Stanford, na Califrnia. Poucos
anos depois, Alan Newell e Herbert Simon instalaram mais um la-
boratrio de Inteligncia Artificial, desta vez na Universidade Carne-
gie-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, psico-
lingistas e outros especialistas oriundos de outras reas do conhe-
cimento. O desafio de simular computacionalmente processos mentais
humanos requeria a contribuio de todos aqueles que, direta ou in-
diretamente, 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 consolida-
da 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 Filosofia da
Cognitiva 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 mo-
numental 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 infor-
maes 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 segui-
dos 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). Con-
tudo, 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 mate-
mticos, realizar diagnsticos mdicos toda uma polmica sobre a natu-
reza 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 con-
ceitos fundamentais (algoritmo, mquinas de Turing, Problema da Pa-
rada e teste de Turing), empreendido na primeira parte deste livro
(Captulo 1), que poderemos entender o que significa o modelo com-
putacional 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 atra-
vs dos sculos. No Captulo 4 apresentamos as duas principais obje-
es 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 Arti-
ficial. 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 dificul-
dades metodolgicas (Captulo 4).
A terceira parte deste trabalho aborda trs movimentos recentes no
mbito da Cincia Cognitiva: a Vida Artificial, desenvolvida por Chris-
topher 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 distan-
te. Esperamos que a leitura da segunda e da terceira partes deste livro
possa desfazer a concepo errnea e quase popular que identifi-
ca Cincia Cognitiva e Inteligncia Artificial. Na realidade, esta iden-
tificao 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 possi-
bilitou 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 minis-
tradas 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 his-
tria da Matemtica, no se sabia o que era um algoritmo e tampouco o
que era uma computao. Para responder a estas questes, Turing in-
ventou 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 matem-
tico 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, freqen-
temente 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 Computa-
o, este processo poderia ser representado atravs do seguinte flu-
xograma:
Tome dois nmeros

AeB
Substitua A por B Divida A por B e

Substitua B por C 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 Pen-

rose, 1989, p. 32.)
O importante aqui que, da mesma maneira que na preparao do

dry martini, os passos do algoritmo de Euclides so claramente es-
tabelecidos 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 quadra-
dos 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 algo-

ritmo, o qual se manifesta no que chamamos de programa. O programa
composto de um nmero finito de instrues, cada uma delas selecio-
nada 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 1 1 1 0
<
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 V UM QUADRADO PARA A DIREITA

2 V PARA O PASSO 1 SE O QUADRADO NO SCANNER CONTM 1
3 IMPRIMA 1 NO QUADRADO ONDE EST O SCANNER
4 V PARA A ESQUERDA UM QUADRADO
5 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 lendo... ento imprima mude para v para

A 0 1 E D
A 1 0 D B
B 0 0 D A
B 1 1 E B
... ... ... ... ...
SCANNER
0 0 1 1 0 1 1 1 0 1 1
Figura 1.5. Representao de operaes na mquina de Turing.
Certamente os computadores de que dispomos hoje so, aparente-

mente, 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 m-
quina 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 Cdigo

IMPRIMA 0 NO QUADRADO QUE EST SENDO SCANNEADO 000
IMPRIMA 1 NO QUADRADO QUE EST SENDO SCANNEADO 001
V UM QUADRADO PARA A DIREITA 010
V UM QUADRADO PARA A ESQUERDA 011
V PARA O PASSO i SE O ATUAL QUADRADO CONTM 0 10100...01
V PARA O PASSO j SE O ATUAL QUADRADO CONTM 1 11011...10
PARE 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 sem-
pre 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 proce-
dimento 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 caracte-
rsticas 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 Cin-
cia 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 ime-
diatamente 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.

Transforma de
A B C
Para
C
A B
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 dia-
grama:
NP
O termo no-determinstico no significa que existe algo proba-

bilstico ou indeterminado nestes problemas. Ademais, o diagrama acima
mostra que os problemas P so na verdade um subconjunto dos pro-
blemas 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 pro-
jetar 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 segu-
rana de agncias militares governamentais. Voltaremos a falar de pro-
blemas 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 ho-
mem (B) e um interrogador (C), que pode ser de qualquer sexo. O in-
terrogador 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 ca-
belo?
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 co-
mo 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, ca-
be ao interrogador formular perguntas verdadeiramente capciosas
para adivinhar o sexo de X e de Y.
A B
X 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 mqui-
na passou no teste de Turing. Em essncia, o teste de Turing estabelece o
seguinte critrio para decidirmos se uma mquina pensa: se o compor-
tamento 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 pen-
samento baseia-se na aproximao com nossos possveis compor-
tamentos: 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 con-
seguiram 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 partilhan-
do 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 sem-
pre 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 com-
punham 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 Foun-
dations 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 mate-

mtica 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 neur-
nio 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, deno-
minado 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 interrup-
tores 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 po-
deriam 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 repre-
sentar os componentes do pensamento, Boole utilizou-se de smbolos
arbitrrios (a, b, c, etc). Estes elementos simblicos podiam ser combi-
nados 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 supersim-
plificado 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 pesqui-
sadores 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 excita-
trios 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 seguin-
tes: 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 fornece-
nos 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 B S
F F F
F V F
V F F
V V 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 arbi-

trrios, para simular o raciocnio humano precisamos conceber os neur-
nios 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 corren-
te 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:
Figura 2.3. Representao de uma porta lgica.

Esta porta executa a funo de verdade E, ou seja, teremos a sa-

da = 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 S
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 encon-

tra-se a seguir:
A B C D S
0 0 0 0 0
0 0 0 1 0
0 0 1 0 0
0 0 1 1 0
0 1 0 0 0
0 1 0 1 0
0 1 1 0 0
0 1 1 1 0
1 0 0 0 0
1 0 0 1 0
1 0 1 0 0
1 0 1 1 0
1 1 0 0 0
1 1 0 1 0
1 1 1 0 0
1 1 1 1 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 represen-
tar 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 Intelign-
cia 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 Sey-
mour Papert dois pesquisadores que lanaram as bases para o apa-
recimento 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 compu-
taes 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 Com-
putao 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 executa-

das passo a passo. Posteriormente, J. von Neumann mostrou que era
possvel colocar no mesmo plano instrues e dados. No seriam neces-
srios, 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. To-
dos 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 basica-
mente sobre dados ou representaes. Esta segunda fase do modelo com-
putacional 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 concep-
o 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 sm-
bolos. A semntica (o significado) dos smbolos estabelecida pelo pro-
gramador que constri sua simulao computacional.
A mudana que se verifica nesta segunda fase e que ser pre-

dominante na IA at o fim dos anos 70 uma mudana em termos
do prprio conceito de inteligncia: inteligncia resulta da represen-
tao 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 inte-
ligente 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 ana-
lisaremos 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 A mente essencialmente um processador de informao.

2 Informao pode ser representada na forma de smbolos.
3 Smbolos combinam-se entre si por meio de um conjunto de regras.
4 O funcionamento mental (ou cerebral) assemelha-se ao funcionamento
de uma mquina de Turing.
Quem tem um pouco mais de familiaridade com Cincia da Compu-

tao pode conceber o modelo computacional da mente da seguinte ma-
neira: 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 al-

goritmos. Podemos perceber isto no seguinte esquema:
Programa Mente
estruturas de dados + representaes mentais +
algoritmos procedimentos computacionais
= programas que rodam = 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 s-
culo 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 cor-
po) teriam propriedades irredutveis entre si, como, por exemplo, a
extenso e a divisibilidade, que seriam atributos do corpo proprieda-
des que em hiptese alguma poderiam ser atribudas mente ou
substncia pensante.
A questo levantada por Descartes atravessa toda a Filosofia moder-
na, tendo sido alvo da ateno de vrios filsofos nos sculos seguintes.
Um dos problemas cruciais que emergem a partir da doutrina de Descar-
tes saber como possvel que uma substncia imaterial (a mente) pos-
sa 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 cere-
brais. 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 desco-
bertas das neurocincias e as teorias propostas pela Cincia Cognitiva.
Existe uma grande proliferao de doutrinas filosficas que con-
cebem, 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, tam-
pouco 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 subs-
tncia 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:
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 para-
lelo, 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 psi-
colgicas habituais (a chamada folk psychology) que se utilizam de con-
ceitos 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 for-
mulao de uma teoria especfica das relaes mente-crebro: o funcio-
nalismo. O funcionalismo, enquanto tese geral defendida pelos tericos da
Inteligncia Artificial, sustenta que estados mentais so definidos e carac-
terizados 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 presen-
tes no organismo ou sistema, seja pela interao com a produo de de-
terminados 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 mente-
crebro 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 pro-
jetado 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 disci-
plina encontra-se estocado. Este acoplamento permite ao sistema especia-
lista 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. Cotidia-
namente, 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 desapareci-
mento 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 conhe-
cimento 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 desco-
bertas 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 conhe-
cimento. 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 deter-
minado diagnstico, e assim por diante.
O processo de construo destes sistemas especiais levou ao apareci-
mento 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 desen-
volvem (o engenheiro de conhecimento) e os especialistas humanos de
uma determinada rea. A tarefa do engenheiro de conhecimento ex-

trair 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 ENGENHEIRO DE SISTEMA

ESPECIALIZAO CONHECIMENTO ESPECIALISTA
Estratgias,
Conhecimento Prtico,
Regras
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, elabo-

rado 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 especia-
listas com grande eficincia e que simulem os melhores especialistas
humanos de uma determinada rea.
Outra caracterstica importante do sistema especialista adequada-
mente 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 carac-
terstica 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 especia-
listas: eles se tornam uma ferramenta para treinar seres humanos que
esto se iniciando numa determinada rea. Isto ocorre quando eles in-
cluem 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
Capacidade
Ferramenta de CORPO DE

de

Treino CONHECIMENTO Predio

Memria
institucional
Figura 3.2. Caractersticas do corpo de conhecimento de um sistema especialista (adap-

tada 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 Condies Aes
3
Sistema
4 de
Controle
5 Linguagem
Natural Usurio
N
Mtodo
de
MODELOS DO MUNDO Inferncia
0 Asseres
Figura 3.3. Representao da base de conhecimento de um sistema especialista e sua in-

terao 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 pacien-
tes 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 pro-
babilstico 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. aproximada-
mente desta maneira que o MYCIN opera: com uma margem de proba-
bilidade 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 v-
rios 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 PROS-
PECTOR 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 parcial-
mente 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:
Rede de Inferncia
Regras
(P1)
E1 e E2 H2 (LS1, LN1) H1
H2 H1 (LS2, LN2)
E3 H1 (LS3, LN3) (LS3, LN3) (LS2, LN2)
(P2) E3 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 cen-

tenas 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 certe-
za 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 de-

cidir 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 proba-
bilidade 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 descri-
o de sua funo.
Qumica
Infere a estrutura 3D de uma protena
CRYSALIS de um mapa de densidade do eltron.
Interpretao Infere uma estrutura molecular dos dados de
DENDRAL massa espectral e resposta nuclear.
Ajuda o bilogo molecular nos processos de

CLONER
design e criao de uma nova molcula.
Ajuda o geneticista molecular a planejar
MOLGEN experimentos de clonagem gentica.
Planejamento Ajuda os qumicos a sintetizarem molculas
SECS orgnicas completas.
Design
Ajuda os cientistas a planejarem experimentos
SPEX
complexos de laboratrio em biologia molecular.
Sintetiza molculas orgnicas complexas sem
SYNCHEM2
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 Diagnstico doenas pulmonares
SPE Diagnstico condies inflamatrias
VM Monitorar pacientes em UTI

Medicina
Ajudar no diagnstico desordens
ABEL eletrolticas e cido-base
Interpretao Ajudar no diagnstico de doenas do

AI/COAG
sangue
Diagnstico de doenas de tecido
Diagnstico AI/RHEUM conectivo na clnica reumatolgica
Diagnstico de doenas na prtica de
CADUCEOUS Medicina geral
PUFF Ver acima
SPE Vera acima
Ajudar administrar digitalina para

Acompanhamento ANNA pacientes com problemas cardacos
VM Ver acima
ANNA Ver acima
Ajuda diagnstico/tratamento
BLUE BOX
depresso
CASNET/ Diagnstico/tratamento doenas
Diagnstico
GLAUCOMA relacionadas com glaucoma
Debugging Diagnstico/tratamento de infeces
MYCIN
bacterianas
Ajuda tratamento e manejo de pacientes
ONCOCIN
com cncer submetidos quimioterapia
VM Ver acima
Ensina mtodos de manejo de

Instruo ATTENDING
substncias anestsicas
Ensina diagnstico e tratamento de
GUIDON
paciente com infeces bacterianas
Controle
VM Ver acima
Figura 3.6. Esquema com exemplos de sistemas especialistas em Medicina, com a des-
crio de sua funo.
ENGENHARIA
Interpretao Ajuda operadores a diagnosticar e tratar
REACTOR
acidentes com reatores nucleares
DELTA Ajudar a identificar e corrigir defeitos em

locomotivas
Diagnstico
REACTOR Ver acima
Debugging
Ajuda engenheiros a descobrir estratgias de

SACON anlises para problemas estruturais
Monitorao
REACTOR Ver acima
Instruo Ensina a operao de uma mquina com

STEAMER
propulso a vapor
Figura 3.7. Esquema com exemplos de sistemas especialistas em Engenharia, com a descri-
o 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 conse-
qente verdadeiro e a regra dispara. Uma regra num sistema comple-
xo 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 adi-
cionar 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 tor-
nem 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 espe-
cificados 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 infor-
mao 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 expe-
rincia cotidiana das diversas situaes e a idia de que nossas repre-
sentaes 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 vanta-
gens. 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 en-
contra incompleta. Mais do que isto: este tipo de representao muito mais
adequado para situaes onde contextos desempenham um papel im-
portante, tais como interpretao da linguagem, anlise poltica e at mes-
mo 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. Posterior-
mente, 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 de-
duzir 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. Seguiu-
se 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 espe-
cialistas 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 contem-
porneos, 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 trata-
se 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 ampliar-
mos 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 Arti-

ficial no deixou de ter os seus crticos. A idia de que atividades mentais
humanas possam ser replicadas mecanicamente , no mnimo, assus-
tadora, 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-progra-

mveis, 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 compre-
enso. 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 Unders-
tanding.
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 simula-
es 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 transforma-
o, 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 re-
composio 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 infor-
maes. 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 chi-
ns , 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 revela-
dora. 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 intrn-
seca ou de genunos estados mentais.
A atribuio de intencionalidade ou de significado, diz Searle, , nes-
tes casos, sempre uma atribuio a posteriori, dependente da intencio-
nalidade 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 represen-
taes 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 lin-
gsticas 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 desen-
volvidos 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, sa-

lientando 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 colecion-
las, 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 con-
troladas 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 compu-
tacional 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 n-
mero finito de passos) ou no. Isto s pode ser realizado intuitivamente, al-
go que requer uma inteligncia que no pode ser expressa de forma algort-
mica. 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 Pro-
blem com o 10 problema de Hilbert, bem como o fato de que a inso-
lubilidade deste problema conseqncia direta do teorema da Incom-
pletude 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 desen-
volvida por alguns pesquisadores seria que fenmenos qunticos pos-
suem algumas propriedades especiais, como o indeterminismo e a no-
localidade 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 caracteris-
ticamente humano, no replicvel pelas mquinas. Em Shadows of the
Mind, Penrose identifica a existncia de estados no-computveis (no-
algortmicos) no crebro humano que seriam responsveis pelo que cha-
mamos 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 mate-
rialista? 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 no-
deterministas 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 intra-
tveis 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 aper-

feioado. 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 transcom-
putvel 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 co-
letnea 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 represen-
taes mentais e da sua simulao atravs de programas computa-
cionais 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, posterior-
mente, de Rumelhart e McClelland), tendo ficado abafado, principalmen-
te, durante os anos 70, quando havia grande entusiasmo pelas possibi-
lidades abertas pela IA simblica.
O conexionismo, funcionalismo neurocomputacional ou processa-
mento 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 processa-
mento. 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 transfor-
mao de smbolos de acordo com regras regras que esto estabelecidas
num programa. A idia de computao subjacente a um sistema cone-
xionista 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 mode-
los fsicos. Este o caso dos sistemas que se baseiam num outro tipo de
mquina virtual, a mquina de Boltzmann, inspirada num modelo termo-
dinmico. 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 re-
presentando 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 denomi-
nado de processo de relaxamento, num ciclo que guarda muita seme-
lhana 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, pode-
se pelo menos dizer que eles so inspirados na estrutura do crebro.
Processamento paralelo distribudo tambm tem uma inspirao neuro-
lgica: emprega vrios processadores simples ligados em paralelo, de
uma forma bastante intrincada. Uma forte analogia entre modelos cone-
xionistas 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 dis-
tribuda no sistema.
COMPONENTES DOS SISTEMAS CONEXIONISTAS
A construo de sistemas conexionistas envolve os seguintes com-

ponentes:
1 Um conjunto de unidades de processamento (neuron-like units).

2 Um padro de conectividade entre as unidades.
3 Pesos (ou fora) entre as conexes.
4 Uma regra de ativao que toma os inputs que recaem sobre uma uni-
dade 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 siste-
ma funciona em paralelo, muitas unidades podem realizar computa-
es 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 conhe-
cimento contido num sistema conexionista. Estas mudanas so funda-
mentalmente 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 introdu-
zidas 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 Per-
ceptron, 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 pro-
blema. A figura a seguir mostra o tipo de rede que estamos procurando:
unidades
ocultas
1 1
-1 1
unidade
1
unidade de output
de input -1
1
1
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 direta-
mente. A unidade mais direita produz o output da rede. As unida-
des 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 conexio-
nismo: o descontentamento com modelos simblicos, a tentativa de
reaproximar a abordagem da cognio com a pesquisa na rea de neuro-
cincia 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 nu-
mricas, 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 lo-
calizado em smbolos especficos: este emerge do estado global do siste-
ma. 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 sub-
simblico 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, distin-
guindo-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 signi-
ficando vermelho). O segundo tipo utiliza-se de representaes distribu-
das 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 interpre-
tao 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 cone-
xionista com representao distribuda encontra-se no livro de McClel-
land, Rumelhart e Hinton (1986). Alguns comentrios e complementaes
a este exemplo foram feitos posteriormente por Clark (1989), que reprodu-
zimos 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 Guangue Idade Escolaridade Estado Civil Profisso
Art Jets 40 Primrio solteiro traficante
Al Jets 30 Primrio casado assaltante
Sam Jets 20 Superior solteiro banqueiro
Clyde Jets 40 Primrio solteiro banqueiro
Mike Jets 30 Primrio solteiro banqueiro
Jim Jets 20 Primrio divorciado assaltante
Greg Jets 20 Secundrio casado traficante
John Jets 20 Primrio casado assaltante
Doug Jets 30 Secundrio solteiro banqueiro
Lance Jets 20 Primrio casado assaltante
George Jets 20 Primrio divorciado assaltante
Pete Jets 20 Secundrio solteiro banqueiro
Fred Jets 20 Secundrio solteiro traficante
Gene Jets 20 Superior solteiro traficante
Ralph Jets 30 Primrio solteiro traficante
Phil Sharks 30 Superior casado traficante
Ike Sharks 30 Primrio solteiro traficante
Nick Sharks 30 Secundrio solteiro traficante
Don Sharks 30 Superior casado assaltante
Ned Sharks 30 Superior casado banqueiro
Karl Sharks 40 Secundrio casado banqueiro
Ken Sharks 20 Secundrio solteiro assaltante
Earl Sharks 40 Secundrio casado assaltante
Rick Sharks 30 Secundrio divorciado assaltante
Ol Sharks 30 Superior casado traficante
Neal Sharks 30 Secundrio solteiro banqueiro
Dave Sharks 30 Secundrio divorciado 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 & Ru-
melhart, 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 endere-
vel por contedo (content addressable memory), degenerao gradual
(Graceful Degradation) e generalizao.
Memria enderevel por contedo (Content Addressable Memory): con-
sidere a informao que a rede estoca acerca de Rick. Rick divorcia-
do, 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 que-
rer saber dados acerca de um Shark em torno de 30 anos ou se pode ter
uma descrio que seja adequada para identificar um indivduo espe-
cfico. Contudo, esta descrio pode conter alguns erros. Este acesso
informao, apesar da descrio com alguns erros, a memria ende-
revel 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 corres-
pondentes 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 plau-
sibilidade 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 corres-
pondente 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 incom-
pleta 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 es-
cola primria entraro em atividade, e as restantes se inibiro mutua-
mente. Desta maneira, o sistema generaliza a natureza tpica de um Jet,
embora nenhum indivduo de fato possua as trs propriedades simul-
taneamente.
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 espe-
cialistas 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 compor-
tarem 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 malea-
bilidade que falta na abordagem tradicional ou que teria de ser suprida
passo a passo. J no modelo PDP no h um esquema explcito repre-
sentado: 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 aprend-
las 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 po-
de simular aspectos tpicos da inteligncia e cognio humanas, com
sua caracterstica essencial: a flexibilidade. Esquemas emergentes dis-
pensam a necessidade de decidir previamente quais as situaes pos-
sveis com as quais o sistema precisar lidar, dando lugar a uma esp-
cie de holismo informacional que simula a flexibilidade da inte-
ligncia 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 proto-

tpica 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 ca-
ractersticas (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 mes-
ma 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 f-
sica 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? Em-

bora 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 m-
quinas 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 trans-
formaes 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 mente-

crebro? 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 particu-
larmente 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 indi-
pvduos 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 sen-
sao: impossvel determinar a priori quais sero as conexes a serem ati-
vadas e como ser a distribuio dos pesos pela rede. Esta seria a contri-
buio 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 repre-
sentacionais 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 apre-
senta 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 neu-
rolgica dos modelos conexionistas ocupam um lugar de destaque.
Embora modelos conexionistas no sejam modelos do crebro, eles apon-
tam 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 oportuni-
dade de falar no Captulo 2 da primeira parte deste livro. Este ponto de
vista tambm defendido por Patricia e Paul Churchland. Para os Chur-
chlands, 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 vocabul-
rio 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 Argu-
mento 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 intencio-
nalidade. Infelizmente, a maioria dos sistemas conexionistas ainda fun-
ciona 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 ex-
terior 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 pes-
coo comprido ocorre pela ativao de um conjunto de ns que repre-
sentam 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; alter-
nativamente, ele pode ter ido a uma festa, uma vez que gosta deste tipo de
atividade. Quando a rede se estabilizar, ela ter fornecido uma inter-
pretao 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, Ly-
can, 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 meto-
dolgica 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 fenme-
nos cognitivos por meio de sua reduo a estruturas cerebrais. J os repre-
sentacionalistas 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 representa-
cionalismo: 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 representa-
cionalistas 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 molecu-
lares (compostas), que, por sua vez, so formadas a partir de seus
elementos constitutivos (representaes atmicas). As regras de compo-
sio (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 inter-
pretaes 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 seman-
ticamente, elas no podem se tornar expresses lingsticas e ser ma-
nipuladas 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 adequada-
mente os processos cognitivos.
Fodor e Pylyshyn sustentam que no s a linguagem que
estruturada. O mesmo se aplica ao pensamento, cujo espelho a lingua-
gem. 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 repre-
sentaes 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 utili-
zando-se recursos finitos, operaes de recombinao so neces-
srias operaes cuja existncia pressupe a prpria sistema-
ticidade 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 aou-
gueira 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 com-
posio do tipo sujeito + verbo + objeto imediatamente pos-
sibilita 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 ama-
rela , ou seja, da conjuno verdadeira (A B) que ambos os ele-
mentos 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 repre-
sentao 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 unida-
des, 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 aou-
gueira passasse a ocupar o lugar da unidade marcada para ser o sujeito
da sentena. Em outras palavras, na construo de um sistema cone-
xionista 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 conec-
tadas 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 reco-
nhecem que o sistema nervoso no qual nossas representaes sim-
blicas so implementadas pode ser um sistema conexionista. Contudo,
somente a anlise ao nvel simblico interessa para a investiga-
o cognitiva. Esta deve se ocupar unicamente com um nvel mais
abstrato de anlise (o nvel simblico), ou seja, construir uma sinta-
xe e uma semntica combinatorial atravs de operaes efetuadas so-
bre 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 mencio-
naremos 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 siste-
maticidade seja o modo pelo qual interpretamos nossas prprias habi-
lidades 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 funcio-
namento 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, pos-

svel ainda levantar outros tipos de objees abordagem conexio-
nista, quais sejam, objees filosficas mais gerais a partir das quais po-
demos formular questes do seguinte tipo: haver limites para a abor-
dagem 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 perspec-
tiva 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 tor-
nar 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 to-
das 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 pode-
mos 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 epis-
tmico. 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 cog-
nitivas 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 recm-
nascido;
e) o comportamento do co que abocanha, no ar, a bola atirada pe-
lo 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 ner-
voso do ser humano levaria, inevitavelmente, a uma srie de com-
plicaes e paradoxos. Como o crebro poderia descrever-se a si mes-
mo? 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 dife-
rente, Langton projetou programas computacionais para simular a evo-
luo biolgica. Posteriormente, a inveno do chamado algoritmo ge-
ntico 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 essen-
cialmente 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
Unidade de
Construo
Controle de Construo
Brao
Controle da fita
Unidade de
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 Neu-

mann 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 pro-
gramas de computador automultiplicadores competem por tempo de
computao (representando energia) e memria do computador (repre-
sentando 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 resul-
tante.
Outros pesquisadores tambm contriburam com a criao de
programas de vida artificial. Dan Hillis, da Thinking Machines Corpo-
ration, 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, apren-
dendo 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 possi-
bilidades 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 camba-
leiam 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 sobrevivn-
cia. Esta seleo artificial gera rvores com as caractersticas escolhi-
das 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 in-
verso. Cada cromossomo consiste de gens (p.ex., bits) e cada gen cons-
titui 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 descen-
dentes 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 consi-

derado uma gerao. Aps vrias geraes, obtm-se cromossomos
altamente adaptados.
A idia de criar um algoritmo baseado no conceito de uma popula-
o, 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 oti-
mizao combinatorial no projeto de circuitos eltricos, etc.
Programao automtica: algoritmos genticos podem gerar progra-
mas 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, in-
cluindo 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 OUT
1
0 0 0 1
-1
0 1 1
1 0 1
-1 1
1 1 0 1
XOR Rede 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
5
-1
2
3
6
4
1 2 3 4 5 6
- 1.2 2.4 0.4 - 0.9 - 0.3 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 n-

mero 4. Agora que temos esta cadeia de pesos que funciona como um
gentipo, como podemos calcular sua adaptabilidade? Em primeiro lu-
gar, preciso construir o seu fentipo, cuja rede neural determina-
da pela cadeia de pesos que mostramos acima. Esta rede toma ento a
seguinte forma:
-1.2
-0.3
-2.4
0.2 3.6
-0.9
Figura 9.5. Rede Fentipo (adaptada de Franklin, 1995).
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 adapta-
bilidade. Vejamos como isto fica, neste caso.
IN OUT ERR
0 0 0 0
0 1 0 1
1 0 0 1
1 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:
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 adap-
tabilidade 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 es-
colhendo 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 DEPOIS DO CRUZAMENTO
Local do Cruzamento
Cadeia
Cadeia 1
Nova 1
Cadeia
Cadeia 2 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 compor-
tamentos, tais como maximizar o prazer e minimizar a dor (compor-
tamento 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 repre-
sentacionalismo na IA e sua estratgia top-down que leva a uma equipa-
rao 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 rapida-
mente suas limitaes. A cognio e a inteligncia no podem ser equipa-
radas 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, publi-
cado 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 cogni-

tivos 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 am-
biente 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 funda-
mentais 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 lti-
mos 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 pr-
programada. 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 primei-
ras caractersticas, ou seja, situao fsica e corporeidade, basta que ima-
ginemos 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 recebi-
mento 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 simples-
mente segue uma rotina preestabelecida.
A crtica da noo de representao, ou seja, a idia de que repre-
sentaes 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 li-
mitaes. 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 inde-
pendentes 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 m-

quina 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 subs-
tituio 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 an-
temo 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 inde-
pendente. 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 com-

portamento 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 compor-
tamento levantar a perna inibe o comportamento ir para a frente, per-
mitindo 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 intima-
mente 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 desenvol-

vidos 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 praticamen-
te 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 alimen-
tado 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 direcio-
nam 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 cog-
nitivos; a ao precede o aparecimento da prpria representao. Agente e
mundo se especificam mutuamente, ou melhor, o meu aparato sensrio-
motor 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 funda-
mento da cognio. O primeiro tipo de crtica semelhante quele desenvol-
vido 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 apon-
tar 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 cor-
respondncia 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, inten-
es, sonhos, etc. no poderiam ser eventos no mundo: a relao inten-
cional nunca poderia ser concebida como uma relao entre objetos
situados no espao. Paradoxalmente, as representaes e o sujeito cognos-
cente 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 re-
presentaes 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 com-
putaes 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 tam-
bm, 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 ha-
bilidades mentais dos autmatas limitaes em princpio que os impedi-
riam 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 desdo-
bramento natural da tradio cartesiana herdada pela IA dos anos 70.
Ora, o problema da intencionalidade intransponvel para a compu-
tao 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 pres-
supostos 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 contem-
pornea. 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 di-
ficuldades 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 paradig-

ma 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 mudan-
as 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 preexis-
tente (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 evo-
lutivo passa a substituir o design orientado para tarefas especficas. Outra
importante mudana trazida pelo paradigma enativo o modo de con-
ceber a linguagem: a atividade de comunicao no consiste na trans-
ferncia 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 pr-
paradigmtica 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 proble-
ma 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 apa-
rente esquecimento.
O problema da conscincia tem forado a Cincia Cognitiva a con-
viver 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 apa-

receram 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 neuro-
bilogos 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 neuro-
bilogos: 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 neuro-
cincias. 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 portu-
gus 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 deci-
sivamente para o foco da ateno e a opo por determinados compor-
tamentos.
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 proble-
ma mente-crebro tm menosprezado as relaes entre emoes e pensa-
mento. 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. Chame-
mos 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 com-
putaes 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 espe-
cfica 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 impor-
tncia 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 preocu-
pao 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 rela-
o entre verdade e demonstrao. Isto significava questionar se seria
possvel fornecer uma prova para todos os enunciados matemticos ver-
dadeiros. Hilbert estava buscando algo como uma mquina de gerar enun-
ciados 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 proble-
mas fundamentais que deveriam nortear a pesquisa matemtica no decor-
rer do sculo XX. Dentre estes 23 problemas destacava-se o Dcimo Proble-
ma ou Entscheidungsproblem, o qual questionava se haveria ou no um pro-
cedimento 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 pro-
cedimento 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 Epi-
mnides, 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 estabe-
lecido por definio. Tal linguagem chamada de sistema formal .
Os enunciados sem significado de um sistema formal so compos-
tos de seqncias finitas de smbolos abstratos. Os smbolos so freqen-
temente 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, conver-
tendo 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 x@ x@*
Regra 2 #x #xx
Regra 3 @@@ *
Regra 4 x**x xx
Nestas regras, significa substitudo por. Por exemplo, a Re-

gra 1 diz que podemos formar uma nova expresso acrescentan-
do uma estrela a qualquer expresso que termina com um quadradinho.
A regra 4 diz que toda vez que duas estrelas aparecem juntas nu-
ma expresso, elas podem ser suprimidas na formao de uma no-
va expresso. Vejamos como estas regras podem ser usadas para provar
um teorema.
Comeando com a expresso @#, podemos deduzir que a expres-
so #*@ 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 terminan-

do num enunciado como #*@ chamado de uma prova seqencial pa-
ra o teorema representado pela ltima expresso da seqncia. Note-se
que quando aplicamos a Regra 3 no passo final, poderamos ter subs-
titudo 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 teo-
rema comeam com #. Fica evidente tambm pelo axioma e pela ao
das regras de transformao que todas as expresses tero esta pro-
priedade. 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 correspon-
dncia entre mquinas de Turing e sistemas formais mostrada na ta-
bela a seguir:
TABELA B.1.. Correspondncia entre sistema formal e mquina de Turing
Mquina de Turing Sistema Formal

Smbolos na fita Alfabeto
Padro da fita Conjunto de smbolos
Dados de input Axiomas
Instruo do Programa Regras de inferncia
Output Teorema
Falamos anteriormente do problema de Hilbert, que pergunta se exis-

te um procedimento algortmico para decidir se uma determinada expres-
so ou no um teorema de um sistema formal. Usando as correspon-
dncias 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 signi-
ficados. Esta relao se d atravs da noo de interpretao. A inter-
pretao 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 Mundo Matemtico

(Sintaxe) (Semntica)
Smbolos/Expresses Aritmtica
Axiomas Dicionrio Geomtrica
Regras de Inferncia 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 con-
tradio, 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 pro-
priedades e relaes entre nmeros naturais (inteiros positivos: 1, 2, 3..). O
problema era ento construir uma teoria da aritmtica, ou seja, um siste-
ma 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 siste-
ma 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 susce-
tveis 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 cria-
mos 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 , proprie-
dades 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 enun-
ciado 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 dife-
rentes: (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 com-
plexa, 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. Supo-
nhamos que temos 10 smbolos lgicos, como mostrado na Tabela
1.3, cada um deles com um nmero de cdigo, um nmero inteiro en-
tre 1 e 10.
Tabela B.2.. Correspondncia entre um smbolo, seu nmero de Gdel e seu sig-
nificado.
Smbolo Nmero de Gdel Significado

~ 1 No
/ 2 Ou
3 Se...ento...
$ 4 Existe
= 5 Igual
0 6 Zero
s 7 O sucessor imediato de ...
( 8 Pontuao
) 9 Pontuao
10 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 sm-
bolos lgicos. Nesta verso simplificada da linguagem da lgica h ape-
nas 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 vari-
veis 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 codifica-
dos substituindo-os por nmeros, conforme mostra a tabela de correspon-
dncia. 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 n-
mero. 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 coti-
diana de verdade e a traduo de um paradoxo lgico numa pro-
posio aritmtica. O paradoxo utilizado envolve auto-referncia,
ou seja, proposies que se referem a si mesmas, como o caso da se-
guinte:
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 inteira-
mente 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 indecidi-

bilidade 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 correspon-
dncia entre mquinas de Turing e sistemas formais, permitem-nos con-
cluir 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 unica-
mente 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 tra-

dicionais 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 pa-
pel que ele desempenha num sistema em questo. So as relaes causais e fun-
cionais 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 cons-
tituio 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 progra-
mado uma mente e reproduz estados mentais. Os programas no so mera-
mente 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 coti-

diana 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 exem-
plo 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 men-
tais 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 Universi-
dade 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 Exte-
rior 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 Uni-
versity 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 47:139-
159.
Artigo fundamental onde so lanadas as bases tericas para o desenvolvimento
da Nova Robtica. Contm tambm forte crtica Inteligncia Artificial represen-
tacionalista. 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. 565-
95, 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 sensrio-
motora.
*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 ativida-
des 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 Me-
taphysics 17. 14-29.
Flanagan, O. 1992. Consciousness reconsidered. Cambridge, MA.: MIT Press.
Flanagan, O. 1995. Deconstructing dreams: The spandrels of sleep. Journal of Phi-
losophy 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. Cam-
bridge, 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 Ar-
tificial. 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 inte-
ressante 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 Meta-
physics, 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, inten-
tionality 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 CLE-
UNICAMP.
Teixeira, J. de F. (org) 1996a. Crebros, Mquinas e Conscincia: uma introduo Filo-
sofia 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.

João de Fernandes Teixeira-Mentes e Maquinas - Uma Introdução À Ciência Cognitiva-Artes Médicas (1998) PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Você também pode gostar

João de Fernandes Teixeira-Mentes e Maquinas - Uma Introdução À Ciência Cognitiva-Artes Médicas (1998) PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

João de Fernandes Teixeira-Mentes e Maquinas - Uma Introdução À Ciência Cognitiva-Artes Médicas (1998) PDF

Enviado por

Direitos autorais:

Formatos disponíveis

MENTES E

1. Psicologia cognitiva. I. Ttulo.

PORTO ALEGRE, 1998

Reservados todos os direitos de publicao, em lngua portuguesa :

Mquinas de Turing e computabilidade ............................................... 19

Uma nova concepo do funcionamento mental ................................. 83

Conexionismo e filosofia da mente ........................................................ 103

GLOSSRIO .............................................................................................. 165

A IDIA DE UMA CINCIA DA MENTE

No final de 1955, Herbert Simon, futuro prmio Nobel de Econo-

A histria que culmina com o aparecimento da Inteligncia Artificial

psiclogos e dos filsofos, desde o final da dcada de 40, envolvendo

de um modelo computacional expandiu-se rapidamente. O termo

O termo Cincia Cognitiva passou a ser utilizado a partir de 1956 e,

realizar sua grande proeza, isto , construir efetivamente mquinas

dos trabalhos de Rodney Brooks no laboratrio de IA do MIT, em

Sobre a histria da Inteligncia Artificial:

1 Gardner, H. A Nova Cincia da Mente.

Mquinas de Turing e computabilidade

H vrias maneiras de contar a histria de como a Cincia da

demonstrvel ou no? O significado do Entscheidungsproblem formulado

O primeiro passo a ser dado para resolver o Problema de Hilbert (ou

3 Coloque a pedra de gelo.

Um exemplo de aplicao de algoritmo para resolver problemas

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

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.

Tome dois nmeros

Substitua A por B Divida A por B e

Figura 1.2. Fluxograma com representao do algoritmo de Euclides (adaptada de Pen-

O importante aqui que, da mesma maneira que na preparao do

A mquina de Turing constitui a melhor formalizao da noo de

Figura 1.3. Esquema de uma mquina de Turing.

O comportamento da mquina de Turing governado por um algo-

A partir destas sete instrues podemos construir o que chamamos

Figura 1.4. Exemplo de uma mquina de Turing funcionando.

Na fita acima, o nmero 1 sobre o qual a flecha incide indica o

1 V UM QUADRADO PARA A DIREITA

Se seguirmos os passos deste programa, veremos que o scanner se

Lista do Estado da Mquina

Se no estado lendo... ento imprima mude para v para

Figura 1.5. Representao de operaes na mquina de Turing.

Certamente os computadores de que dispomos hoje so, aparente-

A MQUINA DE TURING UNIVERSAL (MTU)

Para caracterizar a mquina de Turing universal (MTU), Turing

Quadro 1.1. Esquema de cdigo para a linguagem da mquina de Turing. Note-se

Enunciado do Programa Cdigo

Vejamos como isto funciona. Suponhamos que temos um programa

Vejamos o que significa dizer que um nmero computvel. Um

sucessivamente, os dgitos desse nmero, um aps outro. Claro que, neste

O PROBLEMA DA PARADA DA MQUINA DE TURING

Um aspecto crucial da definio de nmero computvel o fato de o

procedimento efetivo que possa ser aplicado a qualquer programa e seus

COMPLEXIDADE COMPUTACIONAL: PROBLEMAS P E NP

Introduziremos agora alguns conceitos bsicos da chamada teoria da

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

Figura 1.7. Representao parcial do estado final da resoluo