#66 Mário Figueiredo - Ciência de Dados, Machine Learning e os mistérios que falta resolver para criar Inteligência Artificial capaz de criatividade

Data: Wed, 24 Jul 2019  ·  Duração: 01:33:19

Clica em qualquer parte da transcrição para saltar para esse momento no vídeo.

José Maria Pimentel 00:00:00.00Bem-vindos ao 45 Graus. 00:00:00.00Como tinha prometido há alguns episódios, regresso hoje ao tema Inteligência Artificial. 00:00:09.32Mas não foi só disso que se falou nesta excelente conversa com o Mário Figueiredo, que é professor e investigador no Instituto de Telecomunicações do Técnico. 00:00:17.04E o Mário não é um investigador qualquer. 00:00:17.04É um dos académicos mais citados a nível mundial na investigação em Machine Learning, processamento de imagens e otimização, técnicas que têm aplicação, por exemplo, na medicina ou na interpretação de imagens de satélite. 00:00:29.36Mas não é só à investigação académica que o Mário se dedica. 00:00:29.36É também como vão perceber um divulgador de ciência nato e alguém que gosta de aplicar a mesma curiosidade e espírito analítico do cientista a pensar uma série de questões diferentes. 00:00:41.78E isto, para além de ser um ouvinte do podcast, o que é sempre um prazer. 00:00:41.78A conversa, como é habitual, tocou numa série de pontos. 00:00:45.30Começámos por falar da revolução que a chamada ciência de dados trouxe nos últimos anos e das enormes implicações que tem no mundo de hoje. 00:00:54.14A ciência de dados não é mais do que a análise de dados, mas desenvolveu-se imenso nos últimos anos em resultado de duas revoluções paralelas. 00:00:58.20Uma é a enorme expansão na quantidade de dados disponíveis, os chamados Big Data. 00:01:02.28Outra são os desenvolvimentos que têm havido em Machine Learning, uma área que veio revolucionar a inteligência artificial. 00:01:10.60Com estes algoritmos de Machine Learning conseguimos hoje programas que aprendem automaticamente a detectar padrões e que conseguem tirar conclusões úteis a partir de uma enorme quantidade de dados. 00:01:18.46Outro aspecto de que falámos é o impacto destes avanços não só na economia e na sociedade, mas também na própria ciência, que passou hoje a ter uma ferramenta complementar a matemática para a descoberta científica. 00:01:27.04Daí que um grupo de cientistas da Google tenha escrito um artigo com o título provocador The Unreasonable Effectiveness of Data, que é uma resposta a um ensaio antigo e muito famoso do físico Eugênio Wigner, em que ele abordava aquilo a que chamava a eficácia irrazoável da matemática para a descoberta nas ciências naturais. 00:01:44.82À boleia desta discussão passámos o resto do episódio no tema mais geral da inteligência artificial. 00:01:48.94Nesta área tem havido enormes progressos nos últimos anos, sobretudo à boleia da dita Machine Learning, que tem conseguido superar os seres humanos numa série de tarefas que até aqui achávamos não estarem ao alcance do computador, como por exemplo traduzir línguas, conduzir carros ou mesmo conseguir gerar fotografias credíveis de caras de pessoas que não existem na realidade. 00:02:05.60No entanto, na visão do convidado, estes progressos continuam a ocorrer em tarefas específicas e nada garante que estejam a contribuir de alguma forma para virmos alguma vez a criar inteligência artificial capaz de autonomia e de pensar como um ser humano. 00:02:19.44Esta é uma visão provocadora e especialmente interessante porque é saudavelmente diferente da posição da Linda Oliveira que já ouvimos anteriormente no podcast. 00:02:27.44Ora, assumindo que a inteligência humana é de facto diferente, a grande questão que ressalta daqui é o que é especial então no cérebro humano. 00:02:31.78Para David Deutsch é basicamente a capacidade que os humanos têm para gerar novas explicações para um determinado fenómeno. 00:02:40.84Este físico britânico tem um artigo muito interessante e desafiante sobre o tema de que falámos ao longo da conversa e que podem, como habitual, encontrar na descrição deste episódio. 00:02:48.60Portanto, no curto prazo parece mais provável que a inteligência artificial continue a complementar e não a substituir a inteligência humana. 00:02:52.76E por uma curiosa coincidência, foi precisamente no dia em que gravámos esta conversa que Elon Musk anunciou os progressos que tem feito na Neuralink, a empresa que criou para desenvolver interfaces entre o cérebro e o computador e que ele acredita vir um dia a permitir fazer uma espécie de fusão entre o cérebro humano e os sistemas de inteligência artificial. 00:03:10.66E pronto, deixo-vos com Mário Figueiredo, mas antes queria aproveitar para deixar um agradecimento especial aos mecenas do podcast. 00:03:19.22Continua a ser uma ótima surpresa para mim de cada vez que um de vós decido contribuir para este projeto que eu disponibilizo gratuitamente. 00:03:23.64O 45 Graus tem hoje já alguns milhares de ouvintes, mais de 60 mecenas e continua a crescer de semana para semana. 00:03:32.54E a realidade é que nada disto seria possível sem o vosso interesse e o vosso apoio. 00:03:36.30Obrigado. 00:03:36.30Mas para já, vamos ao episódio. 00:03:42.86Bem-vindo ao podcast. 00:03:42.86Obrigado. 00:03:42.86Estamos a gravar. 00:03:42.86Como eu estava a dizer há bocadinho, eu acho que vamos ver para onde a conversa nos leva. 00:03:47.48Vamos. 00:03:47.48Eu começava pela parte da ciência de dados, pois é facilmente uma ponte para outros temas, mais relacionados estritamente com a inteligência artificial. 00:03:56.96Eu julgo que de uma maneira mais superficial toda a gente percebe o que é que quer dizer ciência de dados e depois há aqui uma série de outras camadas que são um bocadinho mais difíceis. 00:04:04.22Se calhar é mais fácil é começar por te perguntar o que é que é exatamente ciência de dados, ou seja, de que forma é que isto tem que ver com, por exemplo, engenharia e software, mas não só também, tem que ver com gestão de dados e estatística e o que é que tem feito, o que é que tem causado este crescimento exponencial nos últimos anos. 00:04:17.92Bom, bom dia, boa tarde. 00:04:17.92Obrigado por estar aqui, é um
Mário Figueiredo 00:04:25.08prazer. 00:04:25.08Portanto, ciência de dados é uma coisa difícil de definir. 00:04:25.08Aliás, conhecidamente difícil de definir, porque, de certa forma, é uma contradição em termos. 00:04:30.38Porque a ciência, supostamente, é acerca de qualquer coisa, não é? 00:04:36.82E a ciência de dados, de certa forma, tenta colocar-se numa postura que é uma ciência acerca de nada de especial, mas dos dados, sejam eles os acerca do que forem. 00:04:41.44E, portanto, há uma certa contradição no próprio nome. 00:04:46.24Eu não gosto muito do nome, aliás, sou muito esquisito com os nomes e esse é um dos que me irritam um bocadinho. 00:04:53.24Mas chamaria-se o que agora? 00:04:53.24Não sei, não sei, não sei. 00:04:53.24Não há nenhum bom nome. 00:04:53.24Provavelmente a dificuldade surge do facto de tentar pôr debaixo de um só nome uma quantidade muito grande de coisas que algumas não têm nada a ver mais com as outras. 00:05:04.92Embora sejam, de certa forma, contribuam para um objetivo comum que é, assim, um grosso modo, conseguir pegar em dados provenientes de uma coisa qualquer, não é? 00:05:18.86Do que for. 00:05:18.86Pode ser em ciência, pode ser em comércio, pode ser em transportes, em imensas coisas, e tentar extrair informação acerca desses dados, informação útil para que a pessoa que vai tomar decisões com base nesses dados e, portanto, na informação que está nesses dados, consiga tomar as melhores decisões. 00:05:36.08E, portanto, a ciência de dados inclui um monte de aspectos que normalmente não associamos a esse termo, como, por exemplo, bases de dados, como é que se armazenam grandes quantidades de dados, como é que se gera, como é que se faz, como é que se limpa, como é que se verifica. 00:05:46.96Portanto, todos aqueles aspectos que são clássicos, a maior parte daquilo que hoje em dia cai dentro da ciência de dados são coisas que existiam, não há nada, não há nenhuma ciência especial nova dentro da ciência de dados. 00:05:58.26Mudou mais a quantidade de dados. 00:05:59.44É a quantidade de dados e a constatação de que, para resolver estes problemas, é preciso uma abordagem multidisciplinar que inclua aspectos, coisas que classicamente eram conhecidas como estatística, mas agora com uma preocupação de que a estatística, para lidar com grandes quantidades de dados e com preocupações computacionais, porque os estatísticos clássicos não se preocupam muito com o aspecto computacional, é claro que há exceções, e com extração de informação, no sentido de análise exploratória de dados, coisas como, depois, machine learning, extração, tudo o que se possa querer perguntar a dados, depende de cada problema, é um problema. 00:06:27.72Data Science, ou ciência de dados, geralmente é ir, nós no técnico vamos ter um mestrado, e já há outros em Portugal, mas vamos ter um mestrado novo em ciência de dados, do que eu sou, por acaso, sou coordenador, vou ser coordenador e fiz parte da equipa que o propôs, e nós no documento em que propunhamos a ciência de dados, o mestrado da ciência de dados, o desenho inicial começava com um funil, e nesse funil tinham três bolinhas, em que é o Departamento de Matemática, o Departamento de Engenharia e Datotécnica, que é o meu, e o Departamento de Informática, os três entravam dentro do funil e por baixo a saída, a ciência de dados. 00:06:56.78Sim, sim. 00:06:57.58Porque tem aspectos das três coisas. 00:07:00.12O de Matemática, que neste caso, por via da Estatística. 00:07:02.62Por via da Estatística, por via da Estatística multivariada, por via da Teoria da Decisão, por via da Estatística Computacional. 00:07:09.68Sim. 00:07:10.18Por via desse tipo de coisas.
José Maria Pimentel 00:07:11.24Os avanços que houve nesta área nos últimos anos têm sobretudo que ver com a quantidade maciça de dados que, entretanto, foram gerados, sobretudo através da internet, mas também com desenvolvimentos metodológicos, ou não tanto?
Mário Figueiredo 00:07:22.56Tem a ver com alguns desenvolvimentos metodológicos, tem a ver com os avanços de machine learning, da aprendizagem automática, que são basicamente, no contexto da ciência de dados clássica, são mais quantitativos do que qualitativos. 00:07:34.42A capacidade de lidar com maiores quantidades de dados e de fazer algumas coisas que não era possível fazer, mas não muito. 00:07:39.82Eu diria que são os avanços mais quantitativos do que qualitativos, para não ir já para coisas muito específicas como... 00:07:45.06Para tirar aqui da ciência de dados o IA, para já. 00:07:47.98Na ciência artificial houve, de facto, alguns saltos qualitativos, embora já quer dizer que não, é discutível. 00:07:55.38Mas não houve grandes avanços qualitativos, houve avanços no facto... 00:08:00.62Acho que o avanço fundamental, ou coisa notável que aconteceu, foi que houve grandes empresas, com grande poder tecnológico, que decidiram investir brutalmente em ciências de dados, porque usaram isso como modelo de negócio. 00:08:11.90Porque isso era a base do seu modelo de negócio. 00:08:14.26Aquela história do... 00:08:15.94Um livro muito famoso do Tim... 00:08:17.46Não sei se é muito famoso, mas pelo menos é bastante... 00:08:19.30Sim, sim, sim. 00:08:19.96Do Tim U, do Attention Merchants, dos mercadores de atenção. 00:08:24.54Porque esse é o modelo de negócio que fez o Google numa empresa fabulosamente rica, e é a Facebook, não é? 00:08:30.86Que tem, valem, com valorizações de centenas de milhares, de milhões de dólares. 00:08:35.58Sim. 00:08:36.30Basicamente, o modelo de negócio dele é capturar o nosso tempo e a nossa atenção para depois o vender. 00:08:40.82Sim, e recolher... 00:08:41.90E, portanto, quanto melhor conheçam as pessoas, melhor, e, portanto, registam tudo aquilo que nós fazemos, quando estamos online, no telefone, e, portanto, são quantidades de dados absolutamente brutais.
José Maria Pimentel 00:08:52.18O que é interessante daí é que é uma coisa que facilmente... 00:08:56.04Aliás, não é o primeiro tema em que isto surge. 00:08:59.12É uma coisa que facilmente nos pode escapar. 00:09:00.82A importância que tem o investimento, sobretudo o investimento privado que existe numa determinada... 00:09:05.76E o interesse que existe dos privados numa determinada área, não é? 00:09:08.28E isto, grande parte da evolução tem a ver com isso, não é? 00:09:10.56Com empresas privadas terem o interesse...
Mário Figueiredo 00:09:13.40Muito. 00:09:14.00Neste caso, até... 00:09:15.54Porque é clássico quando as pessoas que fazem apresentações sobre a história da inteligência artificial ou a evolução do deep learning recentemente e falam... 00:09:24.48Ah, pois, porque apareceram os GPUs e apareceram não sei o quê, apareceram as redes revolucionais e apareceram não sei o quê. 00:09:30.32A verdadeira razão que está por trás disso tudo foi porque a Google e a Facebook decidiram... 00:09:33.82Estas são as ferramentas que nós vamos precisar e atiraram com centenas de milhões de reais para cima do problema E contrataram os membros mais capazes da área e isso tem que dar. 00:09:42.62Se não tivessem investido numa outra tecnologia para o mesmo fim, ligeiramente diferente e tivessem atirado a mesma quantidade de dinheiro para cima e a mesma quantidade de pessoas, eu acho que essa outra teria sido a outra... 00:09:51.94Sim, sim, sim. 00:09:52.62Eles elegeram aquela e investiram de tal forma naquilo que aquilo só podia funcionar.
José Maria Pimentel 00:09:55.90Isso é contra-intuitivo, porque nós tendemos a achar que nestas coisas que há uma... 00:10:01.02E isso tem que ver até com a questão da inteligência artificial geral que havemos de falar, mas nós tendemos a achar que muitas vezes as barreiras são barreiras de conhecimento, o nível de conhecimento, quando muitas vezes, na maior parte dos temas, as barreiras são barreiras económicas em certo sentido. 00:10:17.36Sim, sim. 00:10:17.78Quanto é que se investe em tentar... 00:10:19.50Há vários exemplos disso. 00:10:20.38Sim.
Mário Figueiredo 00:10:20.70E dá-lhe um bom exemplo disso. 00:10:21.92Vocês, aqui no 45 Graus, falaste disso com o Luís Oliveira Silva. 00:10:26.38Exatamente. 00:10:27.06Relativamente à fusão. 00:10:28.20Exatamente. 00:10:28.92Se investir em determinada quantidade de dinheiro, é provável que se consigam por não sei quantos anos.
José Maria Pimentel 00:10:33.20Foi dos momentos que eu tenho a memória mais vívida do podcast, foi esse, porque eu não estava nada à espera de... 00:10:39.88E continua a ser um puzzle para mim, ou seja...
Mário Figueiredo 00:10:42.44E aqui foi claramente isso que aconteceu, na minha opinião, provavelmente pode haver quem discorda, Mas é, foi o fator primordial, foi essencialmente a Amazon, esqueci-me de referir a Amazon, a Amazon, a Facebook e a Google, que decidiram aquela e a tecnologia, nós vamos investir naquilo a fundo. 00:10:58.78E pronto, e é que avançou muito.
José Maria Pimentel 00:11:01.12Isso é curioso. 00:11:02.62Os exemplos dos gigantes tecnológicos têm sobretudo que ver com a geração e a utilização, ou seja, a interpretação de dados relativos à atividade humana, ao comportamento humano. 00:11:11.20Mas como tu, aliás, referes no artigo que partilhaste comigo, a ciência de dados, ou as ciências de dados, têm sido utilizadas também em muitas outras áreas que não têm que ver com... 00:11:20.08Muitas outras áreas da ciência que não têm que ver com o ser humano.
Mário Figueiredo 00:11:22.90A ciência, hoje em dia, é muito database, não é? 00:11:26.04Não toda, não é? 00:11:27.58Obviamente que ainda há físicos que pensam apenas em equações e que fazem teoria, mas a grande física, por exemplo, ou a biologia, hoje em dia, são extremamente baseadas em dados. 00:11:37.94Mas a biologia, por exemplo... 00:11:39.34Já há muito tempo, a biologia já há muito tempo, não é? 00:11:41.20Aquilo que se chama bioinformática, não é?
José Maria Pimentel 00:11:43.64Mas eu tinha ideia que esse, às vezes eu estou muito fora desse tema, mas tinha ideia que isso tinha mais que ver, do lado da biologia, com simulações, mais do que propriamente com recolha de dados neste sentido, não é? 00:11:54.10No sentido de dados reais, não é?
Mário Figueiredo 00:11:55.74Não, dados reais, dados de expressão genética, sequenciamento, aquelas coisas todas que são grandes obras de engenharia informática e de análise de dados e de machine learning. 00:12:04.34Muito mesmo, são basicamente isso, não é? 00:12:07.16E, portanto, a biologia foi uma das primeiras áreas da ciência a ficar extremamente informatizada ou data scientistizada já há muito tempo e na biologia desenvolveram-se muitas coisas que depois passaram para outras áreas da ciência, como os grandes repositórios de dados adossíveis publicamente, esse tipo de coisas. 00:12:26.04Há muitas dessas coisas que apareceram na biologia.
José Maria Pimentel 00:12:28.12É engraçado isso, por acaso, porque eu até, ao pensar nisso, lembro-me de uma conversa que estava a vir aqui há uns tempos entre o Richard Dawkins e o Brett Weinstein, que é um tipo também biólogo evolutivo americano. 00:12:39.92Foi engraçado, até porque eu estava até a divergir nesse ponto, mas o segundo dizia que a biologia se tinha tornado, lá está, demasiado informatizada, no sentido de demasiado dependente do output de modelos e, na opinião dele, faltava ali algum, se quiseres, alguma criatividade ao rasgo humano e isso também está relacionado com a questão da inteligência artificial também, no sentido de encontrar explicações novas e não parar naquele paradigma do... 00:13:05.02No fundo, o que ele argumentava é que se tinha mais ou menos parado na revolução que o Dawkins fez e depois, desde então, tinha sido pequenos ajustes
Mário Figueiredo 00:13:11.78e pequenos melhoramentos ao grande salto que eu conhecia dado por ele. 00:13:15.18Eu não sou de modo nenhum especialista em biologia, portanto, não me sinto muito avalizado. 00:13:18.40Sim, sim, sim, não, eu sei. 00:13:19.44Para falar da epistemologia da biologia moderna. 00:13:22.62A biologia, hoje em dia, tem um impacto muito grande na medicina, não é? 00:13:26.34Exato. 00:13:26.54Tem um foco muito grande em tentar descobrir, por exemplo, explicar, descobrir genes que são relevantes para um determinado cancro ou esse tipo de coisas. 00:13:33.84Põe-se muito numa postura de tentar arranjar boas previsões, de ser um bom preditor para uma coisa qualquer, nem que seja uma black box, nem que seja uma coisa baseada em machine learning, que depois não tem grande interpretação e que não dá grande insight científico, mas, obviamente, que isso não é tudo. 00:13:49.72Há muitos biólogos a tentar usar ferramentas de machine learning e outras para tentar perceber coisas, não é? 00:13:56.72E para tentar ter insight sobre a biologia e, portanto, não é só isso, não é? 00:14:01.48Sim, sim, claro. 00:14:02.02Mas há outras áreas, as áreas mais mediáticas da ciência, como, por exemplo, a astronomia, a radioastronomia, não é? 00:14:09.22O radiotelescópio moderno, hoje, essas coisas novas, o Square Kilometer Array, que são, já eram aqui, está aqui no Panentenda, já eram quantidades astronómicas de dados. 00:14:19.00Exato. 00:14:20.68Mas mesmo muito astronómicas, não só no sentido que são de astros, mas quantidades brutais de dados. 00:14:26.10As partes de infraestrutura de armazenamento e análise e processamento de dados num radiotelescópio moderno é uma coisa quase tão importante como tudo o resto, não é? 00:14:34.60Sim. 00:14:35.72E na física de partículas é a mesma coisa, porque aquilo gera quantidades de dados brutais, mas a experiência daquelas gera quantidades de dados brutais, mas moram anos e anos a analisar, não é? 00:14:43.22Claro.
José Maria Pimentel 00:14:43.72Mas esse é um ótimo exemplo, falares da astronomia e da física de partículas, porque é um bom ponto para outro ponto de vista em relação a isto, relacionado com aquele artigo ultra interessante que partilhaste comigo, daquela equipa da Google, entre os quais um português.
Mário Figueiredo 00:14:57.34Sim, sim, do Fernando Pereira. 00:14:58.52Do Fernando Pereira, exatamente. 00:15:00.36Chamado de Unreasonable Effectiveness Data, não é?
José Maria Pimentel 00:15:03.54Que é uma referência, é um artigo mais conhecido ainda, relacionado com a pouco razoável eficácia da matemática nas ciências naturais. 00:15:14.26E o argumento deles que é interessante e mostra o poder que isto tem, lá está e mostra como poderoso isso pode ser em coisas como astronomia ou física de partículas, é um argumento interessante, porque o que ele diz literalmente é que com quantidades maciças de dados nós podemos chegar a conclusões melhores do que aquelas a que chegaríamos à procura de um modelo perfeito para explicar uma determinada realidade. 00:15:35.30E isso é interessante, ou seja, não indo através do modelo, não indo através da formação matemática, mas sim ver aquilo que os dados nos diz, por muito que a explicação que resulte disso não seja uma explicação elegante.
Mário Figueiredo 00:15:46.46Bem, eles nesse artigo estão mais a pensar em coisas de ciências humanas, e coisas... 00:15:50.54O exemplo que eles começam a abordar até é de uma gramática, uma gramática é uma coisa que não tem nenhum modelo simples, é uma coisa internisticamente complexa. 00:15:57.82E até eu uso aquela expressão engraçada de que os economistas têm inveja dos físicos. 00:16:01.12Exatamente, sim, sim. 00:16:02.52Mas eu diria que em áreas como a física, portanto, em física pelo menos, o exemplo, por exemplo, da descoberta das ondas gravíticas, ou do bosão de Iggs, ou não sei o quê, há uma hipótese científica por trás, que não resultou de análise de dados nenhuma, é a la Deutsch, não é? 00:16:19.66Sim, aquilo é o contrário. 00:16:20.56Há uma hipótese que vem de uma teoria explicativa para uma coisa qualquer, e depois monta-se uma experiência, e geralmente, como são coisas difíceis, não já se tem sido descobertas há mais tempo, as experiências são muito indiretas, as medidas são muito delicadas, todo o equipamento gera uma grande quantidade de dados que é preciso analisar com técnicas sofisticadas de análise de dados, portanto, não é extraída uma explicação a partir da análise de dados diretamente.
José Maria Pimentel 00:16:41.88Esse exemplo, o exemplo do bosão de Iggs, por exemplo, é um exemplo, em certo sentido, mais da ciência, não digo clássica,
Mário Figueiredo 00:16:47.40mas da ciência pré-revolução dos dados, no sentido em que se está a sustentar o modelo, não é? 00:16:52.48Sim, sim. 00:16:52.56E não espera que os dados nos deem, não é? 00:16:54.02Sim, não espera, sim, sim, sim, mas, claro, é verdade. 00:16:57.10Portanto, eu gosto muito de referir um autor, que já morreu há uns bastantes anos, até há 10 anos, que é o Jim Gray, que tem aquela, uma teoria que diz que a ciência tem, teve quatro paradigmas, tem quatro paradigmas, estamos no quarto hoje em dia, embora ele diga, e explico bem, que os paradigmas não necessariamente substituem o anterior, portanto, os coexistem. 00:17:15.76Sobrepõem-se, né? 00:17:16.40Sobrepõem-se, coexistem e alargam o campo de aplicação. 00:17:19.84Tirando o primeiro, talvez, que já não subsistem praticamente nenhuma área. 00:17:23.48O primeiro era o paradigma fenomenológico, do tempo dos primórios da ciência, é apenas descritivo, não é? 00:17:29.78Depois o segundo é a matematização das ciências, que conseguiram matematizar-se, nem todas, não é? 00:17:34.88Primeiramente a física, com equações simples, que descrevem, portanto, muito próximo do artigo do Wigner, que é de 1960, portanto, que foi basicamente o final do século XIX, ou mais para trás ainda, a começar com Newton, até, digamos, até ao advento da física quântica, não é? 00:17:50.66Que são equações matemáticas simples, que supostamente descrevem a realidade. 00:17:55.98O que é que é descrever, o que é que é explicar, são... 00:17:58.34É uma coisa delicada, mas pronto, descrevem a realidade. 00:18:02.02Depois o terceiro paradigma é, ok, temos estas equações simples, que modelam a realidade, a um nível muito, muito abstrato, mas a realidade é complexa, e portanto, se eu tiver, embora eu saiba, por exemplo, sei, conheço exatamente as leis, escrever as leis da gravitação, se eu quiser prever o que é que vai acontecer, três objetos ou quatro objetos que interagem, isso é computacionalmente muito complicado, e portanto, a terceira paradigma é a simulação, não é? 00:18:29.24Ou se eu quiser prever o que acontece com plasma, com o Luís Oliveira, assim, que o Luís Oliveira trabalha, então, embora estejamos baseados em modelos matemáticos, eles são demasiado complicados para que consigam extrair previsões ou conclusões analíticamente. 00:18:41.10Para manusear. 00:18:41.86Para manusear, e portanto, é a era do ouro da simulação e da grande computação e do aparecimento dos grandes computadores, super, com a maior parte dos super computadores, mesmo que há hoje em dia, são basicamente dedicados à simulação de fenómenos complexos, desde o que acontece quando de repente é uma bomba atómica, até o clima, a outra visão meteorológica, até os plasmas, etc. 00:19:00.04E depois há o quarto paradigma, que é o paradigma baseado em dados. 00:19:04.96E ele explica isso muito bem, tem um desenho bastante alusivo, em que dizem que os dados são muita coisa, dados são, por exemplo, dados do CUR, quando eu tenho observações astronómicas, por exemplo, só também posso ter, se eu tiver simulações do mesmo fenómeno que estou estudado, também tenho resultados de simulação, também são dados. 00:19:21.54Exato. 00:19:22.02Posso juntar os dois. 00:19:23.02Depois tenho literatura, que também são dados, papers, artigos sobre aquele assunto, também são dados. 00:19:27.84E eu posso juntar isto tudo, posso, e se eu tiver uma, uma ferramenta de análise de dados, que eu consiga misturar resultados de simulação com observações experimentais, com conhecimentos que há na literatura, e de conseguir, depois eu coloco o cientista à frente, um boneco, ilustrativo, coloco o cientista à frente do terminal, e diz, a palavra fundamentada é query, perguntas, faço a formula de hipóteses, coloco perguntas, e com uma ferramenta qualquer de análise de dados, confirmo ou não, aquela hipótese, olhando para aquilo tudo, de junto, que é uma coisa que é difícil de fazer. 00:19:59.12E, portanto, um empreendimento científico moderno, tem uma parte de forçamento, gestão e análise de dados, sempre muito grande.
José Maria Pimentel 00:20:07.30E é, nesse caso, os dados que se está a usar, lá está a corresponder à sobreposição de vários paradigmas, não é? 00:20:13.52Porque parte deles vem do terceiro que falavas há pouco, não é?
Mário Figueiredo 00:20:16.12Parte deles vem do terceiro que, por sua vez, estão suportados no segundo, que é a matemática que lhe é subjacente. 00:20:21.14Sim, isso é interessante,
José Maria Pimentel 00:20:22.06é interessante essa articulação dos vários paradigmas, não é? 00:20:25.58Pois eles complementam-se, de certa forma. 00:20:26.98Sim, exatamente. 00:20:27.92Estava cá a dizer, e bem que o artigo tem sobretudo que ver com a utilização destes dados para fenómenos humanos, não é? 00:20:34.22O que isso mesmo é interessante, não é? 00:20:35.50Porque o que eu olho, aliás, está relacionado, de certa forma, com a questão dos sistemas complexos que eu falei com o Francisco no episódio anterior, e que tem que ver com o facto de ser muito difícil, provavelmente não se sabe se, ou extremamente difícil ou impossível, reduzir fenómenos humanos a essas equações simples. 00:20:53.60O que é assim mesmo é interessante. 00:20:55.08Eu inclino-me mais para a hipótese do impossível, no sentido em que os fenómenos humanos, ao contrário de fenómenos naturais, têm um lado mais ou menos determinístico, não é que daria para reduzir a esse núcleo comum, têm um lado aleatório, mas também têm em si mesmo coisas que vão para lá disso, ou seja, têm o facto de a nossa atuação não ser coerente entre si, e de ela ter erro, lá está a gramática um bom exemplo disso, têm o facto de a nossa atuação ser diferente entre uns e outros, ou seja, nós temos personalidades diferentes, escolhas diferentes, motivações diferentes, e isso também se alterar ao longo do tempo, ou seja, na prática é virtuoso. 00:21:28.66Eu acho que é mesmo impossível conseguir sequer, no mundo ideal, reduzir isso a um conjunto de equações basilares, não é?
Mário Figueiredo 00:21:35.92Equações determinísticas, certamente não, mas o modelo estatístico, por exemplo, sim, não é? 00:21:40.34Sim, probabilístico, sim. 00:21:42.10Probabilístico, há aquelas coisas que tu já falaste em episódios anteriores, já não me lembro em qual, daquele modelo dos cinco fatores, não é? 00:21:47.20Sim. 00:21:47.76Aquilo é uma coisa de análise de dados alimentar, deve ser um principal proponente análise, ou factório de análise, uma coisa qualquer, não é? 00:21:55.28E aquilo é até um modelo com algum poder preditivo, não é? 00:21:58.26E consegue-se fazer, inclinar eleições usando coisas daquelas, não é? 00:22:02.78Há o exemplo famoso do Cambridge Analytica, não é? 00:22:06.60Sim, sim, sim, sim. 00:22:07.56Que é baseado num artigo de, não sei se, psicólogos, sociólogos de Cambridge, que mostram que, com base nos perfis de likes, consegue-se extrair um modelo parecido com esse, já não me lembro exatamente os detalhes, e com base nisso, desenhar, uma vez mais, é uma boa aplicação, uma má aplicação de ciências de dados, desenhar a publicidade afinada para aquela pessoa e para as suas características, que foi extraída a partir desses modelos muito simples. 00:22:33.70Embora, obviamente, isto é tudo falível, e é tudo probabilístico, e é só estatístico, há aí uma emergência de uma regularidade que é possível descrever com expressões matemáticas,
José Maria Pimentel 00:22:43.06claro, estatísticas. 00:22:44.16Sim, sim, sim, sim, sim, probabilísticas, não é? 00:22:45.86Probabilísticas. 00:22:46.42O ponto, e eu acho que esse é um dos pontos do artigo, é que descrevendo-se dessa forma, descrevendo-se de uma forma, como é que eu ia dizer, para forçar o sistema a ser descrito de uma forma relativamente simples, nós vamos estar a perder a informação. 00:22:56.50Perdemos-se tanto, não é?
Mário Figueiredo 00:22:57.00Claro, claro, claro, claro, claro, claro. 00:22:58.28Course graining, que é o chamado course graining, passado... 00:23:01.40É o? 00:23:01.88Course graining, que é a granularidade mais grossa, não é? 00:23:05.24Sim. 00:23:05.72É como se desfocássemos a imagem para ver os principais aspectos da... 00:23:09.86Mas, no fundo, aqui o que é...
José Maria Pimentel 00:23:11.16Aliás, até vou pôr isto de outra forma, que era até a pergunta que eu te queria fazer. 00:23:16.96Do ponto de vista desta inter-relação entre ciência de dados e a utilização de modelos matemáticos, por exemplo, para retratar a realidade e um se adequar mais do que o outro, há uma diferença entre fenómenos humanos e outro tipo de fenómenos,
Mário Figueiredo 00:23:32.32sejam eles fenómenos biológicos no celular ou do cérebro? 00:23:36.34Claro, claro, claro. 00:23:37.32A nível celular e o cérebro pensava que... 00:23:38.72Fundamental, eu quero dizer... 00:23:39.62Eu pensava que ia desde a física. 00:23:40.68Como? 00:23:41.10Eu pensava que ia desde a física. 00:23:41.82Não, eu ia até lá.
José Maria Pimentel 00:23:42.56E desde a nossa cognição e a nossa consciência, ao que acontece a nível celular, até... 00:23:47.88Mas para a física nós temos equações... 00:23:50.58Quer dizer, depois há a questão de casar a física quântica com a... 00:23:54.84Pô, a menos disso. 00:23:55.58Mas nós temos aí equações fundamentais, não é?
Mário Figueiredo 00:23:58.70Agora, para o nosso cérebro não temos. 00:24:00.48Por exemplo, é outro mistério, não é? 00:24:02.58O David Deutsch dá um exemplo muito engraçado, porque ele é fortemente anti-reducionista. 00:24:08.84Ele diz que não faz sentido o reducionismo. 00:24:11.42Ou seja, tentar explicar um fenómeno... 00:24:12.90Eu sei que por baixo de tudo há átomos, não é? 00:24:15.24E se eu, por acaso, conseguisse prever... 00:24:17.04Eu reconheço as equações, mais ou menos, se eu usar equações de Schrodinger ou o que for, para descrever as evoluções dos átomos, eu, em princípio... 00:24:23.56Mas é um princípio muito forte, não é? 00:24:26.52Eu conseguia prever tudo. 00:24:27.96Mas isso não é relevante. 00:24:29.10Ele diz assim, porquê é que está um átomo... 00:24:30.58Ele dá um exemplo muito engraçado no livro. 00:24:32.38Ele dá ótimos exemplos, por acaso. 00:24:34.98Porquê é que está um átomo de cobre na ponta do nariz do Churchill, na estátua que está ao pé do Parlamento em Inglaterra? 00:24:40.04E ele diz assim, bom, nós sabemos, porque o Churchill tem uma estátua, a estátua é de bronze. 00:24:45.38E porquê é que ele tem uma estátua? 00:24:46.34Porque foi primeiro-ministro durante a guerra e, portanto, liderou a Inglaterra durante a Segunda Guerra Mundial e, pronto, é por isso que ele tem uma estátua, é por isso que há lá um átomo de bronze. 00:24:54.86É claro que toda a Segunda Guerra Mundial foi toda feita com átomos. 00:24:58.94Tudo o que havia na Segunda Guerra Mundial é um átomos a comportar-se de uma determinada maneira, mas isso não diz absolutamente nada. 00:25:03.24Não é nesse plano que o fenómeno é interessante e não é nesse plano que devemos procurar explicações. 00:25:07.28Portanto, o reducionismo, às vezes, é uma coisa... 00:25:09.20Pronto, claro. 00:25:10.24Claro que tudo são átomos, mas isso não é uma visão muito relevante. 00:25:13.44Esta escolha de canil... 00:25:14.44Obviamente, aí, até o átomo podia passar para teoria dos materiais, para o bronze. 00:25:18.86Também, obviamente, que eu posso explicar, posso ver toda a Segunda Guerra Mundial usando apenas descrições com base nos materiais. 00:25:24.86As pingardas são de ferro, mas o que é que aconteceu aos materiais para onde é que eles andaram? 00:25:28.32O que é que eles andaram a fazer? 00:25:29.20A roupa e os materiais biológicos das pessoas. 00:25:31.02Isto também não é o plano certo. 00:25:31.96Embora já não esteja a falar de átomos, estou a falar de agregados de átomos maiores, objetos, também não é nesse plano que a coisa é interessante estudar. 00:25:38.38Não é nesse plano que estão os fenómenos, não é nesse plano que estão as leis que me interessa examinar e perceber para perceber porquê que há uma estátua do Churchill. 00:25:47.76Sim. 00:25:48.00Era uma explicação completamente desprovida de qualquer capacidade explicativa, não é? 00:25:52.62Sim, sim, sim. 00:25:53.56Era apenas uma trivialidade brutal sem nenhuma semântica relevante. 00:25:58.86Mas isto, desculpa, nós está... 00:26:00.08Pronto, estava a falar dos adados. 00:26:02.80Da diferença dos fenómenos, sim. 00:26:03.94Os adados, para olhar para dados que têm a ver com o comportamento humano. 00:26:07.12Acho que a diferença é a biologia. 00:26:09.70Desculpa, imagina, fenómenos emergentes em ambos os casos,
José Maria Pimentel 00:26:13.08mas fenómenos sociais de um lado, por exemplo, e outros fenómenos emergentes, como a vida, por exemplo, que é um fenómeno emergente também ao próprio, não é? 00:26:21.50Mas que me parece que poderá ter mais regularidades, ou regularidades passivas de serem reduzidas dessa forma, reduzidas a um leque de equações, enquanto a interação humana, por questões até que têm a ver, se calhar, com questões como livre-arbítrio e coisas do género, e diferenças entre as pessoas,
Mário Figueiredo 00:26:37.42são tão irregulares e tão imprevisíveis que... 00:26:40.42Pois, mas é exatamente isso. 00:26:42.02Olhar para isso como fenómenos emergentes de uma outra realidade subjacente não é muito relevante para os fenómenos humanos. 00:26:48.36É esse argumento do Deutsch, não é? 00:26:49.94Que é, não vale a pena dar... 00:26:51.14Oh, claro, somos todos células. 00:26:53.06Se eu for estudar a Segunda Guerra Mundial, os motivos que levaram à Segunda Guerra Mundial, é mais relevante estar a pensar nos seres humanos como se... 00:26:59.18Não, não, claro, mas o que eu estou a perguntar é,
José Maria Pimentel 00:27:01.02a emergência das células para a vida é diferente da emergência dos seres humanos para a sociedade? 00:27:05.56Sim, claro. 00:27:05.88Ou são análogas?
Mário Figueiredo 00:27:06.86Eu diria que são muito diferentes. 00:27:08.18Eu diria que são muito diferentes. 00:27:09.34Mas, obviamente, como é que é? 00:27:11.86O júri ainda está reunido, não é? 00:27:13.38Sim, sim.
José Maria Pimentel 00:27:14.34Eu estava a pensar na diferença do ponto de vista da utilização das ciências de dados para estudar.
Mário Figueiredo 00:27:18.84Eu acho que há coisas que são desconhecidas e coisas que são conhecidas. 00:27:21.68Há um monte de coisas que são desconhecidas. 00:27:23.30Eu acho, por exemplo, um caso, exemplo, eu posso usar a ciência de dados e é possível fazer, por exemplo, nem sei se é verdade isso que eu vou dizer, é verdade se não, mas é plausível, isto é verdade em outras áreas. 00:27:32.94Eu posso, por exemplo, fazer a previsão meteorológica se eu conseguisse resolver exatamente, se conhecesse todas as condições fronteiras, todos os detalhes da geografia, dos ventos e das pressões atmosféricas neste momento. 00:27:43.10E se eu conseguir resolver as equações da mecânica dos fluidos com grande precisão, conseguir fazer a previsão há alguns dias com grande qualidade, com alguma qualidade. 00:27:52.30É preciso fazer a mesma coisa, ignorando as equações todas e pondo um sistema de machine learning, de aprendizagem automática, treinado com base em sequências climáticas ou meteorológicas dos últimos anos, fazer previsões às vezes tão boas ou melhores do que aquelas com base nos modelos. 00:28:09.00Portanto, há aqui duas abordagens. 00:28:10.72Uma delas é, ok, eu sei que o fenómeno é complicado, eu até conheço as equações, mas elas são demasiado complicadas para eu tentar resolver. 00:28:16.92Vou esquecer isso tudo, vou olhar para isto como um problema de processamento de dados e fazer previsão. 00:28:21.66São duas abordagens possíveis. 00:28:23.90No caso da meteorologia, que é um exemplo de física, essencialmente, não é? 00:28:28.46Eu sei que estou a fazer isto usando ciência de dados, mas sei que há uma outra realidade, há uma outra realidade que eu até conheço do ponto de vista físico, matemático, com algum detalhe, embora seja complexo. 00:28:39.58Verifica-se apenas que por dificuldades de resolver os modelos, esta via acaba por ser mais eficaz. 00:28:45.80No caso dos seres humanos, provavelmente essa outra via não existe, não é? 00:28:48.60Só existe a via dos dados. 00:28:50.10Não existe uma via. 00:28:50.80Não tem nenhum modelo que me permita prever como é que vai... 00:28:53.84Pois, economistas, se calhar, acham que tem, não é? 00:28:55.80Sem dúvida. 00:28:56.42Não há alguns aspectos. 00:28:59.60Mas um modelo que me permita prever como é que é que uma sociedade vai fazer, não existe nenhum, não tem. 00:29:05.12Portanto, tem que só fazer coisas com base em ciência de dados. 00:29:07.94Não era impossível ter. 00:29:09.14Não é impossível ter, não estou dizendo que é impossível. 00:29:10.52Estou dizendo que neste momento não existe, não é? 00:29:12.00Não é teoria. 00:29:13.30E não é muito relevante ir para outras camadas mais baixas de realidade, como, por exemplo, para a biologia. 00:29:18.80É claro que todo o nosso comportamento tem um substrato biológico e nós somos biologia, não é? 00:29:24.52Ou mais para baixo ainda, células ou átomos não é muito relevante porque não explica esses fenómenos emergentes que requerem outras camadas de abstração, porque obviamente podem ter input da camada de baixo, mas que têm qualquer coisa de novo. 00:29:35.96São outras, é outro nível de abstração, são outros modelos, outros fenómenos que são as que, obviamente, estão sustentados nos que estão por baixo.
José Maria Pimentel 00:29:42.04Sim, sim, exatamente, sim. 00:29:43.30Eles dependem do que estão, embora entre seres humanos, a partir do que está por baixo não varia, não é?
Mário Figueiredo 00:29:47.90Pois, não varia muito. 00:29:49.84Embora também possa variar, sim.
José Maria Pimentel 00:29:51.68Eu estava a pensar em relação a esta, à questão da, até para voltar um bocadinho atrás, em relação à ciência de dados, mas no geral, uma coisa que tu falas também e que me deixou a pensar é a questão de ser importante também para a ciência de dados, estando a estudar fenómenos humanos e, no fundo, beber às humanidades e às ciências sociais. 00:30:12.08Claro, claro. 00:30:12.48É uma coisa que eu já vi dita várias vezes, acho um ponto de vista interessante, mas fico sempre na dúvida sobre o que é que isso quer dizer exatamente. 00:30:20.08Ou seja, para ser, para pessoas de ciências sociais, sobretudo de humanidades, serem úteis à ciência de dados ou poderem usá-la, também precisariam aulas próprias de outro tipo de formação, não é? 00:30:31.10Isso está um bocadinho relacionado com o sistema de ensino, não é?
Mário Figueiredo 00:30:32.28Eu acho que é ser um bocadinho mais, desperta mais largo na formação porque, hoje em dia, as ciências de dados, ou, uma vez mais, fico sempre desconfortável com a palavra, as ciências de dados são tão relevantes em tantas áreas da sociedade, não é? 00:30:45.12E tem um impacto tão grande na sociedade que as pessoas que estudam ciências sociais não podem ignorar essas coisas, não podem ignorar que toda a gente anda, vamos no metro e 70% das pessoas estão a olhar para o telemóvel, não é? 00:30:56.40E, portanto, de facto, está a afetar a vida das pessoas. 00:30:58.92As pessoas têm uma interação com a realidade que está profundamente afetada pelo facto de haver não sei quantas empresas que fazem tudo o que podem usando técnicas de ciências de dados para manterem a atenção da pessoa capturada e com sucesso, não é? 00:31:10.96Sim. 00:31:11.12E, portanto, os sociólogos, os psicólogos não podem ignorar essa realidade, não é? 00:31:15.36Por outro lado, quando há dados que são usados para tomar decisões, as pessoas que estão envolvidas nessas decisões têm que saber exatamente, ou devem saber, devem estar conscientes, de como é que são tomadas as decisões com base nos dados e, portanto, precisam de uma expressão literacia de dados, literacia relativamente a como é que os dados são adquiridos, processados, quais são as limitações. 00:31:34.76Há um exemplo muito interessante, há um artigo há uns meses, mas foi republicado agora há uma revista nova, a Universidade de Harvard lançou uma revista nova chamada, que é a Harvard Data Science Review, foi o número um há uma semana ou duas. 00:31:47.96Há um artigo muito interessante do Michael Jordan que eu... 00:31:50.30Sim, mandaste-me, sim, sim. 00:31:51.76Sim, em que ele dá-lá um exemplo muito engraçado, eu ouvi-o a semana passada falar ao vivo numa conferência e ele contou essa história que ele tinha, a mulher dele estava grávida e eles foram a fazer uma ecografia, não é? 00:32:03.08Essa história incrível. 00:32:03.84E apareceram uns pontinhos brancos no coração, suponho que era no coração, já não me lembro. 00:32:08.54Sim, tem ideia que sim. 00:32:10.12Não me lembro dos detalhes. 00:32:11.32E a médica disse, bom, isto é, de acordo com a norma, isto é indicativo da possibilidade de, já não me lembro o que era. 00:32:16.52Síndrome de Down. 00:32:17.04Síndrome de Down, exatamente. 00:32:18.58O INDES, a probabilidade do INDES aumentou muito a probabilidade de ter síndrome de Down e, portanto, recomendamos o MAMI ao Sintese, que é uma intervenção com algum risco. 00:32:27.80E ele, como cientista de dados, ele disse, não, mas eu quero saber de onde é que vem este critério, como é que foi, isto foi baseado em estudos, lá nos estudos, meta-estudos, medicina baseada em evidência, tudo bem, é a maneira correta de fazer medicina, mas tem limitações, nada é perfeito. 00:32:43.68Então ele tentou saber em que anos é que tinham sido feitos os estudos que levaram à conclusão de que aquelas pintas são indicativas daquilo e daquela forma. 00:32:54.82E concluiu que a resolução dos aparelhos, com base nos quais tinha sido feito, dos aparelhos de geografia, tinha sido feito todos os estudos que depois, com os meta-estudos e com a extração de evidência e tinha levado à conclusão de que aquilo era indicativo daquilo, tinham uma resolução menor do que os aparelhos que eram usados hoje em dia e, portanto, estava-se a verificar uma ocorrência muito maior de diagnósticos nesse sentido, muitos deles falsos positivos, o número de falsos positivos estava a crescer imenso, simplesmente porque não havia uma clara consciência das limitações dos dados que tinham sido usados para extrair aquela conclusão e aquela norma de conduta do médico que é, se acontecer isto, então tem que fazer aquilo.
José Maria Pimentel 00:33:30.58Esse é um exemplo muito curioso, a verdade também deixa-me ser piada ou exemplo e, sobretudo, tem piada o facto de ele ter conseguido deslindar a coisa e é uma coisa um bocadinho desconcertante porque há um lado de tudo isto e isso lembrou-me até da questão da análise dos sistemas complexos. 00:33:49.26Pelo menos eu sinto sempre essa ambivalência em relação aos progressos que são feitos nessa área porque num momento a pessoa fica impressionada com uma determinada conclusão que é tirada. 00:33:58.92O problema é que os sistemas são tão complexos e têm tantas variáveis que essas conclusões muitas vezes para serem extrapoladas é preciso fazê-lo com muito cuidado. 00:34:06.72Esse é um exemplo e nem é um exemplo por aí além de uma experiência ou uma investigação que para ser interpretada corretamente nós temos que reconhecer bottom-up. 00:34:18.44Temos que reconhecer perfeitamente bem e reconhecer todas as variáveis que existiam ou os valores para todas as variáveis que influenciaram aquilo de modo a conseguir tirar conclusões para o futuro. 00:34:28.24Caso contrário acaba por na prática não ser especialmente útil.
Mário Figueiredo 00:34:32.84Pois, exatamente. 00:34:33.88Ou por outras até se pode argumentar que é útil nos grandes números mas nos casos particulares provavelmente é mais útil do que negativo acaba por ter um efeito positivo e obviamente não estou de modo nenhum a argumentar que todas as pessoas quando lhes é feito um diagnóstico devem ir investigar de que modo é que foi calibrado o instrumento etc. 00:34:56.72Porque as pessoas não têm capacidade para isso mas quem escreve as indicações que são seguidas pelos médicos por exemplo são pessoas que têm que estar muito conscientes das limitações das análises estatísticas dos grandes volumes de dados.
José Maria Pimentel 00:35:09.12um exemplo que agora estava a me lembrar que até é melhor do que este que é uma área em que me ocorre muito essa dúvida que é a área da nutrição. 00:35:17.20Sim, sim. 00:35:17.80A nutrição tem muito esse problema ou seja há um estudo qualquer que conclui qualquer coisa conclui que beber um copo de água de manhã aumenta a longevidade no ano. 00:35:28.70Esse estudo provavelmente interessa pouco o estudo até pode estar muito bem feito mas tem tantas tantas tantas variáveis que no meu caso eu para mim próprio não é nem sequer as consigo medir e para as medir todas seria um trabalho hercúleo de andar a estudar o efeito de cada uma daquelas variáveis que na prática em última análise adiantou pouco que é um bocadinho como é que eu vou dizer é um bocadinho desconcertante porque para todos os efeitos é assim que a ciência avança mas com realidades tão complexas neste sentido
Mário Figueiredo 00:35:57.02pois a nutrição é um bom exemplo as pessoas estão sempre a dizer agora dizem que o chouriço faz mal mas para o ano dizem que o chouriço faz bem e depois perde credibilidade até por aí mas também aí há um pouco de culpa dos mídias não é? 00:36:09.68é verdade não há nenhum estudo que saia a dizer que uma coisa faz bem que uma coisa faz mal que não tenha muita visibilidade dos mídias os extremos chamam a atenção pronto os extremos chamam a atenção e os estudos que são para levar a sério são estudos muito grandes eu preciso olhar por exemplo quais estão as recomendações da Organização Mundial de Saúde que são sempre muito cuidadosas eles agora dizem que de facto as carnes processadas de facto aparentemente fazem de facto mal pronto mas eles demoraram muitos anos a dizer isto não é? 00:36:32.84e é com base em muitos meta-estudos e é claro que nada disto é infalível não é? 00:36:37.50mas digamos o trend é na direção certa sim há muitas flutuações mas na minha opinião o trend é na direção certa aquilo que se sabe hoje é melhor do que se sabia há 20 anos sim também me parece
José Maria Pimentel 00:36:47.40estou de acordo em relação a isso uma das coisas curiosas da nutrição é que existem pessoas com muitos anos credíveis e com muitos anos a pensar sobre o tema com opiniões diametralmente diferentes em relação ao papel dos açúcares em relação ao açúcar
Mário Figueiredo 00:37:02.26tens a dizer de pessoas do açúcar já não do açúcar já acho que já não por exemplo há uma parte da corrente vegetariana
José Maria Pimentel 00:37:08.38que tem uma postura muito neutra em relação ao açúcar e há pessoas do outro lado que tratam o açúcar como se fosse cocaína como se fosse uma droga sim sim
Mário Figueiredo 00:37:15.88e são exageros para um lado que quer para o outro não é?
José Maria Pimentel 00:37:18.84dizes tu e eu até tendo a concordar mas a verdade é que há pessoas e a nutrição tem outro problema é que a nutrição é só uma com toda a complexidade que cai dentro da nutrição é só uma das variáveis que influem sobre a nossa saúde claro
Mário Figueiredo 00:37:31.34depois há um monte há um monte de outras até a nossa socialização e há umas não são variáveis nenhumas que é só sorte exatamente sim há o aleatório há o genético há o aleatório que é muito muito grande exatamente há coisas como a socialização
José Maria Pimentel 00:37:42.66fazemos desporto quer dizer há tantas tantas coisas e a mesma questão eu lembro sempre do exemplo de Espanha Espanha Espanha é salvo erro não quero estar a mentir mas julgo que é o país da União Europeia com a maior esperança de média de vida e eles quer dizer comem presunto em barda tem obviamente que também tem um bocadinho de clichê não é provavelmente a dieta de toda a gente mas sei lá a pessoa que conhece as tapas e não sei o que tudo aquilo
Mário Figueiredo 00:38:07.74é baseado em é certo que não mas comem mais do que nós
José Maria Pimentel 00:38:12.30de certeza e presunto come já não sei o que é que me contava uma vez uma compiada que alguém que tinha vivido em Espanha e eles tinham aquela coisa não era a roda alimentar mas era uma coisa do género e diziam ah presunto presunto uma vez por semana ou presunto uma vez por dia era uma coisa qualquer do género e eu era para dizer presunto
Mário Figueiredo 00:38:27.64mas isto não é suposto fazer bem mas como é um produto local é um produto genal eles vendiam o presunto como é a coisa do Salazar não é? 00:38:36.48comer vinho e dar de comer a um milhão de portugueses em Espanha eu tenho um bite de foto para o presunto o meu presunto é dar de alimentar um milhão de espanhóis sim exatamente sim mas eu acho que acho que a trend é no sentido positivo o que se sabe hoje em dia obviamente nunca é certo também nessas áreas mas sabe-se mais do que se sabia há 20 anos no açúcar acho que há uma certa há um certo consenso que te faz de facto mal açúcar refinado açúcar adicionado não quero emitir não, não, claro não, estamos a falar disto do ponto de vista da não sou profissional desse ofício da complexidade dos dados não do ponto de vista do substancial do substantivo já há estudos muito há certas áreas em que há estudos gigantescos com centenas de milhares de pessoas com meta-estudos é verdade sim ao longo do tempo ou seja longitudinais claro, claro a minha ideia não é ter uma postura relativista e é a única maneira de fazer não é? 00:39:25.64é a única maneira de fazer e deve-se continuar a fazer e vai-se continuar a fazer
José Maria Pimentel 00:39:28.48sim, sim, claro exatamente Olá gostam do podcast? 00:39:37.34se quiserem contribuir para a continuidade deste projeto e juntarem-se assim à comunidade de mecenas do 45 graus podem apoiá-lo através do Patreon desde 2€ por mês visitem o site em www.patreon.com escreve-se P-A-T-R-E-O-N barra com 45 graus por extenso e vejam os benefícios associados a cada modalidade de contribuição desde já obrigado pelo apoio mas para já voltamos à conversa fazendo aponte para a inteligência artificial ou seja já falámos mais ou menos indiretamente de machine learning e foi o artigo que estávamos a falar um bocadinho do David Deutsch relacionava exatamente as duas os dois tipos de inteligência artificial que se é que podemos dizer assim que muitas vezes confundem na opinião pública porque nós tendemos a chamar a inteligência artificial a uma série de coisas desde logo até a ciência de dados e a inteligência artificial que é utilizada através de algoritmos para tarefas relativamente específicas com aquilo que cai mais no imaginário público mas também é muito discutido entre cientistas e entre filósofos a inteligência artificial no sentido de mimetizar o ser humano
Mário Figueiredo 00:40:40.90inteligência artificial geral
José Maria Pimentel 00:40:42.70exatamente o artigo dele era interessante e o outro artigo do Michael Jordan que não é o jogador de basquete também vai um bocadinho nesse sentido no fundo de distinguir por um lado distinguir as duas claramente e por outro lado pôr preto no branco o facto de a maior parte do investimento que tem sido feito e no fundo isso que nós estávamos a falar de tudo aquilo que foi à boleia da ciência de dados e não só tem sobretudo que ver com esta narrow AI não é inteligência artificial estreita estreita ou estreita exatamente e a grande questão que sobra aqui eu já como sabes não é a primeira vez eu já falei disso com a Olinda Oliveira e também com de uma maneira um bocadinho diferente com o
Mário Figueiredo 00:41:17.82com o com o Gotham da Champalimau mas mais do ponto de vista
José Maria Pimentel 00:41:22.78das neurociências o grande mistério e eu gostava de ter a tua opinião em relação a isso é em que medida é que os grandes progressos que têm sido feitos na inteligência artificial restrita podem ou não alimentar alguma vez ser conseguida uma inteligência artificial que mimetiza aquilo que é diferente nos seres humanos isso é engraçado porque tu tens pontos de vista muito diferentes ou seja, o ponto de vista de que este é o caminho e há algures haverá algum breakthrough de repente e consegue-se criar criatividade consciência o que é que se quer chamar ou se é que se quer é tudo a mesma coisa e ao ponto de vista como por exemplo é o ponto de vista do David Deutsch quer dizer isto não tem rigorosamente nada a ver e não é para ali que nós lá vamos eu até usava uma analogia engraçada
Mário Figueiredo 00:42:01.84seria a mesma coisa do que construir um Arranha Céus e esperar que vou e esperar que vou fazendo cada vez mais alto esperar que um dia ele vou exatamente tu inclinas-te mais para qual? 00:42:11.66eu inclino mais para o David Deutsch eu sou bastante bastante próximo do David Deutsch Deutschiano Deutschiano nesse aspecto porque eu acho que a inteligência artificial aquilo que hoje em dia se chama inteligência artificial e que se vê nos mídias que é reconhecimento de imagens a tradução automática esse tipo de coisa e de chamar inteligência é um bocadinho eu acho que é um bocado forte durante muitos anos isso não se chamou inteligência artificial inteligência artificial na origem era um foi um nome inventado lá por David McCarthy em 1957 acho eu
José Maria Pimentel 00:42:44.52era para diferenciar não era a ideia dele acho que era diferenciar aquilo da corrente daquele que era no fundamento dele que era cibernética cibernética
Mário Figueiredo 00:42:57.18do Wiener do Norbert Wiener ou seja para diferenciar da cibernética ele fez o rebranding
José Maria Pimentel 00:43:02.88para a inteligência artificial estou a que eu apanhei mas eu admito que possa sim
Mário Figueiredo 00:43:05.38a cibernética é uma coisa é uma palavra até suponho inventada pelo Norbert Wiener que de certa forma está é insuficientemente conhecido pelas pessoas que olham para estes assuntos porque ele é que está lá mais para trás mesmo na base dessas coisas todas porque a cibernética é como ele definiu é a teoria ou a ciência que estuda o controle nos animais e nas máquinas portanto ele via tudo isto como sistemas de controle de retroação portanto que estabeleciam o controle dos circuitos aliás está muito na agenda das redes neuronais artificiais nas primeiras esta ideia de retroação e de que a rede faz uma determinada coisa é testada aquilo não é exatamente aquilo que ele queria faz-se uma retroação corrigir-se ligeiramente os pesos uma espécie de coisa atrativa coisa atrativa de correção sucessiva que é no espírito da retroação que vem da teoria do controle que foi criada pelo Wiener o Vilezo Wiener é que levou para o MIT alguns dos primeiros nomes da inteligência social nomeadamente no campo da visão e das redes neuronais mas o Macartes criou então esse branding de inteligência artificial artificial intelligence de 1957 e é muito engraçado que a primeira área da aplicação mais emblemática eram jogos em 1950 e poucos havia uma máquina que jogava ao galo e canhado e nunca perdia depois essa máquina foi desmantelada e nunca se recuperou foi no Canadá e depois a seguir as primeiras tentativas eram damas xadrez que eram considerados porque havia aquela associação entre uma pessoa inteligente jogava xadrez vou fazer uma máquina inteligente um bom teste é jogar xadrez mas os seres humanos são muito maus a prever a dificuldade dos problemas inteligentes artificial a história tem que estar a história de machine learning que está cheia de coisas que pareciam fáceis e que afinal eram muito difíceis e coisas que pareciam difíceis e afinal não eram difíceis e jogar o jogo de xadrez é o exemplo de uma que parecia muito difícil para nós nós vemos uma pessoa que jogava xadrez como uma pessoa muito inteligente está no nível das pessoas inteligentes da raça humana mas para uma máquina não é muito difícil porque aquilo é basicamente um problema de busca depois na altura até saíram livros e manifestos um livro que diz intelligence é search inteligência é apenas dada uma quantidade de regras encontrar uma melhor decisão que respeita todas essas regras e portanto isto é que era visto originalmente como inteligência artificial depois havia outra quando eu comecei a trabalhar nestas coisas no final dos anos 80 no princípio dos anos 90 aquilo que se chamava inteligência artificial desse tipo era muito mal vista as pessoas gozavam era o GoFi que era o good old fashion AI e já ninguém fazia nada daquilo as pessoas faziam era machine learning faziam significado tudo probabilístico tudo com modelos probabilísticos treino portanto a questão fundamental deste tipo de inteligência artificial e depois a seguir houve aparecer uma posso contar a história tenho a história contada várias vezes há os famosos invernos não é? 00:45:57.74porque ah sim os invernos da IA e antes do segundo inverno
José Maria Pimentel 00:46:03.92invernos desculpa eu já vi esse gráfico mas para quem está ouvindo invernos
Mário Figueiredo 00:46:06.98invernos significa houve grandes interesses portanto aconteceu quando acontece uma promessa exagerada de grandes resultados e depois não se verifica as pessoas perdem o interesse portanto houve uma grande promessa um caso famoso quando o Rosenblatt fez o primeiro percetrão percetrão é uma rede neuronal que permitia ver coisas muito simples o artigo saiu no New York Times em 1958 dizia em breve será possível enviar máquinas destas para explorar os planetas em 1958 é claro que nada disso aconteceu e portanto aquilo caiu perdeu o interesse depois em Inglaterra houve um relatório famoso que é o Light Hill Report que conclui que tinham investido muitos milhões de libras naquela área e que não tinha dado nada de resultados que se esperava e portanto recomendavam que se desinvestisse em inteligência artificial e então houve a outra perspectiva que era a perspectiva do Machine Learning que colocava no centro do problema a aquisição de conhecimento porque o grande bottleneck na inteligência artificial clássica era a aquisição de conhecimento um especialista viu as coisas famosas chamadas expert systems que estavam muito na moda no meados dos anos 80 e fim de princípios e meados dos anos 80 até o Japão na altura criou um grande um grande um grande investimento para o que chamava computador da quinta geração que eram os computadores que iam ser desenhados para ter lá dentro expert systems sistemas periciais em português em que eram sistemas por exemplo um sistema para reparar um automóvel que tinha lá dentro todo o fluxo de raciocínio que uma pessoa teria que seguir para diagnosticar uma avaria no automóvel então punham especialistas mecânicos especialistas engenheiros a escrever escreva aí como é que você raciocina para encontrar a avaria no automóvel e eles escreviam então a primeira coisa se houver um barulho não sei o que vou ver não sei o que mas rapidamente porque era impossível nenhum especialista de nada então se for uma coisa mais sofisticada medicina consegue explicar explicitamente todo o raciocínio que faz para chegar a uma conclusão ninguém consegue a falta é sempre qualquer coisa e este acontece ao nível inconsciente provavelmente muito de ele acontece ao nível inconsciente ele não se lembra de tudo o que faz só perante a situação em que de facto se lembra de fazer determinada pergunta determinado teste e ele não se lembra de tudo o que faz então esta questão do knowledge acquisition era central e foi um grande gregal de garrafa para usar a expressão em português model neck daí à clássica e eu aí no final dos anos 80 houve outro inverno porque caiu houve um grande desinteresse houve uma altura em que mais de metade das empresas do Fortune 500 tinham grandes investimentos em sistemas priciais na banca na indústria em muitas áreas mas durou pouco tempo aquilo foi meia dúzia de anos uma dúzia de anos talvez dez anos uma década não mais que isso depois caiu a pique de novo porque se percebeu o problema é de facto como é que eu adquiro conhecimento e então havia aí o machine learning machine learning coloca exatamente no centro do problema a adquisição do conhecimento não porque alguém explica como é que as coisas se fazem mas dando exemplos agora eu não consigo explicar a um computador como é que reconhece uma cara mas consigo dar-lhe muitos exemplos e dizer isto é uma cara isto é uma cara isto é uma cara isto é uma cara e ele ao fim sim no fundo é dar-lhe a experiência dar-lhe a experiência e não e não e não explicitar quais são as regras que ele tem que seguir para terminar para chegar a terminar a decisão e nessa altura o IA antigo tinha muito má fama era visto como uma coisa que não tinha sido uma experiência falhada completamente e ninguém falava mas até há pouco tempo até há é claro que houve sempre depois houve outras áreas do IA houve outras coisas que ganharam o branding de IA inteligência artificial não quitar sempre usar a sigla mas pronto inteligência artificial IA é mais curto não mas pode dizer IA houve pessoas que trabalharam nessa área não quero também desmerecer as pessoas que andaram mais por esse tipo de e há áreas em que isso e há problemas e que isso funciona mas de facto não era não foi o mainstream o mainstream depois foi machine learning foi o dominó aliás é um exemplo interessante haverá o livro em determinadas áreas há o chamado o livro que é aquele livro que é considerado o livro de referência que se estudam nas universidades nas cadeiras daquele assunto há um livro muito famoso que é do do Norvig e do Russell o Russell foi o que esteve cá em Portugal na Cultura Gesta há um mês talvez um mês e meio e o Norvig que é um dos coautores do Fernando Pereira naquele artigo do Unreasonable Effectiveness of Data tem um livro que se chama Artificial Intelligence a Modern Approach e quando começou a primeira edição do livro era basicamente ciência artificial clássica search ontologia daquelas criaturas clássicas da ciência artificial clássica e ao longo dos anos tem vindo a cada vez a ter mais machine learning e mais machine learning agora tem mais de metade do livro é machine learning portanto vê-se muito bem a evolução e a interpenetração do machine learning mas a inteligência artificial clássica que subsiste hoje em dia é aplicada a quê? 00:50:41.10por exemplo em pesquisa em planeamento quando eu faço um planeamento de trajetória por exemplo é um problema clássico na inteligência artificial eu tenho um grafo e tenho que escolher o caminho mais curto do grafo que é um problema típico e é um problema fechado em certo sentido não eu não sou especialista em inteligência artificial clássica portanto não quero arriscar desenho disparado mas também não é fechado não está fechado aliás um dos problemas hoje em dia é mas qual é a diferença desculpa interromper-te mas qual é eu estou a
José Maria Pimentel 00:51:08.08o que eu estou a tentar tirar daqui é perceber a diferença no tipo de problemas
Mário Figueiredo 00:51:12.52sim não é tanto o tipo de problemas mas o tipo de de representação do conhecimento que usam e de certa forma nós usamos um misto das duas coisas não é? 00:51:24.02nós o nosso cérebro nós o nosso cérebro por exemplo uma máquina hoje em dia de machine learning que faz reconhecimento de caracteres ou de caras caracteres é um bom exemplo aqui o da treinado que faz ler sei lá ler cheques automaticamente o famoso que o Ian Lecane fez nos anos 90 que lia os cheques foi a primeira máquina que lia os cheques automaticamente cheques manuscritos aqui o da treinado apresenta-se não sei quantas dezenas de milhares centenas de milhares de exemplos de zeros de uns de dois e ele aprende a reconhecer esses dígitos uma abordagem completamente diferente seria eu tentar dizer ok um um é uma coisa assim é um pauzinho para cima e depois um pauzinho para baixo um dois é uma meia curva e depois aquilo inclina-se um bocadinho é muito frágil porque há pessoas que fazem um um basta claro no entanto é extremamente poderoso no seguinte sentido se eu te disser assim vou inventar uma nova letra que é um F maiúsculo mas com os tracinhos horizontais em vez de estarem virados para a direita estão virados para a esquerda e não precisas de ver nenhum para reconhecer um hoje em dia eu não consigo fazer isso sem machine learning eu não consigo misturar este um é uma descrição estrutural e outro é uma descrição completamente apenas estatística não é muitos disto os zeros são mais ou menos assim ele lá descobre quais são as regularidades estatísticas dos zeros deixa eu dizer a outra descrição é uma descrição estrutural ok eu vou inventar um novo dígito que é um zero com outra bolinha lá no meio é uma descrição totalmente estrutural não dê nenhum exemplo e tu não terás nenhuma dificuldade em as reconhecer essa é uma área de investigação hoje em dia que é tentar misturar estas aprendizagens baseada em regularidade estatística extraídas pela máquina com descrições estruturais que são extremamente eficazes e simples e há uma área chamada que é one shot learning que é só um exemplo só um nós somos extremamente bons a reconhecer coisas só com um exemplo às vezes nem com exemplo nenhum que é só com uma descrição estrutural ou apenas com um exemplo um caso um exemplo clássico que é interessante que eu me lembro sempre quando era miúdo fazia coleção de cromos de jogadores de futebol e a pessoa via cada uma vez e nunca mais esquecia que tinha visto aquela cara eu sabia todos os que tinha e os que não tinha quando os meus amigos mostravam a pilha dos repetidos eu sabia este tem, este não tem este não tem e eu só o tinha visto uma vez que é uma capacidade completamente extraordinária é incrível sim sim o nosso cérebro evolutivamente está completamente feito para ser cara as ferramentas de machine learning que estão nos mídias que se vê que têm desempenhos extraordinários em problemas de reconhecimento basicamente são estatística em estróides são quantidades maciças de dados quantidades de cálculo brutais portanto para treinar uma dessas redes de estado de arte para reconhecimento de imagens são dezenas de milhares de horas de computação muitos quilowatórios
José Maria Pimentel 00:54:04.60sim, exatamente mas esse é um ponto interessante disto que aliás falava com o Gotham embora não seja especialmente relevante para este problema que é o facto do nosso cérebro uma das características do nosso cérebro é ser incrivelmente eficiente
Mário Figueiredo 00:54:16.52com muito pouca energia 20 watts com meros 20 watts consegue fazer e portanto aí
José Maria Pimentel 00:54:22.34a inteligência artificial incentiva a anos-luz mas na prática isso não é um problema não é um problema prático porque existindo a energia para fazer isso a eficiência não é que eu ia dizer não havendo uma limitação explícita a nível energético a nível energético ou seja a nível de alimentação de energia isso na prática não é isso que está a limitar
Mário Figueiredo 00:54:42.34a inteligência artificial não é isso o que está a limitar provavelmente é no sentido extrapolando para a quantidade de energia e tempo e processamento que é preciso para pôr uma máquina a resolver um problema de reconhecimento muito simples como por exemplo reconhecer se há um cão ou não há um cão na imagem ou aquelas coisas ou jogar gol que é mais complicado é preciso uma quantidade de energia tal que é muito superior a que um ser humano gasta para extrapolar isso para um ser humano geral o jogador de gol o Lee Sedol jogou o jogo se calhar comeu um hambúrguer e beu um café e o Alfa zero gastou não sei quantas quilowatórias não tem nada a ver e jogou não sei quantas centenas de milhares ou milhões de jogos coisa que o outro não poderia nunca ter feito porque era até de jogar um jogo de 5 a 5 minutos durante toda a vida é completamente portanto há uma desigualdade o tabuleiro de jogo
José Maria Pimentel 00:55:32.88para continuar nessa analogia está inclinado
Mário Figueiredo 00:55:36.42só que o Lee Sedol entretanto está a jogar e consegue olhar para o lado e o Rintzerol está ali a minha mãe sentada e amanhã vou a não sei o que e tem uma quantidade de outras capacidades ao mesmo tempo que estão ativas ainda e que não gastam mais votos por isso enquanto que a outra máquina foi só desenhada para aquilo gasta uma quantidade enorme de energia e de tempo e portanto acho que isso dá algum suporte à tese do Deutsch que não é por aí que se vai conseguir se chegar a AGI
José Maria Pimentel 00:56:05.24já vou essa no fundo pelo menos a um contraponto possível a isso embora também acho que isso faz sentido mas antes disso ainda em relação a isso que nós estamos a chamar inteligência de facto há aqui um problema de polissemia não é nós nós chamamos inteligência a muitas coisas mas isso até na própria investigação sobre a inteligência humana e é interessante porque a inteligência artificial ou seja os algoritmos conseguem fazer melhor do que nós algumas coisas assim muito de repente pelo menos conseguem fazer conseguem ter duas coisas que nós não temos conseguem ter uma memória incomparavelmente melhor
Mário Figueiredo 00:56:37.70sim a nossa memória quer dizer não é que a nossa memória para certo tipo de coisas sim este exemplo que eu dei há bocadinho dos cromes de futebol não tem mas não sei se não tem
José Maria Pimentel 00:56:48.04ou seja se eu visse imaginemos que nós não estávamos a fazer cromes da liga
Mário Figueiredo 00:56:51.52se fosse só aquela pronto depende como eu resolver o problema se eu tirar uma fotografia e guardar a fotografia no computador então claro aí é fácil mas de memória visual ou seja eu consigo memorizar nós provavelmente em miúdos memorizávamos os jogadores todos da liga portuguesa mas se tivéssemos a fazer coleção todas as ligas do planeta já não funcionavam memória eu sei e isso eles conseguem fazer e conseguem quer dizer no fundo
José Maria Pimentel 00:57:12.54isto provavelmente computacionalmente é outro lado da mesma coisa mas jogar xadrez porque isto também é memória em certo sentido no fundo é conseguir processar o problema como um todo enquanto nós estamos a processar
Mário Figueiredo 00:57:28.20com uma margem de erro estou a perceber o que quer dizer mesmo o melhor jogador de xadrez sim mas mesmo as máquinas jogam xadrez não jogam não são perfeitos o xadrez não é um jogo resolvido no sentido técnico do termo que é o galo é um jogo resolvido porque um computador facilmente explora todas as possibilidades até ao fim a partir de cada posição e no xadrez não é possível já isso portanto há heurísticas e há avaliação da qualidade das posições portanto ele pode explorar muitas, muitas, muitas muito mais que o ser humano muitas, muitas, muitas mais que o ser humano mas não todas aquilo é uma explosão combinatória são mais do que os átomos do universo e portanto não é possível mas é brute force
José Maria Pimentel 00:58:02.20no fundo o que é que é diferente na inteligência humana o Deutsch fala chama-lhe criatividade no fundo sim
Mário Figueiredo 00:58:07.56isso é o que se vê é a capacidade de com todas estas com todas estas
José Maria Pimentel 00:58:13.04nossas limitações que às vezes são absurdas comparativamente com a inteligência artificial que são coisas tão simples como fazer uma conta uma mera máquina de calcular faz uma conta mil vezes melhor do que qualquer um de nós mas depois existe o que ele chama criatividade no fundo é a capacidade de conjeturar explicações explicações distintas explicação para um fenómeno que não está embutida naqueles dados e isto é um bocadinho quer dizer ele chama-lhe criatividade o António Damasio por exemplo eu acho que cada um usa quer dizer não querendo desmerecer isto também é um bocadinho aquela coisa do tipo que tem o martelo e tudo são pregos também dependendo da área cada um trabalha embora os outros não trabalhem especificamente nessa área mas para ele a criatividade é uma coisa importante para o Damasio por exemplo os sentimentos eles chamam-lhe mesmo os sentimentos embora isto tenha que ver com a visão dele sobre o papel dos sentimentos ele diferencia sentimentos e emoções é curioso mas é por causa da história da homeostase e do papel que isso tem no fundo na relação de um ser com o ambiente e o ponto dele é muito mais pelos sentimentos já que no fundo os sentimentos ou as emoções são aquilo que diferencia o ser humano e que está relacionado com isso e há outras teses há a questão da consciência que está mais ou menos relacionada com isto mas parecem-me estar todas mais ou menos relacionadas umas com as outras aquilo que é difícil perceber e tinha alguma curiosidade de saber a tua intuição em relação a isso e o próprio Deutz acaba por não chegar lá ele só diz talvez possamos estudar este exemplo ou aquilo para tentar perceber é para lá da parte comportamental que nós percebemos ou que nós talvez percebemos é o que é que está subjacente que é diferente o que é que é de facto diferente no cérebro humano para não ser até agora pelo menos replicável
Mário Figueiredo 00:59:51.14Pois, eu acho que ninguém sabe a arquitetura é profundamente diferente a arquitetura é profundamente diferente o cérebro humano funciona por impulsos na semana passada na mesma conferência em que eu vi o Michael Jordan estava lá um neurocientista inglês que trabalha em França que não me lembro o nome neste momento que argumenta que a questão toda fundamental no cérebro a representação da informação no cérebro é feita por impulso isso é sabidíssimo mas a posição do impulso e que impulso é que chega antes dos outros impulsos que é uma coisa crítica que é o timing que é uma representação extremamente eficiente em todas as contas tudo aquilo que as máquinas mais sofisticadas de linguagem artificial fazem para aprender é profundamente e verosímil do ponto de vista do cérebro da filosofia do cérebro não fazem nada parecido com aquilo nada de nada parecido com aquilo tirando umas coisinhas umas coisinhas no cortex visual e portanto a arquitetura é tão profunda e tão radicalmente diferente que é difícil perceber o porquê eu não sei o suficiente neurociência para sequer tentar ir por aí a única coisa que eu sei é que é profundissimamente diferente é qualitativamente diferente é como comparar um peixe com um submarino nuclear são coisas muito, muito diferentes profundamente qualitativamente diferentes não tenho nenhuma intuição de porquê que de um tipo de arquitetura que é aquela que nós temos no cérebro emerge criatividade e emoções e porque é da outra provavelmente nunca poderá pelo menos dessa forma direta embora há aquelas coisas todas como por exemplo o Arlene fala é claro que eu posso simular o cérebro e aí posso imaginar que simular o cérebro essa simulação poderá ter emoções e poderá ter essas coisas todas mas isso é outra digamos é mas isso já foi feito provavelmente é o shortcut não para ter emoções não simulou-se um bocadinho nada muito pequenino
José Maria Pimentel 01:01:33.64do cérebro mas porquê que não sei se tens ideia porque é que eu lembro de ele falar disso mas fiquei na dúvida porque é que porque é que não se tentou levar isso mais por diante é uma questão de falta
Mário Figueiredo 01:01:43.48falta de cálculo é preciso um supercomputador durante não sei quanto tempo para simular dois ou três segundos de uma das colunas do córtex e o cérebro não é só córtex é mais montes outras coisas o córtex é uma coisa muito fininha não é aquela camada que está cá por fora e tudo o resto está lá por baixo que é crítico para as emoções a parte mais anteriores mais antigas do cérebro
José Maria Pimentel 01:02:05.66mas é engraçado eu confesso que tinha a ideia que eu tinha era diferente não era que tivesse que ver com falta de poder de cálculo ou seja no fundo com o facto da capacidade do nosso cérebro ser por aí além mas mais com conhecer tão mal que no fundo não sabemos como como reproduzi-lo
Mário Figueiredo 01:02:22.64depende do nível depende do nível que se está se eu quiser simular um nível muito físico quase cada um dos neurónios isso é relativamente conhecido veja as equações da Autoskin-Axley da propagação dos impulsos nos axónios isso é tudo conhecido mas eu tenho que pôr vários e depois cada um está ligado a não sei quantos milhares de outros e depois não se sabe porque é que estão ligados e como é que a estrutura funciona conheces algumas coisas a nível local e conheces a chamada conectómica macroescola conheces imensas coisas mas simular isso tudo não se consegue casar globalmente é muitíssimo complicado agora a semana passada saiu na Nature o primeiro modelo completo e mapa completo da rede neuronal da C.Elegance que é uma minhoquinha muito bonita um 200 e não sei quantos 212 ou 207 250 e não sei quantos neurónios mas eu achava que isso já tinha um não já sabia mas mesmo assim ainda não se conhece completamente como é que ele funciona é sério isso é só 200 e tal neurónios pois é que esse é o exame normalmente é dado o exemplo da minhoca e portanto é muito humbling a palavra em português falta a palavra não é humilhante humilhante que seria a palavra em inglês é humbling em português devemos colocar as coisas em perspectiva sim, exato isso é bom vermos que há uma minhoquinha que tem apenas 200 e tal neurónios e que no entanto mexe-se, vive procura alimento reproduz-se com 200 e tal neurónios ao passo que as redes profundas do Facebook que fazem o reconhecimento das imagens tem centenas de milhões de parâmetros sim não é verdade é verdade essa não gasta 20 watts não é? 01:03:49.48muito menos uma milha vou dar o exemplo da minhoca é curioso sim
José Maria Pimentel 01:03:54.50porque eu achava que esse nome até dado como um contraponto não é dizer
Mário Figueiredo 01:03:57.22nós a minhoca já percebemos não percebemos não percebemos não está totalmente percebido é conhecida a rede a estrutura mas como é que funciona não é totalmente conhecida houve agora um grande avanço que saiu a semana passada no Nature saiu um artigo sobre a rede e ainda por cima a rede do macho e da fêmea são diferentes exato saíram as duas eu ainda não li vi por acaso vi na capa e vi isso comentado numa notícia
José Maria Pimentel 01:04:15.66então mas uma pergunta que me ocorre é até que ponto voltando aliás a uma coisa nós estávamos a falar perto do início da conversa até que ponto é que isto poderá ter que ver também com a falta de investimento nesta área ou seja o investimento em inteligência artificial tem sido sobretudo direcionado para inteligência artificial estrita não é?
Mário Figueiredo 01:04:32.38sim vamos recuperar porque é essa que interessa às empresas exatamente esta não tem um impacto o interesse direto poderá ter que ver com isso? 01:04:40.64sim eu costumo usar este argumento que é inteligência artificial geral provavelmente precisava de alguém que quisesse fazê-la não é? 01:04:47.82exato mas não me parece que há assim um grande vantagem para já não há assim nenhuma não estou a ver nenhuma aplicação muito forte a não ser coisas do tipo exploração espacial se eu quiser mandar um robô para outro planeta é bom que ele provavelmente seja capaz de tomar decisões sozinho e de falar para cá e dizer agora tenho este problema o que é que eu faço? 01:05:06.66sim e tenho algumas ideias para o preso esse é o exemplo clássico até porque e não é só isso e também
José Maria Pimentel 01:05:12.42a utilização de a utilização de seres humanos robôs para utilizar uma terminologia simples para exploração espacial também tem a vantagem de podes mandar uma espécie de robô para um podendo fazê-lo não tendo outras limitações técnicas podes mandá-lo para o sistema solar que esteja a uns anos-luz de distância ou a umas dezenas de anos-luz de distância sem problemas e não vais mandar um ser humano pois
Mário Figueiredo 01:05:35.28se bem que o Deutsch diz que numa palestra não no livro acho que mas numa palestra ele diz que essas interferências sociais gerais devem de certa forma ser vistas como os nossos descendentes são os nossos tetranetos ou pentanetos porque são eles que vão perpetuar a espécie humana no Tardewer não é? 01:05:54.00Exato sim sim mas isso é um problema filosófico for out muito lá para a frente e qual é a tua opinião
José Maria Pimentel 01:06:02.54em relação por exemplo aos lives de criatividade se lhes quiser para chamar assim que têm vindo das próprias utilizações das próprias manifestações da AI estrita aliás foi engraçado para preparar esta conversa voltei a ouvir a conversa com o Arlindo Oliveira que já tem eu animei portanto na verdade quase fui ouvir como ouvinte do podcast porque eu próprio já não lembrava de uma série de coisas e há lá um momento que ele fala disso e foi curioso porque eu ainda não tinha lido ainda não conhecia sequer o David Deutsch na altura e ele estava-me a explicar o facto do Alfagot ter o artigo aliás tinha saído há pouco tempo o Alfagot começou pela primeira vez estudando jogos aprender a jogar
Mário Figueiredo 01:06:42.12e depois numa iteração seguinte jogou sozinho aprendeu sozinho e foi curioso
José Maria Pimentel 01:06:47.34porque na altura o meu comentário foi não foi só aprender sozinho mas inventou jogadas novas inventou jogadas novas e o meu comentário foi intuitivamente foi isso parece aquilo que entre os seres humanos a pessoa costuma descrever como criatividade que é curioso porque é exatamente a palavra que o Deutsch usa e este é um exemplo ou poderia ser um exemplo de AI narrow a convergir quer dizer do arranha-céus a voar não sei vou usar aquela
Mário Figueiredo 01:07:12.76eu tenho a opinião completamente diferente aí do Erling eu acho que não é que isso não se pode chamar criatividade é uma coisa que é uma expressão que eu acho que é irrelevante que é o chamado agency detection é o hyperactive agency detection que é nós agência no sentido agência no sentido agência de vontade os seres humanos estão profundamente talhados pela evolução para identificar agência neste sentido não é agência de seguros agência ou seja como é que é intencionalidade intencionalidade talvez seja a palavra certa em tudo o que vem nós temos sempre a identificar intencionalidade até quando não existe muitas vezes não existe não é por exemplo se eu bater com a perna na mesa e fico irritado com a mesa e bate na mesa a pessoa tem tendência para bater na porta aqui pá que chatei-se bater na cabeça ou quando o computador não arranca agora já arranca quase sempre eu fico irritado com o computador é um sentimento completamente deslocado vou irritar-me com o computador o computador não está a não arrancar para me chatear não gosta de nós mas e se percebe
José Maria Pimentel 01:08:07.66a evolução desculpa interromper a evolução está feita para premiar os falsos positivos a evolução humana
Mário Figueiredo 01:08:12.44exatamente porque mais vale pensar que aquele barulho era um tigre para fugir do que não ligar e de facto afinal era um tigre os não ligar morreram morreram morreram e também está aparentemente ou alegadamente que há quem argumente que está também na origem da religião e do sobrenatural desculpa não me esquecer o que ia dizer eu dou um paralelo parecido para desmontar um bocadinho ver isso como criatividade como quando eu era miúdo nós tínhamos aquelas coisas que eram os caleidoscópios que a pessoa punha um tubo havia um tubo que se punha que despertava lá para dentro tinha uma série de coisinhas de cores depois tinha uns espelhos e aquilo fazia umas imagens muito bonitas com umas simetrias sabes o que é um caleidoscópio e a pessoa olhava e tão bonito e tão lindo também havia coisas daquelas desenhadas por pessoas aquela foi só por calhou nas regras daquele jogo com aquela aleatoriedade que tinha a ver com o facto de andar com aquela roda aquilo fez um boneco que eu interpreto como sendo bonito ou seja quase consegui imaginar que ele foi desenhado por uma pessoa no caso do Go a criatividade aqui é simplesmente pelo facto que a maneira como o Alpha joga tem uma parte aleatória aquilo depois de feitas as regras todas e depois de avaliar as posições o valor das posições com as Deep Networks e o Deep Reinforcement Learning há uma pesquisa que se chama Monte Carlo Research que é uma pesquisa numa árvore usando o método Monte Carlo e portanto tem aleatoriedade e portanto umas vezes sai uma coisa outras vezes sai outra e como a variabilidade é tão grande de vez em quando saem coisas que nunca tinham saído que são muito boas porque ele é muito bom avaliar a qualidade das posições e avaliar quão potencialmente ganhadora é cada possível posição na qual ele possa passar daí de vez em quando saem mais tão boas que nunca tinham acontecido nunca ninguém tinha visto porque aqui dá uma explosão combinatória de possibilidades e algumas a pessoa olha e diz que bela ideia nunca me tinha ocorrido mas não é bem uma ideia não é uma ideia foi o resultado de um algoritmo aleatório de pesquisa numa árvore de possibilidades que foi construída por uma rede neuronal com base em observação de não sei quantos milhões de jogos e que é muito boa avaliar a qualidade das posições e naquele caso saiu aquela é diferente eu acho que é qualitativamente diferente sim é verdade
José Maria Pimentel 01:10:18.16é verdade é curioso isso faz sentido
Mário Figueiredo 01:10:20.08eu não sei se dentro do nosso cérebro não há uma coisa parecida que depois o efeito que tem é gerar ideias novas acho que ninguém sabe sim, exato estou a perceber ou seja, sendo diferente não é impossível que isso esteja relacionado com a criatividade mas não é não é impossível não é impossível que a criatividade seja só isto no nosso cérebro apenas isto em mais quantidade e com menos custo energético e temporal e de treino não é impossível acho que ninguém sabe muito bem como é que funciona a criatividade no cérebro mas nós somos muito, muito generosos a antropomorfizar tudo parece uma pessoa
José Maria Pimentel 01:10:51.90e o exemplo da arte é um exemplo até porque a própria criatividade a própria criatividade tem várias exceções a criatividade na arte é diferente da criatividade na ciência claro o Einstein era um tipo eminentemente criativo sim do ponto de vista intelectual
Mário Figueiredo 01:11:07.84eu acho que ele até gostava de tocar violino mas não sei
José Maria Pimentel 01:11:12.54com criativa é que ele era do ponto de vista artístico ou seja a Paula Rê é criativa porque desenha coisas que ninguém desenhou antes inteligência artificial eu facilmente vi inteligência artificial a ter sem intencionalidade aquele tipo de criatividade por essa aleatoriedade por recombinar coisas mas sem sem intencionalidade nós ali estamos a atribuir intencionalidade
Mário Figueiredo 01:11:33.84Paulo Rê tem alguma dúvida porque aquilo tem toda uma intencionalidade muito forte não é justamente é o que eu estou a dizer o que eu digo é a diferença da Paula Rê não é o produto é a intencionalidade que nós sabemos que ela teve ao criá-lo e tem um estilo tem um estilo extremamente marcado e tem uma mensagem o conteúdo a semântica das imagens tem uma determinada é verdade mas eu concordo que eu não vejo nada por enquanto eu não estou a dizer que é impossível tudo é possível como o Deutsch diz é possível não sabemos ainda como claro há um exemplo
José Maria Pimentel 01:12:02.48eu já não sei onde é que era não sei se apanhaste isso há um exemplo interessante agora lembrando por causa da música havia um tipo qualquer que estava ligado aliás à computação e ele dizia que basicamente era impossível criar um algoritmo que atingisse o nível não sei se era barra acho que era barra vamos supor e ele fez uma aposta com outra pessoa da área sabe o erro devo estar aqui a omitir alguns detalhes mas é mais ou menos uma coisa deste género e o outro tipo através de machine learning conseguiu criar criou um algoritmo que produziu uma sinfonia vamos supor e mostrou ao tipo com que ele tinha feito a aposta e ele achou que era de barra a sinfonia que tinha sido composta pelo algoritmo e foi aquela que ele elegeu como tendo sido a melhor
Mário Figueiredo 01:12:41.80também não era músico profissional não devia ser profissional provavelmente não parece que seja impossível não parece que seja impossível
José Maria Pimentel 01:12:50.66esse poderá ser um caso idêntico
Mário Figueiredo 01:12:52.60ou não muito diferente a questão do xadrez não se entende aquilo é genialidade humana isso é mais preciso que o xadrez porque a música tem menos mas nós chamamos de criatividade chamamos de criatividade chamamos de criatividade sim ou seja o que eu quero dizer com isto é sim sim sim o que eu estava a dizer eu não descarto a possibilidade de que aquilo o fenómeno que existe o mecanismo que existe no nosso cérebro que nós chamamos com toda a confiança criatividade não seja muito parecido com isto que a maneira que me descrevi é que acontece na jogada criativa exatamente eu não descarto essa hipótese sim sim sim achei que há ainda um nível muito grande de diferença nomeadamente na arte então acho que não só na arte visual é mais fácil imaginar e há exemplos agora de música escrita por computadores que é bastante credível mas dificilmente imagino uma máquina mas por enquanto não estou a dizer que seja impossível por enquanto a escrever é uma peça de teatro que aborda um problema humano importante interessante e que diga qualquer coisa a parte semântica na arte é muito importante especialmente nas formas de arte em que ela é mais explícita como na pintura ou na literatura a música é uma coisa mais abstrata o arte abstrata ou a pintura abstrata é mais abstrata mas em todas está lá em todas está lá mas algumas não têm grande semântica a semântica é um bocado inventada um quadro do Paolo que é um mas mesmo essa que é uma meta sim há outra coisa não tem uma semântica explícita como tem um quadro da Paolo Rego ou do Picasso sim e a questão
José Maria Pimentel 01:14:20.18da intencionalidade aquilo tem uma intencionalidade
Mário Figueiredo 01:14:22.88intelectual eles querem fazer aquilo porque querem dizer não sei o que a Guernica por causa da guerra e é por isso que a pessoa também valoriza não tanto pela parte estética do cur
José Maria Pimentel 01:14:32.22eu já vi essa distinção ser feita não sei até que ponto e isso está relacionado com aquilo que tu aludias na essência não será a mesma coisa mas a criatividade no sentido artístico e a criatividade como é que eu vou dizer científica científica não é o termo certo a criatividade
Mário Figueiredo 01:14:47.68no sentido
José Maria Pimentel 01:14:49.90da sistematização e no sentido de encontrar explicações para determinados fenómenos esse tipo de criatividade pensar explicações diferentes para um determinado fenómeno eu não sei se elas são a mesma coisa na origem parece-me que aquela que é mais difícil replicar é a segunda
Mário Figueiredo 01:15:05.32sim, também não sei sim porque está sujeita a regras mais apertadas e porque implica
José Maria Pimentel 01:15:14.58quebrar como é que eu ia dizer uma é exploratória no fundo é aplicar os mesmos o mesmo material de maneira diferente e a primeira aquela que nós chamamos artística aplicá-lo de uma maneira criativa ou combina-lo de uma maneira criativa e no caso do go é bem artístico mas é combinar aquelas peças de uma maneira diferente enquanto a segunda é sair sair fora da caixa para usar aquela analogia batida
Mário Figueiredo 01:15:41.50mas eu admito que se calhar são tão diferentes assim em primeira análise não há um critério objetivo do que é que é árduo do que é que não é árduo ou do que é que é que é arte e há pessoas que nunca discordarão sempre a criatividade em ciência é uma coisa muito diferente eu gosto eu montei um exemplo que eu às vezes uso que é o seguinte agora está muito na moda aquela história de tentar fazer tentar fazer scientific discovery automatic scientific discovery descoberta científica automatizada não conheço que é tentar tentar pôr um sistema de aprendizagem automática de machine learning a tentar descobrir as equações que reagem determinado fenómeno dá-se montes de pontos do fenómeno e depois ela tenta descobrir qual é a equação que aqueles pontos satisfazem em vez de tentar arranjar um modelo para aquele fenómeno e uma das maneiras que no Estado disse é põe-se lá uma quantidade de modelos possíveis adiás o Deutsch toca um bocadinho nesse exemplo no artigo dá-me um exemplo desse que era tentar arranjar um sistema de machine learning que descobrisse que avançasse com uma explicação para a matéria negra no universo esse é um bom exemplo e então o sistema tinha que ter lá dentro as hipóteses todas conhecidas e a máquina nesse caso podia escolher uma delas ou uma combinação delas mas nesse caso não era criativa
José Maria Pimentel 01:16:57.42por definição tem claro todas as explicações e a maior parte destes sistemas
Mário Figueiredo 01:17:02.82que funcionam isso eu vou dar o exemplo que eu acho engraçado é aquela história de porquê que não há eu sempre faço essa pergunta aos meus alunos lá numa cadeira que eu dou por causa de uma coisa matemática que é porquê que não há insetos gigantes eu gosto muito meus filhos já conhecem esta desde pequeninos porquê que não há insetos gigantes já houve? 01:17:18.96não porquê que eu não posso pegar numa aranha e multiplicá-la por mil fazê-la mil vezes maior o que é que acontecia? 01:17:25.38partia-se aos bocadinhos assim que eu multiplicasse por mil há um livro do Tintinho que é a estrela misteriosa não sei se o lixo então tem que pegar sim mas já não me lembro era um meteorito eu sei que tinha uns cogumelos esse livro e por causa do meteorito que tinha um efeito qualquer que fazia os cogumelos gigantes há uma aranha na ilha onde eles vão que é a ilha onde está a estrela misteriosa a ilha é a própria estrela misteriosa é o meteorito que é no mar há uma aranha gigante com dois metros assim uma coisa qualquer isso era uma coisa é uma coisa fisicamente impossível porquê? 01:17:54.26porque o peso dos objetos cresce com o cubo do tamanho portanto se eu pegasse numa aranha de um milímetro e multiplicasse por mil ela ficava com um metro mas ficava mil vezes mil vezes mil vezes mais pesada no entanto a resistência das patas depende da área da secção do osso e portanto em vez de crescer com o cubo do tamanho cresce só com o quadrado portanto a aranha vamos falar por dez em vez de ser por mil só para dizer mais fácil se eu multiplicar um objeto qualquer por dez o tornar dez vezes maior um bicho qualquer ele fica dez ao cubo mil vezes mais pesado mas os ossos ficam apenas cem vezes mais resistentes e portanto não aguentam é por isso quem descobriu isto foi o Galileu Galilei que observou isto há muitos anos por isso ele não era no caso dos insetos mas ele reparou que os animais quanto maiores eram mais grossas eram as patas por isso é que os elefantes e os hipopótamos têm as patas muito grossas porque os ossos têm que ser profissionalmente maiores porque a resistência é proporcional à área e o peso é proporcional ao volume até pessoas físicas adoram este tipo de raciões que é o scaling loss o Francisco deve ser capaz de ter falado de scaling loss sim, sim, falou exatamente com que escala é que as coisas escalam este é o exemplo mais elementado de todos de scaling loss eu consigo facilmente pôr por exemplo espessura das patas versus tamanho de uma grande quantidade de animais põe tudo num gráfico e peço um algoritmo de planejamento automático para descobrir qual é a relação que há entre os dois e ele vai descobrir qualquer coisa como a espessura das patas cresce com o tamanho do bicho levantado a três meios ou uma coisa qualquer que nem a ideia com estas que é de engoló e eu fico ou nunca vai dar três meios vai dar uma coisa parecida vai dar três um vírgula assim uma coisinha qualquer sim e eu até posso ter posto todos os possíveis expoentes lá uma grande gama de possíveis frações e ele corretamente escolhe não, isto é assim a espessura das patas em função do peso cresce com esta potência pronto mas ele nunca vai ser capaz de dizer ah, isso é porque o peso cresce com o cubo do tamanho e a resistência dos ossos só cresce com o quadrado esta é que é a explicação isto é aquilo que o Deutz chama uma explicação sim que permite que resume numa simples frase todos os números e eu agora posso é uma teoria no fundo é uma teoria a la popper posso dizer ok então se isto é esta coisa tem capacidade posso falsificá-la e vou buscar mais uns animais que não estavam nos meus dados iniciais ok, vou prever então está aqui este bicho que não estava quanto é que ele pesa em média então prevejo que as patas cheguem mais ou menos desta grossura está certo se eu passei em alguns exemplos completamente errados eu tenho que ver o que é que se passa ou a minha teoria está errada ou se calhar aquele animal os ossos dele são feitos numa matéria diferente não existente sim, mudou outra variável mudou outra variável mas se não mudar nenhuma variável portanto a diferença na minha opinião porque não se pode ainda fazer descoberta científica de forma automática ou pelo menos não se pode chamar-lhe descoberta científica é porque falta este passo final de dizer ah, esta relação verifica-se porque este porque é que falta sim, sim, sim converter e converter numa numa explicação numa teoria geral aquilo que eles chamam eu gosto muito da expressão dos ossos é a good explanation eu gosto mesmo até de uma expressão bastante informal good explanation good explanation é uma boa explicação
José Maria Pimentel 01:20:54.38sim, sim é verdade é curioso isso e a grande dúvida
Mário Figueiredo 01:20:57.90o que é que será preciso fazer para que isso aconteça pois, o que é que será preciso fazer para que isso aconteça é isso que ele diz que falta, não é? 01:21:02.66que eu concordo sim, sim, sim falta aqui descobrir qual é o mecanismo que gera este tipo de explicações
José Maria Pimentel 01:21:08.60há uma coisa nem está estritamente relacionado com isto mas era outra coisa que eu queria falar e até uma boa maneira para introduzir que e eu falava que o Gotham também falava sobre isso que é há uma diferença fundamental também no nosso e que pode não ser óbvia quer dizer, sendo óbvia depois de ouvir pode não nos ocorrer de imediato na inteligência humana que é o facto que nós temos um corpo sim, sim e nós estamos feitos para não só nós temos uma rede neuronal espalhada pelo menos por parte do corpo como nós estamos feitos para aprender através da interação do nosso corpo com o ambiente completamente fundamental e mesmo essa abstração mesmo essa abstração não é independente disso já não sei quem é que dava porque não se disseram nesse artigo que vinha alguém falava do exemplo eram duas pessoas até cujas atividades nem estavam relacionadas eram Einstein e já não sei quem era mais que atribuía grande parte da intuição que tinha tido a brincar quando era miúdo com um cubo já não sei exatamente o que era
Mário Figueiredo 01:22:02.68e o facto de ele brincar com o cubo ou o facto de nós brincarmos
José Maria Pimentel 01:22:07.70com os cromos de futebol quando émos miúdos é uma ponte para outro tipo de intuição é um nível abstrato porque a nossa abstração é construída sobre o concreto não é independente do concreto é uma espécie de castelo até no sentido do abstrato e intuitivamente parece-me difícil construir uma inteligência artificial que seja capaz de fazer isso
Mário Figueiredo 01:22:27.30sem ter essa experiência sem ter o embodiment pronto estou perfeitamente de acordo uma disembodied intelligence é uma coisa difícil de imaginar mas isso o Arlin também falaste comigo teria que desimaginar uma coisa uma forma de simular esse embodiment de uma forma qualquer isso é imaginável eu acho que mas tem sido desculpa interromper eu sei que é imaginável mas tem sido feito sim sim sim as pessoas que trabalham robótica têm essa preocupação e têm esse conhecimento o nosso colega lá do técnico José Alberto Santos Vitor é muito defensor desta embodied intelligence que é difícil pensar inteligência sem o embodiment porque a nossa pressão é toda extremamente ativa os nossos olhos mexem quando nós vemos nós mexemos a cabeça para ver as coisas viramos os ouvidos interagimos com os objetos estamos sempre a interagir
José Maria Pimentel 01:23:09.72até muito mais do que acho eu do que nós temos noção
Mário Figueiredo 01:23:12.10mais do que nós temos noção quer dizer
José Maria Pimentel 01:23:13.58o que nós aprendemos a brincar com o cubo nós não temos noção do impacto que aquilo cria
Mário Figueiredo 01:23:18.42ainda ontem a doida outra dia estava a ouvir uma entrevista do Nando Freitas que é um investigador bastante famoso de machine learning que trabalha na DeepMind em Londres que é filho de portugueses madeirenses para ter nascido em África Nando Nando de Freitas ele deve ser Fernando mas adotou o nome Nando não sei porquê os ingleses têm a mania dos diminutivos ele era em Oxford e agora é investidor da DeepMind ele diz que o assunto que lhe interessa neste momento é resolver o problema do motor control como é que os seres humanos controlam o seu movimento porque isso é fundamental para a interação com o mundo e toda a aprendizagem é feita no meio do movimento nós estamos sempre a mover e a perceção está muito diretamente relacionada com o movimento da cabeça e dos olhos e com a nossa interação com os objetos isso é fundamental ele diz que na opinião dele se não percebermos isso não conseguimos perceber a cognição e a perceção humana não é a perceção humana
José Maria Pimentel 01:24:11.02eu também intuitivamente inclino-me muito para isso e quanto mais penso nisso mais me inclino ou seja há um nível básico da pessoa pensar evidentemente que o corpo é necessário mas começando a descascar isso está presente em toda a nossa
Mário Figueiredo 01:24:23.40e há outras coisas também importantes e que são completamente ignoradas quando se pensa que fazem modelos de redes neuronais vagamente inspirados no cérebro humano ou de um cérebro animal é que o cérebro humano além disso além de ser neurónios que dão um expulso e que fazem umas coisas vagamente parecidas com as que fazem as redes neuronais artificiais estão dentro de uma sopa química tem neurotransmissores tem não sei quantos é influenciado por todo o resto do corpo se eu estiver mal disposto porque comi uma coisa que me fez mal ao almoço isto muda-me completamente muda completamente o meu estado de espírito e a minha capacidade cognitiva se eu dormir mal há toda uma série de outras camadas que funcionam em constantes tempos diferentes há uma grande variedade de constantes de tempo as hormonas do coração se eu tiver medo isso muda logo o funcionamento do cérebro todos esses aspectos que são depois mais globais há outro sistema de caráter mais global e menos local que influencia todo o funcionamento do cérebro e que é completamente ignorado pelas pessoas que fazem redes neuronais artificiais isso está completamente
José Maria Pimentel 01:25:28.08exatamente a questão da homeostase do Damasio está relacionada com isso tem muito a ver com isso e em relação à questão do corpo nunca tinha pensado nisto desta forma uma coisa que me causa alguma perplexidade isto pode parecer um bocadinho um contrassenso mas é a pouca quantidade de acidentes que existem na estrada existem muitos obviamente mas é incrível tendo em conta que nós estamos a conduzir cansados cansados com sono muitas vezes a olhar para o telemórdio ouvir um podcast ou o que for há tão poucos acidentes que é incrível e mostra quão embora nós não tenhamos evoluído para conduzir carros mostra quão atuned como é que se diz estão atentos estão sintonizados estão sensíveis e não estamos atentos
Mário Figueiredo 01:26:12.76não estamos é subliminar muitas vezes às vezes a pessoa vai guiar e nem se lembra para onde é que está a ir às vezes assim epa não era para aqui que eu vinha guiou de forma totalmente automática
José Maria Pimentel 01:26:20.78ou seja
Mário Figueiredo 01:26:23.60nem sequer esteve consciente de que esteve a guiar eu outro dia ouvi alguém comentar uma pessoa que é especialista em condução automática e estava-lhe a perguntar quantos distantes estamos dos carros totalmente autónomos e ele diz ainda estamos um bocadinho distantes porque eu não me lembro de quadrar o número mas qualquer coisa como o número de acidentes por hora ou por ano de condução humana então qualquer coisa como a nossa eficácia a eficácia do nosso sistema visual por exemplo para guiar é qualquer coisa como 0.99 são 5 novos portanto é 10 levantada a probabilidade de falhar é baixíssima e os melhores sistemas de visão ainda estão duas ou três ordens de grandeza antes disso ainda estão na ordem do 1% 1% de probabilidade de erro versus 0,0000001 que é do sistema visual humano de reconhecer um peão ou outro carro uma coisa qualquer é claro que nós falhamos por outras razões porque distraímos depois a máquina autónoma não se distrai mas os sistemas de perceção que percecionam o que está em torno do carro com base no sistema de visão ou nos lidares ou no que for do carro ainda está um bocadinho longe do desempenho da percepção humana
José Maria Pimentel 01:27:26.04curioso sim isso tem muita piada olha para empacotar a conversa e passarmos para o livro queria-te só fazer uma última pergunta em relação a isto que acho que é também a maneira certa de terminar esta discussão sobre inteligência artificial exatamente em relação à posição do do Deutz porque a posição dele é em certo sentido uma posição de meio caminho é uma posição de não é de dizer não é por aí que nós vamos construir inteligência artificial a nível geral porque há algo fundamental que nós não vamos resolver desta forma para retomar o exemplo não é construir um arranha-céus cada vez mais alto que vamos fazer voar mas por outro lado ele diz é possível de facto fazê-lo voar ou seja ele não embarca em argumentos em argumentos excepcionalistas
Mário Figueiredo 01:28:08.30não é um arranha-céus como? 01:28:09.66não é um arranha-céus é outro tipo de construção mas o que eu quero dizer ele diz é possível voar o arranha-céus voar não é algo que esteja para o lado de nós não é um arranha-céus não é um arranha-céus é outra estrutura é outra estrutura mas não é algo que seja inatingido não há uma
José Maria Pimentel 01:28:22.64e uma coisa aquele aludo que eu achei muito interessante é a questão da aquilo que ele chama ele ali aquilo vem do Turing sabe o erro da universalidade da computação que no fundo é uma coisa muito mais
Mário Figueiredo 01:28:32.66é fundamental para ele isso é fundamental na teoria dele
José Maria Pimentel 01:28:34.88eu tinha algum interesse saber a tua opinião em relação a isso até porque isso tem outras implicações isso tem implicações por exemplo em relação ao nosso conhecimento do universo no fundo o que ele diz é muitas vezes é feito o argumento até pela nossa evolução e pelas limitações do nosso cérebro que pode haver coisas que estejam simplesmente para lá da nossa capacidade de imaginar ele acha que não
Mário Figueiredo 01:28:52.70ele acha que não ele acha que não porque tudo que possa existir noutros planetas outros seres
José Maria Pimentel 01:28:57.30outras civilizações o que for tem que no fundo derivar na mesma das regras
Mário Figueiredo 01:29:01.74dos princípios básicos da computação sim e da física e da física sim sim aliás daí o título do livro que é o Beginning of Infinity diz que nós damos um salto para um tipo de conhecimento que é unbound que é ilimitado porque nós conseguimos construir em cima de abstração em cima de abstração em cima de abstração e aprendemos capacidade não uma pessoa sozinha mas a sociedade humana ter capacidade para conhecer fenómenos arbitrariamente complicados porque consegue esta combinatória é como nós dada uma linguagem com 24 letras nós conseguimos construir frases tão grandes quanto quisermos livros tão grandes quanto quisermos bibliotecas portanto é infinito há uma combinatória claro que nenhuma pessoa sozinha fará isso mas esta coisa a ciência consegue construir camadas em cima de camadas e portanto não há limite e é geral e o ponto dele é que é geral no sentido que é universal é geral num sentido bastante técnico que ele demonstrou aliás ele apresenta-se logo com o cartão de visita de dizer eu é que demonstrei a computabilidade da física com base na teoria da computação quântica sim exato sim e é verdade portanto essa é a grande coisa dela sim é isso e os multiversos sim exatamente aliás eu acho isso aí não se sente de multiversos
José Maria Pimentel 01:30:13.28muito menos ainda mas a primeira vez que eu apanhei até foi por causa disso da questão do
Mário Figueiredo 01:30:18.02que é mais no outro livro dele no Fabric of Reality sim que aliás
José Maria Pimentel 01:30:22.10era um tema giro excelente sim já é uma excelente maneira de acabar passo-te a palavra
Mário Figueiredo 01:30:27.36para recomendares o livro na verdade não sei qual é sim não o livro obviamente já mais ou menos chegou a olhar com um dos livros que eu recomendo bem se calhar posso recomendar dois livros podes recomendar os que quiseres na verdade sim um de eu vou recomendar vou repetir aqui vou recomendar alguns livros que recomendei naquela naquilo que disse há pouco que me pediram para o site do técnico recomendar leituras de férias mas um deles é obviamente o David Deutsch que já é mais ou menos óbvio o livro de David Deutsch eu suponho que não há em português este que se chama em inglês The Beginning of Infinity que é um livro que até parece um pouco estranho de recomendar para férias mas é para pessoas que gostem de leituras densas e profundas é bom ler em férias porque dá mais tempo disponível para ler este tipo de coisas e acho para quem se interessa por este tipo de assuntos da relação entre a filosofia e... 01:31:13.76Olha, existe em português
José Maria Pimentel 01:31:14.56existe? 01:31:15.16como é que se chama? 01:31:15.64Existe na Gradiva O Início do Infinito O Início do Infinito
Mário Figueiredo 01:31:17.68Fantástico Então O Início do Infinito em português da Gradiva do David Deutsch que é um físico de Oxford é um livro que eu recomendo e que já veio à baila na conversa para não valer a pena falar muito mais nele Outra recomendação que eu fiz na leitura de férias é uma qualquer boa coletânea de contos russos dos autores clássicos porque eu acho que não há leitura melhor para férias porque acho que é uma leitura fantástica não tem nada a ver com nada do que nós estivemos a falar mas eu sempre que alguém me pergunta recomenda-me lá um livro interessante para ler eu digo assim já leste contos do Tchekov e do Tolstói e do Gogol não, então compra um livro de contos russos um bom livro uma boa coletânea de contos russos vais certamente gostar muito porque são muito bem escritos do ponto de vista literário são excelentes e no entanto abordam problemas da condição humana de uma forma extremamente interessante são livros é um manancial infinito de prazer literário boa, boa não, esse é bom temos um não ficção e um de ficção não ficção e não ficção boa olha, obrigado por ter vindo nada, foi um prazer enorme
José Maria Pimentel 01:32:16.86gostaram deste episódio? 01:32:22.78se encontram valor no 45 graus existem várias formas de contribuir para a continuidade deste projeto podem avaliá-lo na aplicação que utilizam seja ela o iTunes Spotify Stitcher ou outra e podem também partilhá-lo com amigos e comentá-lo nas vossas páginas ou redes sociais se acharem mesmo que merece e puderem fazê-lo podem ainda tornar-se mecenas deste podcast através do Patreon ou do Paypal com esse apoio estão a contribuir para a viabilidade deste projeto que passa a ser também um bocadinho vos para além disso obtêm em troca vários benefícios como por exemplo o acesso ao backstage do podcast e também a possibilidade de sugerir perguntas aos convidados no fim do dia já se sabe são os ouvintes que tornam possível um projeto destes ouvintes como Gustavo Pimenta João Vítor Baltazar Salvador Cunha Ana Mateus Nelson Teodoro Paulo Ferreira Duarte Dória João Castanheira Tiago Leite Gonçalo Martins entre outros mecenas a quem agradeço e cujos nomes podem encontrar na descrição deste episódio até à próxima Legenda por Sônia Ruberti