A inteligência artificial é a nova alquimia? Ou seja, os algoritmos poderosos que controlam tanto de nossas vidas – de pesquisas na Internet a feeds de mídia social – são o equivalente moderno de transformar chumbo em ouro? Além disso: isso seria uma coisa tão ruim?
De acordo com o proeminente pesquisador de IA Ali Rahimi e outros, as redes neurais da moda e as técnicas de Deep Learning de hoje são baseadas em uma coleção de truques, coroados com uma boa pitada de otimismo, ao invés de análise sistemática. Engenheiros modernos, segundo o pensamento, montam seus códigos com o mesmo pensamento positivo e mal-entendido que os antigos alquimistas tinham quando misturavam suas poções mágicas.
É verdade que temos pouca compreensão fundamental do funcionamento interno dos algoritmos de autoaprendizagem ou dos limites de suas aplicações. Essas novas formas de IA são muito diferentes dos códigos de computador tradicionais, que podem ser entendidos linha por linha. Em vez disso, eles operam dentro de uma caixa preta, aparentemente desconhecida para os humanos e até mesmo para as próprias máquinas.
Essa discussão dentro da comunidade de IA tem consequências para todas as ciências. Com o Deep Learning afetando tantos ramos da pesquisa atual – da descoberta de drogas ao design de materiais inteligentes e à análise de colisões de partículas – a própria ciência pode correr o risco de ser engolida por uma caixa preta conceitual. Seria difícil ter um programa de computador ministrando aulas de química ou física. Ao entregar tanto para as máquinas, estamos descartando o método científico que se provou tão bem-sucedido e voltando às práticas sombrias da alquimia?
Não tão rápido, diz Yann LeCun, co-recebedor do Prêmio Turing de 2018 por seu trabalho pioneiro em redes neurais. Ele argumenta que o estado atual da pesquisa em IA não é nada novo na história da ciência. É apenas uma fase adolescente necessária que muitos campos experimentaram, caracterizada por tentativa e erro, confusão, excesso de confiança e falta de compreensão geral. Não temos nada a temer e muito a ganhar adotando essa abordagem. É simplesmente que estamos mais familiarizados com seu oposto.
Afinal, é fácil imaginar o conhecimento fluindo rio abaixo, da fonte de uma ideia abstrata, através das voltas e reviravoltas da experimentação, até um amplo delta de aplicações práticas. Essa é a famosa “utilidade do conhecimento inútil”, avançada por Abraham Flexner em seu ensaio seminal de 1939 (em si uma brincadeira com o conceito muito americano de “conhecimento útil” que surgiu durante o Iluminismo).
Uma ilustração canônica desse fluxo é a teoria geral da relatividade de Albert Einstein. Tudo começou com a ideia fundamental de que as leis da física deveriam valer para todos os observadores, independentemente de seus movimentos. Ele então traduziu esse conceito para a linguagem matemática do espaço-tempo curvo e o aplicou à força da gravidade e à evolução do cosmos. Sem a teoria de Einstein, o GPS em nossos smartphones se desviaria do curso cerca de 11 quilômetros por dia.
Mas talvez esse paradigma da utilidade do conhecimento inútil seja o que o físico dinamarquês Niels Bohr gostava de chamar de “grande verdade” – uma verdade cujo oposto também é uma grande verdade. Talvez, como a IA está demonstrando, o conhecimento também possa fluir morro acima.
Na ampla história da ciência, como LeCun sugeriu, podemos identificar muitos exemplos desse efeito, que talvez possam ser apelidados de “a inutilidade do conhecimento útil”. Uma ideia abrangente e fundamentalmente importante pode emergir de uma longa série de melhorias passo a passo e experimentação lúdica – digamos, de Fröbel a Nobel.
Talvez a melhor ilustração seja a descoberta das leis da termodinâmica, a pedra angular de todos os ramos da ciência. Essas elegantes equações, que descrevem a conservação da energia e o aumento da entropia, são leis da natureza, obedecidas por todos os fenômenos físicos. Mas esses conceitos universais só se tornaram aparentes após um longo e confuso período de experimentação, começando com a construção das primeiras locomotivas a vapor no século 18 e o aprimoramento gradual de seu design. Fora da densa névoa de considerações práticas, as leis matemáticas emergiram lentamente.
Para outro exemplo, podemos nos voltar para a história da hidrodinâmica. Um problema imediato se apresentou aos primeiros humanos – o transporte por vários cursos d’água – e eles fizeram o que puderam para superá-lo, sem se preocupar ou mesmo se importar com um entendimento fundamental da dinâmica dos fluidos. Ao longo dos milênios que se seguiram, as pessoas construíram e navegaram navios, projetando formas cada vez mais eficientes com base apenas em conhecimento e experiência empíricos.
Somente no século 19 é que topamos com as famosas equações de Navier-Stokes que descrevem, com precisão matemática, o movimento dos fluidos. Mesmo assim, o conhecimento continuou fluindo morro acima, à medida que o advento dos motores mecânicos e velocidades mais altas impôs a necessidade de considerações teóricas. Agora, as propriedades dessas equações intrincadas formam um dos problemas não resolvidos do Prêmio do Milênio de um milhão de dólares, colocando-as na fronteira da matemática fundamental.
Pode-se até argumentar que a própria ciência seguiu esse caminho difícil. Até o nascimento dos métodos e práticas da pesquisa moderna no século 17, a pesquisa científica consistia principalmente em experimentação e teorização não sistemáticas. Considerados becos sem saída acadêmicos, essas práticas antigas foram reavaliadas nos últimos anos: a alquimia é agora considerada um precursor útil e talvez até necessário para a química moderna – mais protociência do que trapaça.
A apreciação de mexer como um caminho frutífero para grandes teorias e percepções é particularmente relevante para a pesquisa atual que combina engenharia avançada e ciência básica de novas maneiras. Impulsionados por tecnologias inovadoras, os nanofísicos estão trabalhando, construindo os equivalentes modernos das máquinas a vapor no nível molecular, manipulando átomos, elétrons e fótons individuais. Ferramentas de edição genética como o CRISPR nos permitem recortar e colar o próprio código da vida. Com estruturas de complexidade inimaginável, estamos empurrando a natureza para novos cantos da realidade. Com tantas oportunidades de explorar novas configurações de matéria e informação, poderíamos entrar na era de ouro da alquimia moderna, no melhor sentido da palavra.
No entanto, nunca devemos esquecer as lições de advertência duramente conquistadas pela história. A alquimia não era apenas uma protociência, mas também uma “hiper-ciência” que prometia demais e entregava de forma insuficiente. As previsões astrológicas foram levadas tão a sério que a vida teve que se adaptar à teoria, em vez do contrário. Infelizmente, a sociedade moderna não está livre de tal pensamento mágico, colocando muita confiança em algoritmos onipotentes, sem questionar criticamente sua base lógica ou ética.
A ciência sempre seguiu um ritmo natural de fases alternadas de expansão e concentração. Tempos de exploração não estruturada foram seguidos por períodos de consolidação, fundamentando novos conhecimentos em conceitos fundamentais. Só podemos esperar que o período atual de ajustes criativos em inteligência artificial, dispositivos quânticos e edição genética, com sua cornucópia de aplicações úteis, acabe por levar a uma compreensão mais profunda do mundo.
Publicado em 21/10/2021 09h20
Artigo original: