Page 284 - Demo

Rev. Trib. Reg. Trab. 3ª Reg., Belo Horizonte, v. 70, n. 110, p. 259-303, jul./dez. 2024284Essa abordagem substitui, em grande parte, a lógica da IA simbólica35, dominante nas décadas de 1960 a 1990, que operava por meio de regras explícitas, sistemas especialistas e ontologias formais36, exigindo a antecipação de todos os caminhos possíveis de raciocínio lógico37.Enquanto a IA simbólica era rígida, explicável e limitada àquilo que foi programado, a IA conexionista é adaptativa, baseada em padrões e correlações probabilísticas - mas muitas vezes intransparente em sua lógica interna, funcionando como uma “caixa-preta” (black box).Um dos marcos reconhecidos da supremacia técnica do modelo conexionista foi a vitória do sistema AlphaGo, desenvolvido pela DeepMind, sobre o campeão mundial do jogo de Go em 2016, superando definitivamente a abordagem simbólica em tarefas complexas e de alta indeterminação38.in the microstructure of cognition. Cambridge, MA: MIT Press, 1986. Esta obra de dois volumes foi fundamental para o ressurgimento do conexionismo nos anos 1980. Os autores propõem o “Processamento Distribuído Paralelo” (PDP) como um modelo para a cognição, argumentando que os processos mentais emergem de interações entre um grande número de unidades de processamento simples e interconectadas (redes neurais). O livro foi crucial ao popularizar o algoritmo de retropropagação (*backpropagation*), que permitiu o treinamento de redes com múltiplas camadas, superando as limitações apontadas por Minsky e Papert e pavimentando o caminho para as redes neurais profundas. 35 NEWELL, Allen; SIMON, Herbert A. Human problem solving. Englewood Cliffs, NJ: Prentice-Hall, 1972. 36 MINSKY, Marvin; PAPERT, Seymour. Perceptrons: an introduction to computational geometry. Cambridge, MA: MIT Press, 1969. Este livro apresentou uma análise matemática rigorosa que demonstrou as limitações severas dos Perceptrons, um tipo de rede neural de camada única. Ao provar que esses modelos eram incapazes de resolver problemas não linearmente separáveis, como a função lógica XOR, a obra gerou um grande pessimismo na comunidade de IA sobre a viabilidade das redes neurais, contribuindo para um período de baixo investimento na área, conhecido como “inverno da IA”, e fortalecendo a abordagem da IA simbólica. 37 LAKATOS, Imre. Proofs and refutations: the logic of mathematical discovery. Cambridge: Cambridge University Press, 1976. Nesta obra central da filosofia da matemática, Lakatos desafia a visão formalista de que a matemática se desenvolve de maneira linear. Através de um diálogo socrático, ele argumenta que o conhecimento matemático avança por um processo dialético de conjecturas, provas e, crucialmente, refutações (contraexemplos). A matemática é apresentada como uma ciência quasi-empírica, onde os conceitos e as provas evoluem continuamente através da crítica e do refinamento, em vez de serem verdades absolutas e estáticas. 38 SILVER, David et al. Mastering the game of Go with deep neural networks and tree search. Nature, v. 529, p. 484-489, 2016. Este artigo detalha a arquitetura do AlphaGo, o sistema de IA que derrotou um jogador profissional de Go pela primeira vez. O sucesso