“Um trabalho tem sentido para uma pessoa quando ela o acha importante, útil e legítimo”. Edgar Morin (1921-2026)
A inteligência artificial tem como representação social um conjunto de sistemas computacionais capazes de
executar tarefas tipicamente associadas à inteligência, como aprendizado,
raciocínio, resolução de problemas, percepção e tomada de decisões. A
inteligência artificial é também o campo de pesquisa voltado para o
desenvolvimento desses sistemas. É um campo da ciência da computação que
se baseia em fundamentos matemáticos: estatística, álgebra linear,
probabilidade e conceitos da ciência cognitiva. Ela tem como escopo resolver
problemas de alta complexidade lógica ou algorítmica. Por extensão, na
linguagem comum, inclui dispositivos que imitam, simulam ou substituem humanos
em certas implementações de suas funções cognitivas. As aplicações de inteligência
artificial abrangem muitas áreas, incluindo motores de busca, sistemas de
recomendação, assistência ao diagnóstico médico, compreensão de linguagem
natural, carros autônomos, chatbots, ferramentas de geração de imagens,
ferramentas de tomada de decisão automatizada, programas competitivos em jogos
de estratégia e alguns personagens não jogáveis em jogos de vídeo. O campo de
pesquisa, estabelecido em 1956, vivenciou períodos de otimismo e decepção ao
longo do século XX. A partir de 2012, o uso de unidades de processamento
gráfico (GPUs) acelerou per se as redes neurais artificiais,
promovendo a adoção do aprendizado de máquina em detrimento de abordagens
baseadas em regras explicitamente programadas.
Essa tendência se intensificou em 2017 com o surgimento da arquitetura Transformer e de grandes modelos de linguagem, que são treinados com grandes quantidades de texto da rede mundial de computadores (internet). Em 2022, a IA generativa ganhou ampla popularidade com o lançamento do ChatGPT. Modelos para geração de música, imagens e vídeos também surgiram. A IA levanta preocupações relativas ao emprego, à desinformação, ao seu impacto ambiental e à proteção de dados pessoais. Alguns acreditam que os avanços na inteligência artificial podem representar um risco existencial. O termo “inteligência artificial”, frequentemente abreviado como “IA”, foi introduzido em 1956 por John McCarthy (1927-2011), que o definiu em 2004 como “a ciência e a engenharia de fazer máquinas inteligentes, especialmente programas de computador inteligentes. Está relacionada à tarefa semelhante de usar computadores para entender a inteligência humana, mas a IA não deve ser restrita a métodos que são biologicamente observáveis”. Para Marvin Lee Minsky (1927-2016), um de seus criadores, a IA é “a construção de programas de computador que executam tarefas que, por ora, são realizadas de forma mais satisfatória por seres humanos porque exigem processos mentais de alto nível, como aprendizagem perceptual, organização da memória e raciocínio crítico”. Essa definição técnico-metodológica combina proporcionalmente tanto o aspecto artificial dos computadores e processos computacionais com os aspectos inteligentes da imitação humana, particularmente o raciocínio e a aprendizagem.
Isso está presente em jogos, na prática da matemática, na compreensão da linguagem natural, na percepção visual (interpretação de imagens e cenas), na percepção auditiva (compreensão da linguagem falada) ou por meio de outros sensores, e no controle de um robô em um ambiente desconhecido ou hostil. Antes dos anos 2000, outras definições eram próximas da de Minsky, mas diferiam em dois pontos fundamentais: Definições que vinculam a IA a um aspecto humano da inteligência e aquelas que a vinculam a um modelo ideal de inteligência, não necessariamente humano, chamado racionalidade; Existem definições que insistem que a IA deve ter todas as aparências de inteligência (humana ou racional), e outras que insistem que o funcionamento interno do sistema de IA também deve se assemelhar ao de um ser humano e ser, no mínimo, tão racional quanto ele. Bolhas aninhadas para posicionar os conceitos de IA, aprendizado de máquina e aprendizado profundo. Diagrama de Venn mostrando como os conceitos de inteligência artificial, aprendizado de máquina e aprendizado profundo estão interligados. Os diagramas adotam o nome do criador John Venn (1834-1923), matemático e filósofo britânico do século XIX. Foi estudante e professor no Caius College da Universidade de Cambridge, onde viria a desenvolver toda sua obra teórica. Venn introduziu os diagramas em um trabalho de lógica formal publicado em julho de 1880, intitulado: “Da Representação Mecânica e Diagramática de Proposições e Raciocínios” in Philosophical Magazine and Journal of Science.
Embora a primeira forma
de representação geométrica de silogismos seja frequentemente atribuída a Gottfried
Wilhelm Leibniz (1646-1716), e tenha sido retomada já durante o século XIX
pelos matemáticos George Boole (1815-1864) e Augustus De Morgan (1806-1871), o método
de Venn superava os sistemas anteriores em termos de clareza e simplicidade, ao
ponto de ser aceite como método padrão ao fim de algum tempo. Venn foi o
primeiro a formalizar o seu uso e a dotá-lo de um mecanismo de generalização. O
próprio Venn não se referia aos diagramas como sendo da sua autoria, mas sim
como círculos Eulerianos, fazendo referência aos diagramas criados por Leonhard
Euler no século XVIII. No parágrafo introdutório do seu artigo, Venn afirma: Esquemas
de representação diagramática tem sido tão familiarmente introduzido nos Tratados
de Lógica durante o último século que se pode supor que muitos leitores, mesmo
aqueles que não fizeram qualquer estudo profissional de lógica, possam ter
familiaridade com a noção geral de tais objetos. Dentre tais esquemas, apenas
um - aquele comummente chamado “Círculos Eulerianos”, encontrou aceitação
geral... (tradução livre). Mais tarde, Venn desenvolveu o método no livro Lógica
Simbólica, publicado em 1881 com o objetivo de interpretar e corrigir os
trabalhos de Boole no campo da lógica formal.
Em 1889, publicou uma nova expansão de seu trabalho, com o livro Princípios da Lógica Empírica. A primeira referência escrita conhecida do termo Diagrama de Venn surge apenas em 1918, no livro de Clarence Irving Lewis, A Survey of Symbolic Logic. No século XX, os diagramas de conjuntos passaram por novos desenvolvimentos. D. W. Henderson (1939-2018) demonstrou em 1963 que a existência de um diagrama de Venn para N conjuntos com N eixos de simetria implica que N deve ser um número primo. Também demonstrou que tais diagramas simétricos existem quando N é 5 ou 7. Em 2002, Peter Hamburger encontrou diagramas simétricos para N = 11 e, em 2003, Griggs, Killian e Savage (2004) demonstraram que diagramas simétricos existem para todos os outros primos. A partir da década de 1960, os diagramas de Venn foram introduzidos no ensino escolar de matemática, na aprendizagem da teoria dos conjuntos e de funções, como parte do movimento da Matemática Moderna. Desde então, sua utilidade de uso foi amplamente difundida, em áreas tão distintas como a compreensão de textos. O Movimento da Matemática Moderna foi um movimento internacional do ensino de matemática que surgiu na década de 1960 e se baseava na formalidade e no rigor dos fundamentos da teoria dos conjuntos e da álgebra para o ensino e a aprendizagem de matemática.
A introdução da matemática moderna é objeto de críticas e
controvérsias. Morris Kline foi um dos críticos que ajudou a dicionarizar o
termo “Matemática Moderna” ao publicar em 1973, o livro Why Johnny can’t
add: The failure of the new math, no qual apresenta a origem, o porquê e as
deformações do movimento de reforma do currículo tradicional no ensino de
matemática nos Estados Unidos, que depois teve repercussão em todo o mundo. O
Movimento da Matemática Moderna foi um movimento que teve grande força após a
Segunda Guerra Mundial. A partir da década de 1960 houve maior preocupação nas
áreas relacionadas com a educação, a Matemática foi uma delas e pode tratar de
temas que moldam área atual, realizou-se unificações de disciplinas e foi
elencado temas pelos quais seriam debatidos e a partir de então ocorrem
reuniões frequentes para que o tema seja debatido e postos a análise. Segundo
Lima (2011), o ensino da matemática é embasado em três pilares: conceituação,
manipulação e aplicações. A conceituação é constituída por definições,
demonstrações e correlações (conexões). A manipulação compreende o manuseio de
fórmulas algébricas, de operações aritméticas, de soluções de equações por meio
de algoritmos. A manipulação tem um papel preponderante no ensino da
matemática.
Na década de 1960,
surgiu o movimento denominado Matemática Moderna que enfatizava a conceituação,
em detrimento da manipulação. O aluno aprendia que 3 + 5 = 5 + 3, pela
propriedade comutativa da adição, mas não sabia que é 8. O movimento acabou
caindo no descrédito, porque 3 + 5 = 5 + 3, não resolve o problema. As
aplicações consistem na utilização de noções e teorias da matemática na
resolução de problemas para obter resultados, tirar conclusões e fazer
previsões. Para Ávila (1993), a matemática moderna foi uma reforma profunda no
ensino da matemática. Enfatizava acentuadamente a linguagem de conjuntos e
abordava as diferentes partes da matemática de modo excessivamente formal.
Inicialmente, contou com muitos adeptos, mas com a constatação de sua
ineficiência, foi aumentando o número de opositores. Em muitos países, a
matemática moderna foi sendo deixada de lado, com o aparecimento de novas
mudanças. No Brasil, esse processo foi mais demorado, deixando resquícios que
se perpetuam. O conteúdo era carregado de simbolismo e linguagem de conjunto, o
que dificulta a aprendizagem. Em vez de dizer que as raízes da equação x² + 2x
– 3 = 0 são 1 e -3, se dizia que o conjunto verdade da sentença x² + 2x – 3 = 0
é V = -3,1. A matemática depende de linguagem e simbolismo próprios. Como essas
ferramentas são o que torna a matemática tão difícil, mas são inevitáveis,
devem ser utilizadas com o necessário cuidado. O público em geral
frequentemente confunde, não por acaso, inteligência artificial com aprendizado
de máquina e aprendizado profundo.
Esses três conceitos diferem e estão, na verdade, interligados: a inteligência artificial engloba o aprendizado de máquina, que por sua vez engloba o aprendizado profundo. As definições frequentemente envolvem: uma capacidade de perceber o ambiente e levar em consideração a complexidade do mundo real; processamento de informações (coleta e interpretação de entradas, capturadas na forma de dados); tomada de decisões (incluindo raciocínio e aprendizagem), escolha de ações, execução de tarefas (incluindo adaptação, reação a mudanças no contexto…), com certo nível de autonomia; a obtenção de objetivos específicos (a razão fundamental dos sistemas de IA). O grupo AI Watch observa que a IA também pode ser classificada de acordo com as famílias de algoritmos e/ou os modelos teóricos que os fundamentam, as capacidades cognitivas reproduzidas pela IA e as funções desempenhadas pela IA. As aplicações de IA podem, por sua vez, ser classificadas de acordo com o setor socioeconômico e/ou as funções que desempenham dentro dele. Uma forma de definir inteligência artificial é considerar suas aplicações e os tipos de tarefas que ela resolve. Um relatório da Comissão Europeia de 2020 apresenta uma taxonomia que classifica as definições de IA de acordo com várias tarefas realizadas, como raciocínio, aprendizado, percepção, etc.
Nesse mesmo ano, Jack Copeland, um professor universitário que estudou o trabalho de Alan Turing (1912-1954) e escreveu sobre inteligência artificial, propôs uma definição semelhante, que distingue mais claramente as facetas da inteligência artificial, de acordo com cinco categorias principais: Aprendizagem generalizada: ela aprende com dados diversos para identificar padrões e aplicar esse conhecimento a novas situações, como a detecção de fraudes online; O raciocínio: essa capacidade permite que a ela faça previsões e tire conclusões a partir de dados, auxiliando em decisões como prever o comportamento de compra; Resolução de problemas: ela encontra soluções ótimas para problemas específicos, sendo utilizada em contextos como otimização industrial ou estratégias de jogos; Percepção: permite que ela reconheça e interaja com o ambiente, sendo utilizada em robótica avançada e veículos autônomos para navegar e executar tarefas; compreensão da linguagem: a inteligência artificial analisa e gera linguagem por meio de processamento de linguagem natural, sendo utilizada em aplicações como assistentes de voz e chatbots para a interação do usuário. A aprendizagem de máquina envolve permitir que o modelo de IA aprenda a executar uma tarefa em vez de especificar exatamente como ele deve executá-la. O modelo contém parâmetros cujos valores são ajustados ao longo do processo de aprendizagem. O método de retropropagação pode detectar, para cada parâmetro, a extensão em que ele contribuiu para uma resposta correta ou incorreta do modelo e pode ajustá-lo de acordo.
A aprendizagem de máquina requer uma maneira de avaliar a qualidade das respostas fornecidas pelo modelo. Os principais métodos de aprendizagem são: Na aprendizagem supervisionada, as respostas são conhecidas, enquanto na aprendizagem não supervisionada, o algoritmo descobre estruturas nos dados por si só. Um conjunto de dados anotado é usado para treinar o algoritmo. Ele contém dados de entrada fornecidos ao modelo e as respostas esperadas correspondentes que o modelo é treinado para produzir. Às vezes é difícil obter dados anotados suficientes com as respostas esperadas. Um conjunto de dados é fornecido ao modelo, mas não é anotado com as respostas esperadas. O objetivo pode ser, por exemplo, agrupar dados semelhantes (clustering). Um problema de aprendizagem supervisionada é gerado automaticamente a partir de um conjunto de dados não anotado. Isso geralmente funciona ocultando algumas das informações (palavras de um texto, partes de imagens, etc.) para treinar o modelo a prevê-las. O agente está imerso em um ambiente onde suas ações são avaliadas. Por exemplo, um agente pode aprender a jogar xadrez jogando contra si mesmo, e o resultado (vitória ou derrota) permite que cada iteração avalie se ele jogou corretamente. Nesse caso, não há necessidade de um conjunto de dados. As redes neurais artificiais são inspiradas no funcionamento do cérebro humano: os neurônios geralmente estão conectados a outros neurônios tanto na entrada quanto na saída. Quando ativados, os neurônios de entrada agem como se estivessem participando de uma votação ponderada para determinar se um neurônio intermediário deve ser ativado e, assim, transmitir um sinal para os neurônios de saída.
Na prática, para o equivalente artificial, os “neurônios de entrada” são simplesmente números, e os pesos dessa “votação ponderada” são parâmetros ajustados durante o treinamento. Além da função de ativação, as redes neurais artificiais na prática realizam apenas adições e multiplicações de matrizes, o que significa que podem ser aceleradas pelo uso de processadores gráficos. Em teoria, uma rede neural pode aproximar qualquer função. Em redes neurais feedforward simples, o sinal viaja em apenas uma direção. Com redes neurais recorrentes, o sinal de saída de cada neurônio é realimentado na entrada desse neurônio, permitindo a implementação de um mecanismo de memória de curto prazo. Redes neurais convolucionais, que são particularmente usadas no processamento de imagens, introduzem uma noção de localidade. Suas primeiras camadas identificam padrões relativamente básicos e locais, como contornos, enquanto as camadas posteriores processam padrões mais complexos e globais. A aprendizagem profunda utiliza múltiplas camadas de neurônios entre entradas e saídas, daí o termo “profunda”. O uso de unidades de processamento gráfico (GPUs) para acelerar os cálculos e o aumento na disponibilidade de dados contribuíram para o aumento da popularidade da aprendizagem profunda. Ela é usada particularmente em visão computacional, reconhecimento automático de fala e processamento de linguagem natural que inclui grandes modelos de linguagem. Os grandes modelos de linguagem são modelos de linguagem com bilhões de parâmetros. Eles frequentemente dependem da arquitetura transformer. Os Transformers Generativos Pré-treinados (GPTs) são conceitualmente um tipo particularmente popular de modelo de linguagem de grande escala.
Seu “pré-treinamento”
consiste em prever, dada uma porção de um texto, o próximo token (um token
sendo uma sequência de caracteres, tipicamente uma palavra, parte de uma
palavra ou pontuação). Esse treinamento em prever o que virá a seguir, repetido
para um grande número de textos, permite que esses modelos acumulem
conhecimento sobre o mundo. Eles podem então gerar texto semelhante ao usado
para o pré-treinamento, prevendo os tokens subsequentes um a um.
Geralmente, outra fase de treinamento é então realizada para tornar o modelo
mais verídico, útil e inofensivo. Essa fase de treinamento frequentemente
usando uma técnica chamada “reinforcement learning from human feedback” (RLHF)
ajuda a reduzir um fenômeno chamado “alucinação”, onde o modelo gera
informações aparentemente plausíveis, mas falsas. Antes de ser inserido no
modelo, o texto é dividido em tokens. Estes são convertidos em vetores que
codificam seu significado e posição dentro do texto. Dentro desses modelos há
uma alternância de redes neurais e camadas de atenção. As camadas de atenção
combinam conceitos, permitindo que o contexto seja levado em consideração e que
relações complexas sejam compreendidas. Esses modelos são frequentemente
integrados em agentes conversacionais, também chamados de chatbots, que
representam um software que tem a capacidade de interagir com os
usuários e simular uma conversação humana onde o texto gerado é formatado para
responder ao usuário.
Por exemplo, o agente conversacional ChatGPT usa os modelos GPT-3.5 e GPT-4. Em 2023, surgiram modelos de consumo que podiam processar simultaneamente diferentes tipos de dados, como texto, som, imagens e vídeos, como o Google Gemini. Ilustração do método do gradiente descendente para três pontos de partida diferentes, variando dois parâmetros de forma a minimizar a função de custo representada pela altura. A busca local, ou busca de otimização, baseia-se na otimização matemática para encontrar uma solução numérica para um problema, melhorando progressivamente a solução escolhida. Em particular, em aprendizado de máquina, o método do gradiente descendente permite encontrar uma solução localmente ótima, dada uma função de custo a ser minimizada, variando os parâmetros do modelo. A cada passo, envolve a modificação dos parâmetros a serem otimizados na direção que melhor reduz a função de custo. A solução resultante é localmente ótima, mas podem existir soluções globalmente melhores que poderiam ter sido obtidas com diferentes valores iniciais dos parâmetros. Os modelos modernos de IA podem ter bilhões de parâmetros para otimizar e frequentemente utilizam variantes mais complexas e eficientes do método do gradiente descendente. Os algoritmos evolutivos, inspirados na teoria evolutiva, utilizam uma forma de busca de otimização. Em cada etapa, sucessivamente operações como “mutação” ou “cruzamento” são realizadas aleatoriamente para obter variantes diferentes, e as variantes mais adequadas são selecionadas para a próxima etapa.
A busca no espaço de estados visa encontrar um estado que satisfaça o objetivo percorrendo uma árvore de estados possíveis. Por exemplo, a busca adversarial é usada para programas que jogam jogos como xadrez ou Go. Ela consiste em percorrer a árvore de movimentos possíveis do jogador e de seu oponente, procurando por um movimento vencedor. A busca exaustiva simples raramente é suficiente na prática, dado o número de estados possíveis. Heurísticas são usadas para priorizar os caminhos mais promissores. A IA quântica é um campo de pesquisa interdisciplinar que visa explorar as propriedades únicas da física quântica (incluindo superposição quântica e emaranhamento quântico) para resolver problemas complexos inacessíveis à IA clássica, usando computadores quânticos que executam novos tipos de algoritmos. Alguns especialistas acreditam que a computação quântica pode, a longo prazo, melhorar o desempenho dos sistemas de aprendizado de máquina. Para sistemas de inteligência artificial usados principalmente para criar a impressão de inteligência em um ambiente controlado, especialmente para personagens não jogáveis em videogames, o aprendizado de máquina geralmente não é empregado. Em vez disso, implementa-se um conjunto de funções e comportamentos mais precisos e menos flexíveis. Geralmente são listas de textos ou palavras predefinidas, às vezes com gatilhos condicionais, por exemplo, uma escolha de movimentos seguindo uma série de regras e movimentos de busca de caminho. A lógica formal é usada para raciocínio e representação de conhecimento. Ela se apresenta em duas formas: lógica proposicional e lógica predicativa. A lógica proposicional opera sobre afirmações que são verdadeiras ou falsas e usa lógica conectiva com operadores como “e”, “ou”, “não” e “implica”.
A lógica predicativa
estende a lógica proposicional e também pode operar sobre objetos, predicados
ou relações. Ela pode usar quantificadores, como em “Todo X é um Y” ou “Alguns Xs são Ys”. A inferência lógica (ou
dedução) é o processo de fornecer — com o auxílio de um mecanismo de inferência
- uma nova afirmação (a conclusão) a partir de outras afirmações sabidamente
verdadeiras (as premissas). Uma regra de inferência descreve os passos válidos
em uma prova; a mais geral é a regra de resolução. A inferência pode ser
reduzida a encontrar um caminho das premissas às conclusões, onde cada passo é
uma aplicação de uma regra de inferência. Mas, exceto para provas curtas em
domínios restritos, uma busca exaustiva é muito demorada. A lógica fuzzy
atribui valores de verdade entre 0 e 1, permitindo o tratamento de afirmações
vagas, como “está quente”. A lógica não monotônica permite a invalidação de
certas conclusões. Várias outras formas de lógica são desenvolvidas para
descrever muitos domínios complexos. Um exemplo de uma rede bayesiana e as
tabelas de probabilidade condicional associadas. Muitos problemas em IA
(raciocínio, planejamento, aprendizado, percepção, robótica, etc.) exigem a
capacidade de operar a partir de informações incompletas ou incertas. Algumas
técnicas dependem da inferência Bayesiana, que fornece uma fórmula para
atualizar probabilidades subjetivas com base em novas informações.
Este é notavelmente o
caso das redes Bayesianas. A inferência Bayesiana muitas vezes precisa ser
aproximada para ser calculada. Os métodos de Monte Carlo são um conjunto de
técnicas para resolver problemas complexos realizando aleatoriamente muitas
simulações a fim de aproximar a solução. As redes neurais também podem ser
otimizadas para fornecer estimativas probabilísticas. Separação de dados em
dois grupos (particionamento) por meio de um algoritmo de maximização da
expectativa. Ferramentas matemáticas precisas foram desenvolvidas para analisar
como agentes inteligentes podem fazer escolhas e planos usando a teoria da
decisão, a maximização da expectativa e a teoria do valor da informação. Essas
técnicas incluem modelos como processos de decisão Markovianos, teoria dos
jogos e mecanismos de incentivo. Muitos modelos de IA visam atribuir uma
categoria (classificação), um valor (regressão) ou uma ação a dados fornecidos.
Os métodos de classificação incluem árvores de decisão, k-vizinhos mais
próximos, máquinas de vetores de suporte e classificação Bayesiana ingênua.
Redes neurais também podem realizar classificação. Como precursores da
inteligência artificial, vários autômatos foram criados ao longo da história,
incluindo o pato de Vaucanson e os autômatos de Al-Jazari. Alguns autômatos
datam da antiguidade e eram usados para cerimônias religiosas. Mitos e
rumores também relatam a criação de seres inteligentes, por exemplo, golens.
Filósofos e matemáticos como Raymond Lull, Leibniz e George Boole procuraram
formalizar o raciocínio e a geração de ideias.
No século XX, Alan Turing notavelmente inventou um modelo de computação posteriormente chamado de Máquina de Turing, explorou a noção de computabilidade e inteligência artificial e propôs o “jogo da imitação” (teste de Turing) para avaliar a inteligência de máquinas futuras. O termo “inteligência artificial” foi introduzido por John McCarthy na Conferência de Dartmouth em 1956, onde a inteligência artificial foi estabelecida como uma disciplina distinta. Nos anos que se seguiram, pesquisadores propuseram várias provas de conceito, em situações específicas, do que as máquinas podem teoricamente fazer. Por exemplo, o programa ELIZA (cf. Dillon, 2020) poderia se passar por um psicoterapeuta e o Logic Theorist poderia provar teoremas. O final do século foi marcado por períodos de entusiasmo e dois períodos de desilusão e congelamento de financiamento conhecidos como os “invernos da IA”, o primeiro de 1974 a 1980 e o segundo de 1987 a 1993. Os sistemas especialistas foram particularmente populares na década de 1980, apesar de sua fragilidade e da dificuldade de implementar manualmente as regras de inferência corretas. Técnicas de aprendizado de máquina foram desenvolvidas (redes neurais, retropropagação do gradiente, algoritmos genéticos), assim como a abordagem conexionista. Mas o poder computacional limitado e a falta de dados de treinamento restringiram sua eficácia. Algumas áreas gradualmente deixaram de ser consideradas parte da inteligência artificial à medida que soluções eficientes foram encontradas; um fenômeno às vezes chamado de “efeito IA”. Em 1997, pela primeira vez, um supercomputador venceu várias partidas de xadrez contra o campeão mundial. Na década de 2010, os assistentes pessoais inteligentes foram uma das primeiras aplicações de inteligência artificial a se tornarem populares. Na década de 2000, a Web 2.0, a big data e as novas infraestruturas e capacidades computacionais possibilitaram a exploração de conjuntos de dados sem precedentes. Em 2005, teve início o projeto Blue Brain, com o objetivo de simular o cérebro de mamíferos.
Em 2012,
a rede neural convolucional AlexNet foi pioneira no uso de unidades de
processamento gráfico (GPUs) para treinar redes neurais, aumentando
drasticamente o poder computacional dedicado ao aprendizado de máquina. Em
2016, um programa venceu quatro de cinco partidas de Go jogadas contra Lee Sedol,
um dos melhores jogadores do mundo. Surgiram organizações com o objetivo de
criar inteligência artificial geral, como a DeepMind em 2010 e a OpenAI em 2015.
Desde a década de 2010, as ferramentas de inteligência artificial (especializadas
ou generativas) fizeram progressos espetaculares, mas ainda estão longe do
desempenho dos seres vivos em muitas das suas capacidades naturais,
particularmente na sua capacidade de aprender rapidamente a partir de uma
pequena quantidade de informação (por indução), de acordo com a revista Slate
em 2019. Em 2017, pesquisadores do Google propuseram a arquitetura
transformativa, que serviu de base para grandes modelos de linguagem. Em 2018,
Yann LeCun, Yoshua Bengio e Geoffrey Hinton ganharam o Prêmio Turing por
seu trabalho em aprendizado profundo. Em 2022, programas que geram imagens a
partir de descrições de texto, como Midjourney e DALL-E 2, tornaram-se
populares. Nesse mesmo ano, o chatbot ChatGPT experimentou um crescimento sem
precedentes, ganhando um milhão de usuários em apenas cinco dias e cem milhões
de usuários em dois meses, o que intensificou a “corrida” da IA. Em 2023, o
rápido progresso da IA levantou preocupações sobre um potencial risco de
extinção humana. Modelos fundamentais “multimodais”, capazes de processar
simultaneamente múltiplas modalidades (texto, imagens, som), emergiram, como o
Google Gemini e o GPT-4o. Novas infraestruturas de hardware foram
desenvolvidas, notadamente aproveitando processadores gráficos Blackwell e TPUs.
A pesquisa também está explorando as aplicações potenciais da computação
quântica em IA.
O conceito de uma “fábrica
de IA” também se materializou, abrangendo infraestruturas integradas que
combinam a produção e o treinamento de modelos em larga escala com
supercomputadores e centros de dados dedicados. Até 2025, vários projetos desse
tipo foram anunciados, principalmente nos Estados Unidos e na Europa, como a
parceria entre a Alemanha e a Nvidia. A inteligência artificial geral (IAG)
abrange qualquer sistema computacional capaz de executar ou aprender
praticamente qualquer tarefa cognitiva que seja exclusiva dos humanos ou de
outros animais. Alternativamente, pode ser definida como um sistema
computacional que supera os humanos na maioria das tarefas de interesse
econômico. A inteligência artificial geral tem sido considerada há muito tempo
um assunto puramente especulativo. Algumas pesquisas já descreveram o GPT-4
como tendo “faíscas” de inteligência artificial geral. Especialistas em
inteligência artificial demonstram amplas divergências e incertezas quanto à
possível data de desenvolvimento das primeiras inteligências artificiais gerais
(às vezes chamadas de “inteligências artificiais de nível humano”), seu impacto
na sociedade e seu potencial para desencadear uma “explosão de inteligência”. Uma
pesquisa de 2022 sugere que 90% dos especialistas em IA acreditam que a IA-G
tem mais de 50% de chance de ser alcançada em 100 anos. A superinteligência
artificial é um tipo hipotético de inteligência artificial geral cujas
capacidades intelectuais ultrapassariam em muito as dos humanos mais brilhantes.
O filósofo Nick Bostrom observa que as máquinas têm certas vantagens sobre os
cérebros humanos, particularmente no que diz respeito à memória, velocidade (as
frequências dos processadores são da ordem de dez milhões de vezes superiores
às dos neurónios biológicos) e à capacidade de partilhar conhecimento.
A
trivialização do conhecimento não faz produto do conhecimento apenas um produto
determinado, faz também dele um produto qualquer. Mas as ideias podem tornar-se
ideológicas na medida em que sua estrutura socialmente obedece às estruturas
socioprofissionais, sua produção integra-se entre os outros processos de
produção e a cultura torna-se cognoscível a partir das categorias econômicas do
capital e do mercado. Mas nem a informação, nem a teoria, nem o pensamento
abstrato, nem a cultura são produtos triviais, ainda que mais não seja pelo
fato socialmente de serem, ao mesmo tempo, produtos/produtores e, mesmo
comportando hologramaticamente a dimensão socioeconômica, fora de dúvida não
poderiam ser reduzidas a isso. A redução trivializante não teme exercer-se como
sujeito sobre o conhecimento científico. Este nível abstrato como qualquer
outro é apropriado pelo pensamento, como a religião e através da ciência, com
suas relações de força e monopólios, suas lutas e suas estratégias, seus
interesses e seus inusitados ganhos. Mas, por seu lado, os estudos de
etnografias dos laboratórios, estes que parecem ter dinamismo,
demonstram-nos como se estabelecem essas mediações dos pesquisadores, em função
de posições, ou status, as lutas e a utilização de alguns truques diabólicos
pelo reconhecimento per se, pelo prestígio ou pela glória, com as negociações
necessárias ao estabelecimento de uma prova, os ritos de passagem na pesquisa e
na universidade. A motivação primeira do cientista é a notoriedade.
Mas não se pode reduzir o interesse científico ao interesse econômico, a vontade de pesquisar ao desejo de prestígio, a sede de conhecimento à sede de poder, em alguns casos terrenos sim. A sociologia não pode ser considerada uma concepção que exclui o indivíduo ou que, no máximo, o tolera. É uma concepção humanista, mas que deve implicá-lo e explicitá-lo. Sobre a aquisição do conhecimento pesa um formidável determinismo. Ele nos impõe o que se precisa conhecer, como se deve conhecer, o que não se pode conhecer. Comanda, proíbe, traça os rumos, estabelece os limites, ergue cercas de arame farpado e conduz-nos ao ponto onde devemos ir. E também que conjunto prodigioso de determinações sociais, culturais e históricas é necessário para o nascimento da menor ideia, da menor teoria. Não bastaria limitarmo-nos a essas determinações que pesam do exterior sobre o conhecimento. É necessário considerar, também, os determinismos intrínsecos ao conhecimento, que são, segundo Edgar Morin, muito mais implacáveis. Em primeiro lugar, princípios iniciais, comandam esquemas e modelos explicativos, os quais impõem uma visão de mundo e das coisas que se governam/e controlam de modo imperativo e proibitivo a lógica dos discursos, pensamentos, teorias. Ao organizar os paradigmas e modelos associa-se o determinismo organizado dos sistemas de convicção e de crença que, quando reinam em uma sociedade, impõem a todos a força imperativa do sagrado, a força normalizadora do dogma, a força proibitiva do tabu. As doutrinas e ideologias dispõem também da força imperativa e coercitiva que evidencia aos convictos e o temor inibitório aos desalmados.
A partir deste
fundamento, compreendemos de forma desafiadora que ordem, desordem e
organização são elementos essenciais para o entendimento da questão da
complexidade, pois se desintegram e se desorganizam ao mesmo tempo. Nesse
entendimento, constata-se que o sentido da realidade se dá por meio da relação
do todo com as partes e vice e versa em uma análise integradora em que não é
pertinente examinar o fenômeno a partir de uma única matriz de racionalidade. A
desordem torna-se indispensável para a organização social da vida humana, pois
a sociedade é dependente de acontecimentos/fatos que possam modificar a ordem
já estabelecida para gerar novos meios de organização entre os sujeitos. Há um imprinting
cultural, matriz que estrutura o conformismo, e há uma normalização que o
impõe. O imprinting é um termo que Konrad Lorentz (1903-1989) propôs para dar
conta da marca incontornável pelas primeiras experiências do jovem animal, como
o passarinho que, ao sair do ovo, segue como se fosse sua mãe, o primeiro ser
vivo ao seu alcance. Há um imprinting cultural que marcam os humanos,
desde o nascimento, com o selo da cultura, primeiro familiar e depois da
escola, prosseguindo na universidade ou na profissão. Contrariamente à
orgulhosa pretensão dos intelectuais e cientistas, o conformismo cognitivo não
é de modo algum uma marca de subcultura que afeta principalmente as camadas
subalternas da sociedade.
Os subcultivados
sofrem um imprinting e uma normalização atenuados e há mais opiniões pessoais
diante do balcão de café do que num coquetel literário. Embora contrariados em
contradição com seu desenvolvimento liberal intelectual que permite a expressão
de desvios e de ideias e formas escandalosas, o imprinting e a
normalização crescem paralelamente com a aquisição real da cultura. O imprinting
cultural determina à desatenção seletiva, que nos faz desconsiderar tudo aquilo
que não concorde com as nossas crenças, e o recalque eliminatório, que nos faz
recusar toda informação inadequada às nossas convicções, ou toda objeção vinda
de fonte técnica considerada ruim. A normalização manifesta-se de maneira
repressiva ou intimidatória. Cala os que teriam a tentação de duvidar ou de
contestar. A normalização, portanto, com seus subaspectos de conformismo,
exerce uma prevenção contra o desvio e elimina-o, se ele se manifesta. Mantém,
impõe a norma do que é importante, válido, inadmissível, verdadeiro, errôneo,
imbecil, perverso. Indica os limites a não ultrapassar. As palavras que não
devem proferir. Os conceitos a desdenhar, as teorias a desprezar. O imprinting
assimila a perpetuação dos modos de conhecimento e verdades estabelecidas.
Obedece a processos de tribunais: uma cultura produz modos de conhecimento
entre os homens dessa própria cultura. Através do seu modo e circularidade de
conhecimento, reproduzem a legitimidade que produz esse conhecimento. As
crenças que se impõem são fortalecidas pela fé que as suscitaram. Então,
reproduzem não somente os conhecimentos, mas as estruturas de poder e os modos
reguladores que determinam a invariância desses conhecimentos normalizados.
A liberdade intelectual não pode ser vista apenas como determinada possibilidade de expressão como prática de lugares estabelecidos. É uma noção que se torna necessário sociologizar, culturalizar, complexificar, termodinamizar. Está ligada a um contexto cultural pluralista, dialógico, conflitual agitado. Necessita não apenas das condições sociais que se tornam, de fato, permissivas, mas, também das condições dinâmicas irradiadas pelas conjunturas de crises, turbulências, conflitos nas ideias e visões de mundo. Comparativamente, como ocorre no mundo físico, a termodinâmica do mundo das ideias só é fecunda, produtiva ou criadora entre certos patamares, os quais não podem ser determinados a priori. Aquém desses limiares, não há “efervescência cultural” e, além, a turbulência torna-se dispersiva ou explosiva. Não se pode determinar uma temperatura intelectual ideal, ainda mais que não há nenhum termômetro ad hoc. Mas, para concordarmos com Morin, assim como a verdadeira vida do pensamento realiza-se na temperatura de sua própria destruição, “a verdadeira vida de uma efervescência cultural desenrola-se quase na temperatura de sua própria ebulição”. Neste sentido, se podemos conceber o complexo das liberdades, então podemos compreender que a cultura enquanto representação seja tanto libertação quanto prisão para o conhecimento ou o pensamento.
A cultura
aprisiona-nos no seu etno-sócio-centrismo, seu hic et nunc, nos seus
imperativos categóricos e proibições, nas suas normas e normalizações, nas suas
limitações e encobrimentos, nos seus artigos de fé e também de desconfiança,
nas suas verdades e nos seus erros. Mas, ao mesmo tempo, a cultura oferece-nos
uma linguagem, um saber, uma memória, um processo comunicativo, uma
possibilidade de trocas linguísticas, verificações e refutações. Quando
comporta em si a pluralidade dialógica e a abertura para as outras culturas e
os outros saberes exteriores, oferece-nos as condições e possibilidades de
emanciparmos relativamente das suas limitações e dissimulações. Com o
desenvolvimento da cultura crescem, naturalmente, o artificial e o frívolo na
esfera do pensamento; além de pequenos imprinting locais e sofísticos
multiplicam-se em outros tantos diaforismos e trissotinadas; um “alto
cretinismo” instala-se nas esferas superiores; a proliferação da abstração e da
matematização mascara o real concreto ou mesmo de análise, que deviam traduzir,
mas, ao mesmo tempo crescem e multiplicam-se as brechas que permitem as
autonomias e as liberdades, as possibilidades de acesso aos problemas
essenciais e universais, mesmo se sob a pressão das frivolidades e dos “altos
cretinismos”, inicialmente usado para descrever uma pessoa de muito pouca
inteligência e lunática, os problemas decisivos permanecem confinados a uma
minoria tola, medíocre, desviante.
O etnocentrismo é por vezes comparativamente associado ao racismo, à estereotipagem, à discriminação ou à xenofobia. No entanto, o termo etnocentrismo não implica necessariamente uma visão negativa da “raça alheia” nem indica uma conotação negativa. O oposto do etnocentrismo é o relativismo cultural, uma filosofia orientadora que afirma que a melhor forma de compreender uma cultura diferente é através da sua perspetiva, em vez de a julgar a partir de pontos de vista subjetivos moldados pelos próprios padrões culturais. O termo etnocentrismo foi aplicado pela primeira vez nas ciências sociais pelo sociólogo norte-americano William G. Sumner (1840-1910). Em seu livro de 1906, Folkways, Sumner descreve o etnocentrismo como “o nome técnico para a visão de mundo em que o próprio grupo é o centro de tudo, e todos os outros são dimensionados e avaliados em relação a ele”. Ele ainda caracterizou o etnocentrismo como frequentemente levando ao orgulho, à vaidade, à crença na superioridade do próprio grupo e ao desprezo por pessoas de fora. Historicamente, o etnocentrismo desenvolveu-se em paralelo com a evolução das compreensões sociais por parte de pessoas como o teórico social Theodor W. Adorno (1903-1969). Em A Personalidade Autoritária, Adorno e seus colegas da Escola de Frankfurt estabeleceram uma definição mais ampla do termo como resultado da “diferenciação entre grupo interno e grupo externo”, afirmando que o etnocentrismo “combina uma atitude positiva em relação ao próprio grupo étnico/cultural (o grupo interno) com uma atitude negativa em relação ao outro grupo étnico/cultural (o grupo externo)”. Ambas as atitudes justapostas são também resultado de um processo conhecido como identificação social e contraidentificação social. Nas ciências sociais, etnocentrismo significa julgar outra cultura com base nos padrões da própria cultura, em vez dos padrões da outra cultura específica.
Quando as pessoas usam sua própria cultura como parâmetro para avaliar outras culturas, elas frequentemente tendem a considerar sua cultura superior e a ver outras culturas como inferiores e bizarras. O etnocentrismo pode ser explicado em diferentes níveis de análise. Por exemplo, em um nível intergrupal, esse termo é visto como consequência de um conflito entre grupos; enquanto em um nível individual, a coesão intragrupal e a hostilidade extragrupal podem explicar traços de personalidade. Além disso, o etnocentrismo pode nos ajudar a explicar a construção da identidade. O etnocentrismo pode explicar a base da identidade de uma pessoa ao excluir o grupo externo que é alvo de sentimentos etnocêntricos e usado como forma de se distinguir de outros grupos que podem ser mais ou menos tolerantes. Essa prática nas interações sociais cria limites sociais; tais limites definem e traçam fronteiras simbólicas do grupo com o qual se deseja estar associado ou ao qual se deseja pertencer. Dessa forma, o etnocentrismo é um termo não apenas limitado à antropologia, mas também pode ser aplicado a outros campos das ciências sociais, como a sociologia ou a psicologia. O etnocentrismo pode ser particularmente acentuado na presença de competição interétnica, hostilidade e violência. Por outro lado, o etnocentrismo pode influenciar negativamente o desempenho do trabalhador expatriado. As classificações de etnocentrismo têm origem nos estudos de antropologia. Com sua onipresença ao longo da história, o etnocentrismo sempre foi um fator na forma como diferentes culturas e grupos se relacionaram entre si.
Exemplos incluem como, historicamente, os estrangeiros eram caracterizados como “bárbaros”. Essas tendências existem em sociedades complexas, por exemplo, “os judeus se consideram o povo escolhido e os gregos defendem todos os estrangeiros como bárbaros”, e como a China acreditava que seu país era “o centro do mundo”. No entanto, as interpretações antropocêntricas surgiram inicialmente, principalmente no século XIX, quando os antropólogos começaram a descrever e classificar várias culturas de acordo com o grau em que haviam desenvolvido marcos significativos, como religiões monoteístas, avanços tecnológicos e outras progressões históricas. A maioria das classificações foi fortemente influenciada pela colonização e pela crença de que era possível melhorar as sociedades colonizadas, classificando as culturas com base no progresso de suas sociedades ocidentais e no que consideravam marcos importantes. As comparações baseavam-se principalmente no que os colonizadores acreditavam ser superior e no que suas sociedades ocidentais haviam realizado. O político e historiador da era vitoriana, Thomas Macaulay (1800-1859), certa vez afirmou que “uma prateleira de uma biblioteca ocidental” continha mais conhecimento do que séculos de textos e literatura escritos por culturas asiáticas. Ideias desenvolvidas por cientistas ocidentais, como Herbert Spencer (1829-1903), incluindo o conceito de “sobrevivência do mais apto”, continham ideais etnocêntricos, influenciando a crença de que as sociedades “superiores” tinham probabilidade de sobreviver e prosperar.
O conceito de Orientalismo de Edward Said representava como as reações ocidentais às sociedades não ocidentais se baseavam em uma “relação de poder desigual” que o mundo ocidental desenvolveu devido à sua história de colonialismo e à influência que exercia sobre as sociedades não ocidentais. A classificação etnocêntrica de “primitivo” também foi usada por antropólogos dos séculos XIX e XX e representava como a falta de conhecimento cultural e religioso alterava as reações gerais às sociedades não ocidentais. O antropólogo do século XIX, Edward Burnett Tylor (1832-1917), escreveu sobre sociedades “primitivas” em Cultura Primitiva (1871), criando uma escala de “civilização” na qual se subentendia que as culturas étnicas precediam as sociedades civilizadas. O uso de “selvagem” como classificação é reconhecido como “tribal” ou “pré-letrado”, sendo geralmente um termo pejorativo à medida que a escala de “civilização” se tornou mais comum. Exemplos que demonstram a falta de compreensão incluem quando viajantes europeus julgavam diferentes línguas com base no fato de não as entenderem e demonstravam uma reação negativa, ou a intolerância demonstrada por ocidentais quando expostos a religiões e simbolismos desconhecidos. Friedrich Hegel, um filósofo alemão, justificou o imperialismo ocidental argumentando que, como as sociedades não ocidentais eram “primitivas” e “incivilizadas”, sua cultura e história não valiam serem conservadas e, deveriam acolher a ocidentalização.
Escólio: Num futuro
próximo, historicamente, diante de um aumento da criminalidade, a cidade de Los
Angeles implementou um novo sistema de justiça baseado em inteligência
artificial chamado Mercy. Nesse sistema, todo réu “é presumido culpado e
tem 90 minutos para provar sua inocência”. Durante esse tempo social, ele tem
acesso a uma vasta quantidade de informações, provas, gravações de áudio e
vídeo, arquivos de computador e outros materiais armazenados na chamada “nuvem
da cidade”. Se falhar, tecnologicamente, o réu é condenado à morte e executado
imediatamente. O tenente de polícia Chris Raven (Chris Pratt) acorda no
tribunal do Sistema Mercy. A inteligência artificial designada para
julgá-lo, na forma de uma mulher chamada Maddox (Rebecca Ferguson), informa-o
de que ele é acusado de assassinar sua esposa, Nicole (Annabelle Wallis), que
foi encontrada morta a facadas em sua casa. O corpo foi descoberto pela filha
de Chris e Nicole, Britt (Kylie Rogers). Incrédulo, Chris nega qualquer
envolvimento na morte da esposa, mas alega não se lembrar de eventos recentes.
Maddox lhe apresenta gravações que mostram que, após ir trabalhar, ele voltou
para casa e discutiu com Nicole pouco antes de sua morte, se embriagar
em um bar onde foi violentamente preso.
Após analisar as evidências, Chris admite
que tudo aponta para um crime passional, uma teoria que se torna plausível
pelas informações apresentadas por Maddox, mostrando que o casamento de Chris e
Nicole estava em crise. Chris revela que suspeitava que sua esposa estivesse
tendo um caso e, graças às informações fornecidas por Maddox, identifica o
homem com quem Nicole estava se encontrando: Patrick Burke (Jeff Pierre). A
polícia inicia uma busca por Burke, mas, embora ele tente escapar da prisão,
apresenta um álibi sólido, o que o inocenta. Chris então discute seu
alcoolismo, no qual havia recaído apesar do apoio de Rob Nelson (Chris
Sullivan), um colega de Nicole que o havia apadrinhado para o Alcoólicos
Anônimos. Ele não consegue esquecer a morte de seu ex-companheiro de equipe,
Ray Vale (Kenneth Choi), assassinado por um criminoso que foi posteriormente
absolvido pelo sistema judiciário tradicional, o que fez de Chris comparativamente,
“um fervoroso defensor do sistema de misericórdia”. Chris admite que se lembra
de ter discutido com Nicole pouco antes de sua morte: em sua raiva, ele quebrou
o vaso favorito da esposa, e ela se cortou ao recolher os cacos, o que explica
a presença de sangue dela em Chris, que tentou ajudá-la. Embora Chris admita
que possa ter cometido o assassinato, Maddox o incentiva a continuar a
investigação até que a verdade seja completamente esclarecida.
Chris recorda que,
durante sua prisão, Burke mencionou que Nicole a havia confidenciado problemas
que estava enfrentando em seu trabalho em uma empresa de importação e
exportação, enquanto investigava o desaparecimento de carregamentos contendo
ureia. Ele suspeita que um dos colegas de Nicole possa estar envolvido em sua
morte: vários deles compareceram a um churrasco na casa de Chris e Nicole na
noite anterior ao assassinato. Assistir a um vídeo postado por sua filha em sua
conta do Instagram também revela a possibilidade de que um dos convidados possa
ter se escondido a noite toda no porão antes de sair pela porta dos fundos. As
suspeitas de Chris recaem sobre Holt Charles (Rafi Gavron), um colega de Nicole
viciado em jogos de azar e em sérias dificuldades financeiras, apesar do apoio
de Rob. Chris tenta ligar para Rob, mas Holt atende. Chris o acusa do
assassinato de Nicole, mas Holt nega veementemente e revela que Rob não
apareceu para trabalhar no dia em que Nicole morreu. Imagens de vídeo não
oficiais analisadas por Chris confirmam que Rob se hospedou secretamente na
casa de Chris antes de sair escondido no porta-malas do carro do vizinho. Chris
pede a Jaq que vá atrás de Rob. Ele também percebe possíveis problemas com
Maddox, que é sensível às emoções de Chris e à sua tendência de agir por
instinto em vez de fatos.
Uma equipe da SWAT invade a casa de Rob, mas ele continua foragido. A polícia descobre que Rob usou grandes quantidades de ureia para fabricar explosivos. Parte dessa ureia foi usada para armar uma armadilha em sua garagem, que explode, matando vários policiais. Jaq, que sobreviveu à explosão, continua a caçar Rob. Uma foto de infância que Rob encontrou ajuda Chris e Maddox a entenderem os verdadeiros motivos de Rob: ele é irmão de David Webb, um ex-morador de rua que foi julgado pela Mercy, instituição à qual Chris o havia confiado, e condenado à morte por assassinato. Rob, que também fez Britt de refém, busca vingança pela morte do irmão matando Chris e destruindo as instalações da Mercy. As provas que Chris reuniu são suficientes para reduzir a probabilidade de sua culpa no assassinato da esposa a 0%. Mesmo assim, Chris se recusa a sair do tribunal, apesar da contagem regressiva quase esgotada, pois perderia o acesso à vasta quantidade de dados que Maddox está lhe fornecendo. Uma equipe tática consegue desviar temporariamente o caminhão de Rob de seu alvo pretendido, com o objetivo de detoná-lo em uma ponte longe de qualquer vítima humana, mas Chris se opõe, alegando a presença de sua filha no veículo.
Jaq ordena a detonação do caminhão mesmo assim, mas Maddox secretamente hackeia o drone destinado a destruí-lo para proteger Britt. Rob dirige o caminhão carregado de explosivos até a sede da Mercy, atrasando a explosão para garantir a presença de Chris. Chris finalmente é libertado do tribunal onde estava detido e confronta Rob. Maddox oferece a Chris a chance de testemunhar em favor de seu falecido irmão, mas as informações que ele fornece são consideradas não confiáveis. Uma luta se inicia entre Chris e Rob, durante a qual Chris consegue desarmar Rob e desativar o detonador. Chris quase executa Rob ali mesmo, mas decide poupá-lo após os apelos de Britt e a insistência de Maddox. Rob continua a proclamar a inocência de seu irmão, argumentando que estava ao telefone com ele no momento do assassinato do qual foi acusado. Maddox então acessa os arquivos que corroboram sua versão dos fatos. Descobriu-se que Jaq, responsável por catalogar as provas após a prisão de Webb, escondeu seu celular para garantir que nenhuma evidência tecnologicamente pudesse corroborar sua inocência: como Webb foi o primeiro suspeito julgado por Mercy, Jaq acreditava que o veredicto deveria ser incontestável. Como resultado, Jaq é preso junto com Rob. Chris, reunido com sua filha, testemunha Maddox anunciar paradoxalmente “a absolvição definitiva das acusações a seu favor pelo assassinato de sua esposa”.
Bibliografia Geral Consultada.
BARON,
Margaret, “A Note on the Historical Development of Logic Diagrams: Leibniz,
Euler and Venn”. In: The Mathematical Gazette. LIII (383), 1969; MITZMAN, Arthur, La
Jaula de Hierro: Una Interpretación Histórica de Max Weber. Madri: Alianza
Editorial, 1976; MATA, Roberto da, Relativizando: Uma Introdução à
Antropologia Social. Petrópolis (RJ): Editoras Vozes, 1981; WATZLAWICK,
Paul (Org.), L’Invention de la Réalité. Comment Savons-Nous Ce Que Nous
Savons? Contributions au Constructivisme. Paris: Editeur Seuil, 1988; HATON,
Jean-Paul; HATON, Marie-Christine, Inteligência Artificial. Paris: Que
sais-je?1990; DUMONT, Louis, Homo Hierarchicus. O Sistema de Castas e suas
Implicações. São Paulo: Editora da Universidade de São Paulo, 1992; DURKHEIM,
Émile, Da Divisão do Trabalho Social. 4ª edição. São Paulo: Editora
Martins Fontes, 2010; CARVALHO, Marçal Luis Ribeiro, A Questão Punitiva na
Pós-modernidade: Desafios Contemporâneos à Luz da Ética da Alteridade.
Dissertação de Mestrado. Programa de Pós-Graduação em Ciências Criminais. Porto
Alegre: Pontifícia Universidade Católica do Rio Grande do Sul, 2010; IANNI,
Octavio, A Sociologia e o Mundo Moderno. 1ª edição. Rio de Janeiro:
Editora Civilização Brasileira, 2011; FREITAS, Francisco Augusto Canal, Habitar
o Hábito: Reflexão e Origem da Cidade no Pensamento de Walter Benjamin.
Dissertação de Mestrado. Programa de Pós-Graduação em Filosofia. Belo
Horizonte: Universidade Federal de Minas Gerais, 2012; RODRIGUES, Alexandre
Amaral, Ambição e Prudência: Os Sistemas Econômicos de Adam Smith. Tese
de Doutorado. Faculdade de Filosofia, Letras e Ciências Humanas. São Paulo:
Universidade de São Paulo, 2017; CUBERO, Alexandra, “TEC Gradúa el Primer
Ingeniero Ciego de Costa Rica”. In: La Republica, 14 mars. 2018;
DILLON, Sarah, “The Eliza Effect and its Dangers: From Demystification to Gender
Critique”. In: Journal
for Cultural Research, vol. 24, n° 1, 2 Janvier 2020, pp. 1–15; D`ALESSANDRO,
Anthony, “Filme de ficção científica de Chris Pratt, Mercy, adiciona
Rafi Gavron, Chris Sullivan, Kenneth Choi e Kylie Rogers”, no Deadline.com,
3 de abril de 2024; JACKSON, Angélique, “Annabelle Wallis junta-se a Chris
Pratt e Rebecca Ferguson no thriller de ficção científica Mercy para a
Amazon MGM Studios (Exclusivo)”, na Variety,19 de março de 2024; MENDES,
José Vieira, “Berlinale 2026: quando o cinema volta a medir a temperatura do
mundo”. In: https://visao.pt/atualidade/cultura/2026-02-11; entre outros.
