Aula 3 - Programação, Algoritmos e IA

class: center, middle, title-slide

.title[
# Aula 3 - Programação, Algoritmos e IA
]
.author[
### Leonardo Mancini
]
.date[
### 2026
]

---

# Revisão

- Imagem para Flusser?

- Os aparelhos?

- A relação entre os indivíduos e os aparelhos?

- O que é uma **caixa preta**?

???

- Retomar: controla-se o *input*, imagina-se o *output*, mas não se compreende o processo.

- Segurar essa definição: ela vai voltar no fim da aula, aplicada aos modelos de IA — com uma diferença importante. Na caixa preta de Flusser, o programa existe e é conhecido por quem o escreveu. Nos modelos atuais, nem os engenheiros que os treinaram conseguem descrever a regra que o modelo aprendeu.

---

# Programas e programação

- **Programa**: sequência finita de instruções, escrita por um programador, que um computador executa para alcançar um objetivo determinado. Ex.: Photoshop, Excel, Word.

- **Programação**: o processo de escrever essas instruções.

- **Linguagem de programação**: sistema formal de notação, com regras de *sintaxe* (a forma correta de escrever) e de *semântica* (o que cada construção significa quando executada). Ex.: Python, R, Java, C, C#.

- No modelo clássico, **as regras vêm do programador**. A máquina não decide, ela executa.

???

---

# Algoritmo

- É um procedimento: uma sequência ordenada de passos que transforma uma entrada em uma saída. Uma receita de bolo é um algoritmo.

- Quando nos referimos em computação, é uma sequência que pode ser executada por um computador para resolver um problema. Sistemas de recomendação, por exemplo, são algoritmos que utilizam dados para recomendar produtos ou serviços.

- A diferença entre um programa e um algoritmo é que o programa é uma implementação de um algoritmo em uma linguagem de programação específica.

.footnote[

[1] KNUTH, D. E. **The art of computer programming**: fundamental algorithms. v. 1. 3. ed. Reading: Addison-Wesley, 1997.

]

---
class: inverse, center, middle

# Inteligência Artificial

### Antes de falar do artificial: o que é inteligência?

---

# A herança dualista

- A dicotomia entre razão e emoção é reflexo de uma separação mais antiga, entre **corpo e mente** — questão filosófica que remonta a Platão e Aristóteles.

- O corpo é o que nos conecta ao mundo, mas também o que nos limita: decai, se decompõe, cede às tentações.

- Na mente está a razão: a capacidade de pensar, de controlar. Ela teria uma dimensão independente do corpo.

- Consequência: o pensamento lógico e racional passa a ser **a** característica associada à concepção de humanidade.

.footnote[

[1] DESCARTES, R. **Discurso do método**. Trad. Maria Ermantina Galvão. São Paulo: Martins Fontes, 2001 [1637].

]

???

- Essa é uma visão ANTROPOCÊNTRICA e NÃO é a única definição de inteligência.

- Ela é a definição que a IA vai herdar — e é por isso que estamos gastando tempo nela.

---
class: inverse

???

- Perguntar antes de rodar: onde está a inteligência que constrói essa ponte?

---

# Os animais-autômatos

- Para Descartes, animais são **autômatos**: máquinas que se movem por disposição de seus órgãos, sem pensamento e sem linguagem.

- O critério que ele propõe para distinguir um humano de uma máquina bem construída é justamente **o uso da linguagem**: uma máquina poderia emitir palavras, mas não "arranjá-las diversamente para responder ao sentido de tudo o que se disser em sua presença".

- Alan Turing, 313 anos depois, vai defender algo similiar. O Teste de Turing, conversacional, busca definir inteligência através da conversa, e falha com os LLMs...

.footnote[

[1] DESCARTES, R. **Discurso do método**, Parte V. São Paulo: Martins Fontes, 2001 [1637].

]

???

- Vale explicitar: Descartes propôs um teste comportamental de inteligência baseado em conversação. Turing propõe o mesmo teste, mas invertendo o veredito esperado.

---

# Inteligência sem cérebro: emergência

- Nenhuma formiga sabe construir uma ponte. Nenhuma tem o projeto. Não há coordenação central.

- **Emergência**: o surgimento de propriedades complexas de um sistema a partir de interações locais e simples entre seus componentes (JOHNSON, 2003).
  - Formigas, cérebros, cidades e software compartilham essa estrutura: comportamento global sofisticado, componentes locais burros.

- Duas consequências incômodas:
  - Inteligência pode ser propriedade de um **coletivo**, não de um indivíduo.
  - O cérebro humano talvez seja o mesmo caso: bilhões de neurônios individualmente incapazes de pensar.

.footnote[

[1] JOHNSON, S. **Emergência**: a vida integrada de formigas, cérebros, cidades e softwares. Rio de Janeiro: Jorge Zahar, 2003.

]

---

# Inteligência como mediação simbólica

- Outra via: inteligência é a capacidade de operar sobre **representações** — de agir sobre o que não está presente.

> In planning a party, for example, one thinks about the date, the guests,
food and drinks, the cost, and so on. Some of these might be present during
the act of thinking (e.g., the drinks, if one happens to be making the plan
at home or at the supermarket), some exist but are not present (e.g., the
guests), some do not exist yet (e.g., the meal), and some might never come
into existence (a joyful party for everyone).

- Nesse sentido, pensar é lidar com ausências. Presente, ausente, inexistente, impossível

.footnote[

[1] EKBIA, H. R. **Artificial dreams**: the quest for non-biological intelligence. Cambridge: Cambridge University Press, 2008. p. 4.

]

???

- O ponto de Ekbia: pensar é lidar com ausências. Presente, ausente, inexistente, impossível — tudo no mesmo raciocínio.

- Essa é a definição mais favorável à IA simbólica, porque reduz inteligência a manipulação de símbolos.

---

# Não há uma definição de inteligência

- Legg e Hutter (2007) reuniram **mais de 70 definições** de inteligência propostas por psicólogos, filósofos e pesquisadores de IA. Nenhuma é consensual.

- O que temos são famílias de definição:
  - Inteligência como **razão dedutiva** (tradição cartesiana)
  - Inteligência como **adaptação ao ambiente** (tradição biológica/evolutiva)
  - Inteligência como **propriedade emergente** de sistemas complexos
  - Inteligência como **manipulação de símbolos** e representações
  - Inteligência como **prática distribuída** entre pessoas, instrumentos e ambiente

.footnote[
<small>
[1] LEGG, S.; HUTTER, M. A collection of definitions of intelligence., 2007.<br>
[2] LEGG, S.; HUTTER, M. Universal intelligence: a definition of machine intelligence. **Minds and Machines**, v. 17, n. 4, p. 391-444, 2007.
</small>
]

???
- Isso importa: **toda afirmação sobre "IA ser ou não inteligente" carrega, implicitamente, uma dessas definições.** Discussões sobre IA costumam ser, na verdade, discussões sobre qual definição adotar.

---
class: inverse, center, middle

# O campo da IA

---

# Alan Turing e o jogo da imitação

- Alan Turing (1912-1954), matemático britânico, formaliza em 1936 a noção de computação e, em 1950, propõe **trocar a pergunta**.

- Em vez de "máquinas podem pensar?", propõe o **jogo da imitação**:

> The new form of the problem can be described in terms of a game which we call the 'imitation game.' It is played with three people, a man (A), a woman (B), and an interrogator (C) who may be of either sex.

- Se um interrogador não consegue distinguir a máquina de um humano por meio de conversa escrita, a distinção entre "pensar" e "simular pensar" perde utilidade prática.

- Do ponto de vista prático, uma máquina "que pensa" é aquela que reproduz a lógica intelectual - o computador segue a metáfora do cérebro.

.footnote[

[1] TURING, A. M. Computing machinery and intelligence. **Mind**, v. LIX, n. 236, p. 433-460, 1950.

]

???

- É um teste **comportamental** e **operacional** — ele não resolve a questão filosófica, ele a contorna deliberadamente.

- Turing previu: "at the end of the century the use of words and general educated opinion will have altered so much that one will be able to speak of machines thinking without expecting to be contradicted".

- Em 31 de agosto de 1955, McCarthy, Minsky, Rochester e Shannon submetem uma proposta de estudo de dois meses para o verão de 1956, no Dartmouth College.

- É nesse documento que **John McCarthy cunha o termo "inteligência artificial"** — escolhido por ser neutro, evitando o vocabulário da cibernética e da teoria dos autômatos.

- A conjectura que funda o campo:

> Every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it.

---

# Deep Blue, 1997

- Em maio de 1997, o Deep Blue da IBM vence Garry Kasparov por 3,5 a 2,5 — a primeira derrota de um campeão mundial em partida clássica.

- Como ele jogava: avaliava cerca de200 milhões de posições por segundoem 32 processadores com centenas de chips dedicados a xadrez, usando busca em profundidade com poda.

- Ou seja: o Deep Blue **não aprendeu nada**. É força bruta somada a conhecimento humano codificado à mão.

.footnote[

[1] CAMPBELL, M.; HOANE JR., A. J.; HSU, F. Deep Blue. **Artificial Intelligence**, v. 134, n. 1-2, p. 57-83, 2002.

]

---

# A inversão: aprender em vez de programar

.pull-left[

**Programação clássica**

Regras + Dados → Respostas

O programador escreve a regra.<br>
Ex.: "se o e-mail contém 'viagra', é spam".

]

.pull-right[

**Machine Learning**

Dados + Respostas → Regras

O programador escreve o *procedimento de busca* da regra; a regra é inferida dos dados.<br>

Ex.: mostra-se 1 milhão de e-mails já classificados; o sistema infere o critério.

]

???

- Note: **não há menção a compreensão, consciência ou intenção**. "Aprender", aqui, é um termo técnico que significa "melhorar uma métrica com mais dados".

- A ideia é antiga: Arthur Samuel (1959) já treinava um programa de damas que melhorava jogando contra si mesmo.

---
class: inverse, center, middle

# O ChatGPT é inteligente?

---

# O que é um modelo de linguagem

- Um **LLM** (*Large Language Model*, modelo de linguagem de grande porte) é um modelo estatístico que estima a probabilidade do próximo **token** dado o contexto anterior.

- **Token** ≠ palavra. É um fragmento: "jornalismo" pode virar `jorn` + `alismo`. O modelo nunca vê letras nem palavra, vê números.

- O que ele calcula, a cada passo, é uma distribuição de probabilidade sobre todo o vocabulário. Depois **sorteia** um token dessa distribuição e repete.

- Consequência direta: o mesmo prompt pode gerar respostas diferentes. Não há "a resposta" armazenada em lugar nenhum.

???

---

# Como ele é treinado

1. **Pré-treinamento**: expor o modelo a um volume enorme de texto (ordem de trilhões de tokens — livros, sites, código, transcrições) e ajustar bilhões de pesos para minimizar o erro de previsão do próximo token.

2. **Ajuste de instrução e alinhamento**: uma segunda fase, com exemplos produzidos e avaliados por humanos, que ensina o modelo a *responder* em vez de apenas *continuar* o texto.

- É a fase 2 que produz a ilusão de conversa. Sem ela, o modelo responderia a "Qual a capital da França?" com mais perguntas de prova, porque estatisticamente é isso que segue essa frase na internet.

- **O modelo não consulta uma base de dados.** Ele não "procura" a resposta. Os dados de treinamento não estão armazenados nele, estão dissolvidos nos pesos.

???

- Analogia útil, com ressalva: é mais próximo de alguém que leu muito e responde de memória, sem poder conferir a fonte, do que de um buscador.

---

# O debate está aberto

- Mitchell e Krakauer (2023) revisam a controvérsia e mostram que há duas comunidades científicas legítimas em desacordo.

- A conclusão dos autores não é escolher um lado, mas notar que nosso vocabulário é insuficiente:

> We contend that a new science of intelligence can be developed that will provide insight into distinct modes of understanding, their strengths and limitations, and the challenge of integrating diverse forms of cognition.

- Nem "é só autocompletar", nem "está pensando". As duas frases escondem definições não declaradas de inteligência.

.footnote[

<small>

[1] MITCHELL, M.; KRAKAUER, D. C. The debate over understanding in AI's large language models. **PNAS**, v. 120, n. 13, e2215907120, 2023.<br>
[2] SHOJAEE, P. et al. The illusion of thinking. **arXiv:2506.06941**, 2025.

</small>

]

???

- Postura recomendada para a turma: ceticismo simétrico. Nem "é só autocompletar", nem "está pensando". As duas frases escondem definições não declaradas de inteligência.

---

# Desafios

- **Vieses**: dependentes dos dados de treinamento, os modelos refletem os padrões e as assimetrias desses conjuntos — sociais, raciais, de gênero, linguísticos e também temporais.

- **Opacidade**: o usuário vê a saída, não o processo. Mas a opacidade é mais profunda: nem os desenvolvedores conseguem explicar por que um peso específico produziu uma resposta específica. É um problema técnico aberto.

- **Privacidade**: os modelos foram treinados com dados coletados de pessoas que não consentiram nem controlam esse uso.

- **Autoria e propriedade intelectual**: quem é autor de um texto gerado? E qual o estatuto do material protegido usado no treinamento? Há litígio em curso em várias jurisdições.

- **Alucinações**: O modelo pode gerar respostas "erradas", coerentes com o padrão de linguagem do texto de entrada. De certa forma, ele inventa tudo.

---

# Voltando a Flusser

- Flusser: o aparelho tem um programa; o usuário joga *contra* o aparelho tentando esgotar esse programa; a caixa preta é opaca **para o usuário**.

- Com aprendizado de máquina, a estrutura muda:

- Ninguém escreveu explicitamente as regras que o sistema aplica
  
  - A caixa é opaca **também para quem a construiu**
  
  - Não há programa a esgotar — há um comportamento estatístico a mapear

.footnote[

[1] FLUSSER, V. **Filosofia da caixa preta**: ensaios para uma futura filosofia da fotografia. São Paulo: Annablume, 2011.<br>
[2] RUSHKOFF, D. **Program or be programmed**: ten commands for a digital age. New York: OR Books, 2010.

]

---
class: inverse, center, middle