A Representação do conhecimento e o processamento de

Conforme Sternberg (2000), a unidade fundamental do conhecimento simbólico é o conceito, entendido como uma entidade psíquica abstrata e universal, que tem como função designar uma categoria ou classe de entidades, relações ou eventos. Assim como a palavra ou

termo é o elemento de uma sentença, o conceito é o elemento da proposição. Conceitos são

construções lógicas, constructos, não existindo como fenômenos.

Os conceitos podem estar organizados em esquemas, como estruturas mentais para representar o conhecimento. Os conceitos e esquemas sofrem variações de compreensão, de acordo com os níveis de análise de cada pessoa ou no âmbito de cada contexto. Como exemplo, podemos ter a palavra “terra” como um conceito fundamental para um geógrafo, pois considera apenas suas medidas e relevos, mas não é um conceito fundamental para um geólogo, uma vez que para ele existem muitos tipos de “terra”. Além disso, para um agricultor, “terra” pode ser um conceito de propriedade e assim por diante.

Para Rumelhart e Ortony (In: Sternberg, 2000, p.185), os esquemas concentram muitas características, o que possibilita um uso bem flexível:

- podem incluir outros esquemas; - abrangem fatos típicos gerais;

- contemplam variações de um exemplo para outro; - variam em seu grau de abstração.

Além disso, os esquemas também podem incluir informações sobre relações, tais como relações entre conceitos, entre atributos, entre atributos em conceitos relacionados, entre conceitos e contextos particulares, assim como conceitos específicos e o conhecimento básico geral.

Segundo M. Minsky84 (1973), uma máquina pode fixar metas, realizar planos, estudar hipóteses, reconhecer analogias e desempenhar várias outras atividades intelectuais. Uma máquina dotada de um programa desenvolve um processo em três etapas: na primeira etapa, desdobra os problemas em partes (subproblemas), mantendo um registro das relações entre essas partes, com o problema total; na segunda etapa, procura solucionar os subproblemas; e na última etapa, realiza a combinação dos resultados para compor uma solução do problema em seu conjunto. Caso um subproblema ainda esteja sem solução, aplica-se novamente o procedimento (cf.1973, p.199-202)

O estudo sobre as relações de esquemas ao nível causal (se-então), desenvolvido por Minsky, foi denominado de enquadramento:

uma estrutura para representar algum tipo de ambiente ou de situação estereotipados, tais como ficar em uma sala-de-estar, ir a uma festa de aniversário infantil ou ir a um restaurante. [...] Ligados a cada enquadramento há três tipos de informações: (1) como usar o enquadramento; (2) o que se espera que aconteça a seguir; e (3) o que fazer, se as expectativas sobre o que aconteceria a seguir não forem, realmente, confirmadas (In: Sternberg, 2000, p.186).

84 _{O cientista norte-americano Marvin Lee Minsky (1927-presente) foi um dos fundadores do Massachussetts}

Institute of Technology (MIT), onde se desenvolveram os projetos de pesquisa pioneiros em ciências da computação, tais como o desenvolvimento das linguagens de programação LISP e LOGO. LISP é abreviação de LISt Processing (uma família de linguagens de programação concebida por John McCarthy em 1958, onde a lista é a estrutura fundamental de dados). Já LOGO se refere a uma linguagem de programação interpretada, com o objetivo de desenvolver o aprendizado em crianças e aprendizes em programação e seu ambiente mais tradicional é a tartaruga gráfica. Minsky foi também um dos pioneiros da robótica mecânica baseada em inteligência e telepresença. Também desenvolveu o projeto que construiu uma das primeiras mãos mecânicas com sensores táteis, scanners visuais, com softwares e interfaces de computadores. Também desenvolveu e construiu a primeira tartaruga mecânica para o LOGO. Em 1951 ele construiu a primeira rede de aprendizagem neural chamada de SNARC (Stochastic Neural-Analog Reinforcement Computer), baseada no reforçamento simulado de coeficientes de transmissão sináptica.

As pesquisas sobre representação do conhecimento e processamento de informação se desenvolveram a partir das noções de rede semântica: um modelo alternativo para representar o conhecimento declarativo mediante um conjunto de elementos interconectados. Os conceitos são identificados como “nós” e as conexões entre estes nós (conceitos) são chamadas de relações classificadas85.

Collins e Quillian (1969) desenvolveram o modelo computacional em rede hierárquica de informações semânticas. Esta noção foi inspirada na capacidade humana de manipular um grande número de informações com muita rapidez: uma espécie de economia

cognitiva, evitando o máximo possível de redundâncias em um raciocínio.

O modelo de rede computadorizado, embora demonstrasse a economia cognitiva, não representava fielmente como os humanos tratam as informações, como procedemos quando, em determinadas tarefas, é exigido o uso rápido de informações semânticas armazenadas na memória. Em vista disso, o modelo de rede semântica foi alterado, levando em conta que, numa dada tarefa, os humanos não manipulam informações em relações hierárquicas exatas, mas sim mediante a freqüência de associações mentais. Não basta representar o conhecimento declarativo. É preciso representar o “como” realizamos tarefas: o conhecimento de procedimento ou

procedural.

As idéias de Shannon, mais uma vez, influenciaram significativamente o campo agora da neurologia, promovendo um novo modelo neuronal que foi desenvolvido em 1943 por Warren McCulloch e Walter Pitts. As pesquisas de McCulloch e Pitts nos forneceram a noção de que operações realizadas por uma célula nervosa, assim como as operações realizadas por suas conexões com outras, a rede neural, poderiam ser descritas e modeladas logicamente, tornando possível, então, conceber os neurônios em termos lógicos. Os impulsos nervosos são entendidos similarmente ao processamento computacional, mediante processamento de tudo-ou-nada: em termos de operações do cálculo proposicional.

McCulloch e Pitts propuseram uma estrutura de neurônio artificial baseado no neurônio biológico. Entretanto, havia uma limitação: este modelo neuronal artificial possuía uma natureza binária. Esta idéia de funcionamento do sistema nervoso central baseado em uma

85 _{Sobre relações classificadas, Sternberg (2000) usa o seguinte exemplo: uma relação “é um” conecta-se o conceito}

“porco” com o conceito “mamífero” quando esta conexão envolver qualidades de membro de uma categoria. Quando envolver atributos a um conceito temos o seguinte exemplo: “peludo” que se conecta com “mamífero”. As relações classificadas podem ser ainda alguma relação semântica, baseada no significado.

representação do tipo tudo-ou-nada, pode ter sido o principal motivo do pouco sucesso inicialmente obtido pelas redes neuronais. O funcionamento do modelo tudo-ou-nada pode ser descrito intuitivamente como operações de cálculo proposicional: se os sinais que entram um neurônio (input) conseguem ultrapassá-lo, a saída toma valor um; se não o ultrapassar, toma valor zero. Por isso, podemos afirmar que tanto as entradas como as saídas do neurônio são binárias.

As críticas à possibilidade de simulação computacional da inteligência humana não são poucas. Searle, por exemplo, contesta tal presunção, principalmente em seu artigo Minds,

brains and programs86, com o argumento do quarto chinês. O argumento procura demonstrar a falibilidade e a insuficiência da proposta da IA Forte. Lembremos o argumento: imagine uma pessoa, o operador, que desconhece a língua chinesa dentro de um quarto equipado com uma variedade de caixas que contêm cartas escritas em ideogramas chineses. Junto com estas caixas, há também um manual de instruções com a seqüência dos caracteres chineses. O operador dispõe os caracteres das cartas em seqüência e as deposita nas caixas corretas em uma ordem correta e as dá a alguém que está fora do quarto. Pelo fato de o operador desconhecer chinês, ele está produzindo um output sem nenhum entendimento do significado, não podendo elaborar nenhuma frase que contenha significado. Porém, seguindo as instruções que estão no manual, o operador consegue produzir, mesmo sem saber o que produziu, uma frase inteligível para um falante de chinês: o output do Quarto Chinês.

O argumento de Searle é o seguinte: do output em forma de uma frase em chinês que o operador emite para a outra pessoa, fora do quarto, não é possível advogar o conhecimento e a compreensão do chinês por parte do operador. Quem formulou o manual de instruções para o operador e aquele que lê as cartas devolvidas do quarto sabem o chinês. Analogicamente, referente ao computador, quem pensa é o programador e o usuário do computador, mas jamais a máquina que executa o programa e fornece um output ao usuário.