Categoria: Ciência

Publicado em in Ciência, Neurociências, Pesquisa de I.A.

AI não é Páreo para as Sutilezas Humanas

Faço uma resenha crítica de um artigo muito pertinente publicado no MIT Press Reader , de autoria dos psicólogos Amos Tversky e Daniel Kahneman. O trabalho trata de dois grandes grupos de problemas e suas e implicações e correlações com o pensamento humano e com a inteligência de máquina.

As nuances humanas
Imagem: Pexels.com

A ênfase das abordagens computacionais da inteligência que nos acostumamos a ver no noticiário tem sido colocada em problemas formais e bem estruturados; problemas que têm um objetivo claro e um número definido de soluções possíveis. Esses problemas são os que podem ser, portanto, resolvidos por um algoritmo.

Mas nós, humanos, somos criativos, irracionais e inconsistentes. Concentrar-se nesses problemas bem estruturados às vezes pode ser enganoso e improdutivo – como o proverbial bêbado a procurar as chaves perdidas ao redor do poste, só porque ali é onde a luz brilha mais forte.

Os autores argumentam que existem dois grupos de problemas que são muito típicos da inteligência humana e merecem um olhar atento.

Um grupo contém os chamados problemas de insight. Os problemas de insight geralmente não podem ser resolvidos por um procedimento passo a passo, como um algoritmo, ou, quando podem, o processo se torna extremamente tedioso. Em vez disso, os problemas de insight exigem a reestruturação da própria abordagem do solucionador do problema.

Outro grupo são os problemas de procedimento [no artigo original é usada a expressão “problems of path” – problemas de caminho]. Em problemas de procedimento o solucionador tem disponível uma representação, que inclui um estado inicial, um estado objetivo e um conjunto de ferramentas ou operadores que podem ser aplicados para percorrer a representação. Em problemas de insight o solucionador não tem essas balizas.

Com problemas de procedimanto o solucionador geralmente pode avaliar quão próximo o estado atual do sistema está do estado objetivo. A maioria dos algoritmos de aprendizado de máquina depende desse tipo de avaliação.

Com problemas de insight, por outro lado, muitas vezes é difícil determinar se houve algum progresso até que o problema seja essencialmente resolvido. O que chamaríamos “efeito eureka” ou “momento aha!”, uma compreensão repentina de uma solução anteriormente incompreensível.

Insights são para humanos

De acordo com os autores, os problemas de insight podem ser representados de diversas maneiras. A maneira como você pensa sobre um problema, ou seja, como você representa o problema, pode ser fundamental para resolvê-lo.

Muito pouco se sabe sobre como resolvemos problemas de insight. Esses problemas são normalmente difíceis de estudar em laboratório com muita profundidade, porque as pessoas tễm uma dificuldade natural em descrever as etapas que percorrem para resolvê-los. A maior parte desses problemas pode ser resolvida com a obtenção de um ou dois insights secundários capazes de mudar a natureza do enfoque sobre eles.

Todos nós sabemos que as pessoas nem sempre se comportam da maneira estritamente sistemática necessária para o pensamento rigorosamente lógico. Esses desvios não são falhas ou erros no pensamento humano, mas características essenciais sem as quais provavelmente a inteligência não evoluiria.

Normalmente não parecemos prestar muita atenção às partes formais de um problema – especialmente quando fazemos escolhas arriscadas. Tversky e Kahneman descobriram que as pessoas fazem escolhas diferentes quando apresentadas às mesmas alternativas, dependendo de como essas alternativas sejam descritas.

Em alguns dos testes realizados, as pessoas preferiam o resultado certo ao incerto, quando o certo era enquadrado num tom positivo, e preferiam a alternativa incerta à certa, quando a certa era enquadrada num tom negativo. Com efeito, a estrutura ou tom das alternativas modulou a disposição dos participantes em aceitar o risco.

Nossas decisões, sejam elas corretas ou incorretas, sempre são produzidas pelos mesmos processos cognitivos. Ao contrário dos computadores, somos relativamente limitados no que podemos manter na memória ativa ao mesmo tempo.

Processos rápidos, processos lentos

Temos uma complexidade no nosso pensamento e processos intelectuais que nem sempre trabalha a nosso favor. Tiramos conclusões precipitadas. Somos mais facilmente persuadidos pelos argumentos que se adequam às nossas visões preconcebidas, ou que são apresentados num contexto ou noutro. Às vezes nos comportamos como computadores, mas na maioria das vezes somos desleixados e inconsistentes.

Daniel Kahneman descreve a mente humana como consistindo de dois sistemas, um que é rápido, relativamente impreciso e automático, e um outro que é lento, deliberado, e demora para chegar a uma conclusão mas, quando finalmente chega, é consistentemente mais preciso.

O primeiro sistema, diz ele, é ativado quando você vê a imagem de uma pessoa e percebe que ela está com raiva e provavelmente gritará. O segundo sistema é acionado quando você tenta resolver um problema de multiplicação como 17 × 32. O reconhecimento da raiva, em essência, surge em nossa mente sem nenhum esforço óbvio, mas o problema de matemática requer esforço deliberado e talvez a ajuda de lápis e papel (ou uma calculadora).

O que ele chama de segundo sistema está muito próximo do estado atual da inteligência artificial. Envolve esforços deliberados e sistemáticos que exigem o uso de invenções cognitivas.

O desenvolvimento dos sitemas computacionais inteligentes concentrou-se no tipo de trabalho realizado pelo sistema deliberado, embora o sistema automático ativado pelo reflexo possa ser tão ou mais importante. E pode ser mais desafiador de emular em um computador.

Mais fatos interessantes [em inglês] seguindo o link:

https://thereader.mitpress.mit.edu/ai-insight-problems-quirks-human-intelligence/

Publicado em in Ciência, Pesquisa de I.A.

Uma (muito) Rápida Introdução à ‘Inteligência Artificial’

O poder de computação ao alcance das pessoas começou a crescer rapidamente, aos trancos e barrancos, na virada do milênio, quando as unidades de processamento gráfico (GPUs) começaram a ser aproveitadas para cálculos não gráficos, uma tendência que se tornou cada vez mais difundida na última década.

Ainda não temos uma Teoria da Mente, que possa nos dar uma base para a construção de uma verdadeira inteligência senciente. Aqui a distinção entre as disciplinas que formam o campo da Inteligência Artificial

Mas as demandas da computação de “Aprendizado Profundo” [Deep Learning] têm aumentado ainda mais rápido. Essa dinâmica estimulou os engenheiros a desenvolver aceleradores de hardware voltados especificamente para o aprendizado profundo [o que se conhece popularmente como ‘Inteligência Artificial’], sendo a Unidade de Processamento de Tensor (TPU) do Google um excelente exemplo.

Aqui, descreverei resumidamente o processo geral do aprendizado de máquina. Em meio a reportagens cataclísmicas anunciando o iminente desabamento do Céu, precisamos saber um pouco sobre como os computadores realmente executam cálculos de redes neurais.

Visão geral

Quase invariavelmente, os neurônios artificiais são ‘construídos’ [na verdade eles são virtuais] usando um software especial executado em algum tipo de computador eletrônico digital.

Esse software fornece a um determinado neurônio da rede várias entradas e uma saída. O estado de cada neurônio depende da soma ponderada de suas entradas, à qual uma função não linear, chamada função de ativação, é aplicada. O resultado, a saída desse neurônio, torna-se então uma entrada para vários outros neurônios, em um processo em cascata.

As camadas de neurônios interagem entre si. Cada círculo representa um neurônio, em uma visão muito esquemática. À esquerda (em amarelo) a camada de entrada. Ao centro, em azul e verde, as camadas ocultas, que refinam os dados, aplicando pesos variados a cada neurônio. À direita, em vermelho, a camada de saída, com o resultado final.

Por questões de eficiência computacional, esses neurônios são agrupados em camadas, com neurônios conectados apenas a neurônios em camadas adjacentes. A vantagem de organizar as coisas dessa maneira, ao invés de permitir conexões entre quaisquer dois neurônios, é que isso permite que certos truques matemáticos de álgebra linear sejam usados ​​para acelerar os cálculos.

Embora os cálculos de álgebra linear não sejam toda a história, eles são a parte mais exigente do aprendizado profundo em termos de computação, principalmente à medida que o tamanho das redes aumenta. Isso é verdadeiro para ambas as fases do aprendizado de máquina:

  • O treinamento – processo de determinar quais pesos aplicar às entradas de cada neurônio.
  • A inferência – processo deflagrado quando a rede neural está fornecendo os resultados desejados.
Concepção do processo de treinamento de máquina, dos dados brutos, à esquerda, ao modelo completo.

Matrizes

O que são esses misteriosos cálculos de álgebra linear? Na verdade eles não são tão complicados. Eles envolvem operações com matrizes, que são apenas arranjos retangulares de números – planilhas, se preferir, menos os cabeçalhos de coluna descritivos que você encontra em um arquivo Excel típico.

É bom que as coisas sejam assim, porque o hardware de um computador moderno é otimizado exatamente para operações com matriz, que sempre foram o pão com manteiga da computação de alto desempenho – muito antes de o aprendizado de máquina se tornar popular. Os cálculos matriciais relevantes para o aprendizado profundo se resumem essencialmente a um grande número de operações de multiplicação e acumulação, em que pares de números são multiplicados entre si e seus produtos somados.

Ao longo dos anos, o aprendizado profundo foi exigindo um número cada vez maior dessas operações de multiplicação e acumulação. Considere LeNet, uma rede neural pioneira, projetada para fazer classificação de imagens. Em 1998, demonstrou superar o desempenho de outras técnicas de máquina para reconhecer letras e numerais manuscritos. Mas em 2012 o AlexNet, uma rede neural que processava cerca de 1.600 vezes mais operações de multiplicação e acumulação do que o LeNet, foi capaz de reconhecer milhares de diferentes tipos de objetos em imagens.

Gráfico tridimensional ilustrando o processo de inferência, partindo de dados brutos dispersos (embaixo à direita) até o refinamento final (após muitas iterações de inferência), onde o resultado (ou predição) é obtido.

Aliviar a pegada de CO2

Avançar do sucesso inicial do LeNet para o AlexNet exigiu quase 11 duplicações do desempenho de computação. Durante os 14 anos que se passaram, a lei de Moore ditava grande parte desse aumento. O desafio tem sido manter essa tendência agora que a lei de Moore dá sinais de que está perdendo força. A solução de sempre é simplesmente injetar mais recursos – tempo, dinheiro e energia – no problema.

Como resultado, o treinamento das grandes redes neurais tem deixado uma pegada ambiental significativa. Um estudo de 2019 descobriu, por exemplo, que o treinamento de um determinado tipo de rede neural profunda para o processamento de linguagem natural emite cinco vezes mais CO2 do que um automóvel durante toda a sua vida útil.

Os aprimoramentos nos computadores eletrônicos digitais com certeza permitiram que o aprendizado profundo florescesse. Mas isso não significa que a única maneira de realizar cálculos de redes neurais seja necessariamente através dessas máquinas. Décadas atrás, quando os computadores digitais ainda eram relativamente primitivos, os engenheiros lidavam com cálculos difíceis como esses usando computadores analógicos.

À medida que a eletrônica digital evoluiu, esses computadores analógicos foram sendo deixados de lado. Mas pode ser hora voltar a essa estratégia mais uma vez, em particular nestes tempos em que cálculos analógicos podem ser feitos oticamente de forma natural.

Nos próximas postagens vou trazer os mais recentes desenvolvimentos em fotônica aplicada ao aprendizado de máquina – em uma arquitetura analógica! Estamos, sem dúvida, vivendo tempos interessantes neste campo promissor.

Fonte de pesquisa: spectrum.ieee.org

Publicado em in Ciência, Filosofia

Pequena Ode à Matemática

Acho maravilhosas as histórias de aprendizagem ao longo da vida. Em algum momento da minha vida eu também tive que perceber que o aprendizado era em si mesmo a chave para a realização pessoal, e não uma ferramenta para criar coisas.

Matemática
Imagem: pexels.com

Levei metade do meu tempo sobre este planeta para perceber que nossas criações são marcadores temporários de nosso crescimento e tendem a ser pontos culminantes, isolados, na vida; aqueles do quais nos lembramos. Mas somente o aprendizado constante e anônimo nos permite continuar a crescer.

Eu amo matemática desde que me vi sentado em uma aula de álgebra na 5ª série – o mundo adulto finalmente estava ao meu alcance, fantasiava eu inocentemente. Não foi até o colegial técnico, no entanto, quando fui apresentado ao conceito de números imaginários e a raiz quadrada de menos um, que comecei a ver na matemática uma certa mágica que estranhamente desafiava a lógica, em vez de defini-la.

Uma vez que você vê alguém usar abstrações matemáticas para resolver problemas do mundo real, você começa a ver Deus na máquina. A multiplicação de 1 por i, a unidade imaginaria (1 x i) é geometricamente equivalente a uma rotação de 90 graus. Assim, podemos usar esse princípio para fazer algo concreto. E, de fato, fazemos; esse princípio é usado nos smartphones para mapear a rotação da tela. Portanto, às vezes é preciso entrar no reino dos números imaginários para encontrar uma solução – multiplicar por i – que pode ser aplicada aos problemas do mundo real. Mas os professores parecem nunca nos dar exemplos simples como esse em sala de aula.

Por um aprendizado natural

Se a matemática fosse ensinada às crianças na escola primária por verdadeiros amantes da matéria, provavelmente encorajaríamos mais crianças a apreciar a matemática e toda a sua maravilhosa simplicidade. Ou se talvez o ensino de matemática pudesse começar com a teoria dos conjuntos – que traz conceitos instintivos (união, intersecção, pertencer, não pertencer) – ao invés da abstrata teoria dos números e suas operações.

Nosso sistema de ensino obriga os professores a focar em um rigor desnecessário em que a resposta a um problema colocado sempre deve ser estritamente correta ou incorreta. Isso conflita com a função básica do sistema de ensino que é estimular nas crianças e jovens o exercício do processo mental, o algoritmo do pensamento – para não dizer que, em algumas áreas, também conflita com o Princípio da Incerteza de Heisenbeg.

Como grande parte dos alunos hoje faz seus trabalhos e exames em computadores, os professores não revisam fisicamente o rascunho dos trabalhos escolares/acadêmicos e portanto não vêem o desenvolvimento do processo de pensamento de seus alunos/orientados. Além disso, como a maioria dos professores naturalmente não é acadêmica, por uma questão de praticidade eles ensinam simplesmente da maneira que é indicada na edição do professor do livro didático.

Há muitas maneiras de pensar sobre problemas matemáticos. Se os alunos pudessem ser encorajados a pensar em formas inusitadas e originais de atacar os problemas, talvez então não incutiríamos tanta ansiedade e aversão à matemática na tenra idade.

Beleza e utilidade

Além de bela a matemática também é incrivelmente útil. Assuntos como teoria dos grupos e geometria diferencial, que começaram como matemática pura, desempenharam papéis importantes na física de altas energias e na relatividade geral, respectivamente. O campo relativamente novo da informação quântica é bastante matemático, extraindo resultados da teoria dos grupos – que generaliza a citada teoria dos conjuntos – e da teoria dos números, também acima mencionada, bem como de outras áreas da matemática. Em suma, o universo fala matemática.

Encorajamento familiar

O fator que mais determina como as crianças vêem e se comportam em relação à matemática é o que os adultos lhes dizem. Os pais muitas vezes se tornam o maior obstáculo no aprimoramento dos métodos de ensino de matemática porque eles mesmos trazem uma bagagem equivocada [“você nunca vai usar na vida real”, “matemática é difícil mesmo”]. A pobreza dos estímulos ambientais na era das redes sociais e da economia da atenção também têm sua cota de contribuição para este estado de coisas.

Estudos mostram que mais da metade dos calouros universitários que pretendem se formar em ciências ou engenharia desistem após a primeira aula de matemática na faculdade porque não tiram A e acabam por achar que é muito difícil. Frequentemente os adultos são os principais culpados.

Não podemos ser um país de artistas e sociólogos apenas, por mais exuberantes que eles sejam. Temos necessidade vital de ciência bruta e das várias engenharias. O promissor campo da inteligência artificial usa uma matemática pesada. Temos uma enorme escassez de professores e outros especialistas qualificados em matemática. Não podemos perder de vista o simples fato de que todo nosso estilo de vida baseado na tecnologia depende criticamente da matemática.

Epílogo

Recentemente de volta à universidade para uma nova rodada de estudos, enquanto eu refazia alguns dos cursos tive vários momentos de gratidão às estrelas por ter sempre entendido que aquelas matérias como matrizes, derivações e integrações, e propriedades como a propriedade associativa e a propriedade comutativa, não eram apenas extras inconsequentes; eram fundamentais não apenas para entender matemática, mas para entender muitas outras coisas nos sistemas compostos por humanos.

Desde o início da minha vida profissional, tentei ao máximo vincular a matemática ao mundo real e às “disciplinas do mundo”. Alguns campos da matemática, até aqueles que não consideramos relacionados à matemática, são fundamentais, e podem fazer a diferença em situações pessoais decisivas. Não apenas os campos óbvios da física, química, engenharia e economia.

  • A evolução da história está repleta de conexões com grandes descobertas e desenvolvimentos matemáticos;
  • Obviamente, entender o funcionamento interno do corpo humano depende principalmente da matemática;
  • O mesmo com as artes em geral e a música em particular.

Antes da era romana, os filósofos gregos criaram alguns dos fundamentos da lógica matemática. Após a queda de Roma, os árabes inventaram a álgebra e muitos outros desenvolvimentos. Nossos ancestrais culturais, os romanos, no entanto, embora usassem a geometria constantemente em sua fenomenal engenharia, praticamente nada contribuíram para o desenvolvimento formal da matemática.

Talvez eles estivessem ocupados demais a promover guerras e conquistas.

Se alguém por acaso lê isto, lembro que este é o mês de aniversário do blog – 2 anos, e temi não ter tempo para postar esta peça. Teria sido lamentável; o único mês sem postagem na curta história do blog. Ufa, não desta vez.

A partir de abril vou começar a escrever bastante sobre AI e visão de computador. Na próxima semana trago um post sobre meu sensacional – e único – dataset para visão de computador na pecuária, minha nova paixão. Conteúdo altamente informativo em que o destaque é a busca da adaptação da IA ao ambiente brasileiro. Vamos aprender juntos.

Publicado em in Ciência, Mudanças Climáticas, Vox Leone

COP27: 3 coisas que um cientista do clima quer que os líderes mundiais saibam

Por Andrew King – The Conversation

Icebergs no oceano próximo a um vale. A elevação do nível do mar devido ao derretimento da calota de gelo da Groenlândia é agora considerada inevitável. Foto AP/Mstyslav Chernov, Arquivo

Líderes mundiais e especialistas em clima estão se reunindo para conversas cruciais sobre mudanças climáticas patrocinadas pelas Nações Unidas no Egito. Conhecida como COP27, a conferência vai ter como objetivo colocar a Terra no caminho para alcançar emissões líquidas zero e manter o aquecimento global bem abaixo de 2℃ neste século.

O mundo precisa se descarbonizar rapidamente para evitar os efeitos mais danosos das mudanças climáticas. Os líderes mundiais sabem disso. Mas esse conhecimento tem que se transformar urgentemente em compromissos e planos concretos.

Se a humanidade continuar em seu caminho atual, deixaremos um mundo mais quente e mortal para as crianças de hoje e todas as gerações futuras.

A Terra precisa desesperadamente da COP27 para ter sucesso. Sou cientista do clima e acredito que os líderes mundiais deveriam ter três coisas em mente antes da conferência.

1. Nosso planeta está inegavelmente em crise

Até agora, a Terra aqueceu pouco mais de 1℃ em relação aos níveis pré-industriais, o que significa que já danificamos o sistema climático. Nossas emissões de gases de efeito estufa já fizeram com que o nível do mar subisse, o gelo do mar encolhesse e o oceano se tornasse mais ácido.

Eventos extremos nos últimos anos – particularmente ondas de calor – têm as impressões digitais das mudanças climáticas em todos eles. O calor recorde no oeste da América do Norte em 2021 viu grandes incêndios florestais e sobrecarga da infraestrutura. E no início deste ano, as temperaturas no Reino Unido atingiram 40℃ mortais pela primeira vez no registro histórico.

O oceano também sofreu uma sucessão de ondas de calor marinhas que branquearam os recifes de coral e reduziram a diversidade de espécies que eles hospedam. As ondas de calor vão piorar enquanto continuarmos a aquecer o planeta.

Assustadoramente, corremos o risco de levar o clima a um novo e perigoso regime, trazendo consequências ainda piores. Pesquisas publicadas em setembro reportam que estamos à beira de passar por cinco grandes “pontos de inflexão” climáticos, como o colapso da camada de gelo da Groenlândia. Passar por esses pontos irá travar o planeta em ciclos contínuos de danos ao clima, mesmo que todas as emissões de gases de efeito estufa cessem.

A saúde humana também está em jogo. Pesquisas realizadas no mês passado revelaram que a crise climática está prejudicando a saúde pública por meio, por exemplo, da maior disseminação de doenças infecciosas, poluição do ar e escassez de alimentos.

Entre suas descobertas preocupantes, as mortes relacionadas ao calor em bebês com menos de um ano e adultos com mais de 65 anos aumentaram 68% em 2017-2021, em comparação com 2000-2004.

As gerações futuras não podem se dar ao luxo de hesitar em ações para reduzir as emissões.

2. A redução das emissões está muito lenta

Alguns países, particularmente na Europa, estão conseguindo reduzir as emissões de gases de efeito estufa por meio da transição para energia renovável.

Mas globalmente isso não está acontecendo rápido o suficiente. Um relatório da ONU esta semana descobriu que mesmo se as nações cumprirem suas metas de ação climática para 2030, a Terra ainda continuará a aquecer cerca de 2,5 ℃ neste século – superando a meta do Acordo de Paris de manter o aquecimento global bem abaixo de 2 ℃.

Esse aquecimento seria desastroso, especialmente nas partes mais pobres do mundo que pouco contribuíram para as emissões globais.

Por décadas, o mundo tem falado em reduzir as emissões de dióxido de carbono. Mas as emissões globais anuais aumentaram mais de 50% durante minha vida, e desde a primeira COP em 1992. A ONU adverte que ainda não há “caminho confiável” para limitar o aquecimento a 1,5 ℃.

Até chegarmos perto de emissões líquidas zero, a quantidade de CO₂ em nossa atmosfera vai aumentar e o planeta ficará mais quente. No ritmo atual, estamos aquecendo o planeta em cerca de 0,2 ℃ a cada década.

As emissões globais de dióxido de carbono permanecem próximas de recordes e quase quadruplicaram desde 1960. Global Carbon Project

3. O imobilismo precisa acabar

Com tantos desafios que o mundo enfrenta, incluindo a invasão russa da Ucrânia e a crise do custo de vida, pode ser tentador ver as mudanças climáticas como um problema que pode esperar. Esta seria uma ideia terrível.

A mudança climática só vai piorar. Cada ano de atraso torna muito mais difícil impedir que as projeções climáticas mais perigosas se tornem realidade.

Somente esforços conjuntos de todas as nações evitarão a destruição de nossos ecossistemas mais sensíveis, como os recifes de coral. Devemos fazer tudo o que pudermos para impedir isso, abandonando os combustíveis fósseis. Qualquer novo desenvolvimento de combustível fóssil vai apenas piorar o problema e custará muito mais à humanidade e ao meio ambiente no futuro.

E, no entanto, a Agência Internacional de Energia projetou na semana passada que a receita líquida dos produtores de petróleo e gás dobrará em 2022 “para US$ 4 trilhões sem precedentes”, um ganho inesperado de US$ 2 trilhões.

Não podemos, como disse a ativista climática Greta Thunberg, apenas ter mais “blá, blá, blá” dos líderes mundiais na COP27 – precisamos de ações concretas para reduzir as emissões de gases de efeito estufa.

E agora?

A COP27 precisa levar a uma rápida transição para longe dos combustíveis fósseis, incluindo banir novos desenvolvimentos na área de combustíveis fósseis, e mais apoio aos países que lidam com os maiores impactos das mudanças climáticas. Temos que estar em um caminho confiável para alcançar emissões líquidas globais zero nas próximas poucas décadas.

A falta de progresso nas negociações climáticas globais anteriores significa que não estou otimista que a COP27 alcançará o que é necessário. Mas espero que os líderes mundiais provem que estou errado e não decepcionem suas nações.

*VL: Nossa modestíssima contribuição para o exito dessa importante iniciativa. Texto reproduzido sob licença Creative Commons – CC BY-SA

Publicado em in Auto Tech, Ciência, Comportamento, Sustentabilidade, tecnologia

Elon Musk versus ASG e suas contradições

Meses atrás o S&P 500 chutou a fabricante de veículos elétricos Tesla para fora de seu índice ASG como parte de uma atualização anual da lista. Enquanto isso, Apple, Microsoft, Amazon e até mesmo a multinacional de petróleo Exxon Mobil permanecem.

Imagem: Pexels

Como reportado pela CNBC em maio passado, o índice S&P 500 ESG usa dados ambientais, sociais e de governança para classificar e efetivamente recomendar empresas aos investidores. Seus critérios incluem centenas de pontos de dados, agregados por empresa, relacionados à forma como os negócios afetam o planeta e atendem às partes interessadas além dos acionistas – incluindo clientes, funcionários, fornecedores, parceiros e vizinhos. As alterações no índice entraram em vigor em 2 de maio, e uma das responsáveis pelas mudanças índice, Margareth Dorn, explicou em seu blog o problema com a empresa de Musk.

Ela disse que a “falta de uma estratégia de baixo carbono” e “códigos de conduta empresarial” da Tesla, juntamente com episódios de racismo e as más condições de trabalho relatadas na fábrica da Tesla em Fremont, Califórnia, afetaram a pontuação. “Embora a Tesla possa estar desempenhando seu papel ao tirar os carros movidos a combustível das ruas, ela ficou para trás de seus pares quando examinada por uma lente ASG mais ampla”, escreveu a porta-voz da S&P.

A Tesla notoriamente sempre teve uma avaliação baixa, não apenas no aspecto ambiental. Sua cultura empresarial sempre angariou antipatias. No Twitter, o CEO da Tesla, Elon Musk, disse que a S&P Global Ratings “perdeu sua integridade” e “foi aparelhada com falsos guerreiros da justiça social”.

Algo inesperado

Quer dizer então que a Tesla, empresa que mostrou como fazer carros elétricos que as pessoas realmente desejam — carros que podem ser carregados por energia solar (lembre-se que a Tesla também administra a Solar City), e uma das poucas empresas líderes em mostrar que os Estados Unidos ainda podem fabricar coisas não está apta, enquanto Exxon, um dos maiores poluidores do mundo, aparece como um missionário ambiental?

Não é bem assim

A Tesla certamente deu vida ao mercado de carros elétricos, e não há absolutamente nenhuma dúvida quanto a isso. Mas não basta apenas tê-los introduzido para as massas – a maioria dos carros elétricos não são Teslas.

O problema é que outros fabricantes têm a “vantagem do segundo empreendedor”, e a Tesla simplesmente não tem inovado o suficiente para se manter à frente e reter os benefícios de ser o primeiro. Por exemplo, os concorrentes agora alcançaram um ótimo nível de rendimento do conjunto motor/baterias enquanto a Tesla, no momento, não tem nenhum avanço que lhe permita ficar à frente deles.

Se, portanto, a Tesla não tem condições de de mostrar que é mais verde que a concorrência e liderar o mercado, é razoável, por mais crédito que mereça por impulsionar o mercado no passado, dizer que atualmente ela não possui credenciais particularmente fortes em termos de tecnologia verde.

Você não pode simplesmente fazer algo grande em um ponto fixo no tempo e esperar ser bem avaliado por isso para sempre se os outros pegarem o que você fez e fizerem ainda melhor. Obviamente não é assim que os índices funcionam.

Eu arriscaria dizer que o maior problema é que Musk se esticou demais. Por um tempo ele esteve realmente a conduzir a Tesla em várias questões-chave, como a autonomia das baterias. Agora ele parece estar desinteressado e tem se distraído com coisas como mídia social – com sua vacilante oferta ao Twitter. Aparentemente ele precisa voltar seu foco para empreendimentos como Tesla e SpaceX para que possa começar a levá-los de volta à frente da concorrência novamente e para recuperar o valor da Tesla. Caso contrário, acabará como “apenas mais um fabricante de veículos elétricos”.

A pergunta de um milhão de dólares

Por que, afinal, o mercado deveria se preocupar com coisas relacionadas à justiça social? A propósito, as grandes corporações já demonstraram que nunca são “responsáveis”. A aparência de ser responsável geralmente é a única coisa que importa para elas. Por acaso elas já deram aos grupos de Diversidade, Equidade e Inclusão alguma “Equity”? Deram elas algum assento no conselho de diretores aos países pobres da África?

O engraçado é que as preocupações ambientais e as preocupações com a justiça social geralmente estão em conflito direto. As preocupações de justiça ambiental e social muitas vezes estão em desacordo consigo mesmas. Pense na fazenda solar que invade espaços selvagens, ou na desativação de uma usina de carvão em uma comunidade muito pobre, mas cuja substituição custa empregos e aumenta os preços da energia (o que afeta desproporcionalmente os pobres). Claro que existem algumas proposições ASG que parecem sábias quando vistas ao telescópio, mas a maioria delas simplesmente não é. Como categoria o ASG traz profundas contradições em si.

Isso não quer dizer que os dados solicitados e coligidos pelo índice sejam inúteis ou não importantes. É fundamental conhecer a demografia dos funcionários, estatísticas ambientais, bem como ter um corpo de boas regras corporativas. Mas a ideia de estabelecer algum tipo de pontuação empresarial por altos valores morais em ASG é simplesmente estúpida, e nisso tenho que concordar com Musk.

Pessoalmente eu penso que quem realmente quer colocar seu dinheiro onde está sua moral, deve investir em empresas dentro de categorias que se alinhem com seus valores. Você fará mais bem apoiando uma empresa de gás natural que está a projetar usinas de hidrogênio (e deixando claro que é por isso que você fez esse investimento) do que investindo no Google porque ele comprou alguns créditos de carbono.

Mais um artefato da guerra cultural

Ao contrário dos solenes órgãos do “establishment” do jornalismo corporativo, a mídia independente – oi! – costuma ser muito direta sobre as deficiências do ASG. O podcast Breaking Points recentemente trouxe muitos detalhes sobre as recentes operações do governo americano junto ao Deutsche Bank e Goldman Sachs por suposta “greenwashing” [lavagem verde]. Além dos grandes bancos, os políticos também estão jogando rápido e solto com o novo rótulo. Em maio um comissário da União Européia chegou a chamar o gás natural de “fonte de energia verde”(!).

Sem surpresa, o rótulo ASG agora se tornou outra arma da guerra cultural travada para desacreditar adversários políticos. Usada pela direita como uma crítica ao movimento “woke”, e pela esquerda como forma de denunciar o “greenwashing” em empresas de setores que considera “malandros” (como petróleo e gás), a sigla se tornou precocemente datada.

Mas a verdadeira tragédia é que os padrões ASG continuarão a alimentar o crescente ceticismo em relação às mudanças climáticas e aqueles que divulgam de boa fé seus perigos potenciais. Infelizmente, para os céticos todas as iniciativas contra as mudanças climáticas parecem enganosas, não importa como sejam apresentadas, o que leva a crer que eles provavelmente jamais serão persuadidos.

ASG tem todas as características de uma farsa. Faríamos bem em descartar o rótulo junto com todos os males associados a ele.

*Em tempo: até os fundos ASG estão investindo em ações da empresas de Big Oil: Link

Post Scriptum

A Tesla vem sobrevivendo porque as grandes empresas de automóveis ainda não querem fazer elétricos; eles querem fazer picapes de alta margem de lucro e loucamente poluentes. A Tesla foi beneficiária de um esquema que lhe transferiu enormes somas de dinheiro da Ford & GM em troca da venda de carros elétricos. Basicamente, um subsídio indireto do governo, já que o custo de reduzir a poluição efetivamente foi repassado para os compradores de picapes – essencialmente um imposto para quem precisa de uma picape.

Mas, bem, a Ford tem uma picape elétrica a caminho. A GM não vai ficar muito atrás. Não há mais créditos de carbono para a Tesla. Não há mais almoços grátis.

Eu diria que em 10 anos poderemos ver uma fusão/assimilação da Tesla com/por um dos grandes fabricantes automotivos. Principalmente para acesso destes a patentes e engenheiros.