Groenlândia vs África: Uma Ilusão Cartográfica

Se você já olhou para um mapa-múndi e pensou “Como a Groenlândia pode ser do tamanho da África?”, então já percebeu que algo está errado.

Mapa-mundi na Projeção de Mercator.
A projeção de Mercator preserva os ângulos (úteis para navegação), mas distorce bastante a área, especialmente perto dos polos, fazendo com que a Groenlândia pareça muito maior em relação à África do que realmente é. Imagem: Wikimedia Commons

A Groenlândia não é comparável à África em tamanho, nem de longe. A África é cerca de 14 vezes maior. Ainda assim, por séculos, o mapa-múndi mais difundido sugeriu o contrário. Isso não é coincidência, erro ou simples curiosidade. É o resultado de uma projeção cartográfica específica, a chamada projeção de Mercator, e suas consequências vão muito além da cartografia.

A Impossível Tarefa de Fazer Mapas

A Terra é (aproximadamente) uma esfera. Mapas são planos. Transformar uma coisa na outra é matematicamente impossível sem distorção. Toda projeção cartográfica precisa escolher o que preservar e o que sacrificar.

Trajetória de rumo constante.
Trajetória de rumo constante, chamada linha de rumo. Imagem: Wikimedia Commons

A projeção de Mercator, apresentada em 1569 por Gerardus Mercator, fez uma escolha muito clara: preservar ângulos e direções. Para navegadores em mar aberto, isso foi revolucionário. Uma linha reta em um mapa de Mercator corresponde a um rumo constante na bússola. Na era das grandes navegações, isso salvou vidas. Mas preservar direções tem um custo.

O Custo: Distorção de Área em Grande Escala

Para manter os ângulos corretos, a projeção de Mercator estica o espaço verticalmente à medida que nos afastamos do equador. Quanto maior a latitude, maior a distorção. Nos polos, essa distorção se torna infinita, e por isso eles nunca aparecem nos mapas de Mercator “verdadeiros”, originais.

Isso significa que as regiões próximas ao equador são representadas de forma relativamente fiel. Mas regiões de altas latitudes são enormemente ampliadas.

Groenlândia, Europa do Norte, Rússia, Canadá, tudo cresce desproporcionalmente. África, América do Sul, Sudeste Asiático – onde vive a maior parte da humanidade – ficam visualmente comprimidos. A matemática é neutra. O efeito, não.

Groenlândia vs. África: Uma Mentira Visual que Aprendemos Cedo

Vejamos os números:

Em mapas de Mercator, elas parecem comparáveis. Na realidade, a África poderia conter a Groenlândia mais de uma dúzia de vezes.

Quando crianças e jovens crescem vendo a África representada como “pequena” e a Europa como “grande”, é plausível que eles internalizem uma noção distorcida do tamanho relativo das nações no cenário global muito antes de aprenderem geopolítica, economia ou história. Mapas treinam silenciosamente a intuição, e a intuição orienta o julgamento.

Poder, Percepção e Imaginação Política

É aqui que a cartografia se torna política. Quando a África é sistematicamente mostrada como pequena, isso convida, ainda que de forma sutil, ao desprezo. Um continente que parece reduzido no papel é mais fácil de imaginar como marginal, subdesenvolvido ou dispensável. Quando a Groenlândia aparece gigantesca, vazia, branca, dominante, ela desperta fantasias estratégicas, disputas por recursos e até ideias de conquista. Isso não acontece porque mapas causam imperialismo ou conflitos. Acontece porque eles moldam o cenário mental no qual decisões políticas são tomadas.

Líderes mal informados não começam com más intenções; começam com intuições equivocadas. Se a imagem mental do mundo exagera o tamanho e a centralidade do Norte Global e minimiza o Sul Global, decisões sobre intervenção, negligência, extração ou “interesse estratégico” já nascem enviesadas, antes mesmo da leitura do primeiro relatório de inteligência.

Ninguém em 1569 criou a projeção de Mercator para servir ao poder colonial. Mas continuar a colocá-la no centro da educação, da mídia e das instituições hoje já não é mais inocente.

Distorção como Amplificador

É importante ser claro: a projeção de Mercator não é a raiz dos conflitos humanos. Mas ela atua como um amplificador de equívocos. Ela reforça uma hierarquia visual: o que é grande parece importante; o que é pequeno parece descartável; o que está na periferia se torna ignorável.

Ao longo dos séculos, essa hierarquia coincidiu de forma desconfortável com a história da colonização, da exploração e das desigualdades globais. Quando combinada com ignorância, nacionalismo ou ambição, a geografia distorcida se torna mais um fator que normaliza o tratamento desigual de povos e territórios. Por certo mapas não determinam políticas, mas fazem certas políticas parecerem mais “naturais” do que outras.

Destronar Mercator

No mundo contemporâneo, a justificativa original da projeção de Mercator praticamente desapareceu. Não navegamos mais traçando rumos em mapas pendurados na parede; GPS e sistemas digitais substituíram cartas náuticas; Hoje, precisamos mais de noções corretas de escala, população e equilíbrio global do que de linhas de rumo.

Mapa-mundi em projeção de áreas equivalente.
As projeções de áreas equivalentes (como Equal-Earth, Gall-Peters ou Lambert) preservam os tamanhos relativos reais dos continentes, representando, assim, a área muito maior da África de forma mais adequada. Ainda assim, distorcem as direções leste-oeste, mas grande parte dessa distorção é transferida para os oceanos, onde há poucas ou nenhuma massa de terra. Imagem: Wikimedia Commons

Existem muitas alternativas; projeções de área equivalente ou de compromisso, que oferecem uma visão muito mais honesta do planeta. Nenhuma é perfeita. Mas várias são menos enganosas. Manter Mercator como o mapa-padrão apenas reflete um hábito cultural; não é uma necessidade técnica.

Convite a Uma Visão Mais Honesta

Adotar projeções mais realistas não vai resolver a injustiça global nem acabar com guerras. Mas elimina uma distorção persistente na forma como imaginamos o planeta e nosso lugar nele. Não precisamos de mapas que privilegiem conveniências do século XVI. Precisamos de mapas que reflitam o mundo como ele realmente é: vasto, desigual, interconectado e compartilhado.

A projeção de Mercator cumpriu seu papel. O mundo mudou. Apegarmo-nos a ela hoje não preserva a tradição; preserva, sim, a distorção. Se queremos menos ilusões sobre poder, tamanho e importância, devemos começar corrigindo a imagem na parede. Mapas moldam mentes e mentes, cedo ou tarde, moldam a história.

O Preço da Fama: por que ser um cantor famoso pode encurtar sua vida

Além de hacker medíocre e cientista da computação de meia pataca, eu também acumulo a função de (aclamado) cantor de churrascaria em um pedaço desse mundão Cerrado que é o interior de São Paulo.

Elvis cantando em pé de olhos fechados, com a guitarra pendendo do pescoço
O grande Elvis, falecido precocemente aos 40 anos- Imagem: Wikimedia

Assim, eu não poderia deixar de trazer para meu blog de ciência e tecnologia minha revisão pessoal deste espetacular estudo, talvez o primeiro a enfocar a vida dessas “charadas embrulhadas em mistérios dentro de um enigma” que são os cantores. Trago sentimentos agridoces, contudo, por razões que exponho no Apêndice [aos Mileniais indico que o Apêndice vem no final do texto]. Vamos a ela.


Na era das redes sociais e da cultura das celebridades 24 horas por dia, 7 dias por semana, a fama é frequentemente retratada como um objetivo final; um passaporte para riqueza, influência e adulação. Mas um novo estudo publicado no Journal of Epidemiology & Community Health sugere que a fama pode ter um custo biológico oculto: um risco elevado de morte prematura para aqueles que a alcançam.

Em vez de ser apenas uma observação curiosa sobre a mitologia do rock and roll, esta pesquisa fornece evidências rigorosas que conectam o status de celebridade ao risco de mortalidade, mesmo quando comparado a pessoas com carreiras semelhantes.

A grande questão: a fama aumenta o risco de morte precoce?

Pesquisas anteriores mostraram que músicos famosos geralmente morrem mais jovens do que a população em geral. No entanto, esses estudos não conseguiram determinar se a fama era a culpada ou se o estilo de vida e as pressões de ser um músico profissional eram os verdadeiros responsáveis. Este novo estudo aborda essa lacuna comparando cantores famosos com cantores menos famosos, mas, crucialmente, com grupos pareados por fatores-chave como idade, sexo, nacionalidade, etnia, gênero musical e se eram artistas solo ou membros de bandas.

Ao isolar a fama de outras variáveis ​​profissionais e demográficas, os pesquisadores puderam explorar com mais segurança se a própria fama estava associada ao risco de mortalidade.

Desenho do estudo: uma abordagem caso-controle pareada

A base do estudo é seu desenho retrospectivo caso-controle pareado. Os pesquisadores examinaram um total de 648 cantores:

  • 324 cantores famosos selecionados da lista dos 2000 Maiores Artistas de Todos os Tempos.
  • 324 cantores menos famosos pareados, identificados por meio do Discogs e outros bancos de dados públicos de música.

O objetivo era garantir que ambos os grupos fossem o mais semelhantes possível, exceto por uma diferença fundamental: a conquista da fama. Ao fazer isso, o estudo minimiza variáveis ​​de confusão que poderiam distorcer os resultados, como diferenças de gênero musical ou histórico demográfico.

O status de fama foi determinado usando dados de paradas musicais e rankings publicados, e os cantores foram incluídos apenas se estivessem em atividade entre 1950 e 1990 – um período suficientemente longo para permitir dados robustos de mortalidade até o final de 2023.

Principais descobertas: a fama está ligada a maior risco de mortalidade

O resultado mais surpreendente é que cantores famosos apresentaram um risco de morte significativamente maior em comparação com seus pares menos conhecidos.

Cantores famosos apresentaram um risco de mortalidade 33% maior em comparação com cantores menos famosos com características semelhantes.

Em média, cantores famosos viveram cerca de 4,6 anos a menos – aproximadamente 75 anos contra 79 anos para cantores menos famosos.

Estatisticamente, esses achados foram confirmados usando curvas de sobrevivência de Kaplan-Meier e análise de regressão de Cox, ferramentas típicas em epidemiologia para avaliar desfechos de tempo até um determinado evento, como a morte.

Era realmente a fama ou algo mais?

Uma preocupação fundamental em estudos como este é a causalidade reversa – a ideia de que uma morte precoce poderia, por si só, tornar alguém mais famoso (como sempre foi sugerido em relação aos membros do chamado Clube dos 27). Os pesquisadores abordaram isso incluindo uma análise com variação temporal, que essencialmente examina a mortalidade antes e depois do início da fama, em vez de tratar a fama como uma característica estática. Mesmo neste modelo, a fama permaneceu significativamente associada ao aumento do risco de mortalidade, o que implica que o risco surge depois que a fama é alcançada, e não apenas porque músicos famosos morrem jovens.

Artistas solo enfrentam riscos ainda maiores

Outra descoberta intrigante foi que artistas solo tendem a apresentar maior risco de mortalidade do que cantores que fazem parte de bandas. Os autores sugerem que isso pode refletir os benefícios do apoio emocional ou social que acompanham a participação em um grupo, algo que artistas solo, que muitas vezes são o rosto de uma marca, podem não ter.

Tudo isso está em consonância com pesquisas mais amplas que mostram que a conexão social influencia os resultados de saúde, ou seja, pessoas com redes de apoio social mais fortes tendem a viver vidas mais longas e saudáveis.

Por que a fama pode ser prejudicial?

Os pesquisadores discutem uma série de mecanismos que podem explicar por que a fama contribui para o risco de mortalidade:

  • Estresse crônico devido ao escrutínio público: A atenção constante da mídia e a perda de privacidade podem alimentar a ansiedade e a depressão.
  • Pressão por desempenho: A expectativa de se manter relevante, fazer turnês incessantemente e produzir sucessos pode impor uma tensão psicológica severa.
  • Comportamentos prejudiciais de enfrentamento: O uso de substâncias (álcool, drogas) pode se tornar normalizado ou mais acessível em círculos de celebridades, aumentando os riscos à saúde.
  • Isolamento: Paradoxalmente, a fama pode isolar os indivíduos de seus sistemas de apoio habituais, como família e amigos de longa data.

É importante ressaltar que os pesquisadores observam que, embora músicos famosos geralmente tenham um status socioeconômico mais elevado, o que é tipicamente associado a uma vida mais longa, o impacto negativo da fama parece superar essa vantagem.

Limitações a serem consideradas

Nenhum estudo é perfeito. Os pesquisadores reconhecem diversas limitações:

As descobertas não são necessariamente generalizáveis ​​globalmente já que a amostra foca em cantores da Europa e da América do Norte; Não está claro se efeitos semelhantes seriam encontrados em outras áreas de fama, como cinema, esportes ou mídias sociais; Os dados foram baseados em registros públicos, que podem conter erros de medição no momento da morte ou na classificação.

O que este estudo significa

Esta pesquisa oferece um dos exames mais controlados até o momento sobre a fama como fator de risco para mortalidade precoce. Ela fornece evidências confiáveis ​​de que os holofotes podem ter um custo significativo, mesmo para aqueles com riqueza e sucesso profissional.

Se isso se traduzirá em estratégias práticas de saúde pública é uma questão em aberto, mas o estudo destaca a necessidade de maior apoio à saúde mental, recursos para gerenciamento do estresse e estruturas de apoio social para pessoas que se encontram repentinamente sob os holofotes.

Enfim

A fama pode trazer adoração, riqueza e influência, mas este estudo sugere que ela também vem acompanhada de pressões profundas que podem ter um impacto mensurável na saúde e na longevidade. Para quem busca o estrelato, é um lembrete de que o bem-estar importa e que o sucesso é mais saudável quando equilibrado com apoio e autocuidado.

Artigo original

Journal of Epidemiology & Community Health

https://jech.bmj.com/content/early/2025/11/30/jech-2025-224589


Apêndice

Voltando a falar sobre mim, ser um zero total em termos de fama significa que eu alcancei a invisibilidade epidemiológica perfeita. Sem coortes. Sem taxas de risco. Sem curva de Kaplan-Meier com meu nome. Meu status é tipo “elite dos sobreviventes!”

Não sou “menos famoso”, como coloca o estudo. Eu sou pré-famoso, pós-famoso, quase-famoso ou apenas não-famoso. E por não ser famoso, nem “menos famoso”, para este estudo não sou sequer um ponto de dados; sou um erro de arredondamento que nunca chegou à planilha. Ufa!

O estudo não pode me atingir. A revisão por pares não tem jurisdição na churrascaria.

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/

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

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.