“Se as pessoas não acreditam que a Matemática é simples, é porque não imaginam como a vida é complicada.”
Joseph Von Neumann, 1947

Quando Leslie Valiant ganhou o Prémio Turing (equivalente ao Nobel da Computação) referente a 2010, promovido pela ACM, o foco da justificação foi o trabalho então desenvolvido (as contribuições inovadoras) na teoria da aprendizagem computacional (vulgo Machine Learning), com ligações à Matemática e à Ciência Cognitiva, e na teoria da ciência da computação (nomeadamente, na Complexidade Computacional), o que permitiu avanços na Inteligência Artificial (IA), levando a aplicações do processamento da língua natural, do reconhecimento da escrita e da visão por computador. Mais propriamente, um modelo da aprendizagem (Probably Approximately Correct ou PAC) e algoritmos que adaptam o seu comportamento, em resposta à realimentação do ambiente envolvente. Os grupos de I&DE da IA abraçaram o seu ponto de vista, nos anos seguintes, através da conceção de ferramentas críticas para o projeto de sistemas inteligentes (casos da Google, Apple, IBM, Facebook, Amazon, Microsoft), como o Watson da IBM.

O que impressionou, e também o júri do Prémio, foram as intuições e a sua perspicácia para a interdisciplinaridade, além da criatividade das ideias e a sua enorme aplicabilidade (Medicina, Processamento de Imagens, Teoria dos Jogos, Transportes).

Valiant acredita que a ciência da aprendizagem permanece apenas explorada parcialmente, e que o uso das previsões (via a Aprendizagem) no mundo atual, tão sujeito às mudanças e às surpresas, é particularmente interessante. Por exemplo, os sistemas biológicos são altamente adaptativos, e compreender o que eles fazem, passo a passo, e porquê tem êxito, levaram-no a considerá-los como tópicos ideais para uma teoria da aprendizagem e da ciência da computação.

A escolha mais crítica para um cientista tem a ver com os problemas em que vai trabalhar, e assim Valiant isolou uma das questões que foi a que se refere à possibilidade de especificar o que significa para um processo mecânico (mecanismo) aprender efetivamente. Se defendemos que uma máquina pode fazer isto, o que é razoável então perguntar, questionou Valiant. A sua definição de aprendizagem, provavelmente e aproximadamente correta (PAC), é uma especificação. É quantitativa e assim deu-lhe um modo de comparar os algoritmos diferentes de aprendizagem, em relação a quanta computação fazem, a quantas experiências necessitam, e a quão bem generalizam. E, de facto, isto permitiu desenvolver algoritmos de aprendizagem mais úteis.

A procura de algoritmos, por detrás da vida, levou Valiant a inventar o conceito de ecoritmo (algoritmo de aprendizagem cujo desempenho é avaliado contra a entrada que recebe de um mundo não controlado e imprevisível) para se aproximar dos mistérios da evolução e da mente. O mundo biológico, no seu núcleo, é computacional e esta convicção de Valiant enraíza-se na equivalência que ele encontra entre os cérebros e os computadores. Por exemplo, a classificação automática das caras de gatos, em fotografias, é hoje possível através de redes de aprendizagem profunda (DeepLearning). A ideia dos ecoritmos é explorar computacionalmente organismos biológicos ou espécies inteiras. E, isto, inspira-se na equivalência entre os modos como os indivíduos aprendem e como também evoluem os sistemas ecológicos, o que poderá conduzir à fusão das ciências da vida com a ciência da computação.

Mas o que é a aprendizagem? É um tipo de cálculo, onde o objetivo é realizar um bom desempenho num mundo que não é modelado à frente do tempo. Um algoritmo de aprendizagem recebe observações desse mundo, e decide o que fazer, sendo depois avaliado pela decisão que for tomada. Ora, todo o conhecimento que qualquer indivíduo tem deve ser adquirido quer através da aprendizagem, ou via um processo evolucionário. E, se isto é verdade, então a aprendizagem individual e os processos evolucionários deverão ter uma teoria unificada para fornecer as explicações.

Para Valiant, a computação é uma ferramenta para estudar as ciências naturais, e o grande interesse de Alan Turing (pioneiro da computação e da IA) era precisamente os fenómenos naturais, em particular a inteligência, os limites do cálculo mecânico e a formação de padrões. Valiant acredita que os algoritmos, que a natureza usa, são sensíveis e compreensíveis, e que não precisa de intuições que nós somos incapazes de ter. Valiant pensou que a inteligência é também feita com processos tangíveis, mecânicos e compreensíveis. E, por isso é que compreendemos a inteligência que colocamos nas máquinas, de forma a tornar o seu comportamento suficientemente previsível. Quer isto dizer, que não devemos recear as super inteligências, e, também, que elas ultrapassem a nossa capacidade de as controlar.

Referências
Valiant, L. Evolvability, Journal of the ACM, 2007.
Searching for the Algorithms Underlying Life, Valiant Interview by Quanta Magazine, January 28, 2016.