Trabalhar em Ciência é um exercício não linear
Imagem cedida por HC
“Todo o conhecimento – passado, presente e futuro – pode ser derivado a partir de dados e através de um algoritmo simples e universal de aprendizagem.”
Pedro Domingues, The Master Algorithm, Penguin Book, 2015
A Ciência alargou-se, cresceu. O nosso conhecimento também. E, a ignorância foi desafiada. Muitos anotaram esses movimentos em torno dos mistérios (Morin, 2017), curiosos com as interligações e as infeções dos saberes.
Mas, donde vem o conhecimento? Primeiro da evolução, depois da experiência e cultura, e ainda dos computadores, capazes de nos ajudarem a descobrir novos recursos. Um dos meios é explorar as oportunidades graças à aprendizagem automática, capaz de identificar lacunas entre as partes do conhecimento.
A discussão da unificação, por exemplo na Ciência da Complexidade (a procura de uma Teoria Geral), ocupou os cientistas no Santa Fe Institute, durante alguns anos, embora os resultados tenham sido pobres. Do mesmo modo, a tentativa de encontrar um algoritmo mestre (Domingos, 2015), através da combinação de cinco vias de trabalho (raciocínio indutivo, conexionismo, computação evolutiva, teorema de Bayes e modelação analógica), também não produziu consequências palpáveis. Constituir “todos” coerentes, em que as “partes” se articulem harmonicamente parece uma demanda do Graal. A questão desafiadora é: “Poderão indivíduos (componentes) se juntar para construir coletivos coerentes e interventores?”, e, de tempos a tempos, essa pergunta regressa, tenta impor-se e convencer-nos que é uma solução tentadora. Por exemplo, no caso do cancro não basta descobrir as características únicas de uma multitude de doenças, sem vislumbrar que mecanismos se escondem por detrás.
Trabalhar em Ciência é um exercício não linear. Vai-se em frente e às arrecuas, com paragens durante o percurso. Não existe uma única linha a unir os encontros, as descobertas, a junção de saberes, ou mesmo os diálogos infindáveis sobre as contradições. Olhar para o conhecimento/ignorância é pouco: entre as duas palavras escondem-se mistérios e terrenos de confrontação como nas guerras. Não se espere que uma próxima batalha signifique o fim da luta, ou uma espera prolongada.
Alguns constroem grafos, tentando descrever conexões (redes) entre as disciplinas, por exemplo entre as Ciências da Complexidade e a Neurobiologia, a Linguística e a Inteligência Artificial (Compreensão do Texto), a Psicologia, a Antropologia e a Inteligência Artificial (Simulação Social), ou entre a Neurociência (Sistema Nervoso) e a Linguística, ensaiando pressentir contágios, intromissões ou mesmo importações de ideias (mecanismos). Este modo de cartografar ajudas para visualizar arranjos entre componentes (circuitos), capazes de imitar fragmentos de interações com significados criativos. Muitas vezes poucas disciplinas (2-3-4) convergem para recriar funcionamentos curiosos que num outro contexto ajudam a desenhar sistemas mais engenhosos.
O que faz que 2, 3, 4 ou 5 disciplinas se encontrem para dialogarem e colaborarem umas com as outras? Quando necessitamos de uma peça que faça a diferença? De facto, ao misturarmos várias obtemos algo que é capaz de realizar uma nova função, de fabricar um fenómeno, de aumentar uma capacidade ou de estabelecer uma ponte. Ao montarmos diversos elementos complicamos um resultado, e esse acrescento pode servir ou não para refazermos os propósitos de um organismo.
Neste exercício permanente de experimentar será que ganhamos uma impressão do que é uma Teoria Geral da Complexidade? Claro que obtemos sensibilidade às dinâmicas criadas, mas estamos ainda longe de ver a unificação das partes em presença. Explicar, prever ou sugerir políticas de encaixe aponta para uma palete de métodos prováveis [modelo físico, analogia (via simulação apoiada em agentes), ou mesmo a indução], e uma saída alternativa será fazer misturas. A busca de um algoritmo mestre segue essa via de recurso (Domingos, 2015).