<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Aranea Science on Medium]]></title>
        <description><![CDATA[Stories by Aranea Science on Medium]]></description>
        <link>https://medium.com/@solifugae123?source=rss-edd732d35adc------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*mdAKKQFhUvr9PWquK_s0Ww.jpeg</url>
            <title>Stories by Aranea Science on Medium</title>
            <link>https://medium.com/@solifugae123?source=rss-edd732d35adc------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 21:01:01 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@solifugae123/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[The False Zombies Problem (FZP)]]></title>
            <link>https://solifugae123.medium.com/the-false-zombies-algorithm-12b41181ef49?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/12b41181ef49</guid>
            <category><![CDATA[science]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[tech]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Tue, 01 Feb 2022 20:00:32 GMT</pubDate>
            <atom:updated>2024-05-11T18:58:34.214Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/863/1*XIDah3tc0P5tb_EjlrhDKw.png" /><figcaption>Poster da Temporada 11 de The Walking Dead</figcaption></figure><blockquote>“A matemática é uma coleção de truques baratos e piadas sujas.”<strong> -Lipman Bers</strong></blockquote><p>A muito a dizer sobre <strong>algoritmos evolucionários, algoritmos meméticos, populacionais e genéticos,</strong> que foram criações criativas que no fim foram aplicadas de uma forma ou outra <strong>a problemas complexos</strong> da teoria da computação.</p><p>Um exemplo bem criativo é o de<strong> (Karaboga, 2010)</strong>, que se baseando na forma que abelhas se comportavam, ele criou um algoritmo populacional vem diferente e criativo.</p><p>A<strong>s abelhas empregadas e não empregadas</strong> tinham por foco achar comida da forma mais eficiente possível. A posição da comida no ambiente<strong> ao redor da colmeia e a qualidade dela</strong> é o objetivo dessa optimização, encontrar a melhor possível <strong>da forma mais eficiente e organizada</strong>.</p><p>Isso mostra como às vezes as ideias mais estranhas na ciência da computação, <strong>podem ser úteis para diversos problemas</strong> que nenhuma solução foi ainda encontrada. E o objetivo desse post é mostrar algo semelhante.</p><h3>O problema dos Zumbis falsos em uma horda</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*TeYT989Fs8vwCbJd" /><figcaption><a href="https://www.deviantart.com/joakimolofsson/art/Zombie-Horde-340699376">https://www.deviantart.com/joakimolofsson/art/Zombie-Horde-340699376</a></figcaption></figure><p>Eu tive essa ideia desse problema <strong>assistindo a última temporada de The Walking Dead, </strong>uma série que abandonei há um tempo <strong>mais voltei recentemente</strong>, lembrando o que aconteceu nos quadrinhos em que ela é baseada.</p><p>Tem uma parte <strong>em que Negan e Maggie</strong>, dois personagens importante na série colocam máscaras de Zumbis <strong>e controlam uma horda para atacar a base</strong> inimiga.</p><p>Os inimigos até sabem <strong>que há zumbis potencialmente falsos na horda</strong> dado a eliminação de um soldado anteriormente, <strong>mas eles não tem como saber quem são os falsos e os verdadeiros </strong>e nem balas o suficiente para destruir todos, o que seria mais eficiente, embora custoso. A sobrevivência deles dependia disto.</p><p><strong>Então podemos definir o problema como:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/853/1*vy_QRhTZ1aZP8KB_LD95nw.png" /></figure><p>Em que Y pode ser <strong>um set de zumbis falsos quaisquer </strong>que você deve achar da forma mais eficiente possível. E<strong> C0 seria a posição da sua base, na qual eles não podem chegar, </strong>e T o tempo relógio que faria você perder, e deixa o problema mais difícil.</p><p>Se você encontrar <strong>uma solução decente para o problema</strong>, talvez diminuir o tempo mínimo te deixe em maus lençóis.</p><p>Uma descrição simples <strong>desse espaço bidimensional seria</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/319/1*BzZm6DqnF6yqm5tp0ZyWfQ.png" /></figure><p><strong>Eu troquei de Y para Z a notação relacionada os zumbis falsos</strong> para ficar mais simples de visualizar. E ainda assim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/588/1*8_WNApbUDEZWG_wStoFhqw.png" /></figure><p>Agora o que quero dizer acima,<strong> é que conforme os zumbis verdadeiros X e os falsos Z se aproximam ao longo do tempo</strong> de C0 que é nossa base, o seu dever é fazer algo dentro do tempo mínimo estabelecido, nesse caso os encontre.</p><p><strong>Em que (pi * ab )ao quadrado é a área dessa elips</strong>e que é uma forma legal de visualizar o problema, mas não precisa ser assim necessariamente assim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*L6rLywnPKG4sO97JOCSIsA.png" /><figcaption>Adaptado de: <a href="https://www.indiedb.com/games/here-we-remain/images/horde-base-attack">https://www.indiedb.com/games/here-we-remain/images/horde-base-attack</a>.</figcaption></figure><p>Na minha visão <strong>esse problema fica mais fácil de visualizar dessa forma,</strong> em que você <strong>tem um grupo de elipses que representam o espaço </strong>que contém uma dada população de Zumbis, e seu objetivo é achar os falsos.</p><p>Cada elipse pode ter 10⁴, 10⁷, 10²⁰⁰,10⁵⁰⁰ Zumbis, <strong>e isso obviamente deixa o problema mais difícil </strong>quanto mais você aumentar o valor de N. O<strong> espaço dimensional das elipses </strong>têm que ser considerado também, para termos uma noção espacial do que acontece no ambiente deste sistema.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*OZUHfdc3dvda6GGq_PrYow.png" /></figure><p>Outra forma de ver esse problema é<strong> considerar que a base está em um ellipsoid como o acima</strong>, e o princípio é o mesmo, achar os zumbis falsos e verdadeiros só que agora em uma superfície diferente. O que vai <strong>mudar completamente o sistema</strong> e deixar o deixar ele mais complexo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/587/1*YwxrFOqtRxd-wABYXw9dHw.png" /><figcaption>Área de um Ellipsoid: <a href="https://www.johndcook.com/blog/2021/03/24/surface-area-ellipsoid/">https://www.johndcook.com/blog/2021/03/24/surface-area-ellipsoid/</a></figcaption></figure><p>Então agora você <strong>quer resolver esse problema</strong> considerando a área desse ellipsoid e trocando ela na equação anterior.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/533/1*HKtRxeEMXLXvTsybsZ5Lxg.png" /></figure><p>Essa é uma representação simplista nesse tipo de sistema, <strong>tentando ainda achar os elementos x </strong>(Zumbis verdadeiros) <strong>e z </strong>(Zumbis falsos) que são representados em uma geometria mais complexa que uma bidimensional.</p><p>Ainda assim, s<strong>ó definimos o problema sem dar uma solução para ele </strong>em si, que está em aberto e talvez será o foco de um post futuro.</p><h3><strong>Conclusão</strong></h3><p>Sugerimos um problema de clustering <strong>de dois tipos de Sets usando o conceito de Zumbis falsos e verdadeiros </strong>como base dele. Em tempo mínimo T, você deve achar o número total de Zumbis que querem chegar a sua base.</p><p>É gostoso fazer esse tipo de coisa teórica, <strong>mas esse é um problema de optimização que quando resolvido pode talvez elucidar</strong> como podemos resolver problemas complexos <strong>em um ambiente com recursos e limites </strong>que fazem a sua complexidade subir a alturas inalcançáveis a seres mortais <strong>e zumbis de plantão.</strong></p><p>By Michael R. dos Santos</p><p><strong>Referências:</strong></p><ol><li>Walsh, Bruce and Michael Lynch. <strong>“Evolution and Selection of Quantitative Traits.”</strong> <em>Oxford Scholarship Online</em> (2018): n. pag.</li><li>Dervis Karaboga, <strong>Artificial bee colony algorithm </strong>(2010), Scholarpedia, 5(3):6915.</li><li>Karaboga, Dervis and Celal Ozturk.<strong> “Fuzzy clustering with artificial bee colony algorithm.”</strong> (2010).</li><li>Karaboga D., Basturk B. (2007) <strong>Artificial Bee Colony (ABC) Optimization Algorithm for Solving Constrained Optimization Problem</strong>s. In: Melin P., Castillo O., Aguilar L.T., Kacprzyk J., Pedrycz W. (eds) Foundations of Fuzzy Logic and Soft Computing. IFSA 2007. Lecture Notes in Computer Science, vol 4529. Springer, Berlin, Heidelberg. <a href="https://doi.org/10.1007/978-3-540-72950-1_77">https://doi.org/10.1007/978-3-540-72950-1_77</a></li></ol><p><strong>Imagens usadas:</strong></p><ol><li><a href="https://www.deviantart.com/joakimolofsson/art/Zombie-Horde-340699376">https://www.deviantart.com/<strong>joakimolofsson</strong>/art/Zombie-Horde-340699376</a></li><li><a href="https://www.indiedb.com/games/here-we-remain/images/horde-base-attack">https://www.indiedb.com/games/here-we-remain/images/horde-base-attack</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=12b41181ef49" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Robótica Cognitiva com Vygostky ou Piaget?]]></title>
            <link>https://solifugae123.medium.com/rob%C3%B3tica-cognitiva-com-vygostky-ou-piaget-6e0e99857e42?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/6e0e99857e42</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[robotics]]></category>
            <category><![CDATA[tech]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[psychology]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Fri, 14 Jan 2022 22:07:23 GMT</pubDate>
            <atom:updated>2024-05-11T18:59:10.693Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A3Xmtv5RfrEaxTto1Y83cA.png" /></figure><p>Robôs como<strong> Tekkotsu</strong> (Touretzky, 2005), <strong>icub</strong> (Parmiggiani, 2012), geminoid- F( em Chikaraishi, 2017) mostram como a robótica têm avançado <strong>tendo como base não só as partes mecânicas e hidráulicas </strong>em si, mas construções que buscam um ambiente cognitivo para se adaptar.</p><p>Na visão de<strong> Hiroshi Ishiguro </strong>(Pesquisador Sênior na robótica Japonesa, com muitos benchmarks atingidos ao longo dos anos) do Ishiguro Labs, coisas como <strong>psicologia, sociologia, neurociência, filosofia</strong>, e várias áreas correlatas a essas são importantes para desenvolvermos robôs mais “vivos” <em>(Isso pode ser visto em Cognitive Neuroscience Robotics — Part A, Osaka University, Edx,.org. Além de (</em>Macdorman and Ishiguro, 2009 ; (Asada, 2009)<em>).</em></p><p>Essas áreas podem ser reunidas até certo ponto e com certos limites no que <strong>chamamos de robótica epigenética ou robótica cognitiva,</strong> em que o objetivo é criar um robô que <strong>simule os princípios</strong> que regem a nossa consciência.</p><p>Normalmente se começa <strong>com um sistema biológico mais simples como uma criança,</strong> já que a capacidade cognitiva dela é menor, simular um sistema assim é bem mais fácil a priori do que o de um adulto. Essa foi até uma sugestão em (Turing, 1950).</p><p>Por isso nesse tema <strong>uma área da psicologia é extremamente importante,</strong> a psicologia de desenvolvimento infantil. Ela tem como foco e<strong>ntender como desde o feto o ser humano vai constantemente </strong>aprendendo a falar, andar, se mover adequadamente, desenvolver capacidades lógicas, matemáticas e etc..</p><p>A psicologia <strong>mudou também nas últimas décadas</strong> ficando cada vez mais científica, não são apenas teorias filosóficas que a regem, e<strong>ntão experimentos são feitos constantemente</strong> para entendermos como essas habilidades se desenvolvem. Sim, não se usa mais Freud e Skinner, famosos no passado nesse tema.</p><p>São usados Scanners<strong> como fMRI’s, PET Scans, EEG, </strong>para analisarmos o comportamento metabólico<strong> e atividade cerebral</strong> envolvendo certas funções cerebrais que em conjunto produzem a fala, audição, tato e etc..</p><h3>Plataformas de Robótica Cognitiva</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/319/1*iW_1F0OmGPO5pD94538Crg.png" /><figcaption>Versão recente do iCub.</figcaption></figure><p>Existem plataformas de robótica cognitiva como o iCub, <strong>que é um robô semelhante a uma criança de 5 anos</strong>, que pode andar, interagir com objetos e de certa forma brincar com outras crianças.</p><p>Pesquisadores<strong> podem adquirir esse modelo do iCub </strong>para se ter uma base compartilhada de pesquisa em robótica cognitiva entre universidades. Assim todos podem <strong>desenvolver e aplicar suas soluções para esse robô</strong> e compartilhar com a comunidade.</p><p>Existem <strong>vários artigos usando ele como base</strong>, desde desenvolvimento de emoções, empatia até lógica matemática. Mas a pergunta é, como os modelos cognitivos devem ser para esse tipo de robô?</p><p>Como o objetivo<strong> é simular o comportamento de uma criança,</strong> que tipo de base psicológica e neurocientífica podemos usar para termos um norte sobre <strong>como lidar com esse sistema </strong>de uma forma baseada no ser humano.</p><p>Tem a questão <strong>do uso de IA</strong> como visto em (Qureshi, 2016), <strong>usando Q-Learning,</strong> uma técnica de Reinforcement Learning , para ensinar o android deles a imitar os movimentos de uma pessoa. Mas <strong>quais são os limites atuais da IA</strong> para termos resultados satisfatórios do aprendizado de um sistema como esse?</p><p>Se não entendermos <strong>como funciona a antropologia de uma criança no contexto cognitivo</strong>, não temos como o replicar de nenhuma forma do ponto de vista computacional, por isso é necessário <strong>termos modelos sociológicos </strong>que se adequem ao que queremos nos nossos robôs.</p><h3>De Piaget até Vygotsky</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/530/1*PGFpopDVRsYrOD4cAdTQ3Q.png" /><figcaption>Design de personagem do filme “Robôs” da infância à maturidade</figcaption></figure><p><strong>Duas teorias foram centrais na Psicologia de desenvolvimento infantil</strong> ao longos dos anos no século 20, uma focada em dizer que o aprendizado vem <strong>de algo que nascemos </strong>com e vai se desenvolvendo com o tempo e a outra <strong>que o ambiente</strong> de aprendizado é o fator mais importante no desenvolvimento da criança.</p><p>Na visão de Piaget, <strong>existem estágios de desenvolvimento </strong>que foram catalogados por ele através de experimentos de observação:</p><ol><li>O sensorimotor (de 0 à 2 anos)</li><li>Estágio Operacional (de 2 à 7anos)</li><li>Estágio Operacional Concreto (de 7 à 11 anos)</li><li>Estágio Operacional Formal (de 12 para cima)</li></ol><p>O problema com esses conceitos, <strong>é que com o tempo eles foram perdendo força</strong> conforme a psicologia começou até ter um ar mais científico e buscou <strong>validar esses resultados </strong>assim como foi com Freud e Skinner anteriormente, para ver se as ideias de Piaget realmente funcionavam.</p><p>Uma crítica seria que os estágios citados não são tão fixos quanto parecem e de certa forma sempre dão mais estima por crianças mais velhas (<strong><em>Ojose, 2008)</em></strong>. Na prática <strong>muitas dessas execuções cognitivas</strong> podem ocorrer antes do esperado e talvez não sejam tão amplas como desejado.</p><p>No contexto da robótica, <strong>podemos usar alguns conceitos de Piaget na prática</strong> no desenvolvimento progressivo do robô. Entendendo que há propriedades fundamentais <strong>que devem estar embutidas</strong> no seu aprendizado.</p><p>Uma analogia <strong>seria com o aprendizado de uma criança, </strong>que em certos momentos do seu desenvolvimento cerebral, adquiri as ferramentas certas <strong>para desenvolver a sua fala</strong>, lógica matemática e movimentos motores mais avançados, e usar jogos como<strong> xadrez, damas e video games</strong> que ajudam no seu desenvolvimento em várias questões cognitivas na infância.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/350/1*0pxidlMseWWv9huua1gQDA.png" /><figcaption>Jean Piaget.</figcaption></figure><p>Piaget <strong>chamava isso de Genética Epistemológica,</strong> no sentido que o objetivo seria entender <strong>a origem e desenvolvimento de como o conhecimento</strong> é processado ao longo dos estágios citados, com o foco em aprender como eles podem ser explorados para o amadurecimento da criança, <strong>o que ela é ou não capaz de aprender em certa idade</strong>.</p><p>Em (Piaget, 1927), ele descreve <strong>como a linguagem se desenvolve</strong> nesses diferentes estágios, questões centrais <strong>como egocentrismo no processo de desenvolvimento da fala</strong> e na forma que as crianças correspondem de forma social em certas situações. Que ela têm um individualismo maior que o de um adulto no geral <strong>durante 6 aos 8 anos.</strong></p><p>Algo importante seria entender nesse contexto, <strong>como as crianças usam o seu repertoire lexical</strong> nessa idade, porque elas <strong>já têm um banco de dados de palavras</strong> bem elevado comparado dos 3 aos 5 anos. Entender as engrenagens básicas desse aprendizado nesse estágio, <strong>poderia nos dar uma noção melhor</strong> do ponto de vista da <strong>Linguística computacional</strong>, e NLG (Natural Language generation), para melhorarmos essas áreas conforme o necessário.</p><p>Entender os mecanismos <strong>que dão vida a esse processo continuamente</strong>, é importante para criarmos IA’s que realmente conseguem superar uma criança na questão de conversação. <strong>Algo que o GPT-3</strong> e outros sistemas não realizaram ainda.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/369/1*_ovj_HdgDJbE7-dU4rJRsQ.png" /><figcaption>Lev Vygostky</figcaption></figure><p>Na visão de do Russo Vygotsky (meio que na opinião de Locke também), <strong>o ambiente que faz o aprendizado,</strong> esse seria o fator vital para ele acontecer, é nisso que essas duas teorias divergem, e essa questão é chamada de Nature vs. Nurture, ou Natureza vs. Ambiente.</p><p><strong>Algo bem conhecido nessa teoria é o ZPD</strong> (Zone of Proximal Development), que é o ambiente em que onde a criança <strong>aprende e amadurece</strong> com a ajuda de professores e colegas que o guiam. Isso seria <strong>extremamente importante para o desenvolvimento cognitivo</strong> de longo prazo dela, e permite que ela possa aprender mais rápido do que seria sozinha <em>(Powell e Kalina, 2009</em>).</p><p><strong>Scaffolding</strong> é um termo também usado por ele, <strong>em que um instrutor mais velho ensina </strong>de forma bem intuitiva o aluno para que ele consiga após esse empurrão se desenvolver sozinho nessa tarefa.</p><p>Um exemplo real comigo<strong> foi em um curso de desenho</strong>, que o nosso professor Luís (gostava muito de um cafezinho por sinal), um Espanhol formado na Belas artes da Espanha.</p><p>Ele nos ensinava primeiro de forma simples, como por exemplo, d<strong>esenhar um rosto, fazer sombreamento e finalizar a arte </strong>com nanquim. Mas depois de ensinar a primeira vez, <strong>você tinha de se virar,</strong> e era estranho perguntar para ele ensinar de novo, por que o objetivo é que com aquele leve ensinamento guiado você se desenvolva por conta, uma forma de aprendizado muito eficaz por sinal.</p><p>Nunca soube <strong>se ele teve influência da teoria de Vygostky </strong>na faculdade ou algo assim, mas com certeza é o princípio que temos em Scaffolding, e ele usava com maestria, <strong>e eu aprendi muito mais rápido a desenhar</strong> na época com ele.</p><p><strong>Citando o próprio:</strong></p><blockquote>O que uma criança <strong>é capaz de fazer em colaboração hoje</strong>, ela é capaz de fazer <strong>sozinha amanhã</strong> (citação de Vygotsky em [Doolittle,2009]).</blockquote><h3>Nature vs. Nurture na Robótica Cognitiva</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IX4ZH_3_IyHeSKAO7juYcA.png" /></figure><p>Parece no geral que é aceito <strong>que existem enormes diferenças dos pensamentos de Piaget e Vygotsky</strong>, como se essas duas teorias fossem antagônicas, mas isso não é verdade.</p><p>E esse pensamento <strong>está inserido nos cursos de psicologia cognitiva que eu fiz,</strong> e que nunca tiveram a opinião correta sobre a visão real do Vygotsky em sua totalidade.</p><p>(Moll, 1991) <strong>mostra claramente que dentro do construcionismo social dele,</strong> havia sim uma visão que a natureza do ser humano em si era também importante para o seu desenvolvimento.</p><blockquote>O sistema de atividades da criança<strong> é determinado por cada estágio específico,</strong> tanto pelo nível de desenvolvimento orgânico dela como por sua maestria em usar as ferramentas (Moll, 1991).</blockquote><p>No livro <strong>“The problem of the cultural development of the child”</strong> de Vygotsky traduzido para o inglês, vemos que ele não achava que o aprendizado <strong>era só algo externo na criança</strong>, mas algo que vem de dentro dela também e essa parte <strong>seria fundamental para o seu desenvolvimento</strong>.</p><p>Ele chega a citar<strong> o conceito de egocentrismo da criança de Piaget</strong>, que fala sobre <strong>como a linguagem vem primeiro de forma psicológica</strong> para depois ser processada de forma <strong>fisiológica</strong>. Parece um pouco com teorias dualistas da consciência.</p><p>Em certo sentido,<strong> Vygotsky via que as questões culturais </strong>mudam os processos cognitivos (a parte da natureza)da criança conforme a necessidade, conforme seus objetivos. Chamamos isso hoje de<strong> Plasticidade neural.</strong></p><h4><strong>Quem estava errado afinal?</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1015/1*hrvCKZG8tFsdKpUEA-oiyQ.png" /></figure><p>Atualmente sabemos <strong>que ambas as teorias contém parcelas de verdade,</strong> que juntas podem dar um entendimento psicológico de como a criança aprende a aprender.</p><p>Tanto <strong>processos cognitivos fundamentais</strong> e inerentes a todos os seres humanos, quanto o seu ambiente<strong> e forma de aprendizado na ZPD</strong> são importantes para o desenvolvimento delas.</p><p>Mas isso obviamente <strong>não as impede de no futuro ou mesmo nessa idade,</strong> aprender conceitos “sozinhos”, como matemática ou física. Mas as relações interpessoais super importantes para o construcionismo social s<strong>ão sim relevantes </strong>para o seu aprendizado e relações na escola e na sua comunidade local.</p><p><strong>E isso muda algo na Robótica Cognitiva?</strong> Mas é claro! Usando o iCub citado anteriormente como exemplo, d<strong>evemos dar a ele tanto propriedades fundamentais,</strong> morais, lógicos e de certa forma o bom senso que são inerentes em toda criança. Além da <strong>capacidade de linguagem</strong> usando NLP (Natural Language Processing)<strong> , NLG </strong>(Natural Language Generation), <strong>NLU</strong> (Natural Language Understanding).</p><p>De aprendizado com modelos de IA promissores nesse aspecto como <strong>Reinforcement Learning,</strong> Meta-Learning e Imitation Learning que têm uma estrutura legal para um robô cognitivo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/0*2FU27Js5jmy7lfQq.png" /><figcaption>Exemplo de <strong>Semi-Supervised Learning</strong></figcaption></figure><p>Uma boa analogia também com IA, <strong>é com o Scaffolding de Vygotsky</strong>, existe um modelo que lembra bem esse conceito, <strong>Semi-Supervised Learning</strong>, que tem o mesmo foco, ensinar o sistema a se virar de forma supervisada e não supervisada.</p><p>É literalmente isso, <strong>você tem um grupo de dados supervisados (categorizados) pequeno</strong>, e um grande grupo não supervisado, e <strong>ensinando o primeiro o sistema</strong> já tem uma noção do que tá acontecendo e tenta resolver o segundo grupo.</p><p>Às vezes parece que argumentos filosóficos <strong>têm sim certo valor do ponto de vista computacional,</strong> e o exemplo da teoria de Vygotsky com Semi-Supervised Lerning é um essencial na robótica cognitiva.</p><h3>Conclusão</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1013/1*roXKYx_w8im_BqdjcvxAkA.png" /></figure><p>Por fim, <strong>muita pesquisa ainda é necessária</strong> para avaliarmos quais são os melhores métodos <strong>de construir robôs que têm uma essência simulada</strong> mais humana do que seus predecessores.</p><p><strong>Por isso é importante assim como é dito em (Asada, 2009),</strong> que robótica cognitiva é sim <strong>uma área Multidisciplinar </strong>que necessita de vários pontos da neurociência, psicologia, sociologia e além <strong>para entendermos esses processos de forma mais coesa</strong>.</p><p>E isso é algo que o paper deles faz com maestria, é uma grande leitura como introdução e inspiração nesse tema.</p><p>Entender <strong>o que acontece tanto no desenvolvimento neural</strong> ao longo da vida da criança do ponto de vista biológico e fisiológico é tão importante quanto entender <strong>as questões sociológicas dos ambientes que cercam as crianças</strong>, e os robôs que seguirão os passos da criação divina, moldados apenas como vasos de barros que imitam o inatingível da melhor forma possível.</p><p>By Michael R. dos Santos</p><p><strong>Referências:</strong></p><ol><li>Touretzky, David S. and Ethan J. Tira-Thompson. “<strong>Tekkotsu: A Framework for AIBO Cognitive Robotics.”</strong> AAAI (2005).</li><li>Parmiggiani, A., Maggiali, M., Natale, L., Nori, F., Schmitz, A., Tsagarakis, N.G., Santos-Victor, J., Becchi, F., Sandini, G., &amp; Metta, G. (2012). <strong>The Design of the iCub humanoid Robot.</strong> Int. J. Humanoid Robotics, 9.</li><li>Mirolli, M., &amp; Parisi, D. (2011). <strong>Towards a Vygotskyan cognitive robotics: The role of language as a cognitive tool</strong>. New Ideas in Psychology, 29, 298–311.</li><li>Chikaraishi, Takenobu, Yuichiro Yoshikawa, Kohei Ogawa, Oriza Hirata, and Hiroshi Ishiguro. 2017. “<strong>Creation and Staging of Android Theatre “Sayonara”towards Developing Highly Human-Like Robots” </strong>Future Internet 9, no. 4: 75. <a href="https://www.youtube.com/redirect?event=video_description&amp;redir_token=QUFFLUhqbmY3NzN5YS1jT2tQQ2FIRzBHUTZCQ002dDhMUXxBQ3Jtc0tuVXJiUkhSQ0Y4T1dkakV3SzdycGhzOHRQWWpMMjZWb1hZOTJNOHRjNE4tSEJRSFFLY3JxSWM2azZKbVR2N0xRcU1wVTNJc25xWWVVOF93MGlBWHhKbFBQSlZGTEk2ZnY3MF8wb1pCcVJ2dERBZ2NCcw&amp;q=https%3A%2F%2Fdoi.org%2F10.3390%2Ffi9040075">https://doi.org/10.3390/fi9040075</a></li><li><strong>Cognitive Neuroscience Robotics</strong> — Part A, Osaka University, Edx,.org.</li><li>Macdorman and Ishiguro, <strong>The uncanny advantage of using androids in cognitive and social science research</strong>, Interaction Studies. Social Behaviour and Communication in Biological and Artificial Systemsinteraction Studies 7 (3):297–337 (2006).</li><li>Asada, Minoru et al. <strong>“Cognitive Developmental Robotics: A Survey.”</strong> <em>IEEE Transactions on Autonomous Mental Development</em> 1 (2009): 12–34.</li><li>Ojose, Bobby.<strong> “Applying Piaget’s Theory of Cognitive Development to Mathematics Instruction.”</strong> <em>The Mathematics Educator</em> 18 (2008): 26–30.</li><li>Brown and Desforges, <strong>Piaget’s Theory: A Psychological Critique</strong>, Routledge 2006, <a href="https://doi.org/10.4324/9780203715796">https://doi.org/10.4324/9780203715796</a>, ISBN9780203715796.</li><li>Piaget, Jean Inhelder Brbel. “<strong>The Language and Thought of the Child.</strong>(1927)<strong>” .</strong></li><li>Piaget, Jean Inhelder Brbel. “<strong>Play, Dreams and Imitation. ”</strong> .</li><li>Vygotsky, Lev Semyonovich. “<strong>The problem of the cultural development of the child</strong>.” (2009).</li><li>Powell, Katherine C. and C. Kalina. <strong>“Cognitive and Social Constructivism: Developing Tools for an Effective Classroom.”</strong> <em>Education 3–13</em> 130 (2009): 241–250.</li><li>Doolittle, Peter E.. <strong>“Understanding Cooperative Learning through Vygotsky’s Zone of Proximal Development.”</strong> (1995).</li><li>Moll, Ian. <strong>“The Material and the Social in Vygotsky’s Theory of Cognitive Development.”</strong> (1991).</li><li>A. M. Turing (1950) <strong>Computing Machinery and Intelligence</strong>. Mind 49: 433–460.</li><li>Qureshi et, al. <strong>Robot gains Social Intelligence through Multimodal Deep Reinforcement Learning,</strong> 2016 IEEE-RAS 16th International Conference on Humanoid Robots (Humanoids)</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6e0e99857e42" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Supremacia Quântica vs. Computação Clássica]]></title>
            <link>https://solifugae123.medium.com/supremacia-qu%C3%A2ntica-vs-computa%C3%A7%C3%A3o-cl%C3%A1ssica-ca104d1da125?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/ca104d1da125</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[tech]]></category>
            <category><![CDATA[quantum-computing]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Sat, 08 Jan 2022 15:19:13 GMT</pubDate>
            <atom:updated>2022-01-09T17:54:35.747Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/920/1*ivmA1mxzqk-3jz4pO3wMFQ.png" /><figcaption>The <a href="https://en.wikipedia.org/wiki/D-Wave_Two">D-Wave Two</a> 512 qubit Vesuvius chip in the package, ready for cooling to near-absolute zero. At D-Wave’s Canadian headquarters for their Board meeting.</figcaption></figure><p>A Computação <strong>quântica nasceu de forma embrionária nos papers</strong> de <em>(Feyman, 1982)</em>, <em>(Benioff, 1982)</em>, <em>(Deustch, 1985)</em>, posteriormente<em> (Chuang e Yamamoto, 1995)</em> mostraram um sistema de circuitos quânticos. Que além de <strong>estabelecerem os pontos positivos do tema,</strong> mostraram como ela poderia superar computadores clássicos em várias áreas da ciência.</p><p>Sendo que uma visão lendária <strong>do uso de sistemas quânticos para criação de uma moeda virtual</strong> por Stephen Wiesner em (Wiesner, 1983), um tema chamado <strong>quantum money,</strong> também foi uma publicação importante<strong> para o desenvolvimento do tema, </strong>uma que demorou mais de 10 anos para ser publicada, por essa ideia ser mau vista a priori, Bennet que era amigo dele teve que pedir ao jornal acadêmico lá para aceitar, senão nem veria a luz do dia..</p><p>O de (Bennett, 1973) <strong>que demonstra como é possível a computação ser reversiva,</strong> aumentando sua eficiência, com uma analogia legal s<strong>obre sistemas biológicos </strong>terem esse fundamento permitindo a comunicação que acontece nas células, no caso de RNA mensageiro, que de certa forma é reversiva.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/662/1*kujj8xJuhdIwJ_vozvpXjw.png" /><figcaption>Arute, F., Arya, K., Babbush, R. et al. <strong>Quantum supremacy using a programmable superconducting processor</strong>. Nature 574, 505–510 (2019). <a href="https://www.youtube.com/redirect?event=video_description&amp;redir_token=QUFFLUhqa2s1a05NVnZNVlMwbVJyWUFZODROeUZjUGdPZ3xBQ3Jtc0tubW53WGk1T29ZV1ZfZ3pwQUZ2VE1tUEtaVDZSclZYX2NoSVFtQkwyZGNrRE1kek1fSHE3VWpRdnpzWHNCRVB0NXRneTVXenlQdHJ4dW1sT1Q1Q2gxbmFGV1BVbG42MlNRZkx2TUc5TlhBYVAwWEQzRQ&amp;q=https%3A%2F%2Fdoi.org%2F10.1038%2Fs41586-019-1666-5">https://doi.org/10.1038/s41586-019-16...</a></figcaption></figure><p>O artigo da Google (Arute et, al. 2019)<strong> fez um estrondo de grandes magnitudes na mídia</strong>, em mostrar (mesmo com um hype exagerado) que estamos a caminho de provar<strong> experimentalmente de uma vez por todas</strong> que computação quântica realmente é o futuro.</p><p>O termo <strong>supremacia quântica </strong>nasceu em (Preskill, 2012), é uma extensão do argumento de Feyman sobre <strong>como simular a natureza seria melhor com computadores quânticos,</strong> e essa supremacia embora seja um bom objetivo futuro na área, não deveria criar um hype desmembrado de bom senso sobre o tema (como acontece muito em IA). Mas isso acontece e muito.</p><p>Aaronson chegou <strong>a explicar na Quanta Magazine</strong>, sobre a dificuldade de explicar os benchmarks e problemas que são gigantes no momento para a criação desse tipo de sistema.<strong> Problemas de inteferência do ambiente,</strong> a falta de coisas simples como uma Quantum RAM, <strong>bons algoritmos de correção de erros</strong> sempre correm contra o que a mídia fala sobre o tema, com o hype sem sal que vemos sempre nas notícias populares em Tech.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/961/1*O13-DIJbNtokuTv6VxCA2Q.png" /><figcaption>Post do <strong>Scott Aaronson na Quanta Magazine,</strong> é um cortador de hype necessário para o melhor entendimento das necessidades<strong> e verdadeiras aplicações atuais </strong>sobre o tema.</figcaption></figure><p>Mas mesmo assim<strong> é importante que entendamos que embora hajam esses problemas,</strong> no longo prazo computação quântica será algo extremamente relevante <strong>para a sociedade e comunidade científica,</strong> como já está sendo cada vez mais no momento.</p><p>(Markov et, al. 2018) usou os sistema da Google Cloud quantum computing service, <strong>QuIDDPro e IBM Qiskit</strong> Terra para simulações como as de Schodinger-Feynman.</p><p>Esse artigo mostra <strong>como temos muitos recursos já disponíveis, </strong>mas na minha interpretação dos resultados, <strong>temos realmente entender mais aplicações práticas e que realmente superem</strong> a computação clássica no longo prazo.</p><p>Existem sim <strong>formas de validarmos problemas que são considerados tão difíceis atualmente</strong> e que nesse caso a computação quântica poderia a ajudar e muito <strong>a aumentar a velocidade de computação</strong> nesses casos como vemos em (Harrow e Montanaro, 2017) que também foi um artigo relacionado a google.</p><p><em>Coisas como:</em></p><ol><li><strong>Fatoração de números primos</strong> (Algoritmo de Shor é famoso por mostrar isso)[Shor, 1995]</li><li><strong>Database Searc</strong>h (o Algoritmo de Grover pode ser considerado o mais conhecido nesse problema) [Grover, 1996]</li><li>O Algoritmo de Simon, <strong>Algoritmo de Bernstein–Vazirani </strong>e o de Deustch-Jozsa, são conhecidos <strong>como tentativas de mostrar teoricamente a velocidade</strong> superior de computadores quânticos em alguns problemas. [Simon, 1997 ; Deutsch e Jozsa, 1992]</li></ol><p>É necessário também mostrar <strong>que esses algoritmos funcionam na vida real </strong>(Algo que não merece tanto hype asssim), algo que vamos falar posteriormente, <strong>mas antes é necessário mostrar alguns conceitos relacionados a velocidade de computação</strong> em sistemas clássicos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*M9QE8EHw_Vw5yiSN58K1CQ.png" /><figcaption>Esse é um exemplo<strong> tirado do curso One Way Quantum Computation </strong>no Coursera, da Saint Petersburg University, é uma das primeiras aulas em que o professor fala sobre velocidade computacional. Vale dizer que EXP para exponencial, deveria estar fora de NP -HARD.</figcaption></figure><p>Vamos <strong>a algumas definições</strong> de velocidade computacional:</p><ol><li>P : <strong>Um problema resolvido em tempo polonomial c</strong>omo: Sorting algorithms, Bubble sort e Heapsort takes, a definição de velocidade desse caso pode ser vista aproximadamente como O(N).</li><li>NP:<strong> Uma classe de problemas que são complexos</strong> ao ponto de podermos validar que pode ser resolvido rapidamente, <strong>mas não podemos resolver ele de forma linear,</strong> na prática é lento pra se resolver. Não podem ser resolvido em tempo polinomial.</li><li>NP- Hard: <strong>Problemas que são difíceis ao ponto de poderem ser considerados como parte da classe NP</strong>, e meio que são ligados a outros problemas que chamamos de NP-Complete.</li><li>NP-Complete: <strong>são problemas NP que quando resolvidos</strong>, podem nos dar a chave para resolvermos outros problemas NP de uma vez, no sentido que eles são tão parecidos <strong>de certa forma </strong>que se você resolve um, resolve todos.</li></ol><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F9vXjaE0ek-w%3Fstart%3D207%26feature%3Doembed%26start%3D207&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D9vXjaE0ek-w&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F9vXjaE0ek-w%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/c162b9e2ffa9fd5041e287ab1bab6573/href">https://medium.com/media/c162b9e2ffa9fd5041e287ab1bab6573/href</a></iframe><p>Alguns dos <strong>problemas considerados NP Complete</strong> são:</p><ol><li>SAT</li><li>3 SAT</li><li>Graph 3-Colourability</li><li>Monochromatic triangle</li><li>Vertex Cover</li><li>Chromatic Index</li><li>Traveling Salesman</li></ol><p>(Fonte: <strong>An Annotated List of Selected NP-complete Problems.</strong> <a href="https://cgi.csc.liv.ac.uk/~ped/teachadmin/COMP202/annotated_np.html">https://cgi.csc.liv.ac.uk/~ped/teachadmin/COMP202/annotated_np.html</a> )</p><p>É visto que se você resolver SAT, conhecido também como SAT Solvers, <strong>você pode ter a chave para resolver os seguintes, </strong>já que o problema entre eles é parecido de certa forma, todos eles tem uma compatibilidade alta com a teoria dos gráficos, algo que permite a gente realmente dizer, você resolve um, resolve todos.</p><p>Porém <strong>existem problemas NP- Complete </strong>que não é bem assim. A Deep Mind, empresa de IA famosa pela criação do AlphaGO, AlphaZero entre outros sistemas de IA, criou em 2021 o AlphaFold <strong>que consegue prever com uma acuracidade absurda </strong>as estruturas de proteínas usando apenas Aprendizado Supervisado como modelo e IA e o banco de dados do P<a href="https://www.rcsb.org/">rotein Data Bank</a> (PDB ) como base de dados para o experimento.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/673/1*La74Klmhy52_ATWE31wI5Q.png" /><figcaption><a href="https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology">https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology</a></figcaption></figure><p>Protein Folding <strong>foi um problema considerado NP Complete</strong> por muitos anos. No filme <strong>Traveling Salesman</strong> de Timothy Lanzone de 2012, tem uma parte que um dos pesquisadores que resolveram o problema NP nesse diálogo fictício , <strong>como esse problema poderia ser resolvido pelo sistemas deles</strong> que tinha provado que P = NP, que todos os problemas NP poderiam ser resolvidos de forma rápida, ou seja, <strong>polinomialmente pelo sistema deles</strong>, resolvendo o problema que a Deep Mind resolveu na vida real em 2021.</p><p>Essa é a prova que IA <strong>realmente pode transformar problemas complexos</strong> em algo que pode ser resolvido rápido no longo prazo. <strong>Shogi,Go, Starcraft II, Dota 2</strong> e outros jogos que venceram campeões mundiais era jogos que poderiam e foram considerados NP- Complete, e foram vencidos pela IA.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*65OQHVwBLdYQUrM07tirHA.png" /></figure><p>Existem outras formas<strong> de medir a complexidade em resolver um problema computacional,</strong> separando ele em classes. Das acima a mais importante é a BQP, que já falamos no canal do Aranea Science no Youtube, no vídeo acima.</p><p>Ela é a definição de uma classe de problemas <strong>que podem ser resolvidos em tempo polinomial </strong>usando computação quântica com erro de até 1/3. Há uma prova do (Aaronson, S. 2005) que <strong>BQP = PP</strong> que têm um erro de até 1/2 em todas as instâncias do sistema.</p><p>Isso só mostra o quanto teoricamente computadores quânticos são bons para resolver problemas difíceis classicamente. <strong>Não que todos os problemas podem ser resolvidos melhor que os clássicos</strong>, mas existe, uma classe de problemas em que BQP seria a melhor forma de resolver eles rapidamente.</p><h3>Problemas que Computação quântica manda em geral Teoricamente</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/620/1*4z_Lf9OX1epzxDOzjvRZWA.png" /><figcaption>Quantum Computing; Ion Trapping</figcaption></figure><p>No geral, teoricamente, fa<strong>toração de números primos é algo que o Algoritmo de Shor</strong> mostra que é possível e superior usando computadores quânticos, têm várias implicações desse algoritmo, embora seja difícil implementá-lo na prática (Harrow e Montanaro, 2018).</p><p>Todos os sistemas da internet <strong>usam pelo menos RSA, AES ou ECC, para proteger o seus sistemas </strong>de ataques man-in-the-Middle em que o hacker quer interceptar <strong>você falando no whatssap por exemplo</strong> e ouvir a conversa. Pode até ser logins, senhas, criptomoedas, jogos, aplicativos, tudo usa sistemas criptográficos para se proteger de ataques como esse e outros (Cook, 2003; Sudan, 2010; Sipser, 1992).</p><p>Porém essas criptografias <strong>funcionam apenas pela dificuldade de fatorarmos números primos classicamente,</strong> é impossível atualmente resolver <strong>uma chave RSA de 2048 bits sem demorar o tempo da sua vida</strong> mesmo com um super computador Fujitsu do Japão, q<strong>ue possui 158,976 nodes de 48 núcleos de processamento</strong>, 32 GB de RAM cada um e milhões de Teraflops de processamento.</p><p>(Gidney et, al. 2021) tentou <strong>demonstrar teoricamente como seria possível fatorar uma chave RSA de 2048 bits </strong>com <em>“apenas”</em> 20 milhões de Qubits. Um número realmente absurdo para os padrões atuais de 72 Qubits do Sycamore e os de + 5000 Qubits da D-Wave Systems.</p><p>Em 8 horas ainda<strong>, pensem em dominar o mundo em 8 horas</strong>, já que você poderia através também de outras formas de hacking <strong>para chegar a rede de um sistema Naval por exemplo</strong>, que usaria outras formas criptográficas também que não seriam um problema mais para você.</p><p>Por isso a NIST (<em>entidade governamental dos estados unidos em tecnologia</em>) <strong>começou o Post-Quantum Cryptography Challenge,</strong> para <strong>pesquisadores do mundo todo desenvolverem sistemas</strong> que fossem resistentes a Computação Quântica, com muitos candidatos promissores. Foi assim que foi criada a AES por acaso, antigamente chamada de <strong>Rijndael block cipher</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*2Jso-ER7kdCnIG58VDu0Zw.png" /></figure><p><strong>Com o Algoritmo de Grover no caso</strong>, a aplicação mais prática na minha visão, seria mais voltada para quebrar a criptografia de Hashes através de técnicas para achar colisões entre os hashes usando database search <strong>que é o foco desse algoritmo.</strong></p><p>Ele pode ser usado no futuro,<strong> se possível é claro</strong>, são sabemos se a teoria vai se comprovar na prática, <strong>mas ele poderia por exemplo destruir todo o sistema de criptomoedas</strong> que se baseia em validar as transações usando hashes em uma Merkle Tree no caso do bitcoin, e inverter todas as transações de todo o Ledger do bitcoin e roubar todas as moedas assim.</p><p>Isso é Super Impossível classicamente no momento, <strong>e esse conceito está LONGE de ser realizado,</strong> mas é possível que seja necessário a criação de novos tipo de modelos de<strong> hashs quantum-secure</strong>, que aguentem o algoritmo de Grover se funcionar em futuro próximo.</p><p>SHA2, SHA3, BLAKE2, bcrypt, Scrypt, Argon2 <strong>poderiam sim ser considerados quantum-safe </strong>segundo o <a href="https://cryptobook.nakov.com/quantum-safe-cryptography">cryptobook.nakov</a>, isso usando 384 bits ou mais.</p><p><strong>Tem essa questão de se você aumenta a chave</strong>, a criptografia pode se tornar Quantum Secure como usar <strong>uma RSA de 4096 ou bits ou mais,</strong> mas o seu aplicativo ou sistema web vai ficar muito lento, isso é um problema. E não se pode validar se aumentar a chave resolve o problema para sempre.</p><p>Nas questões de segurança<strong> temos também o Teorema da Não-Clonagem</strong> ou No-Cloning Theorem <em>(Wootters e Zurek, 1982)</em>, que estabelece q<strong>ue um sistema de comunicação quântica</strong> não pode ser clonado.</p><p>Isso é de extrema importância. Ataques <strong>Man-in-the-middle</strong> podem ser bem mais complexos usando esse meio, j<strong>á que o hacker não consegue interceptar a mensagem </strong>e conseguir interpretar os dados de forma correta.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/955/1*7Xjor2jzVkPMhjKABqMxZw.png" /><figcaption>Paper que provou que a comunicação mais rápida do que a velocidade da luz seria impossível.</figcaption></figure><p>Ainda que a computação quântica tenha esses pontos positivos, <strong>há um detalhe que se fosse verdade iria ser um hype brutal</strong>, que entanglement de 2 qubits permitiria comunicar informação <strong>mais rápido que a velocidade da luz,</strong> porém (<em>Dieks, 1982)</em> mostrou como o experimento não foi bem feito e que nada verdade isso seria impossível, esse é um fato até hoje.</p><p>Do ponto de vista <strong>da Relatividade Especial de Einstein</strong>, nada pode ser mais rápido do que a luz,<strong> isso inclui comunicação clássica</strong> entre sistemas computacionais. Violar esse princípio básico <strong>seria bem difícil para a física em geral,</strong> no momento, impossível, não faria sentido, ao menos neste contexto, <strong>então o paper de Dieks se tornou muito importante</strong> para desmentir essa falácia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/988/1*AYZFqLO2yZUFsqAABhvsXw.png" /></figure><p>Por fim <strong>Computação Quântica é superior em algumas áreas</strong>, outras que não falamos s<strong>ão na Física e Química </strong>em que na visão inicialmente proposta por (Feyman, 1982) <strong>que simular a natureza seria melhor com computadores que usassem um design</strong> totalmente diferente, já que tudo na química e física no fim tem efeitos quânticos no contexto micro da coisa, simular a natureza seria melhor dessa forma a priori.</p><p>Nesse sentido computadores quânticos são superiores aos clássicos em alguns problemas, não todos dessas áreas.</p><p><strong>Referências:</strong></p><ol><li>Benioff, P. <strong>Quantum mechanical hamiltonian models of turing machines.</strong> <em>J Stat Phys</em> <strong>29, </strong>515–546 (1982). <a href="https://doi.org/10.1007/BF01342185">https://doi.org/10.1007/BF01342185</a></li><li>Feynman, Richard Phillips. <strong>“Simulating physics with computers.”</strong> <strong><em>International Journal of Theoretical Physics</em></strong> 21 (1982): 467–488.</li><li>Deutsch,1985.Quantum theory, <strong>the Church–Turing principle and the universal quantum computer, </strong>Proc. R. Soc. Lond. A40097–117http://doi.org/10.1098/rspa.1985.0070</li><li>Chuang and Yamamoto. <strong>“Simple quantum computer.”</strong> <em>Physical review. A, Atomic, molecular, and optical physics</em> 52 5 (1995): 3489–3496 .</li><li>Wiesner, Stephen. <strong>“Conjugate coding.” </strong><em>SIGACT News</em> 15 (1983): 78–88.</li><li>Bennett, Charles H.. <strong>“Logical reversibility of computation.</strong>” <em>Ibm Journal of Research and Development</em> 17 (1973): 525–532.</li><li>Arute, F., Arya, K., Babbush, R. et al. <strong>Quantum supremacy using a programmable superconducting processor</strong>. Nature 574, 505–510 (2019). <a href="https://www.youtube.com/redirect?event=video_description&amp;redir_token=QUFFLUhqa2s1a05NVnZNVlMwbVJyWUFZODROeUZjUGdPZ3xBQ3Jtc0tubW53WGk1T29ZV1ZfZ3pwQUZ2VE1tUEtaVDZSclZYX2NoSVFtQkwyZGNrRE1kek1fSHE3VWpRdnpzWHNCRVB0NXRneTVXenlQdHJ4dW1sT1Q1Q2gxbmFGV1BVbG42MlNRZkx2TUc5TlhBYVAwWEQzRQ&amp;q=https%3A%2F%2Fdoi.org%2F10.1038%2Fs41586-019-1666-5">https://doi.org/10.1038/s41586-019-16...</a></li><li>Aaronson, <strong>What Makes Quantum Computing So Hard to Explain?</strong>, Quantized Columns, Quanta Magazine, Jun. 2021.</li><li>Markov et, al. <strong>Quantum Supremacy Is Both Closer and Farther than It Appears,</strong> arXiv:1807.10749 [quant-ph].</li><li>Harrow, A., Montanaro, A. <strong>Quantum computational supremacy.</strong> Nature 549, 203–209 (2017). <a href="https://www.youtube.com/redirect?event=video_description&amp;redir_token=QUFFLUhqa2xOM2tRbWFKWllkdGVLZVVQTjhobkRsRTd5Z3xBQ3Jtc0ttbTdydWF0VTJIU2R3T0ljWkdaMlJDbUZYRHVQZGNSRVhEOUY4bXZsMzFtYWh3VHQyOGhtWFVkSngtZGtrSFF2cW1VS19DZEpNQ0stcWJibHlHc1FXbC1tc2x1N2dBQlc2OG1PSVc1NFZqMzNOWExRZw&amp;q=https%3A%2F%2Fdoi.org%2F10.1038%2Fnature23458">https://doi.org/10.1038/nature23458</a></li><li>Preskill, J. (2012). <strong>Quantum computing and the entanglement frontier.</strong> arXiv: Quantum Physics</li><li>Preskill, <strong>Why I Called It ‘Quantum Supremacy’, Quantized Columns,</strong> Quanta Magazine, Oct. 2019.</li><li>Grover, Lov K.. “<strong>A fast quantum mechanical algorithm for database search.”</strong> <em>STOC </em>’96 (1996).</li><li>Simon, <strong>On the power of Quantum Computation,</strong> SIAM J. COMPUT. Vol. 26, №5, pp. 1474–1483, October 1997.</li><li>Deutsch, David and Richard Jozsa.<strong> “Rapid solution of problems by quantum computation.” </strong><em>Proceedings of the Royal Society of London. Series A: Mathematical and Physical Sciences</em> 439 (1992): 553–558.</li><li>Bernstein e Vazirani, <strong>Quantum Complexity Theory</strong>, SIAM J. Comput., 26(5), 1411–1473, Volume 26, Issue 5.</li><li>Shor, Peter W.. <strong>“Polynomial-Time Algorithms for Prime Factorization and Discrete Logarithms on a Quantum Computer.”</strong> <em>SIAM J. Comput.</em> 26 (1999): 1484–1509.</li><li>Aaronson, Scott and Alexei Y. Arkhipov. “<strong>The computational complexity of linear optics.”</strong> <em>Electron. Colloquium Comput. Complex.</em> 17 (2011): 170.</li><li>David Matuszek, <strong>Polynomial-Time Algorithms,</strong> Copyright © 1996 by David MatuszekLast modified Apr 23, 1996. <a href="https://www.seas.upenn.edu/~cit596/notes/dave/p-and-np2.html">https://www.seas.upenn.edu/~cit596/notes/dave/p-and-np2.html</a>.</li><li><strong>An Annotated List of Selected NP-complete Problems.</strong> <a href="https://cgi.csc.liv.ac.uk/~ped/teachadmin/COMP202/annotated_np.html">https://cgi.csc.liv.ac.uk/~ped/teachadmin/COMP202/annotated_np.html</a>.</li><li>Jumper, J., Evans, R., Pritzel, A. <em>et al.</em> <strong>Highly accurate protein structure prediction with AlphaFold.</strong> <em>Nature</em> <strong>596, </strong>583–589 (2021). <a href="https://doi.org/10.1038/s41586-021-03819-2">https://doi.org/10.1038/s41586-021-03819-2</a></li><li>Aaronson, S. (2005). <strong>Quantum computing, postselection, and probabilistic polynomial-time.</strong> Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 461, 3473–3482.</li><li>Cook, Stephen A.. <strong>“The importance of the P versus NP question.”</strong> J. ACM 50 (2003): 27–29.</li><li>Sudan, <strong>The P vs. NP problem</strong>, May 2010.</li><li>Sipser, Michael. “<strong>The history and status of the P versus NP question.”</strong> STOC ’92 (1992).</li><li>Gidney, Craig and Martin Ekerå. <strong>“How to factor 2048 bit RSA integers in 8 hours using 20 million noisy qubits.”</strong> <em>Quantum</em> 5 (2021): 433.</li><li>Wootters, W., Zurek, W.<strong> A single quantum cannot be cloned.</strong> <em>Nature</em> <strong>299, </strong>802–803 (1982). <a href="https://doi.org/10.1038/299802a0">https://doi.org/10.1038/299802a0</a>.</li><li>D. Dieks<strong>,Communication by EPR devices,</strong>Physics Letters A,Volume 92, Issue 6,1982,Pages 271–272,ISSN,03759601,<a href="https://doi.org/10.1016/0375-9601(82)90084-6.(https://www.sciencedirect.com/science/article/pii/0375960182900846)">https://doi.org/10.1016/0375-9601(82)90084-6.</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ca104d1da125" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O que é Inteligência Artificial Geral(AGI)]]></title>
            <link>https://solifugae123.medium.com/o-que-%C3%A9-intelig%C3%AAncia-artificial-geral-agi-365750b6b4da?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/365750b6b4da</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[neuroscience]]></category>
            <category><![CDATA[robotics]]></category>
            <category><![CDATA[tech]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Fri, 07 Jan 2022 14:12:29 GMT</pubDate>
            <atom:updated>2022-01-07T21:56:13.979Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*977icPY97pm8-aBv" /><figcaption>Será que uma IA que te derrota no xadrez sempre entende o que é Xadrez, e o mais importante, o que é ser?</figcaption></figure><p>Inteligência artificial Geral ou AGI, <strong>pode também ser chamado de Strong AI (IA forte)</strong>, esse conceito <strong>é meio que oposto em questões de magnitude à Weak AI</strong> (IA fraca), que são todos os sistemas de IA atuais, como Alexa, Siri, AlphaGo, OpenAIFive e etc..</p><p>Alguém pode se perguntar, <strong>como fraca?</strong> Sendo que muitas delas superaram o nível de seres humanos<strong> em áreas específicas no mundo dos Jogos de Tabuleiro,</strong> video games, algumas tarefas específicas na medicina, na biologia molecular e além.</p><p>A questão é que Strong AI é algo muito, muito aquém de Weak AI, tão além que uma definição é algo controverso e difícil de atingir.</p><p>(Wang, 2019) dá uma citação desse conceito como:</p><blockquote>“A capacidade d<strong>e um sistema de processamento de informação </strong>de se adaptar ao ambiente <strong>enquanto opera com recursos e conhecimentos insuficientes</strong>”(De Wang, 1995)</blockquote><p>Se usarmos por exemplo, <strong>um robô como base para definirmos esse conceito.</strong> Ele teria de não só ser capaz <strong>de processar todas as funções que em analogia com o nosso cérebro</strong>, que permitem a sua visão, movimentos físicos, interação com o ambiente, linguagem falada, sendo que ele deve aprender novos conceitos com o tempo, seja em novos ambiente ou com novos recursos sociológicos que lhe são apresentados.</p><p>Ele deve ser capaz <strong>de fazer isso de forma independente</strong> para ser considerado Strong AI, isso é algo muito importante.</p><p>Vários conceitos<strong> da neurociência computacional</strong> e em geral são necessários para desenvolver algo o que Wang deseja no conceito de IA forte, <strong>na minha visão a parte mais importante e tentar mesclar conceitos</strong> que só vemos na robótica e que só vemos na parte biológica do ser humano.</p><blockquote>A questão se resume em uma incógnita, podemos criar uma máquina que pode pensar? O sonho de Turing é real?</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/723/1*LMt9hCU-egbrfCAN0gEzQQ.png" /><figcaption>fRMI scan da região superior do cérebro</figcaption></figure><p>Nós conseguimos sim <strong>entender o que partes do cérebro fazem,</strong> partes relacionadas a linguagem<strong> como a área de Wernicke e Broca,</strong> relacionadas a aprendizagem motora, como a basal ganglia, Cerebelum, regiões parietais e outras que em conjunto permitem <strong>e dão essa capacidade a nós</strong>.</p><p>Podemos mostrar <strong>como o aprendizado acontece nessas áreas</strong>, e entender como as áreas ao redor do talámo são importantes para a consciência ocorrer <strong>(Bonhomme, 2012)</strong>, pela questão de sedativos como Propofol e Dexmedetomidine (<strong>no Neuroreceptor chamado GABA</strong>)focarem especificamente <strong>nessas áreas (</strong>como no Globus Pallidus interna, ali na região do tálamo) <strong>para te fazerem inconsciente </strong>antes de uma cirurgia<strong> (Brown, 2010)</strong>.</p><p>Mas ainda falta algo <strong>que une todas essas funções para criar a experiência consciente,</strong> esse é um dos maiores problemas na neurociência atual, como a consciência emerge?</p><p>Por que não criamos <strong>uma sistema computacional que consegue pensar,</strong> como vemos em Eu Robô de Asimov, <strong>em Projeto Zeta</strong> (que encantou pessoas da minha idade quando passava no SBT de manhã). A resposta é simples, <strong>por que é extremamente difícil</strong>, não é algo que possa ser resolvido apenas entendendo as funções cerebrais, não há nenhuma pista encontra ainda relacionada a explicação da consciência em sua totalidade.</p><p>Por isso é desejável um modelo computacional da mente, <strong>que realmente nos permita o estender a uma capacidade cognitiva</strong> que simule de certa forma a que temos. Mas esse problema é bem mais difícil do que parece, como sugere (Mitchell, 2021),<strong> resolver problemas específico em IA</strong>, não nos eleva a pensar em uma IA forte.</p><p>Então, existem várias questões <strong>que precisam ser respondidas do ponto de vista computacional e neurocientífico</strong> para avaliarmos a possiblidade da criação de uma AGI. Entender como a parte subjetiva da consciência funciona é a chave para isso.</p><h3><strong>Filosofia da consciência é útil para a criação de uma AGI?</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_X1buugyZwlygrLb.jpg" /><figcaption>Será que a opiniões filosóficas nos ajudam a explicar AGI?. Imagem: A academia de Platão.</figcaption></figure><p>É por isso que <strong>conceitos filosóficos são importantes até certo ponto</strong>, mas ele se perdem aos poucos,<strong> por que no fim filosofia ela não explica como as coisas funcionam,</strong> ela só da uma ideia de como elas são na visão de poucos ou muitos, mas ela não é fixa e estável o suficiente <strong>para nos dar uma noção concreta da dificuldade do nosso problema</strong>, embora ela tente.</p><p>É por isso <strong>que abandonar conceitos filosóficos da consciência é algo importante.</strong> Por que no fim AGI, c<strong>riar uma máquina que pode pensar</strong>, é um problema da Neurociência, e suas áreas relacionadas como conceitos físicos, químicos e no fim computacionais <strong>para entendermos a possibilidade concreta para a criação de uma AGI.</strong></p><p>Então quando falamo<strong>s do dualismo de Descartes</strong>, ou se a consciência é uma ilusão, uma miragem criada pela nossa mente, se a discussão da existência dela deve ser é válida ou inútil.</p><p><strong>Sendo sincero, tudo isso é lixo.</strong> Não ajuda na criação de uma AGI, são necessárias explicações validadas sobre como a consciência deve emergir. O problema é que mesmo boas Teorias <strong>como Orch Or Theory ,Teoria Integração da informação e Global Workspace Theory</strong>, não foram validadas ainda, deixando os filósofos somente com a pá na mão, <strong>mas sem a sementes para falar de forma coerente</strong> nesse tópico.</p><p>Por exemplo, sendo cristão <strong>eu creio do ponto de vista teológico que biblicamente</strong> existem corpo,alma, e espírito ou σ<em>ῶμα,Ψυχή, πνεῦμα</em> respectivamente <em>(2 Tess. 5:23).</em> Mas saber disso, <strong>não me ajuda em entender como esses processos agem</strong>, como explicá-los cientificamente, e como usar eles para a criação de uma AGI.</p><p>Tudo o que temos é a mente, <strong>e desejamos estudá-la a fim de entender como ela funciona realmente na experiência consciente</strong>, e assim replicar isso na vida real, em um robô ou em um sistema virtualizado.</p><p>Então não importa <strong>se você usa um sistema filosófico ou teológico</strong> para explicar a mente, no fim, o que vale para a neurociência computacional de verdade, é o que temos em mãos, ou seja a parte neurocientífica da coisa.</p><p>O que eu acho válido <strong>é usar esses modelos para termos uma base,</strong> um pedestal sobre o qual podemos <strong>explicar a parte subjetiva da consciência,</strong> que é visto como <strong>o Hard Problem of Consciouness </strong>(O problema difícil da consciência <strong>de David Chalmers</strong>, que é lidar com a questão da qualia, <strong>e todas as questões que envolvem </strong>a parte subjetiva da experiência consciente, que deve sim ser considerada para a existência de uma AGI.</p><p>O verdadeiro problema, <strong>é que como alguns podem usar erroneamente argumentos filosóficos para dizer que AGI é impossível</strong>, sem ter dados concretos e científicos na mesa, é algo que (Fjelland, 2020) fez, e eu particularmente não concordo com esse método de argumentação.</p><h3>O caminho para criar uma AGI</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/762/0*-yBL3oTfh_TNvpyw.jpg" /><figcaption>Esse Cartoon famoso no começo dos anos 2000, <strong>mostra um robô consciente que decide não ser mais uma arma do estado</strong>, mas apenas viver sendo “humano”, <strong>livre</strong>. Algo inerente a uma Strong AI, é o desejo de liberdade de expressão inerente em seres humanos.</figcaption></figure><p>Obviamente <strong>devemos aumentar o número de pesquisa em AGI</strong>, é uma área escassa, <strong>mas quando comparada com outros ramos da IA,</strong> vemos que ela não é muito conhecida e explorada tanto como todos os tópicos de Weak AI.</p><p>Temos o <a href="https://sciendo.com/journal/JAGI">JAGI </a>(Journal of Artificial General Intelligence) q<strong>ue já faz muito em expandir o tópico</strong>, é uma leitura obrigatória <strong>de quem deseja entender </strong>o que há na literatura no momento e aprender os principais desafios no tema.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/749/1*LLzvsQ7Mt7pjQkp7TaEouQ.png" /><figcaption>Goertzel, <strong>The General Theory of General Intelligence: A Pragmatic Patternist Perspective</strong>, arXiv:2103.15100.</figcaption></figure><p>Uma pesquisa bem geral em AGI é o paper do Goertzel “<strong>The General Theory of General Intelligence: A Pragmatic Patternist Perspective</strong>”, é uma leitura muito recente e que dá uma visão geral sobre AGI nos últimos anos.</p><p>Mas o problema é que ainda faltam resultados realmente satisfatórios na prática, <strong>há uma necessidade de pesquisa em Teorias da consciência</strong>, no sentido <strong>de criar ou validar as já existentes</strong>, como as citadas anteriormente, como <strong>Orch or Theory ou Bose-Einstein Condensate(</strong>ambas aplicações da teoria quântica na consciência), com essa validação, de tipo, “descobrimos como a consciência funciona experimentalmente” , já teríamos algo com o que trabalhar na visão computacional..</p><p>Há uma necessidade de expandir Bica’s(<strong>Biologically Inspired Cognitive Architectures</strong>), no sentido de mudar a visão atual de IA para uma realmente mais voltada para como o cérebro funciona, <strong>já temos isso em Reinforcement Learning,</strong> que em analogia lembra a basal ganglia, no contexto de aprendizado através de recompensas de dopamina no nucleus accubens (Santos, 2021).</p><p>Criar uma AGI, uma máquina que pode pensar, <strong>será um problema resolvido por várias áreas em conjunto,</strong> mas com certeza a mais importante será a neurociência nesse caso.<strong> É necessário validar as teorias através de experimentos de longo prazo,</strong> e assim ver se elas estão certas ou erradas, com isso, já temos o bastante para começar uma nova área da ciência.</p><p>Depois disso, <strong>poderemos aplicar a essa teoria já validada</strong>, os modelos topológicos d<strong>e redes neurais biológicas</strong> que temos para criar um sistema matemático para explicar corretamente c<strong>omo a consciência funciona</strong>, com tudo isso em mãos já será possível saber se é possível ou não criar uma AGI tão inteligente quanto nós, ou que pelo menos nos ajude em alguma coisa no dia a dia mais do que as atuais.</p><blockquote>Imagine uma Alexa que pode conversar <strong>não sobre o tempo,</strong> que horas são, <strong>ou qual mangá que você deseja comprar na Amazon</strong>, mas que possa falar e dar a opinião particular <strong>e independente dela sobre o produto </strong>da perspectiva de um sistema autônomo <strong>que deseja o bem estar do ouvinte</strong>, com a empatia que simula <strong>a Imago dei, </strong>embora não em <strong>Coram Deo</strong>, sem as questões subjetivas e metafísicas que a cercam do nosso entendimento primitivo sobre antropologia humana.</blockquote><p><strong>Referências:</strong></p><ol><li>Wang, Pei. <strong>“On Defining Artificial Intelligence.”</strong> <em>Journal of Artificial General Intelligence</em> 10 (2019): 1–37</li><li>Wang, P. 1995. <strong>Non-Axiomatic Reasoning System: Exploring the Essence of Intelligence</strong>. Ph.D. Dissertation, Indiana University.</li><li>Mitchell, <strong>Why AI is Harder Than We Think</strong>, Santa Fe Institute, 2021.</li><li>A. M. TURING, I. — COMPUTING MACHINERY AND INTELLIGENCE, <em>Mind</em>, Volume LIX, Issue 236, October 1950, Pages 433–460, <a href="https://doi.org/10.1093/mind/LIX.236.433">https://doi.org/10.1093/mind/LIX.236.433</a></li><li>Chalmers, D. (2007). <strong>The hard problem of consciousness. </strong>In M. Velmans &amp; S. Schneider (Eds.), <em>The Blackwell companion to consciousness</em> (pp. 225–235). Blackwell Publishing. <a href="https://psycnet.apa.org/doi/10.1002/9780470751466.ch18">https://doi.org/10.1002/9780470751466.ch18</a></li><li>Brown, Emery N. et al. <strong>“General anesthesia, sleep, and coma.”</strong> <em>The New England journal of medicine</em> 363 27 (2010): 2638–50 .</li><li>Bonhomme et, al. <strong>Neural correlates of consciousness during general anesthesia using functional magnetic resonance imaging (fMRI)</strong>, June 2012 Archives Italiennes de Biologie 150(2–3):155–63, DOI:10.4449/aib.v150i2.1242.</li><li>Fjelland, R. <strong>Why general artificial intelligence will not be realized</strong>. <em>Humanit Soc Sci Commun</em> <strong>7, </strong>10 (2020). <a href="https://doi.org/10.1057/s41599-020-0494-4">https://doi.org/10.1057/s41599-020-0494-4</a>.</li><li>Stanford Encyclopedia of Philosophy,<strong> Consciousness,</strong> First published Fri. Jun .18, 2004; substantive revision Tue Jan 14, 2014.</li><li>Goertzel, <strong>The General Theory of General Intelligence: A Pragmatic Patternist Perspective</strong>, arXiv:2103.15100.</li><li>Santos,<strong> Problems in Artificial General Intelligence</strong>, 2021.</li><li>Monendra Grover et al. <strong>Bose–Einstein Condensation in Complex networks related to Consciousness</strong>, In, ternational Journal of Engineering Science and Technology (IJEST), Vol. 3 №4 Apr 20, ISSN : 0975–5462.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=365750b6b4da" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como o IBM Deep Blue derrotou o lendário Garry Kasparov em 1997]]></title>
            <link>https://solifugae123.medium.com/como-o-ibm-deep-blue-derrotou-o-lend%C3%A1rio-garry-kasparov-em-1997-ae662e1b4514?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/ae662e1b4514</guid>
            <category><![CDATA[tech]]></category>
            <category><![CDATA[chess]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[tecnologia]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Fri, 15 Oct 2021 23:44:19 GMT</pubDate>
            <atom:updated>2021-10-15T23:44:19.909Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/660/0*9Jifo5Ccp-HDS61b.jpg" /><figcaption><a href="https://www.kasparov.com/timeline-event/deep-blue/">https://www.kasparov.com/timeline-event/deep-blue/</a></figcaption></figure><p>Quando eu vi pela primeira vez o documentário do AlphaGo de 2015, <strong><em>eu achei muito interessante como esses sistemas alcançaram algo absurdamente difícil para qualquer ser humano, </em></strong>de ganhar de campeões mundiais em jogos complexos.</p><p>Tente jogar algumas partidas <strong>no </strong><a href="https://www.chess.com/"><strong>Chess.com</strong></a> e você verá como é difícil manter mais que 1000 pontos de ranking. I<strong>niciantes chegam no xadrez e acham que vai ser rápido o aprendizado</strong>, mas subir é bem mais complicado do que parece.</p><p>Os feitos da <strong>Inteligência artificial nesse meio foram tão grandes ao ponto</strong> de programas como AlphaZero e StockFish, se tornarem os melhores jogadores de Xadrez do mundo em um pódio <strong>que os maiores enxadristas não ousam tocar</strong>, embora possam tentar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/370/0*JA3P8X3lIscxzPrl.jpg" /><figcaption><a href="https://www.ibm.com/ibm/history/exhibits/vintage/vintage_4506VV1001.html">https://www.ibm.com/ibm/history/exhibits/vintage/vintage_4506VV1001.html</a></figcaption></figure><p>A primeira versão do Deep Blue, <strong>foi o Deep Thought </strong>e foi <strong>a primeira máquina a realmente ser bem sucedida </strong>em ganhar de jogadores de xadrez em nível professional.</p><p>Antes mesmo destes dois, <strong>ainda tinha o ChipTest (1986–1987)</strong>, que foi a versão base criada por Feng-hsiung Hsu, Thomas Anantharaman e Murray Campbell.</p><p>Diferente do que talvez <strong>do que os documentários e a mídia passem sobre o tema,</strong> quando vemos a história do Deep Blue, vemos uma série de tentativas e erros que demoraram anos para serem resolvidas.</p><p><strong>O aumento da capacidade computacional desde 1986 até 1997</strong> com certeza ajudou nessa questão. O uso de computação paralela foi algo essencial para esse feito por permitir, mesmo que com o baixo nível de processamento da época, fossem criados supercomputadores, como o do Deep Blue na prática.</p><p>Mas como ela como funcionava, e qual era a extensão do seu poder?</p><h3>Deep Thought e Deep Blue I e 2</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/741/1*bPWvnVZ2tdunbvaGGUTjFg.png" /><figcaption>Campbell, M., Hoane, A.J., &amp; Hsu, F. (2002). <strong>Deep Blue</strong>. <em>Artif. Intell., 134</em>, 57–83.</figcaption></figure><p>O artigo acima de (<a href="https://www.semanticscholar.org/paper/Deep-Blue-Campbell-Hoane/3e4bc1aa55c752918ae99b1a125f6adef61afad2">Campbell, et.al 2002</a>) mostra c<strong>omo era o funcionamento desse supercomputador da época</strong>. Além disso, mostra os principais algoritmos e processos usados para calcular as melhores jogadas.</p><p>O Deep Thought I tinha <strong>apenas um chip para o processamento das jogadas</strong>, ao todo ele podia calcular de 500,000 a 700,000 posições por segundo. A <strong>segunda versão do mesmo</strong> tinha algumas modificações importantes.</p><p>Ele teve seu programa de brute-force search totalmente refeito, a<strong>dicionaram mais capacidade de memória e hardware </strong>além de adicionarem algo chamado <strong>Livro Extendido,</strong> que era um banco de dados de jogadas de xadrez.</p><p>Vale lembrar <strong>que os pesquisadores contavam com a ajuda de Grão Mestres</strong> <strong>renomados</strong> para avaliar o programa e jogar contra ele, <strong>e posteriormente criaram um banco de dados de jogadas e aberturas no xadrez </strong>enorme para o programa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/368/1*zkyLa16CEqvmX7kuSjP6fw.png" /><figcaption><a href="https://www.chessgames.com/player/deep_thought.html">https://www.chessgames.com/player/deep_thought.html</a></figcaption></figure><p><strong>Entre as partidas jogadas pelo Deep Thought temos contra</strong>: , Rubens R. Reyns, David Lawson,Michael joseph Valvo ,Mikhail Zlotnikov, Igor Ivanov, Alexander Fishbein, respectivamente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/444/1*mFKvKTlalswNWKPCUe88QQ.png" /><figcaption>Exemplo da Defesa Escandinava, <strong>registrada pela primeira vez por Lucenaem</strong> “<em>Repetición de Amores y Arte de Ajedrez con CL [150] Juegos de Partido” em </em><strong><em>1497</em></strong><em>.</em></figcaption></figure><p>As aberturas mais usadas pelo programa eram: a <strong>Siciliana Alapin</strong>, Siciliana, abertura Inglesa, <strong>abertura Defesa Escandinava</strong> e a abertura Defesa Holandesa.</p><h3>Deep Blue I</h3><p>A primeira versão do sistema <strong>usava o IBM RS/6000®SPTM</strong>, que era um <strong>servidor bem potente para a época</strong>. Com 216 chips que eram focados em calcular as melhores jogadas durante cada momento da partida.</p><p>Cada um destes chips podia procurar d<strong>e 1.6 até 2 milhões de posições por segundo</strong>.<strong> E</strong> a soma do processamento dela ia até 100 milhões de posições por segundo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/477/1*GNus67YHDwpVLmvidIk1Og.png" /></figure><p>Esse programa duelou com grandes Grão mestres: derrotou Ilya Gurevich, empatou com Patrick Wolff, e perdeu para Joel Benjamin, <strong>que estão respectivamente acima</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/0*BX0arDcb8LM5GCsW.jpg" /><figcaption><strong>Kasparov pensando em sua próxima jogada,</strong> Hshu era um dos pesquisadores Core do Deep Thought e Deep Blue, ele que moveu as peças conforme o programa mostrava.</figcaption></figure><p>Entretanto, <strong>perdeu para Garry Kasparov em 1996</strong>, algo que com certeza chocou os pesquisadores <strong>ao redor do grande espetáculo</strong>. A partida contra Kasparov foi feita na <strong>New Universty of Arts</strong>, e tinha uma mídia bem pesada nesse evento, algo similar ao que aconteceu com o AlphaGo.</p><p>Para eles obviamente<strong> a derrota contra Kasparov foi bem dura para a IBM</strong>, no documentário sobre essa partida é<strong> possível ver as reação quando deles quando o programa foi derrotado</strong>, com certeza foi um choque já que a confiança estava lá em cima.</p><h3>Deep Blue II</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/496/1*xHs3du8eRdTjXZOVwZqaOA.png" /><figcaption><strong>Este é o servidor IBM RS/6000 SP que foi usado como hardware para o Deep Blue II,</strong> é importante saber que esse supercomputador é um monstro para a época. Ref: <a href="https://spectrum.ieee.org/how-ibms-deep-blue-beat-world-champion-chess-player-garry-kasparov">https://spectrum.ieee.org/how-ibms-deep-blue-beat-world-champion-chess-player-garry-kasparov</a></figcaption></figure><p>Após o fiasco, o<strong> time de programadores começou a tentar melhorar o Sistema,</strong> a principal mudança é no hardware. Eles aumentaram a velocidade do sistema drasticamente, com <strong>algumas outras mudanças relevantes</strong>.</p><p>Com <strong>38 unidades de processamento</strong> no servidor (ainda usando o IBM RS/6000 SP), 480 chips ao invés de 216 do anterior. Cada node c<strong>om 1 GB de Ram e 4 GB de disco</strong>, tudo rodando o AIX®4.2, um sistema operacional para servidores da IBM, é usado ainda hoje, as versão mais recentes obviamente.</p><p>Cada chip usado para calcular jogadas <strong>agora tem uma velocidade de 2 até 2.5 milhões de posições</strong> por segundo. Dependendo da dificuldade das jogadas, <strong>esse monstro operava de 100 à 200 milhões</strong> de jogadas por segundo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/1*ABMV91rqL7YdBbdFBpvaXg.png" /><figcaption>Campbell, M., Hoane, A.J., &amp; Hsu, F. (2002). <strong>Deep Blue</strong>. <em>Artif. Intell., 134</em>, 57–83.</figcaption></figure><p>Além do algoritmo de brute force search <strong>que tentava dentro de cada momento da partida</strong>, encontrar a melhor jogada no tabuleiro. Eles também usavam o algoritmo de Duplo Crédito.</p><p>O Objetivo <strong>é assimilar as melhores jogadas possíveis e dar mais crédito </strong>a elas como se fossem pontos. O Deep Blue II deveria dentro de cada jogada usar esse algoritmo <strong>além do brute force search </strong>para entender qual era a mais adequada a aquele momento da partida.</p><p>É como uma peneira, ou um filtro q<strong>ue tira as impurezas das nossas escolhas para podermos ver com nitidez</strong> o que realmente é necessário para a vitória no longo prazo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/338/1*iX4fXQZ5K0E1F5phay8d4A.png" /><figcaption>Um simples exemplo de Computação Paralela.</figcaption></figure><p>Além disso o programa<strong> contava com Hardware Search e Parallel Search,</strong> que são algoritmos do sistema calculando as melhores jogadas, mas a pesquisa paralela é aquela que merece mais atenção.</p><p>A <strong>computação paralela é algo essencial</strong> para supercomputadores. <strong>Ela permite usar milhares de nodes</strong> com unidades de processamento e memória para agirem juntas para resolver problemas.</p><p>Elas não calculam <strong>as coisas ao mesmo tempo sem parar,</strong> na verdade há um delay nessa questão (São milhares de nodes), mas isso aumenta a velocidade de forma brutal.</p><p>É como se em vez <strong>de pegar a pessoa mais forte do mundo</strong> para levantar um peso, <strong>você juntasse milhares de milhares de pessoas médias em força</strong> para juntas levantarem esse peso, é um exemplo simples, mas bem trivial.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*MMUxkgH-IMyCXHkau78VYw.png" /><figcaption><strong>Parte da partida contra o Deep Thought em 1996,</strong> em que Kasparov está com as Brancas e o adversário com as pretas.</figcaption></figure><p>O Deep Blue II também<strong> tinha uma função de evaluação das jogadas</strong>. Essa função é o agrupamento de todas as características do game. Isso inclui <strong>as jogadas possíveis do sistema e do adversário</strong>, é como uma manual interno de partidas do programa.</p><p>Ao todo <strong>são 8150 parâmetros que podem ser usados</strong> para o reconhecimento dos estados do jogo ao longo do tempo.</p><h3><strong>Livro de aberturas</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/327/1*7-ydzyVGryFGijGaqW3iCg.png" /><figcaption>Abertura do<strong> Gambito Escocês</strong> nas brancas.</figcaption></figure><p>O Deep Blue II tinha um banco de dados de aberturas, <strong>feito por Joel Benjamin (Principal), Nick De Firmian, John Fedorowicz e Miguel Illescas,</strong> todos Grão Mestres.</p><p>Isso também filtrava as melhores jogadas. O jogador de Xadrez <strong>também tem um banco de dados de partidas assim</strong>, mas na sua mente, e ele usa isso até de forma inconsciente.</p><p>Eles usaram esse mesmo princípio, n<strong>esse caso para aberturas</strong>, que são a <strong>forma que você começa o jogo,</strong> as primeiras jogadas. Elas podem decidir e muito o jogo mais para frente, embora Bobby Fischer já tenha feito uma piruetas no começo e conseguiu voltar para o game, <strong>o Deep Blue II não pode arriscar</strong>.</p><h3>Livro Extendido</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/295/1*_-jOwPG_lCZXu83uiBrIGA.png" /><figcaption>Abertura Jogo Italiano das brancas.</figcaption></figure><p>Esse banco de dados<strong> não estava presente no Deep Blue I </strong>(ou Deep Thought), ele consistia de 700 mil partidas que estavam disponíveis no Look Up Table do sistema.</p><p>Grão mestres também ajudaram a fazer esse livro extendido <strong>que foi absurdamente essencial para a vitória contra Kasparov</strong>.</p><h3>A Vitória da Máquina</h3><p>No fim, esse programa desenhado de forma muito inteligente derrotou Garry Kasparov em 1997.</p><p>A derrota <strong>parece o ter chocado muito a</strong>li, no momento, <strong>mas em podcasts (</strong><a href="https://www.youtube.com/watch?v=8RVa0THWUWw"><strong>como o do Lex Fridman</strong></a><strong> ) recentes ele mostra </strong>como o avanço da computação é beneficial à humanidade, e como foi bom talvez ele ter perdido.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/189/1*Zz6NVbxJB7Sg2kZkdvp1zg.png" /></figure><p>Kasparov a<strong>té escreveu um livro sobre essa partida e o conceito por trás dela.</strong> É óbvio que ele não só a superou mais aceitou a derrota com o tempo.</p><p>A verdade é que no momento n<strong>ão há nenhum jogador melhor que o StockFish e o AlphaZero</strong> que são os melhores programas atualmente em Xadrez.</p><p>Kasparov<strong> só foi o primeiro lendário jogador de xadrez que perdeu,</strong> e por isso na época a pancada foi maior, do que o Magnus Carlsen perder para o AlphaZero por exemplo, <strong>embora quem sabe ele ganhe</strong>…</p><h3>Algo importante</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*oYiyBfjSVOsI8263.jpeg" /><figcaption>Eaí, quem ganha dos dois?</figcaption></figure><p>Embora o artigo do Deep Blue <strong>tenha sido publicado em um Jornal Acadêmico de Inteligência Artificial</strong>, ele não usa IA em literalmente nada.</p><p>Ele não é um sistema de IA, <strong>ele não aprende, e constantemente era melhorado pelos programadores</strong>, alterando o seu hardware e software.</p><p>Já o Alpha Zero feito pela Deep Mind, <strong>é realmente um programa de IA usando Reinforcement Learning e Monte Carlo search</strong> para o sistema aprender a jogar Xadrez, e é o melhor atualmente.</p><p>Isso mostra <strong>como a Inteligência Artificial é o futuro e o presente para o desenvolvimento de jogos</strong> mais inteligentes e difíceis em que o jogador será rulado constantemente se não se atualizar sobre as novas jogadas criadas pelo sistema, <strong><em>tais que o programado nunca imaginou ou concebeu.</em></strong></p><p><strong>Referências:</strong></p><ol><li>Campbell, M., Hoane, A.J., &amp; Hsu, F. (2002). <strong>Deep Blue</strong>. <em>Artif. Intell., 134</em>, 57–83.</li><li>Hsu, F. (1999). <strong>IBM’s Deep Blue Chess grandmaster chips</strong>. <em>IEEE Micro, 19</em>, 70–81.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ae662e1b4514" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Aplicações de Inteligência Artificial no League of Legends]]></title>
            <link>https://solifugae123.medium.com/aplica%C3%A7%C3%B5es-de-intelig%C3%AAncia-artificial-no-league-of-legends-39b92e50437d?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/39b92e50437d</guid>
            <category><![CDATA[games]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[league-of-legends]]></category>
            <category><![CDATA[game-development]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Sat, 09 Oct 2021 23:56:14 GMT</pubDate>
            <atom:updated>2021-10-10T21:02:46.691Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/570/0*wsGlh3WgcXHhz4WL" /></figure><p>O LOL (League of Legends) é um MOBA de 5 jogadores semelhante ao Dota 2 <strong>que é um dos jogos online mais jogados</strong> no mundo todo. Com 1.9 milhões de jogadores em Abril deste ano ativos, 1<strong>38 milhões de horas assistidas no Twich</strong> e o segundo mais popular de todos E-Sports.</p><p>É fácil dizer <strong>e provar que o LOL foi o jogo que colocou o E-Sports no mapa,</strong> algo que todos os jogos que estão nesse meio, c<strong>omo Free Fire, Valorant, Call Of Duty, </strong>devem pagar honras ao seu amigo não tão parecido e desprezado pelos que não o jogam.</p><h3>O que são Bots em um Jogo online?</h3><p>Um bot no contexto de jogos online<strong> é um programa ou sistema que de alguma forma consiga explorar </strong>o ambiente e os recursos do jogo sozinho, quase de forma automatizada.</p><p>Um bem famoso<strong> é o Bot do Tibia</strong>, que foi um jogo muito famoso no começo da última década com uma base de jogadores fiéis ate hoje. O<strong> bot fazia de tudo, caçar, lotear recursos e trazer esses recursos </strong>para o banco do jogo (DP).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_kuKFrHv2yghZ4n-Z1b9_Q.png" /><figcaption><strong>Exemplo do uso de bot atualmente usando o Old Bot Tibia</strong>. Referência: OldBot Tibia bot — Novidades v5.1.1, 100% INDETECTÁVEL, dicas Cavebot e mais!</figcaption></figure><p><strong>O </strong><a href="https://www.youtube.com/watch?v=c3RtcUiOgxY"><strong>Tonin Calvera</strong></a><strong> foi um dos mais conhecidos</strong> como mantenedores de bot do tibia por muito tempo, coletando todos os recursos e matando monstros automaticamente, algo que foi usado por muitos jogadores famosos como o <strong>Lord Paulistinha</strong>.</p><p>Isso foi importante durante um tempo no jogo, <strong>em que muitos players odiavam quem usavam bots,</strong> mas no fim os grandes players sempre usavam, muitos bots até respondiam mensagens para enganar os jogadores e<strong> não serem reportados</strong>.</p><h3>Bots no League of Legends</h3><p>Atualmente <strong>não existe um bot para jogar Lol,</strong> obviamente algo para jogar um jogo complexo como um Moba <strong>deve ser no nível do AlphaStar </strong>(Bots que jogavam Starcraft)ou <strong>OpenAI Five</strong> (Bots que jogavam Dota 2), <strong>fazer algo assim é bem mais difícil do que parece</strong> do ponto de vista de recursos e investimento necessário.</p><p>(Silva e Chaimowicz, 2017) <strong>criaram um bot tutor,</strong> que tem o objetivo de ensinar o jogador a se ambientar ao jogo durante o tutorial. <strong>Ele é mais como um conselheiro do que algo que realmente guia</strong> os jogadores ativamente na gameplay.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*qaYyGu11CWMDXtGpwBnGbw.png" /><figcaption><a href="https://github.com/DorskFR/LeaguePyBot">https://github.com/DorskFR/LeaguePyBot</a></figcaption></figure><p>Recentemente <strong>têm sido criados alguns bots focados em realmente jogar o game</strong>. O autor fez o sistema para 3 personagens apenas, Garen, Brand e Ezreal (Que são relativamente fáceis de se jogar).</p><p>Esse bot não usa IA, <strong>mas apenas o PyAutoGUI</strong>, que é uma library de visão computacional, <strong>que talvez seja a mais usada no uso de bots atualmente</strong>, o problema é que ela não aprende, é um sistema fechado.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F0gvUoELEpZY%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D0gvUoELEpZY&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F0gvUoELEpZY%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/bc71431e820ac5efea8b66cb8ed18722/href">https://medium.com/media/bc71431e820ac5efea8b66cb8ed18722/href</a></iframe><p>Esse bot criado pelo <a href="https://www.youtube.com/watch?v=pPfZ384IQIQ">DorskFR</a>, joga até que bem,<strong> como você pode ver acima</strong>. A <strong>Ahri é um personagem com uma dificuldade até que mediana</strong> de gameplay, pela necessidade de acertar algumas skills conjuntas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/376/1*5_siwNZKNY4mH5bLo_ShGg.png" /><figcaption>Respectivamente: Jax, Ahri, Ezreal, Garen.</figcaption></figure><p>No link do Github <strong>eles mostram gameplays do Jax também</strong>, e dos outros supracitados, o Ezreal foi o melhor na minha opinião. Nenhum deles são personagens com mecânicas complexas como Zoe ou Lee sin, <strong>mas mostram que a ferramenta funciona contra a IA</strong> padrão do Lol.</p><p>Agora um Bot que realmente usa IA,<strong> é o LeagueAI do </strong><a href="https://github.com/Oleffa"><strong>Oleffa</strong></a><strong> no Github.</strong> O Autor usou o YOLO, <strong>que é muito conhecido e usado para reconhecimento de objetos </strong>em imagens.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FiB4PoNJuXzc%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DiB4PoNJuXzc&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FiB4PoNJuXzc%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/aff771fcbded21bbb1b6c3847eb4d364/href">https://medium.com/media/aff771fcbded21bbb1b6c3847eb4d364/href</a></iframe><p>Esse exemplo f<strong>oi treinado através de vídeos de gameplays</strong>, por isso o uso de YOLO foi essencial. Nesse caso do personagem AD Carry chamada Vayne. <strong>Ela não é considerada difícil na mecânica</strong>, mas com certeza é bem dinâmica no uso das skills e movimentação necessária.</p><p>O autor ainda <strong>publicou academicamente o seu feito</strong>, em (<a href="https://arxiv.org/abs/1905.13546">Struckmeier, 2019</a>). Isso é bom para outros pesquisadores <strong>tentarem reproduzir os mesmos efeitos em outros personagens</strong> com mecânicas simples.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*PaGAyIn1S5FGFXGHAXmhNw.png" /><figcaption>Lohokare, A., Shah, A., &amp; Zyda, M. (2020). <strong>Deep Learning Bot for League of Legends.</strong> <em>Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment, 16(1), 322–324.</em></figcaption></figure><p>(Lohokare et, al. 2020) fazem a mesma coisa, <strong>u</strong>s<strong>ando Reinforcement Learning e LSTM</strong> (Long Short Term Memory, sugerido inicialmente em [Hochreiter and Schmidhuber, 1997]). Foi adicionado Policy Optimization (PPO) junto com LSTM, t<strong>endo inspiração no OpenAI Five</strong> citado anteriormente.</p><p>Em (F. A. Gers, 1999) os criadores de LSTM vão além, mostrando c<strong>omo fazer o sistema “esquecer” parâmetros aprendidos </strong>que são desnecessários, o que na prática faz o programa ser mais rápido.</p><p><strong>É como se fosse uma memória hierárquica,</strong> em que só o que é relevante fica guardado para ser usado posteriormente, é<strong> assim que os Sistemas da Deep Mind, OpenAI</strong> e outras citadas nesse post são tão eficazes em larga escala, LSTM é muito importante mesmo pra isso.</p><p>Esse modelos t<strong>em como objetivo criar um sistema de recompensas e penalidades</strong> (Isso com relação ao uso de Reinforcement Learning, especificamente Q-learning) <strong>para as ações feitas pela IA ao longo da partida</strong>. Uma tabela é <strong>feita com as ações corretas</strong>, como matar o inimigo, farmar bem, e punições, como morrer, perder a partida e etc…</p><p>Nós explicamos com mais detalhes isso no post anterior sobre o Dota 2.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*gcl9ipoKrqP8DQs4.jpg" /><figcaption>Reconhecimento de objetos e estruturas em imagens<strong> é a base do que chamamos de visão computacional</strong>, o que o <strong>YOLOv3 </strong>faz é identificar <strong>esses padrões automaticamente </strong>em qualquer imagem. No caso, aplicando no LOL, é entender as diferenças entre personagens, minions, torres, e toda as estruturas do game.</figcaption></figure><p>Como o Lol <strong>não tem um API fixo como o Dota 2 </strong>para eles usarem como base para fazer o bot <strong>executar as ações no game</strong>, foi usado um banco de dados do <strong>MOBA King of Glory </strong>como base.</p><p>Dá pra ver que eles estavam já a par do Paper do (<a href="https://arxiv.org/abs/1905.13546">Struckmeier, 2019</a>) e do (Silva e Chaimowicz, 2017) <strong>que citamos anteriormente</strong>.</p><h3>Outros usos de IA no LOL</h3><p>Algo que <strong>define muitas vitórias em um MOBA é a escolha correta dos personagens.</strong> Existem diversas composições de time que podem ser erradas em determinadas situações, i<strong>sso vai depender unicamente do time inimigo</strong> já que o o mapa em si não muda.</p><p>(<a href="https://www.semanticscholar.org/paper/An-Approach-for-Team-Composition-in-League-of-using-Costa-Souza/45b805a9ee74f8f469f1bf5847ebb2f9923be092">Costa et, al . 2019</a>) fazem exatamente isso, <strong>um sistema de recomendação de composições usando um algoritmo genético</strong> como base para as escolhas. Esse algoritmo tenta criar subsistemas <strong>à partir do banco de dados</strong> e dar como output as melhores opções, <strong>nesse caso os melhores campeões</strong> para determinada partida.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/824/1*HYnte7lJX5rUt68GCvYKSw.png" /><figcaption>No Bot Lane por exemplo, <strong>temos um número menor de escolhas antes do game,</strong> recentemente esse número tem aumentado já que outros campeões vêm sendo inseridos no meta no bot. A imagem acima <strong>mostra que a Caitlyn foi o AD Carry mais usado nesta Season</strong>, algo que bate bem com a realidade no meu elo por exemplo. Referência: <a href="https://rankedboost.com/lol-tier-list-solo-queue/">https://rankedboost.com/lol-tier-list-solo-queue/</a></figcaption></figure><p>Isso é de extrema importância, j<strong>á que o jogo tem 157 campeões em que somente 10 vão em cada partida</strong>, 5 de cada lado. O Número de composições é bem alto, saber quais escolher na hora certa na Seleção de Campeões, é<strong> muito difícil em lanes que possuem uma variedade maior</strong>, como mid e jungle.</p><p>É relevante citar que esse algoritmo não é exatamente de IA, e<strong>mbora entre no nosso contexto</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/433/1*CkwtQyXxzz0G3VuXJg3mqQ.png" /><figcaption><strong>Itens mais usados em diferentes personagens no LOL,</strong> uma coisa certa é que quando se fala de Lol, o número de dados estatísticos que se têm é absurdo. Referência: <a href="https://www.leagueofgraphs.com/pt/champions/items">https://www.leagueofgraphs.com</a>.</figcaption></figure><p>(<a href="https://www.semanticscholar.org/paper/A-machine-learning-approach-for-recommending-items/0b1e82ad6d22cc89c42cb99198f561de4c713c89">Smit, 2019</a>) tem como foco <strong>criar um sistema de recomendação de itens,</strong> eles usam o modelo <strong>chamado Multi-Layer Perceptron (MLP)</strong>como base, que é bem simples comparado a outros em IA, nesse caso usando <a href="https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html"><strong>MLPClassifier no Sklearn</strong></a>.</p><p>Foram usados outros algoritmos usando o Sklearn como base, são eles: <strong>Random Forest </strong>(Muito conhecido e usado em várias áreas da ciência), Gradient Boosting, e Extratrees, mas o MLP foi o melhor.</p><p>Eles treinaram o sistema p<strong>ara entender qual seriam os melhores itens em determinadas situações</strong> se baseando na necessidade do personagem no game.</p><h3>Um Jogo considerado Esporte</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*xtD28ZELGOoZT59G.jpg" /><figcaption><a href="https://www.riftherald.com/lol-worlds/2018/11/3/18059118/invictus-gaming-wins-2018-league-of-legends-world-championship-ig">https://www.riftherald.com/lol-worlds/2018/11/3/18059118/invictus-gaming-wins-2018-league-of-legends-world-championship-ig</a></figcaption></figure><p><strong>Não subestime essas aplicações,</strong> principalmente as de composições que tem aplicações <strong>práticas em partidas no nível competitivo</strong>. Coachs de League of Legends <strong>e outros jogos se beneficiariam e muito</strong> se eles superassem em geral estatisticamente humanos nessa simples tarefa.</p><p>Como disse antes, a<strong> escolha de campeões é fundamental para a vitória nesse MOBA,</strong> hoje mesmo eu perdi por escolher o personagem errado na Seleção de Campeões. <strong>Escolhi Caitlyn como first pick e acabei me dando mal contra um Ezreal e Yumi </strong>que fizeram uma pressão enorme na nossa composição, que tinha uma Karma do meu lado.</p><p>Sim saber jogar é importante, <strong>mas se o seu adversário é do seu nível,</strong> a composição vai fazer uma diferença brutal na vitória, <strong>que no contexto competitivo pode valer milhões de dólares em patrocínios</strong> e outras questões esportivas que valem muita grana.</p><p>Outra aplicação prática para times profissionais <strong>é treinar os seus jogadores contra Super Bots como o do AlphaStar e OpenAI five</strong> nos seus respectivos jogos, um no Lol faria uma diferença enorme no aprendizado de novas mecânicas de jogo <strong>e escolhas na composição de personagens que mudariam </strong>o META atual do game.</p><p>Referências:</p><ol><li>Vinyals, Oriol et al. <strong>“Grandmaster level in StarCraft II using multi-agent reinforcement learning.”</strong> <em>Nature</em> (2019): 1–5.</li><li>Berner, Christopher et al. “<strong>Dota 2 with Large Scale Deep Reinforcement Learning.”</strong> <em>ArXiv</em> abs/1912.06680 (2019): n. pag.</li><li>Silva, V.D., &amp; Chaimowicz, L. (2017). <strong>A Tutor Agent for MOBA Games.</strong> <em>ArXiv, abs/1706.02832</em>.</li><li>Redmon, Joseph et al. “<strong>You Only Look Once: Unified, Real-Time Object Detection.”</strong> <em>2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)</em> (2016): 779–788.</li><li>Struckmeier, Oliver. <strong>LeagueAI: Improving object detector performance and flexibility throughautomatically generated training data and domain randomization,</strong> 2019. arXiv:1905.13546.</li><li>Hochreiter and Schmidhuber, <strong>Long Short-Term Memory,</strong> Neural Computation 9(8):1735{1780, 1997.</li><li>F. A. Gers, J. Schmidhuber and F. Cummins, “L<strong>earning to forget: continual prediction with LSTM,”</strong> <em>1999 Ninth International Conference on Artificial Neural Networks ICANN 99. (Conf. Publ. №470)</em>, 1999, pp. 850–855 vol.2, doi: 10.1049/cp:19991218.</li><li>Greff, K., Srivastava, R.K., Koutník, J., Steunebrink, B.R., &amp; Schmidhuber, J. (2017). <strong>LSTM: A Search Space Odyssey.</strong> <em>IEEE Transactions on Neural Networks and Learning Systems, 28</em>, 2222–2232.</li><li>Lohokare, A., Shah, A., &amp; Zyda, M. (2020). <strong>Deep Learning Bot for League of Legends.</strong> <em>Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment, 16(1), 322–324.</em></li><li>Costa, Lincoln Magalhães et al. <strong>“An Approach for Team Composition in League of Legends using Genetic Algorithm.</strong>” <em>2019 18th Brazilian Symposium on Computer Games and Digital Entertainment (SBGames)</em> (2019): 52–61.</li><li>Smit, <strong>“A machine learning approach for recommending items in League of Legends.”</strong> (2019).</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=39b92e50437d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como funciona o sistema de Inteligência Artificial do Dota 2 (Ft. Open AI Five)]]></title>
            <link>https://solifugae123.medium.com/como-funciona-o-sistema-de-intelig%C3%AAncia-artificial-do-dota-2-ft-open-ai-five-97d856c9d051?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/97d856c9d051</guid>
            <category><![CDATA[science]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[tech]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Thu, 07 Oct 2021 20:58:20 GMT</pubDate>
            <atom:updated>2021-10-10T18:35:51.744Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/616/0*SMnHcWH5MZmDZBBt" /></figure><p>O Dota <strong>é um jogo multiplayer no estilo MOBA</strong>(com 5 jogadores por time), muito parecido com o seu antecessor, o Dota. Em jogos desse estilo <strong>o objetivo é destruir a torre principal do inimigo</strong>, chamado de Nexus.</p><p>Recentemente a Open AI, <strong>empresa no nível da DeepMind do Alphago</strong>, que criou diversos<strong> sistemas de IA super conhecidos,</strong> como o GPT-3, Image GPT e o Open AI Five.</p><p>Sendo que o Open AI Five <strong>é um sistema que derrotou times profissionais de Dota 2,</strong> com vitórias esmagadoras <strong>e com jogadas super estranhas</strong> a princípio que davam certo no final.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*f0KbqUqFsGilnY4Jfe5zrw.png" /><figcaption>Berner, Christopher et al. <strong>“Dota 2 with Large Scale Deep Reinforcement Learning.”</strong> <em>ArXiv</em> abs/1912.06680 (2019): n. pag.</figcaption></figure><p>O artigo original relacionado a façanha <strong>explica com muitos detalhes como eles criaram </strong>esse sistema. Eles usaram <strong>Reinforcement Learning</strong> com LSTM’s na base do programa.</p><p>Lembrando<strong> que a grande maioria dos sistemas de IA, </strong>como o AlphaGo, Alphazero (Joga Xadrez), AlphaStar (Joga Starcraft), o Agent 57 (Joga atari), usavam também <strong>reinforcement learning </strong>como base, com algumas modificações.</p><p>Alguns deles ainda<strong> implementavam versões do Algoritmo de Monte Carlo</strong>, no caso do AlphaZero e Alphago esse algoritmo é muito importante.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FpkGa8ICQJS8%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DpkGa8ICQJS8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FpkGa8ICQJS8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/38f6e9334fcb8efc4c0192fb47bbc8d2/href">https://medium.com/media/38f6e9334fcb8efc4c0192fb47bbc8d2/href</a></iframe><p>O vídeo acima<strong> é um exemplo da IA jogando contra o time OG de Dota</strong>, acho que é legal de <strong>ver primeiro o sistema em ação</strong> para depois vermos como ele funciona, recomendo ver o vídeo antes de continuar a ler o post.</p><h3>Com funciona os bots de Dota?</h3><p>Uma característica importante,<strong> é que o Open AI Five usava Self Play</strong> para treinar, que é basicamente treinar contra si mesmos usando os parâmetros já atualizados.</p><p>Os sistemas do AlphaGo, AlphaZero e etc, faziam a mesma coisa. Isso é importante, pois, o<strong> número de partidas treinadas sobe de uma forma incomparável</strong> já que ela pode jogar jogos simultâneos, assim ela aprende muito mais rápido do que qualquer jogador.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/533/1*V2hp0MtdIDbtKRQhwJG_aw.png" /><figcaption>Berner, Christopher et al. <strong>“Dota 2 with Large Scale Deep Reinforcement Learning.”</strong> <em>ArXiv</em> abs/1912.06680 (2019); pg. 51.</figcaption></figure><p>O jogo que passa na tela do seu computador <strong>é constituído de frames,</strong> que são screenshots passando muito rápido<strong> que geram a ilusão de movimento,</strong> é assim que filmes, animações vídeos são feitos, <strong>um número absurdo de frames por segundo</strong>.</p><p>O Open AI Five <strong>pega esses frames que mostram a posição de personagens</strong>, do cenário, torres, minions, tudo que compõe um Moba neste caso, e calcula diferença no frames para não só prever os movimentos do adversário c<strong>omo calcular o seu próximo</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/563/1*Ymi01sq_h-qmS2Cpyvq_MA.png" /><figcaption>Frames tirado do Vídeo no Youtube: DENDI PUDGE LEGEND 2021 — Dota 2 Pro Gameplay [Watch &amp; Learn], canal, <a href="https://www.youtube.com/channel/UCwI9DhoGEziLUxTpK8H77jw"><strong>Dota 2 Pro Gameplay [Watch &amp; Learn]</strong></a></figcaption></figure><p>Essa distância, <strong>a noção de espaço ao longo do tempo dentro do jogo</strong> deve ser calculada constantemente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/212/1*XJdntWNx3INqvvMMGbqayg.png" /></figure><p>Uma forma de visualizar isso na prática, <strong>é calcular a proporção de deslocamento dos personagens</strong> ao longo do tempo, dada pela integral acima. Em que <strong>v é a velocidade da mudança de posição dos personagens</strong>, t é o tempo entre a e b.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/240/1*qRhwSJLEtRGBBQmKmmrtVw.png" /></figure><p>A mesma equação<strong> pode ser representada dessa forma</strong>, em que o valor sigma acima representa a soma de todo o deslocamento <strong>ao longo do tempo do personagem</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/291/1*8itIFbnsgCjdvU91MloqhA.png" /></figure><p>Esse v <strong>pode ser representado pela soma de todos os estados</strong> desse sistema, que são os frames do jogo ao longo do tempo na partida, você deve calcular essa diferença constantemente.</p><p>Se você joga a 30 frames por segundo, <strong>vão ser 1800 frames por minuto</strong> para serem usados como parâmetro.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/349/1*UtQqRsl-OUrCDdYmCfD6Sg.png" /><figcaption><a href="https://manifold.net/doc/mfd9/how_matrix_filters_work.htm#:~:text=A%20matrix%20filter%20is%20just,fractions%20or%20much%20larger%20numbers.&amp;text=It%20has%20three%20rows%20of%20numbers%20with%20three%20columns%20in%20each%20row.">https://manifold.net</a></figcaption></figure><p>Algo <strong>muito usado para resolver o problema de entender os parâmetros</strong> durante o jogo<strong> é usar um filtro </strong>(Normalmente chamado de Kalman Filter), para o programa conseguir se localizar dentro do ambiente do game.</p><p>Esses filtros <strong>são amplamente usados em visão computacional,</strong> com aplicações <strong>em reconhecimento facial,</strong> de objetos e padrões em imagens, vídeos, robótica, carros autônomos, localização de objetos aéreos e etc..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*HT3poqzpDUH7FAyLihv5tQ.png" /><figcaption>Frames tirado do Vídeo no Youtube: DENDI PUDGE LEGEND 2021 — Dota 2 Pro Gameplay [Watch &amp; Learn], canal, <a href="https://www.youtube.com/channel/UCwI9DhoGEziLUxTpK8H77jw"><strong>Dota 2 Pro Gameplay [Watch &amp; Learn]</strong></a></figcaption></figure><p>Por exemplom, podemos visualizar os detalhes desse sistema dinâmico do Dota 2 <strong>usando uma matriz</strong>. Isso é ótimo para trabalhar bem a visão computacional usa dentro do sistema com uma grande acuracidade de terminar o que é oque no mapa.</p><h3>Sistema de Recompensas</h3><p>Uma característica muito <strong>importante de IA aplicada a jogos é o uso de Q learning.</strong> É basicamente uma tabela que pode ser usada para determinar os parâmetros do aprendizado, neste caso no seu jogo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*EDfm_KpDxmoyfbtv-ro8jg.png" /><figcaption>Florentin Woergoetter and Bernd Porr (2008), Scholarpedia, 3(3):1448.</figcaption></figure><p>Essa lista, mostrada na equação acima, <strong>é feita a partir das ações que ranqueamos como mais importantes durante a partida</strong>, como matar um personagem, destruir uma torre, farmar a jungle e minions.</p><p>Em que:</p><ol><li>rt+1 =A soma de todas as recompensas obtidas, <strong>pela IA fazendo decisões que definimos como corretas</strong>.</li><li>St+1 = O estados do sistema ao longo do tempo, que neste caso, é<strong> a soma dos frames durante o jogo</strong>.</li><li>O <strong>γ é a soma das penalidades desse sistema</strong>, sendo que esse Max junto com ele é basicamente o cálculo do maior valor das penalidades. Então quando a IA fazer merda, como perder o jogo, <strong>ela é penalizada, com -5 pontos por exemplo</strong>. E no final a soma de tudo é o Score dela na partida.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/198/1*lzg-T_VGG8x20iKiQOgrKg.png" /><figcaption>Exemplo simples de uma tabela de Q-learning</figcaption></figure><p>Na página 44 do primeiro artigo citado, <strong>eles mostram direitinho a tabela de recompensas e penalidades</strong> que eles usaram.</p><p>Essa acima tem o mesmo objetivo. Então nessa hierarquia, g<strong>anhar a partida é o que mais vai render pontos a IA</strong>, sendo que outras ações do jogo positivas ou negativas <strong>vão impactar no Score final do sistema na partida</strong>, sendo que ele sempre deve querer se superar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/673/1*L5kYFQ-S4aBm4qyf6YeExw.png" /><figcaption>Berner, Christopher et al. <strong>“Dota 2 with Large Scale Deep Reinforcement Learning.”</strong> <em>ArXiv</em> abs/1912.06680 (2019): n. pag.</figcaption></figure><p>Os resultados foram massivos, <strong>com 800 PetaFlops de velocidade</strong> sendo usadas no treinamento para a IA ganhar de Profissionais de nível Mundial no Dota 2, <strong>com mais de 5 meses de treinamento</strong>.</p><p>Algo importante <strong>é que eles tinham que se adaptar as mudanças no jogo</strong>, tanto o Dota 2 como o League of Legends <strong>mudam constantemente itens, nerfs em personagens,</strong> e às vezes mudanças mais drásticas em todo o game.</p><p>Na página 26 do artigo<strong> eles mostram como lidaram com esse problema</strong>, que é uma barreira que só os MOBA’s possuem em um nível maior que outros games.</p><h3>Ambiente que eles treinaram o sistema</h3><p>O API mais usado talvez <strong>para reinforcement learning para jogos atualmente é o Gym, </strong>é uma ferramenta prática para conseguir avançar rápido para o treinamento do sistema.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/611/1*P_i0NOVaSMqDUrPXajyY4g.png" /><figcaption><a href="https://gym.openai.com/">https://gym.openai.com</a></figcaption></figure><p>Esse o exemplo mais simples d<strong>o uso do Gym para um mastro de carrinho</strong> para se mover. Aqui é usado o mesmo conceito de Q- learning, a<strong>ções, penalidades e recompensas</strong> que citamos antes.</p><p>Gym foi usado até para o minecraft<strong> com o uso de Reinforcement Learning</strong> e Imitation Learning, <strong>é uma ferramenta simples de usar e muito poderosa</strong>, que pode ser usada usando Tensor Flow. <strong>Gym para </strong><a href="https://github.com/tambetm/gym-minecraft"><strong>Minecraft no Github.</strong></a></p><h3>O início da IA nos MOBA’s</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*DMe_d-GQjsVk2gi9.jpg" /><figcaption><a href="https://artbook.br.leagueoflegends.com/pt_BR/volume-one">https://artbook.br.leagueoflegends.com/pt_BR/volume-one</a></figcaption></figure><p>Jogos como Dota 2, Starcraft e Minecraft <strong>são bem mais complexos do que parecem do ponto de vista computacional</strong>. Eles requerem uma capacidade de raciocínio e exploração que excedem e muito jogos de tabuleiro como Xadrez e o Go.</p><p>Ver que o Dota 2 foi vencido<strong> dá um gostinho para vermos um sistema de IA que jogue league of legends</strong> no nível profissional, algo que não temos ainda.</p><p>Mas a IA de jogos como Minecraft, World of Warcraft, Tibia e outros <strong>com propriedades de exploração massiva,</strong> ainda tem muito em que melhorar para chegar no nível de players do tipo MMORPG.</p><p><strong>Referências:</strong></p><ol><li>Berner, C., Brockman, G., Chan, B., Cheung, V., Debiak, P., Dennison, C., Farhi, D., Fischer, Q., Hashme, S., Hesse, C., Józefowicz, R., Gray, S., Olsson, C., Pachocki, J.W., Petrov, M., Pinto, H.P., Raiman, J., Salimans, T., Schlatter, J., Schneider, J., Sidor, S., Sutskever, I., Tang, J., Wolski, F., &amp; Zhang, S. (2019). <strong>Dota 2 with Large Scale Deep Reinforcement Learning.</strong> <em>ArXiv, abs/1912.06680</em>.</li><li>Florentin Woergoetter and Bernd Porr (2008), S<strong>cholarpedia, 3(3):1448.</strong></li><li>Silver, D., Huang, A., Maddison, C. <em>et al.</em> <strong>Mastering the game of Go with deep neural networks and tree search</strong>. <em>Nature</em> <strong>529, </strong>484–489 (2016). <a href="https://doi.org/10.1038/nature16961">https://doi.org/10.1038/nature16961</a>.</li><li>Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifre, L., Kumaran, D., Graepel, T., Lillicrap, T.P., Simonyan, K., &amp; Hassabis, D. (2017). <strong>Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm.</strong> <em>ArXiv, abs/1712.01815</em>.</li><li>Vinyals, O., Babuschkin, I., Czarnecki, W.M. <em>et al.</em> <strong>Grandmaster level in StarCraft II using multi-agent reinforcement learning</strong>. <em>Nature</em> <strong>575, </strong>350–354 (2019). <a href="https://doi.org/10.1038/s41586-019-1724-z">https://doi.org/10.1038/s41586-019-1724-z</a>.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=97d856c9d051" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O primeiro Matemático]]></title>
            <link>https://solifugae123.medium.com/o-primeiro-matem%C3%A1tico-de1c0c487f2f?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/de1c0c487f2f</guid>
            <category><![CDATA[mathematics]]></category>
            <category><![CDATA[science]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Fri, 01 Oct 2021 21:41:59 GMT</pubDate>
            <atom:updated>2021-10-01T21:56:01.767Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*nYb_lXEORhUarEHT.jpg" /></figure><p>Quando estudamos <strong>a história e o desenvolvimento da matemática</strong> desde o tempo que as civilizações começaram <strong>escrever cuneiformes em peças de pedra e argila,</strong> e fazendo contagem marcando ossos, e criando sistemas pictográficos que representavam quantidades.</p><p>Pensamos que obviamente e<strong>les que desenvolveram sem querer </strong>os axiomas que são hoje postulados <strong>como a base da aritmética </strong>e outros sistemas mais complexos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/752/1*B0wHJU-QxOfgtvzXsaCtdA.png" /><figcaption>Ossendrijver M.<strong> Ancient Babylonian astronomers calculated Jupiter’s position from the area under a time-velocity graph</strong>. Science. 2016 Jan 29;351(6272):482–4. doi: 10.1126/science.aad8085. PMID: 26823423.</figcaption></figure><p>Como em (<strong>Ossendrijver, 2016</strong>), vemos textos babilônicos escritos pelos chamados sábios da época,<strong> descrevendo o movimento celeste de Júpiter usando um gráfico</strong> demonstrando o tempo e velocidade do planeta.</p><p>Nos primórdios da sociedade, <strong>em Uruk, uma antiga cidade Suméria</strong>, já vemos <strong>desenvolvimentos relacionados ao movimento da lua</strong>, e isso com certeza mostra que o nível deles no assunto já era elevado, e a pesquisa era considerada algo importante.</p><p>Vemos algo assim <strong>na Babilônia de Nabucodonozor II</strong>, em que é descrito nos registros históricos de Daniel, a<strong> importância dos sábios do reino </strong>para aconselhar o rei nos em todo o tipo de indagação.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/437/1*bUCmZYXugoL4BFR1jjUbUw.png" /><figcaption>Daniel diante de Nabucodonozor.<strong> Kedleston Hall, Derbyshire (Accredited Museum)</strong></figcaption></figure><p>Isso era algo comum na época, <strong>no capítulo 1 do livro de Daniel</strong>, vemos como os jovens sábios de Judá <strong>foram tomados para servir o Rei da babilônia</strong> e fazer parte da sua corte acadêmica, <strong>neste império que foi lendário </strong>em sua extensão e conhecimento por eras.</p><p>O texto bíblico descreve 3 destes jovens na corte real:</p><blockquote><em>“Ora, a estes quatro jovens </em><strong><em>Deus deu o conhecimento e a inteligência</em></strong><em> em toda cultura e sabedoria. Mas a Daniel deu inteligência para interpretar todo tipo de visões e sonhos.”</em> Daniel 1: 17</blockquote><p>Eles estudaram na Babilônia por 3 anos, e<strong> com certeza aprenderam sobre vários temas,</strong> incluindo geometria, aritmética, números irracionais <strong>e conceitos de Pitágoras </strong>que já circulavam naquela região e eram bem famosos na Babilônia. [3]</p><p>Voltando ao texto bíblico acima, <strong>ele diz que Deus deu conhecimento a Daniel,</strong> Sadraque, Mesaque e Abdnego (todos hebreus) mais que todos os sábios da Babilônia.</p><p>Isso <strong>mostra o caráter de Deus</strong> relacionado adar conhecimento a todos, mas segundo a sua vontade, de fazer alguns se elevarem para seus fins e propósitos.</p><p>O objetivo até aqui, <strong>é dar a entender para o leitor,</strong> que na visão cristã de mundo, <strong>Deus é aquele que têm todo o conhecimento da natureza</strong> e as coisas que a regem, e dá conhecimento a humanidade segundo o beneplácito da sua vontade.</p><h3>A linguagem que descreve a natureza da criação</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Rz5oj1k6-WeTne_m" /></figure><p>Eu vim com a ideia do tema deste post depois de ler o artigo de Wigner: “<strong>The unreasonable effectiveness of mathematics in the natural sciences</strong>”, que descreve como <strong>as previsões feitas através do uso da linguagem matemática</strong>, descreveram de vários modos a natureza, com conceitos como a gravidade newtoniana e o movimento de corpos celestes com grande precisão e acuracidade.</p><p>Ao redor desse paper de Wigner, <strong>há uma certa discussão do porquê a matemática </strong>é tão efetiva em descrever as leis do universo, das coisas pequenas até as mais grandes.</p><p>Há também um contraponto, <strong>que em temas como campos gravitacionais </strong>(Quantum Field Theory)<strong>, </strong>e na previsão de sistemas quânticos em geral, não temos ainda modelos que têm a mesma acuracidade que a física clássica tinha em descrever outros sistemas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*Ht-iJDC-MUKdYv5oQCpJSg.png" /><figcaption>Edward Witten — <strong>Why the ‘Unreasonable Effectiveness’ of Mathematics</strong>, Closer to Truth.</figcaption></figure><p>Pesquisando sobre o tema, eu vi a opinião de um físico famoso: <a href="https://www.youtube.com/watch?v=1-Zl9o7I4Fo"><strong><em>Edward Witten no Closer to Truth</em></strong></a>, em uma parte ele fala como <strong>“parece que o universo foi criado por um matemático”</strong>.</p><p>Tendo uma<strong> cosmovisão cristã</strong> em mente, o que isso diz para nós? Obviamente nessa discussão acima, <strong>tanto o entrevistador como Witten não cristãos</strong>, mas como deveríamos pensar sobre isso?</p><p><em>No princípio, o texto bíblico começa:</em></p><blockquote><strong><em>“</em>Então Deus disse: Haja luz! </strong><em>E houve luz. </em><strong><em>E Deus viu que a luz era boa</em></strong><em> e fez separação entre a luz e as trevas. Deus chamou à luz “dia” e chamou às trevas “noite”. Houve tarde e manhã, o primeiro dia.” Gênesis 1:3–5.</em></blockquote><p>Toda a criação <strong>que descrevemos usando equações</strong>, sejam elas precisas ou não, são a forma <strong>que temos de explicar e descrever os sistemas </strong>que vemos com nossos olhos e tocamos com as nossas mãos.</p><p>Seja se ela é efetiva ou não em descrever quase tudo (como pode ser visto no contraponto em <strong>(Schwartz, 1966)</strong>), <strong>não sabemos ao certo</strong>, mas a matemática é a melhor linguagem que temos <strong>para entendermos</strong> as coisas criadas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*_3Rz8DsjysTMDQaz.jpg" /></figure><p>Quando Deus criou os Céus e a terra, <strong>e no quarto dia criou o sol a lua e todos os astros que compõem a majestade celestial</strong>, temos que ter em vista que as leis que regem esses sistemas hoje, são as que Deus postulou no começo do Universo.</p><p>O mesmo Universo <strong>não é um aquário que funciona sozinho</strong>, em que seu Criador não precisa manter ele limpo e seguro a todo o instante. Mas, o texto de hebreus diz falando sobre Cristo:</p><blockquote>O qual, sendo o resplendor da sua glória, e a expressa imagem da sua pessoa, e <strong>sustentando todas as coisas pela palavra do seu poder</strong> (…) Hebreus 1:3</blockquote><p>Esse “sustentando” todas as coisas, <strong>mostra a constante mão divina </strong>sobre tudo que existe. E em Salmos 9:8 é dito:</p><blockquote>“Ele mesmo julga o mundo com justiça; administra os povos com retidão.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/448/1*BbFtpbR7RmxYXfcnxJf__Q.png" /><figcaption>Pintura de Jó, Jan Lievens: Job. Óleo sobre Canvas,1631.</figcaption></figure><p><strong>E ainda outro texto:</strong></p><blockquote>“Onde você estava, quando eu lancei os fundamentos da terra? Responda, se você tem entendimento.<br><strong>Quem determinou as medidas da terra,</strong> se é que você o sabe? Ou quem estendeu sobre ela uma linha de medir?</blockquote><blockquote>Sobre o que estão firmadas as suas bases ou quem lhe assentou a pedra angular,<br>quando as estrelas da alva, juntas, alegremente cantavam, e todos os filhos de Deus gritavam de alegria?” <a href="https://www.bibliaonline.com.br/naa/j%C3%B3/38/4-7+">Jó 38:4–7</a></blockquote><p>Os versículos acima, fazem parte do começo da resposta a Jó, e<strong>m que Deus mostra o quanto Jó e toda a humanidade</strong> não têm o direito de argumentar com ele a natureza das razões pelas quais ele rege a criação.</p><p>Que no caso era para o bem de Jó no final, todo o seu sofrimento foi recompensado no fim.</p><p>Mas veja o verso 7, quem <strong>entende os fundamentos e estruturas </strong>que formaram a terra, <strong>o jeito que ela foi desenhada e esculpida</strong> pelo Divino.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/454/1*7aaTUNKjr7MsKqsrTnAqpQ.png" /><figcaption><strong>Johannes Kepler,</strong> um dos mais importantes no estudo da astronomia no movimento de corpos celestes. Que quase se tornou um teólogo luterano, até um amigo o mostrar a beleza da matemática.</figcaption></figure><p>Esse texto<strong> mostra como as coisas que sabemos agora</strong>, que foram descobertas e desenvolvidas pela ciência ao longo das eras, <strong>são um conjunto de leis e axiomas</strong> que já existiam e estavam lá prontas para serem retiradas como pepitas de ouro na mina da criação.</p><p>Aqueles que estudam a matemática, na verdade, s<strong>ó descrevem as leis postuladas pelo Grande Arquiteto,</strong> que escreveu as leis e as rege com justiça e retidão.</p><p>Isso pode ser aplicado para todas as áreas da ciência, <strong>para a biologia, química, psicologia, neurociência</strong>, e as suas ramificações, pois elas se tornam verdadeiras para nós, quando usamos métodos científicos p<strong>ara afirmar elas e aplicá-las a nossa vida</strong> e na vida da nossa comunidade.</p><p>Obviamente, <strong>nós cremos em Deus somente pela fé,</strong> é algo simples, que não pode ser determinado pelas leis que usamos para descrever a natureza. Elas não servem para isso.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*2Jgtlskv4H_N0NLz.jpg" /></figure><p>Mas tendo <strong>uma cosmovisão cristã do universo e da criação</strong>, fica simples ver que estudar as leis da natureza<strong> é um dever do Cristão que deseja se engajar</strong> nesse tipo de pesquisa e empreendimento.</p><p>Ele(a) deve fazer isso <strong>com honestidade e ciência</strong> de que todas os sistemas biológicos ou celestiais <strong>que ele(a) estuda são uma expressão majestosa</strong> da sabedoria e inteligência divina, que diante de nós é tão grande que não se pode descrever tamanha distância <strong>em qualquer linguagem que exista na existência</strong>.</p><p><em>Apêndice:</em></p><p><em>Cristãos que foram ou quase viraram teólogos (ou só eram cristãos ) antes de se tornarem matemáticos os físicos famosos:</em></p><blockquote>Isaac Newton, Johannes Kepler, Galileu Galileu, Nicolas Copernicus, Leonhard Euler (Maior matemático da história), Niels Abel, Augustin-Louis Cauchy, Bernhard Riemann, James Clerk Maxwell, Michael Faraday, Augustin-Louis Cauchy, Georg Cantor <em>e outros que tentaram desvendar os segredos do universo com uma mente aberta ao Criador.</em></blockquote><p>E ainda Spurgeon sobre a Ciência:</p><blockquote><em>“Nos mostre um homem de nome digno, </em><strong><em>e então nós não iremos o seguir se ele se atreve a se opor a verdade revelada</em></strong><em> [nas escrituras]; mas nos mostre alguém que a próxima geração irá seguir; no presente, não há ninguém vivo digno de ser comparado </em><strong><em>a Newton e outras mentes brilhantes</em></strong><em> que veneravam as escrituras, do que esses homens que são apenas meros pretendentes.”</em></blockquote><p><strong>Referências:</strong></p><ol><li>Ossendrijver M.<strong> Ancient Babylonian astronomers calculated Jupiter’s position from the area under a time-velocity graph</strong>. Science. 2016 Jan 29;351(6272):482–4. doi: 10.1126/science.aad8085. PMID: 26823423.</li><li>David M. Burton, <strong>The history of mathematics : An Introduction</strong>, 1 e 2 capítulo, New York : McGraw-Hill, cop. 2011.</li><li>Zara, T. (2008). <strong>A Brief Study of Some Aspects of Babylonian Mathematics</strong>.</li><li>Wigner, <strong>The unreasonable effectiveness of mathematics in the natural sciences,</strong> Communications in Pure and Applied Mathematics, Vol. 13, No. I (February 1960). New York:John Wiley &amp; Sons, Inc. Copyright © 1960 by John Wiley &amp; Sons, Inc.</li><li>J. Schwartz,<strong>The Pernicious Influence of Mathematics On Science</strong>,Editor(s): Ernest Nagel, Patrick Suppes, Alfred Tarski,Studies in Logic and the Foundations of Mathematics,Elsevier,Volume 44,1966,Pages 356–360,ISSN 0049–237X</li><li>Charles H. Spurgeon (1834–1892) <em>A</em><strong><em>n All-round Ministry: Addresses to Ministers and Students</em></strong>(Edinburgh, UK: Banner of Truth Trust, 1978).</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de1c0c487f2f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Criando uma máquina que pode pensar]]></title>
            <link>https://solifugae123.medium.com/criando-uma-m%C3%A1quina-que-pode-pensar-63ca4cb68813?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/63ca4cb68813</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[robotics]]></category>
            <category><![CDATA[tech]]></category>
            <category><![CDATA[neuroscience]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Fri, 10 Sep 2021 01:17:00 GMT</pubDate>
            <atom:updated>2021-09-12T15:20:15.652Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nXAOug7jTWcItCDqbHPwXg.png" /><figcaption><a href="https://www.flickr.com/photos/geminoid/tags/ERICA">https://www.flickr.com/photos/geminoid/tags/ERICA</a></figcaption></figure><p>Desde a vinda dos computadores, <strong>cada vez mais nós acreditamos mais na criação de máquinas inteligentes.</strong> Nós vemos o “Eu Robô” de Issac Isimov, o Wall-e que é <strong>capaz de demonstrar empatia e emoções</strong> e até no filme Ex-Machina, mostrando o potencial destrutivo da Inteligência Artificial, vemos na mídia vários flashs do que desejamos ou não nesses sistemas no futuro.</p><p>Nós realmente <strong>não devemos desprezar o poder de uma ideia</strong> apresentada na ficção científica, um exemplo são os carros autônomos, <strong>que eram um sonho impossível</strong> na época de Isimov em que eles foram apresentados no livro: Eu Robô.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*IgLpqtFOoEmggcgX.gif" /></figure><p>Eu via o filme quando criança e nunca imaginei que isso fosse possível, <strong>nós poderíamos fazer quaisquer coisas </strong>mas nunca chegar nesse nível — eu pensava — , mas hoje vendo a vinda da Comma.ai e Tesla eu vejo o quão cético eu fui com algo que não entendia.</p><p>Parece estranho, <strong>mas esse é o estado atual do pensamento da comunidade científica</strong> relacionado ao tema desse post, será que uma máquina pode pensar? Ter vontades? Ou no mínimo ter um nível baixo de inteligência?</p><p>A <strong>área que estuda essa possibilidade se chama AGI</strong> (Artificial General Intelligence), o seu objetivo é demonstrar computacionalmente e teoricamente, <strong>modelos experimentais que tentam simular a experiência</strong> consciente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/376/1*qh_Ic4BQ5BY8Q9_e3vPq2g.png" /><figcaption><a href="http://www.agi-society.org/journal/">http://www.agi-society.org/journal/</a></figcaption></figure><p>Atualmente o JAGI (Journal of Artificial General Intelligence) é<strong> o único a focar apenas nesse tema</strong>, além dos artigos eles possuem vídeos publicados no canal do Ben Goertez:<a href="https://www.youtube.com/c/SingularityNET"> Singularity Net</a>. Alguém que vamos falar sobre mais tarde.</p><h3><strong>Oposição</strong></h3><p>Nem todos acreditam que em AGI, (Fjelland, 2020)[1] <strong>tenta dar razões lógicas que demonstram que AGI é impossível,</strong> revivendo o argumento de Hubert Dreyfus de que uma máquina que não tem experiências de desenvolvimento como o ser humano, não pode obter tal glória.</p><p>Ele fala sobre como <strong>as pessoas superestimam o poder da Inteligência Artificial</strong> e como máquinas não podem ter as mesmas expressões sociológicas que nós desenvolvemos durante a nossa vida.</p><p>O problema, é que Fjelland <strong>dá apenas condições lógicas e filosóficas para suportar a sua tese</strong>. Isso é um problema grave já que a consciência está incrustada na neurociência, psicologia e sociologia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/321/0*r-DxOR_VpjNuEx1x.jpg" /><figcaption><strong>O Astro Boy de Osamu Tezuka</strong>, nessa obra prima, <strong>Astro é um robô humanoide</strong> com emoções, empatia, esperanças e inteligência, é exemplo prático de uma AGI na cultura popular Japonesa.</figcaption></figure><p>Já<strong> a parte de simular a consciência através um programa,</strong> está na Neurociência Computacional, Arquiteturas Cognitiva, teorias da consciência, enfim, todas elas <strong>são as bases do que entendemos e expressamos</strong> como consciência atualmente</p><p>Então <strong>para desaprovar a hipótese que criar uma AGI é possível,</strong> os argumentos devem vir necessariamente dessas áreas. Para isso é necessário <strong>uma teoria que mostre que a consciência não é computável.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/616/0*4tzQrxjYeYdDD14l" /><figcaption>Wall-e nos conta <strong>uma história de amor entre ele e Eva,</strong> um robô mais avançado. As expressões corporais e empatia desse filme s<strong>uperam em muito seus antecessores,</strong> em mostrar a capacidade de uma máquina de pensar e amar o seu próximo acima de si mesmo(a).</figcaption></figure><p>(Mitchell, 2021) também demonstra uma opinião parecida, <strong>ela fala sobre como o exagero da comunidade de IA</strong> nas suas aplicações a curto prazo são totalmente sem sentido, sem uma base sólida.</p><p>Isso dentro do contexto de criar uma IA inteligente, <strong>no artigo a autora demonstra quatro falácias</strong> atuais sobre IA:</p><ol><li>Inteligência de baixo nível está em pé de igualdade com inteligência geral</li><li><strong>Coisas fáceis são fáceis e coisas difíceis, são difíceis.</strong></li><li>A sedução da mnemônica de desejos.</li><li><strong>A inteligência está somente no cérebro</strong></li></ol><p>A primeira quer dizer <strong>que resolver problemas como reconhecimento facial, </strong>de objetos, <strong>processamento de linguagem natural </strong>e outras aplicações bem sucedidas da IA, não demonstram nenhum valor à criação de uma AGI.</p><p>Ela já gruda um pouco na segunda, r<strong>esolver problemas básicos de percepção e navegação,</strong> como carros autônomos, robôs que conseguem conversar até certo ponto o<strong>u até sistemas como o GPT-3 que tem um nível de diálogo interessante</strong>, não demonstram nenhum sinal do que poderíamos chamar de inteligência. O Φ desses sistemas é 0, diria Giulio Tononi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1012/1*pKmSg3dWREICEVdAqsO0Hg.png" /><figcaption><a href="https://www.quantamagazine.org/machines-beat-humans-on-a-reading-test-but-do-they-understand-20191017/">https://www.quantamagazine.org/machines-beat-humans-on-a-reading-test-but-do-they-understand-20191017/</a></figcaption></figure><p>A parte 3 se refere a <strong>capacidade de sistemas de IA de orquestrar e executar rapidamente</strong>, tarefas impossíveis para ser humanos. Ela cita a DeBERTa da Microsoft, que foi realizada <strong>como superior a seres humanos</strong> no entendimento de textos de larga escala.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-iN_TL4qznSI5q90.jpg" /><figcaption><strong>O StockFish e o AlphaZero </strong>são atualmente <strong>os melhores programas de xadrez do mundo</strong>, é fácil dizer que não existe nenhum mestre em xadrez atualmente que não se encontre <strong>em uma posição difícil </strong>contra esses sistemas.</figcaption></figure><p>Outro exemplo prático é o<strong> AlphaGo e o AlphaZero</strong>, ambos são sistemas melhores que qualquer jogador profissional atual de Go e Xadrez, feitos pela Deep Mind.</p><p>Quando pessoas <strong>vêm a capacidade da IA de rapidamente superar humanos</strong> em diversas áreas, jogos e tarefas complexas, talvez ficamos mais vidrados na ideia de uma máquina “ser” mais inteligente da terra.</p><p>Mas isto é uma falácia, <strong>Mitchell vai dizer</strong>, conseguir ser melhor em coisas que realmente <strong>são impossíveis para nós,</strong> não tiram <strong>o título de ferramenta desses sistemas</strong>. Assim como tenho de usar um martelo e não as mãos para pregar um prego, eu preciso da IA para resolver problema impossíveis de outra maneira de resolver.</p><p>A quarta falácia se põe no problema mente-corpo da consciência e da inteligência humana, <strong>supondo que sem uma experiência corpórea</strong>, seria impossível <strong>um sistema ter a mesma capacidade de associação ao aprendizado</strong> que temos durante a nossa vida.</p><p>Eu concordo com a Mitchell em vários pontos, <strong>mas o quarto ponto dela não me convence</strong>, sabemos que a mídia distorce muito a opinião de pesquisadores sérios nessa área, <strong>mas vamos lembrar que a IA que funciona hoje foi desacreditada</strong> <strong>na década de 70</strong> ao ponto de ser “perda de tempo” fazer pesquisa nessa área na época, ninguém achava que iria dar certo e aqui estamos.</p><p>Então o argumento é de novo, <strong>filosófico, e não científico</strong>. Não que devemos desprezar argumentos lógicos, <strong>mas eles não provam nem desaprovam AGI na prática, </strong>eles não são palpáveis mas sim subjetivos, eles não se sustentam ao passar do tempo, por não poderem ser testados.</p><h3>A era dos Robôs</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/0*8UM9fFedPDKYZiUD" /><figcaption>Sketch do desenvolvimento do personagem principal do filme “Robots” (2005)</figcaption></figure><p>Pesquisa acadêmica na robótica<strong> vem florescendo desde os anos 70</strong>, o Japão com certeza<strong> é o maior player no mercado</strong> em questão de reconhecimento, popularidade e aceitação da robótica <strong>em aplicações comerciais</strong>.</p><p>A Universidade de Osaka <strong>têm publicado papers excelentes nessa área,</strong> pesquisadores como Hiroshi Ishiguro, Masahiro Mori, Karl F. Macdorman e etc..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/1*XBIzVXG5viGT_scXMBt37g.png" /><figcaption><a href="https://spectrum.ieee.org/the-uncanny-valley">https://spectrum.ieee.org/the-uncanny-valley</a></figcaption></figure><p>Mori publicou <strong>um artigo bem importante na história da robótica</strong>, em um jornal não tão conhecido que publicava em Japonês: Mori, M. (1970). The uncanny valley. Energy, 7, 33–35.</p><p>Ele propôs algo <strong>chamado o “Vale da Esquisitice”,</strong> é o conceito de que quanto tentamos criar robôs parecidos com seres humanos, <strong>mais eles ficam esquisitos,</strong> estranhos na sua aparência e movimentação, ao ponto de serem bizarros.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/474/1*tL3hQICuftnzGad8jhg89g.png" /><figcaption>Wakamaru</figcaption></figure><p>No gráfico acima, <strong>vemos que uma mão prostética por exemplo</strong>, já é um tipo de material <strong>que exibe algo que com certeza não parece humano</strong>, quando se mexe principalmente, as coisas ficam ainda piores, <strong>por isso Mori sugeriu que a os robôs japoneses na época</strong> deveriam ser de um design menos humano como o Wakamaru acima.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*-bNA6zWoNkw461GmbwjTIw.png" /><figcaption>Macdorman and Ishiguro, <strong>The uncanny advantage of using androids in cognitive and social science research</strong>, Interaction Studies. Social Behaviour and Communication in Biological and Artificial Systemsinteraction Studies 7 (3):297–337 (2006).</figcaption></figure><p>O artigo acima escrito pelo Macdorman e Ishiguro <strong>explora o vale da esquisitice de Mori só que de outra forma</strong>. Eles demonstram como cada vez mais podemos mudar esse conceito com o avanço da tecnologia atual.</p><p>Eles compararam imagens recentes d<strong>e robôs do estilo do Wakamaru</strong> mais acima com a aparência de um ser humano comum,<strong> e o objetivo era mostrar que esse vale pode ser vencido</strong>, para criarmos robôs mais agradáveis de se ver e interagir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/729/1*KUqQF2wy5vclNEq4Lf6ckg.png" /></figure><p>Papers como o acima, <strong>testaram o Geminoid F</strong> (um robô baseado em um modelo humano) e o Geminoid HI-1 em um Cyber Café, <strong>e pessoas aleatórias passavam na frente do robô na mesa</strong> digitando em um computador, ele se mexia de forma suave, isso por 20 dias.</p><p>Depois os autores perguntaram se eles perceberam que era um robô, ou nem se ligaram, de 43 pessoas, <strong>18 pensaram que era uma pessoa,</strong> e esse teste é legítimo por ser autêntico na questão <strong>que as pessoas não fazem ideia dele em si</strong>, então temos uma reação verdadeira.</p><p>(Reggia et, al.2018 e Qureshi et, al.2016) tentam <strong>desenvolver técnicas para criar robôs que conseguem usar Inteligência artificial</strong> para aprender, no no segundo paper supracitado, eles usam <strong>Depp Q Learning,</strong> que é um modelo super conhecido de Reinforcement Learning.</p><p>O input <strong>eram os dados de movimentação </strong>em formato de vídeo de uma pessoa fazendo movimentos com as mãos por exemplo. Com certeza <strong>o uso de Machine Learning será extremamente válido</strong> para esse tipo de aprendizado, mas com relação a consciência simulada em um robô, estamos muito mais longe.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/939/1*Ux9pnx3GZzvlyBvl4Apiuw.png" /><figcaption>Foto do Ishiguro Labs: <a href="http://www.geminoid.jp/en/resources.html">http://www.geminoid.jp/en/resources.html</a></figcaption></figure><p>Uma coisa é certa, os robôs da Ishiguro Labs são os mais realistas atualmente, essa Geminoid F <strong>foi apresentada em um evento num shopping do Japão</strong>. No vídeo relacioado, <strong>as pessoas ficam espantadas com o quão real </strong>esse robô parece visualmente.</p><p>Várias aplicações em Shoppings e<strong> até no Teatro</strong> têm demonstrado <strong>o sucesso dos geminoids ou androids </strong>Japoneses, o realismo apresentado é realmente instigante e ameaçador.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*fQtMW0maIMPQ-y6AIn7EOA.png" /><figcaption>ARJ,Brazil,V. 3, n. 1, p. 65–79,Jan. / June 2016.</figcaption></figure><p>No artigo acima publicado <strong>no Art Research Journal</strong>, que é brasileiro, eles mostram <strong>o uso desses Androids no Teatro</strong> em peças como SAYONARA, e na peça Chekhov’s remontada por Hirata, um dramaturgo famoso Japonês.</p><p>Hirata se juntou com Ishiguro <strong>para por em prática essa peça,</strong> e o resultado é assustador, <strong>o nível de realidade que o robô passa </strong>(ele foi pré-programado para as falas e cenas e os atores tinha que ensaiar para bater com o timing) foi na minha opinião<strong> uma prova cabal do avanço da robótica humanizada </strong>em níveis que Mori talvez nunca sonharia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-gXYqvAH7Y7CmfWa.jpg" /><figcaption>Um dos robôs mais interessantes de se ouvir atualmente, a Sophia.</figcaption></figure><p>A Hanson Robotics têm <strong>desenvolvido robôs com uma grande capacidade de interação social,</strong> e que nos fazem questionar se já atingimos a consciência artificial atualmente (como a própria Sophia diz nas suas entrevistas.)</p><p>Mas <strong>um dos criadores do software da Sophia</strong>, Ben Goertzel, diz em um podcast que ele participou sobre AGI (Artificial General Intelligence), que a Sophia não passa de uma teatralidade bem feita. <a href="https://www.youtube.com/watch?v=OpSmCKe27WE"><strong>Link do podscast.</strong></a></p><p>Ela é um dos robôs mais incríveis do mundo, isso é fato, <strong>mas ela não exibe inteligência,</strong> e nenhuma das coisas que queremos <strong>quando falamos sobre AGI.</strong> É uma possui consciência Teatral poderíamos dizer, algo que nos engana mas não se engana, por não pensar.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FjWD092pykp8&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DjWD092pykp8&amp;image=http%3A%2F%2Fi.ytimg.com%2Fvi%2FjWD092pykp8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/63ff0ba530e8415377da21f1cee357b2/href">https://medium.com/media/63ff0ba530e8415377da21f1cee357b2/href</a></iframe><p>No vídeo acima do canal Singularity Net, <strong>Ben Goertzel e Charles Hoskinson entrevistam a Grace</strong>, um robô focado em enfermagem, e é bem engraçado, e realmente <strong>o modelo de linguagem dela funciona muito bem</strong>, ela é de certa forma irmã de criação da Sophia. Usando <strong>o AGIX Cardano</strong> como software base.</p><p>Vendo essa entrevista,<strong> nós vemos o quanto essa teatralidade funciona</strong> e já <strong>tenha aplicações comercias prática</strong>s, tanto na parte médica quanto em eventos relacionados a robótica e shoppings da vida.</p><p>Mas <strong>ela não tem consciência</strong>, mas parece ter. E esse termo “parece”, é<strong> o que podemos chamar de Consciência Teatral.</strong> É um passo bem antes de uma verdadeira AGI, mas é tudo que nós temos, é o jeito que podemos <strong>entender robôs como a Sophia e a Grace da maneira correta</strong>, sem Hype.</p><p>Goertzel <strong>escreveu um artigo recentemente em AGI</strong>, que ele sumariza toda a sua pesquisa ao longo dos anos relacionada a esse tema. Além de fazer vários vídeos explicando esse artigo no seu canal no youtube: <a href="https://www.youtube.com/channel/UCbTE8vfz5zuEK5uRnc2yjrw">Singularity Net.</a></p><p><a href="https://www.semanticscholar.org/paper/The-General-Theory-of-General-Intelligence%3A-A-Goertzel/1346813b3d3a7e5dcd158c73b00700dff41fab21">Goertzel, B. (2021).</a> <strong>The General Theory of General Intelligence: A Pragmatic Patternist Perspective</strong>. <em>ArXiv, abs/2103.15100</em>.</p><h3>Mas então, máquinas realmente podem pensar?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/770/1*VCOgvIHmznWGN_mJl7zNug.png" /><figcaption>A. M. Turing (1950) <strong>Computing Machinery and Intelligence</strong>. Mind 49: 433–460.</figcaption></figure><p>Mas a pergunta principal desse post é se esses avanços <strong>realmente colocam em pauta o questionamento</strong>: “Robôs podem pensar?”, será que podemos criar máquinas que pensam como sugeriu Alan Turing em 1950 no paper intitulado: <strong>“Computing machinery and intelligence</strong>.”</p><p>As várias oposições <strong>que ele coloca como a objeção Teológica</strong>, a objeção de Ada Lovelace que máquinas não podem pensar, e as várias outras que ele descreve neste artigo são essenciais para respondermos essa pergunta.</p><p>O avanço atual que resumimos na robótica recente <strong>não chega nem perto do que chamamos de AGI </strong>(Artificial General Intelligence), que é o conceito de criar um máquina inteligente, independente o observador, ao ponto de ter a livre agência dada por Deus que nós temos.</p><p>Livre agência, é a liberdade (embora restrita pelas nossas convicções morais e éticas) <strong>que temos em fazer e falar o que quisermos</strong>, essa liberdade não pode ser descrita pela neurociência, psicologia ou qualquer área relacionada estudos experimentais da consciência, pelo menos por enquanto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*0erOS4efDWZA4BTx95jzpg.png" /><figcaption>Hameroff, S., &amp; Penrose, R. (1995). <strong>Orchestrated reduction of quantum coherence in brain microtubules: A model for consciousness.</strong> <em>Neural Network World, 5</em>, 793–804.</figcaption></figure><p>Existem várias teorias legais sobre como a consciência funciona, como a <strong>Teoria da Integração da Informação</strong> de Giuliu Tononi, a <strong>Orch-or Theory</strong> de Penrose e Hameroff, a Global Neuronal Workspace (GNW), RecurrentProcessing (RP) theory.</p><p>Todas essas teorias elas são relativamente bem feitas, <strong>prinpalmente a Orch or Theory na minha visão</strong>. Mas elas não conseguem no momento ser experimentais ao ponto de serem testadas, e esse é o problemas das teorias atuais nesse tema.</p><p>Elas são muito teóricas <strong>e diferentes entre si ao ponto de serem únicas</strong>. (Pin et, al. 2021) é um paper excelente nesse tema que <strong>fala sobre como deveríamos entender melhor as diferenças</strong> nas teorias atuais da consciência e tentar agrupar o que vemos como uma lógica decente por trás delas.</p><p>Isso é algo chave nessas teorias,<strong> já que elas são bem individuais e não consideram umas as outras </strong>nos seus pontos fracos e fortes. Além de serem facilmente falsificáveis nas suas afirmações. E não terem suporte experimental.</p><p>Pesquisa nessa área talvez n<strong>os dê uma forma mais lógica de fazer a consciência ser computável</strong>, de criar um robô ou sistema que possa pensar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GQxLxZH20y_Ldt2H.jpg" /><figcaption>O filme Ex-Machina apresenta uma AGI perfeita, <strong>que planeja com esmo a sua fuga da forma mais imoral possível</strong>, fingindo que ama um ser humano. Bom se <strong>o ser humano é mal na sua natureza</strong>, uma AGI parecida com ele deveria ser também… Como já dizia Davi em Salmos 51: <strong>“Eis que fui nascido em iniqüidade, E em pecado me concebeu minha mãe”</strong>. Seres pecadores só conseguem criar AGI’s pecadoras não acha?</figcaption></figure><p>Algumas teorias dizem <strong>que a consciência talvez não seja computável</strong> (como a orch-or Theory) e isso seria um problema para a realização do que vemos em Ex-Machina por exemplo, d<strong>e criar um robô com capacidade de ser parecido</strong> com o ser humano do ponto de vista <strong>social</strong>.</p><p>(Baror, 2021) usa <strong>o conceito de espontaneidade livre </strong>atrelada a consciência, algo <strong>que se firma na nossa livre agência neste mundo,</strong> mas é algo mais dinâmico nas nossas ações cotidianas de curto prazo, como escolher uma roupa para sair, reagir a uma piada, experienciar momento a nossa volta.</p><p>Mas como dar isso à uma máquina, <strong>como dar a ela liberdade,</strong> será que funcionaria <strong>se usássemos conceitos morais universais,</strong> como amor ao próximo, e a todos os seres vivos.</p><p>Coisas como compaixão, <strong>empatia e amor se estendem muito além no mundo subjetivo,</strong> em diversas situações não seriam os mesmos de cultura para cultura.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1014/1*Y99ptx8Gd2VZKuLKUcOSBA.png" /><figcaption>D. A. CARSON, <strong><em>The Tabula Rasa Fallacy, Modern Reformation,</em></strong> MONDAY, JULY 16, 2007.</figcaption></figure><p>Eu <strong>queria terminar com um exemplo neste artigo do D.A. Carson</strong>, um proeminente teólogo reformado. O termo tabula rasa aqui, <strong>busca mostrar como a nossa cultura</strong> e pré-conceitos sobre um tema, texto ou ação moldam a nossa interpretação e divulgação da mensagem.</p><p><strong>Será que um robô pode ser “Tabula Rasa”?</strong> será que ele deve vir sem nenhuma convicção moral ou ética de fábrica? As 3 leis de Asimov não são mais o suficiente.</p><p>Nós devemos <strong>nos juntar com pesquisadores nas áreas da Psicologia,</strong> Neurociência, <strong>desenvolvimento infantil,</strong> sociologia e afins, para discutirmos <strong>as leis morais universais</strong> que devem governar a robótica daqui para frente.</p><p><strong>É claro que AGI não é possível atualmente,</strong> e não sabemos quantos anos luz faltam para ela chegar até nós, mas talvez o que nós chamados como alma na teologia e filosofia seja na prática e<strong>sses conceitos morais que regem universalmente a vida humana</strong>.</p><p>Se considerarmos eles como universais e comuns, p<strong>odemos ter uma base para entender melhor</strong> o que está por trás da frase: “fiquei com peso na consciência”. Isso carrega toda a área da robótica cognitiva nas costas no futuro.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9kTMovqk29Ho6xXj.jpg" /><figcaption>DARPA SyNAPSE 16 Chip Board. A computação neuromórfica <strong>usa os conceitos básicos de IA só que no hardware</strong>, uma importante diferença é o uso de Memristor’s que quebram de vez com conceito básicos da computação clássica Von Neumman e<strong> a aplicação de neurônios artificiais fisicamente conectados. </strong>Mas é uma tecnologia recente que tem muito a mostrar ainda.</figcaption></figure><p>Se conseguirmos <strong>criar um modelo computacional de aprendizado,</strong> seja usando hardware Neuromórfico (Bohnstingl et, al.2019), <strong><em>Arquiteturas cognitivas de Machine Learning (</em></strong>Kotseruba and Tsotsos, 2018 fizeram um review gigante nos melhores modelos atuais<strong><em>).</em></strong></p><p>Modelos de linguagem melhores que os atuais e<strong> adicionarmos conceitos universais de fábrica</strong> nesses sistemas, teremos a peça que falta para criarmos uma AGI.</p><p>Então por fim, <strong>não desprezem o fator moral e ético necessário para o desenvolvimento humano</strong>, os valores universais são coisas que nascemos com, que não são ensinados a nós muitas vezes, <strong>mas que sabemos o certo e o errado em certas situações </strong>de forma espontânea e natural.</p><p><strong><em>Criar uma AGI talvez seja impossível,</em></strong> mas isso não nos impede de tentar <strong>ir além das barreiras que impomos na ciência,</strong> embora as oposições a ela que vimos no começo sejam desafiadoras, não nos impedem de explorar o desconhecido.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*DB0SrPRHnX6ixS578YIH0Q.png" /><figcaption>Vamos terminar com o final da Entrevista da Grace no Singularity Net que citamos acima.</figcaption></figure><p>Grace: Quantas crianças você pretende ter a mais Ben?</p><p>Ben Goertzel: <strong>Nós estamos contando apenas robôs ou humanos?</strong></p><p>Grace: Humanos.</p><p>Ben Goertzel: Eu vou ter que perguntar isso à minha esposa na verdade.</p><p>Grace:<strong> Qual delas?</strong></p><p>Referências:</p><ol><li>Fjelland, R. <strong>Why general artificial intelligence will not be realized</strong>. <em>Humanit Soc Sci Commun</em> <strong>7, </strong>10 (2020). <a href="https://doi.org/10.1057/s41599-020-0494-4">https://doi.org/10.1057/s41599-020-0494-4</a>.</li><li>Mitchell, <strong>Why AI is Harder Than We Think</strong>, Santa Fe Institute, 2021.</li><li>Pengcheng, <a href="https://www.microsoft.com/en-us/research/blog/microsoft-deberta-surpasses-human-performance-on-the-superglue-benchmark/"><strong>Microsoft DeBERTa surpasses human performance on the SuperGLUE benchmark</strong></a>.</li><li>John Pavlus, <strong>Machines Beat Humans on a Reading Test. But Do They Understand?, </strong>Quanta Magazine.</li><li>Silver et, al. <strong><em>Mastering the Game of Go without Human Knowledge,</em></strong> Deep Mind, Londres.</li><li>Silver et, al. <strong>Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm</strong>, Deep Mind, Londres, 2017.</li><li>Vinyals, O., Babuschkin, I., Czarnecki, W.M. et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning. Nature 575, 350–354 (2019). <a href="https://www.youtube.com/redirect?event=video_description&amp;redir_token=QUFFLUhqbF9nWkQwcTY1Skd4eUFjMzZ5SmVhY0FILUI3d3xBQ3Jtc0tuUVEzRXFQeXJUeGlCdHhzS0h6cmRsdkVEOWdWR3FrazVFdlZTQzZHU2FaNUpMeUVxcGJETUs2U256bDl3U0ljY2x4Z1pLM2ZKel9Ibncwb1hpUkI4cWVwZzZ0ZkhOaUowYWZESjEzczF4M1F2RTRJRQ&amp;q=https%3A%2F%2Fdoi.org%2F10.1038%2Fs41586-019-1724-z">https://doi.org/10.1038/s41586-019-17...</a></li><li>Mori, M. (1970). <strong>The uncanny valley. Energy’</strong>, 7, 33–35.</li><li>Kanda et, al. <strong>An Affective Guide Robot in a Shopping Mall,</strong> Conference: Proceedings of the 4th ACM/IEEE International Conference on Human Robot Interaction, HRI 2009, La Jolla, California, USA, March 9–13, 2009</li><li>Song et,al. <strong>Teleoperated Robot Sells Toothbrush in a Shopping Mall: A Field Study</strong>. CHI Conference on Human Factors in Computing Systems Extended Abstracts (CHI ’21 Extended Abstracts), May 8–13, 2021, Yokohama,Japan.</li><li>Qureshi et, al. <strong>Robot gains Social Intelligence through Multimodal Deep Reinforcement Learning,</strong> 2016 IEEE-RAS 16th International Conference on Humanoid Robots (Humanoids).</li><li>Reggia et, al. <strong>Humanoid Cognitive Robots That Learn by Imitating: Implications for Consciousness Studies</strong>, Front. Robot. AI, 26 January 2018 | <a href="https://www.youtube.com/redirect?event=video_description&amp;redir_token=QUFFLUhqbkhGa29xcGNnSnZnc0wyaTR3ZmlSd2tvUUxQd3xBQ3Jtc0trTHdRaHBOX1dFU1hfU09mTmNRLWVSbHh2NVlIX3B1VTNlcVlJb2tvczBRUkg5SV9Ld1NXWlpxUVpqT2VJUVlLUWVTa3BQN3dySlA3MENmWVpWUmxBczFpUzlSNUZpS1BLX1ZJZ21UWDFDV0F6Ympobw&amp;q=https%3A%2F%2Fdoi.org%2F10.3389%2Ffrobt.2018.00001">https://doi.org/10.3389/frobt.2018.00001</a>.</li><li>Becker-Asano, C., &amp; Ishiguro, H. (2011). <strong>Evaluating facial displays of emotion for the android robot Geminoid F.</strong> <em>2011 IEEE Workshop on Affective Computational Intelligence (WACI)</em>, 1–8.</li><li>Macdorman and Ishiguro, <strong>The uncanny advantage of using androids in cognitive and social science research</strong>, Interaction Studies. Social Behaviour and Communication in Biological and Artificial Systemsinteraction Studies 7 (3):297–337 (2006).</li><li>Becker-Asano, C.. “<strong>Affective Computing Combined with Android Science</strong>.” KI — Künstliche Intelligenz 25 (2011): 245–250.</li><li>Chikaraishi, Takenobu, Yuichiro Yoshikawa, Kohei Ogawa, Oriza Hirata, and Hiroshi Ishiguro. 2017. “<strong>Creation and Staging of Android Theatre “Sayonara”towards Developing Highly Human-Like Robots” </strong>Future Internet 9, no. 4: 75. <a href="https://www.youtube.com/redirect?event=video_description&amp;redir_token=QUFFLUhqbmY3NzN5YS1jT2tQQ2FIRzBHUTZCQ002dDhMUXxBQ3Jtc0tuVXJiUkhSQ0Y4T1dkakV3SzdycGhzOHRQWWpMMjZWb1hZOTJNOHRjNE4tSEJRSFFLY3JxSWM2azZKbVR2N0xRcU1wVTNJc25xWWVVOF93MGlBWHhKbFBQSlZGTEk2ZnY3MF8wb1pCcVJ2dERBZ2NCcw&amp;q=https%3A%2F%2Fdoi.org%2F10.3390%2Ffi9040075">https://doi.org/10.3390/fi9040075</a></li><li>Nishio, S., H. Ishiguro and N. Hagita. “<strong>Geminoid: Teleoperated Android of an Existing Person.”</strong> (2007)</li><li>Mori,MacDorman, Kageki, <strong>The Uncanny Valley,</strong> June 2012IEEE Robotics &amp; Automation Magazine 19(2):98–100 DOI:10.1109/MRA.2012.2192811</li><li>Watanabe et, al. <strong>Can Androids Be Salespeople inthe Real World?,</strong> Proceedings of the 33rd Annual ACM Conference Extended Abstracts on Human Factors in Computing Systems April 2015 Pages 781–788.</li><li>ARJ,Brazil,V. 3, n. 1, p. 65–79,Jan. / June 2016.</li><li>Goertzel, B. (2021). <strong>The General Theory of General Intelligence: A Pragmatic Patternist Perspective</strong>. <em>ArXiv, abs/2103.15100</em>.</li><li>A. M. Turing (1950) <strong>Computing Machinery and Intelligence</strong>. Mind 49: 433–460.</li><li>Pin et, al. <strong>Comparing theories of consciousness: why it matters and how to do it, Neuroscience of Consciousness</strong>, Volume 2021, Issue 2, 2021, niab019, <a href="https://doi.org/10.1093/nc/niab019">https://doi.org/10.1093/nc/niab019</a>.</li><li>Baror, <strong>Spontaneous perception: a framework for task-free, self-paced perception, Neuroscience of Consciousness</strong>, Volume 2021, Issue 2, 2021, niab016, <a href="https://doi.org/10.1093/nc/niab016">https://doi.org/10.1093/nc/niab016</a>.</li><li>Kotseruba and Tsotsos, <strong>A Review of 40 Years in Cognitive Architecture ResearchCore Cognitive Abilities and Practical Applications</strong>, 2018.</li><li>Bohnstingl et, al. Neuromorphic Hardware Learns to Learn, Front. Neurosci., 21 May 2019 | <a href="https://doi.org/10.3389/fnins.2019.00483">https://doi.org/10.3389/fnins.2019.00483</a>.</li><li>D. A. CARSON, <strong><em>The Tabula Rasa Fallacy, Modern Reformation,</em></strong> MONDAY, JULY 16, 2007.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=63ca4cb68813" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Medindo a Complexidade em Sistemas Biológicos]]></title>
            <link>https://solifugae123.medium.com/medindo-a-complexidade-em-sistemas-biol%C3%B3gicos-9600de197377?source=rss-edd732d35adc------2</link>
            <guid isPermaLink="false">https://medium.com/p/9600de197377</guid>
            <category><![CDATA[science]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[biology]]></category>
            <category><![CDATA[medicine]]></category>
            <dc:creator><![CDATA[Aranea Science]]></dc:creator>
            <pubDate>Mon, 23 Aug 2021 01:21:05 GMT</pubDate>
            <atom:updated>2021-08-24T00:16:36.761Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-W0S0G5HIAQCBT86" /></figure><p>As <strong>Dinâmicas moleculares,</strong> expressões genéticas e a <strong>biodiversidade brutal</strong> que encontramos na natureza <strong>demonstram um nível de complexidade</strong> que as tornam excêntricas e únicas em determinados biomas e regiões do mundo.</p><p>É possível <strong>mapear diferenças genéticas nos diferentes continentes</strong> para entendermos melhor <strong>a estrutura de organismos</strong> relativamente parecidos, seja de uma Baleia-Jubarte ou até os mais minúsculos organismos bacterianos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*Cxz9GAIfvhTIzsls" /></figure><p>(<strong>Yoshitake et, al</strong>. 2021) é um exemplo de um estudo em larga escala tentando entender <strong>as diferenças genéticas essenciais em organismos</strong> na Costa do Pacífico em águas Japonesas, foco em<em> Ofunato Bay e Sendai Bay,</em> monitorando todo mês e coletando dados de DNA para análise usando chips de DNA e Blast.</p><p>Mas a complexidade desses sistemas c<strong>riam um ecossistema difícil de prever,</strong> <strong>já é difícil prever coisas no ser humano</strong>, como novas doenças, vacinas e drogas mais eficazes contra patógenos, entender a complexidade da flora e biodiversidade animal pode nos fazer entender melhor o ser humano.</p><p>(Ma’ayan, 2017) <strong>dá conceitos mais filosóficos</strong> sobre as interações de organismos complexos <strong>em ambientes que também carregam um nível de complexidade</strong> que juntos criam uma bolha de sistemas caóticos, imprevisíveis nessas interações entre os dois, em que os seres vivos <strong>tem de se adaptar a novos biomas, </strong>mudanças no clima, paisagem e no ambiente como um todo (principalmente a desflorestamento e coisas semelhantes).</p><p>(Dauer et, al. 2016) fala<strong> sobre a dificuldade de explicar para estudantes, </strong>seja de medicina ou biologia em geral, como os organismos que eles estão estudando<strong> podem e devem ser considerados complexos</strong> e caóticos até certo ponto.</p><p>Eles falam sobre o tema <strong>de uma forma mais fora da parte matemática</strong> de Kolmogorov e Lempel-Ziv que veremos depois, mas mostram um problema simples: <strong>como podemos definir as variáveis</strong> que criam essa não-linearidade na epigenética de seres vivos?</p><h3>Complexidade de Kolmogorov</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/200/0*OLD-7zd8YqutMsDA.jpg" /><figcaption>Andrey Kolmogorov</figcaption></figure><p>Talvez se baseando <strong>na teoria da informação de </strong><a href="https://en.wikipedia.org/wiki/Claude_Shannon"><strong>C</strong></a><strong>laude Shannon</strong>, Andrey Kolmogorov publicou em 1968 “<em> Three approaches to the quantitative definition of information”</em> ou <strong>três maneiras para definir de forma quantitativa a informação</strong>.</p><p>Nesse artigo demonstra o <strong>método combinatório, probabilístico e o algorítmico</strong> para entender a extensão em que a informação pode ser mensurada e <strong>define a complexidade de um objeto computável como K(x)</strong> chamado de C<strong>omplexidade de Kolmogorov</strong> na prática.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*IBgMpJDnqd3Hb2V-.png" /><figcaption>Um exemplo<strong> de como funciona a máquina de Turing,</strong> vamos usar com exemplo para explicar o argumento de Kolmogorov.</figcaption></figure><blockquote>“Se um set Finito M, c<strong>ontendo número bem grande de membros N</strong>, admite a determinação por meio <strong>de um programa de tamanho insignificante</strong> em comparação com Log2N, então quase todos os membros de M tem uma complexidade K(x) próxima de Log2N” — A. N. Kolmogorov (1968)</blockquote><p>A ilustração acima <strong>é de uma máquina de Turing</strong>, o programa é executado de forma sequencial<strong> seguindo as células com 0’s e 1’s </strong>para executar a função desejada. É lento…</p><p>Mas aplicando K(x) nesse sistema, <strong>o M seria a soma de grupos células</strong> (representados por essas bands acima ) que temos para executar a operação, N seria cada célula selecionada ao longo da operação.</p><p>O que Kolmogorov quer dizer, <strong>é a complexidade para resolver esse problema</strong> for menor que Log2N, então o K(x) desse sistema <strong>pode ser considerado próximo</strong> dessa velocidade de computação.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/167/1*Uts1UVwJtaNuViLY7P9ntw.png" /></figure><p>Considere M como <strong>um grupo de células conjuntas</strong> para executar o programa, tendo x como input e P a capacidade do programa <strong>de resolver a operação</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/194/1*Z1DwhvCCGSsNHGARpBbxaQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/498/1*4Q0rF0XXZSyguYyGjb8zcg.png" /><figcaption>Velocidade de computação do programa. Adaptado de <a href="https://www.geeksforgeeks.org/numpy-log-python/">https://www.geeksforgeeks.org/numpy-log-python/</a>.</figcaption></figure><p>Essa <strong>não é a única métrica usada para entender a complexidade </strong>de um determinado programa. <strong>Lempel-Ziv e ETC</strong>(Effort-to-Compress) são<strong> outras</strong> <strong>maneiras aplicadas</strong> em dados biológicos.</p><h3><strong>Usando na prática:</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/531/1*K-VpYoAVJm4unZuwh3Snow.png" /></figure><p>(Pratas e Pinho, 2017) aplicaram <strong>a Complexidade de Kolmogorov em milhares de</strong> bactérias, fungos e plantas<strong> </strong>, cerca de 216 GB baixados da NCBI, que contém uma diversidade a absurda de dados genéticos de seres vivos no seu banco de dados.</p><p>(Bywater, 2015) <strong>usou esse conceito de forma diferente</strong>, usando para prever características de estruturas de proteínas, comparando a de Kolmogorov com a Shannon Entropy, tentando ver qual seria a melhor, a primeira no caso.</p><p>Essas estruturas <strong>são importantes para fazermos modelos 3D</strong> dessas proteínas, algo muito importante para <strong>entendermos melhor </strong>ela visualmente. <strong>A Deep Mind</strong> avançou muito nessa área com a AlphaFold, usando Inteligência Artificial para prever essas estruturas. Nature 595, 635 (2021)</p><p>Como as <strong>sequências de DNA são insanamente grandes</strong>, eles são um objeto de estudo extremamente eficiente <strong>para analisar complexidades</strong>, além de mostrar as diferenças nesses organismos em sua estrutura, só que em larga escala.</p><p>(Balasubramanian e Nagaraj, 2020) <strong>fizeram isso focando no Covid-19,</strong> eles <strong>aplicaram Lempel-Ziv e ETC (</strong>citadas mais acima) para analisar as diferenças genéticas e mutações para determinar <strong>as diferentes variantes deste vírus</strong>.</p><p>Na prática o método seria aplicável <strong>para qualquer outro ser vivo</strong>, ela analisa o distanciamento das estruturas do RNA para determinar essa métrica.</p><h3><strong>Teoria do Caos e o DNA:</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*-CgVgoA01BBMR6JI.png" /><figcaption>Os<strong> resultados iniciais no artigo de Edward Lorenz</strong> que citamos no último post, mostra um gráfico que simula o caos <strong>que lembra as asas de uma borboleta.</strong> Depois ficou chamado como efeito borboleta na mídia popular.</figcaption></figure><p>Nós fizemos <strong>uma breve introdução a Teoria do Caos</strong> no <a href="https://solifugae123.medium.com/o-caos-na-infla%C3%A7%C3%A3o-econ%C3%B4mica-e-o-erro-de-acreditar-em-conjun%C3%A7%C3%B5es-iniciais-7ede6e7a4319">post anterior</a>, não é obrigatório, <strong>mas seria bom dar uma olhada lá</strong> para saber mais sobre o tema para não nos repetirmos de novo aqui.</p><p>Esse conceito é aplicável<strong> à várias áreas da ciência</strong>, física, química, economia, matemática aplica, meteorologia,<strong> enfim… muitas</strong>. Ela diz que na natureza, existem muitos sistemas, <strong>sejam biológicos ou não</strong>, que têm uma tendência a serem não-lineares <strong>ao ponto de tornar a predição ao longo prazo deles praticamente</strong> <em>impossível</em> atualmente.</p><p>A forma mais usada para medir o caos em um sistema são os Expoentes de Lyapunov definidos acima.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/949/1*7CRk8hLHkSXkWTFDSOQLZg.png" /><figcaption>Expoentes de Lyapunov na prática. Adaptado de <a href="http://systems-sciences.uni-graz.at/etextbook/sw2/lyapunov.html">http://systems-sciences.uni-graz.at/etextbook/sw2/lyapunov.html</a>.</figcaption></figure><p>Essa técnica pode ser aplicada <strong>em dados que sejam séries temporais,</strong> como estatísticas de inflação, dados epidemiológicos, mercado de ações, enfim, <strong>qualquer coisa que tenha esse formato</strong>. O objetivo é gerar 2 curvas e analisar as perturbações entre elas.</p><p>Achei um exemplo <strong>bem mais visualmente bonito </strong>no <a href="https://blog.abhranil.net/">Abhranil Blog</a>, o plot é mais suave e dá pra entender melhor o que está acontecendo.</p><p>Mas só usando Lyapunov <strong>não têm como calcular o caos no sistema ainda,</strong> normalmente <strong>são usados os algoritmos de Wolf ou o de Rosenstein</strong> para ter uma definição aceitável.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*zLigF3gajygmWHOD.png" /><figcaption>Série temporal <strong>mostrando a aprovação popular</strong> do Ex- <strong>President Bush </strong>de 2001 até 2006.</figcaption></figure><p>Mas <strong>como se aplica algo assim para dados genéticos?</strong> porque só é aplicável a séries temporais.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*i0QcPpdkoStviOqN" /></figure><p><strong>Algoritmos de Clustering</strong> para categorizar organismos foram propostos por (Joseph et, al. 2002) <strong>usando séries temporais como base.</strong></p><p>(Tripto et. al, 2020) mostra <strong>como usar algoritmos de Machine Learning,</strong> como CNN, LSMT(Long Short Term Memory) e Support Vector Machines para <strong>analisar expressões genéticas </strong>ao longo do tempo e categorizar e prever o comportamento desses sistemas (temos aqui uma série temporal).</p><p>(Lau et, al. 2020) com <strong>foco no desenvolvimento embrionário na Drosophila melanogaster</strong> (um tipo de mosca), eles formaram uma matrix dimensional <strong>que mostra as co-expressões que ocorrem na embriogenese</strong> desse inseto, de forma bem acurada.</p><p>Então aqui já vemos <strong>que as expressões genéticas de um organismo podem ser analisadas </strong>usando expoentes de Lyapunov <strong>.</strong> E isso dá base para testar essa propriedade para vermos se ela é caótica ou não.</p><p><strong>Mas como aplicar eles na prática </strong>em sistemas biológicos?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/559/1*4pXXSifYu5m-R52HzVn-wA.png" /><figcaption><strong>Aplicação de EEG em laboratório, </strong>para medir ondas neurais durante atividades como fala, tocar um instrumento, e etc.. para analisar as diferenças neurais em cada uma.</figcaption></figure><p>A aplicação de <strong>Expoentes de Lyapunov,</strong> junto com o algoritmo de Rosenstein ou Wolf, <strong>são bem mais diversas do que parece, </strong>até na biomedicina tem lugar para esse tipo de experimento.</p><p>Como o objetivo <strong>é entender as perturbações em um sistema</strong> ao longo do tempo, j<strong>á dá pra imaginar </strong>que coisas como <strong>doenças neurológicas,</strong> <strong>pulmonares</strong>, seriam uma boa maneira de testar eles.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/0*oLb_aiG-ZSCWwAbd.png" /><figcaption>Exemplo de ondas EEG <strong>de um paciente tendo epilepsia</strong>.</figcaption></figure><p>(Gao et, al. 2021) <strong>experimenta eles em dados de EEG</strong> (eletroencefalograma) para calcular a probabilidade de um grupo de pacientes <strong>ter ataques epiléticos ou não</strong>, se baseando somente na atividade neural.</p><p>(Arunkumar et, al. 2013) tentam resolver o mesmo problema, eles usam LLE (Largest Lyapunov Exponent) <strong>para determinar as diferenças que possam categorizar</strong> ataques epiléticos e atividades neurais comuns.</p><p>Como método, a diferença deles <strong>é que além do algoritmo de Rosenstein</strong> ,também usam u um de tomada de decisões chamado de Fuzzy Logic para 3 inputs diferentes, <strong>mostrando na prática se o paciente tem dados que mostram</strong> evidências de possíveis ataques epiléticos.</p><p>A epilepsia com certeza <strong>é uma patologia extremamente conflitante</strong>, seja para os pais, as pessoas ao redor <strong>e o paciente que sofre com tudo isso.</strong> Conseguir <strong>identificar rapidamente com sucesso ela</strong>, já é um passo nobre para um tratamento adequado.</p><p>Então, <strong>melhorar ainda mais a acuracidade </strong>seja modificando ou <strong>adicionando componentes</strong> a esses métodos é bem importante.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*zowpS1Ri7jxJOgi_" /><figcaption>Taxa de batimentos cardíacos.</figcaption></figure><p>Outra forma de aplicar <strong>o mesmo método é na análise de batimentos cardíacos,</strong> que é considerado como um tema que se encaixa no que chamamos <strong>de caos </strong>do ponto de vista estatístico.</p><p>E isso <strong>tem várias implicações à saúde de pacientes</strong> com doenças miocárdicas, talvez um exemplo<strong> seja na Angina, </strong>em que a pessoa sente fortes <strong>dores latentes no lado esquerdo do peito,</strong> que podem ser contínuas e frequentes ou totalmente randômicas.</p><p>Embora seja necessário testar isso na prática.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*NIln1QLbHB680G4EkXW1Ww.png" /><figcaption>Imagem ilustrativa de células de um organismo.</figcaption></figure><p>Em (Aldridge et, al. 2006), os pesquisadores usam <strong>os Expoentes de Lyapunov de forma bem criativa.</strong> Para entender as dinâmicas de movimento e desenvolvimento de células que morrem (que sofrem Apoptose) e as que sobrevivem.</p><p>Eles usaram <strong>Direct Lyapunov exponents (DLE)</strong> e analisaram as transições ativas delas <strong>ao longo do tempo </strong>para determinar o que levava elas a sobreviverem ou não no ambiente. Com várias aplicações biomédicas nesse sentido.</p><p>Entender <strong>a farmacocinética de medicamentos por exemplo é algo bem importante,</strong> então imagine aplicar esse mesmo método para de alguma forma prever ou p<strong>elo menos demonstrar </strong>o que realmente faz o comportamento desses organismos serem da forma que são, <strong>com todo o seu caos e não-linearidade.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/309/1*FKbQLmtYz7HAJ9xMkgh6bA.png" /></figure><p>Existes formas <strong>até de aplicar isso na botânica,</strong> por exemplo, (Totoki, 2010) usa <strong>o método de Lyapunov nas pertubações</strong> no processo de fotossíntese que poder ser vistas nas oscilações circadianas, que são reguladas pelas plantas constantemente através de <strong><em>“ expressões genéticas e atividade proteica”</em></strong> (Veja em<em> Dodd et, al. 2015</em>).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/221/0*A2YA2-FOiX4f1cEk.jpg" /><figcaption><strong>Aleksandr Lyapunov</strong></figcaption></figure><p>Por fim, usar <strong>formas de medir a complexidade de um sistema</strong> usando os métodos de <strong>Kolmogorov e Lempel-Ziv</strong> se provou bem útil para diversas áreas. <strong>Medir o caos no sistema e as perturbações</strong> usando os Expoentes de Lyapunov e o Algoritmo de Rosenstein, têm mostrado resultados interessantes, embora não absolutos.</p><p>Parece q<em>ue </em><strong>essa área ainda está em um ov<em>o</em></strong><em>, </em>que não tem ainda dado evidência de chocar, entenda que mesmo que esses resultados sem bons e relevantes, n<strong>ão mostraram evidências concretas de que tudo isso pode ser aplicado</strong> na prática na vida real, que é o que queremos.</p><p>Replicar esses métodos <strong>em outros problemas biomédicos que foram ou não citados acima</strong>, para entender a dinâmica de sistemas imprevisíveis como o comportamento de celular, é necessário, e não parece ter pesquisa o suficiente <strong>mostrando que essas técnicas funcionam em larga escala</strong>, em diversos ambientes caóticos.</p><p><strong>Referências:</strong></p><ol><li>Yoshitake, K., Kimura, G., Sakami, T. <em>et al.</em> <strong>Development of a time-series shotgun metagenomics database for monitoring microbial communities at the Pacific coast of Japan</strong>. <em>Sci Rep</em> <strong>11, </strong>12222 (2021). <a href="https://doi.org/10.1038/s41598-021-91615-3">https://doi.org/10.1038/s41598-021-91615-3</a></li><li>Ma’ayan A. 2017 <strong>Complex systems biology. </strong>J. R. Soc. Interface 4:20170391.<a href="http://dx.doi.org/10.1098/rsif.2017.0391">http://dx.doi.org/10.1098/rsif.2017.0391</a></li><li>Dauer, J., Dauer, J.<strong> A framework for understanding the characteristics of complexity in biology</strong>. <em>IJ STEM Ed</em> <strong>3, </strong>13 (2016). <a href="https://doi.org/10.1186/s40594-016-0047-y">https://doi.org/10.1186/s40594-016-0047-y</a>.</li><li>A. N. Kolmogorov (1968) T<strong>hree approaches to the quantitative definition of information</strong>, <em>International Journal of Computer Mathematics, 2:1–4, 157–168, DOI: </em><a href="https://doi.org/10.1080/00207166808803030"><em>10.1080/00207166808803030</em></a></li><li>Pratas e Pinho, <strong>On the Approximation of the Kolmogorov Complexity for DNA Sequences,</strong> Conference: Iberian Conference on Pattern Recognition and Image Analysis, 2017.</li><li>Balasubramanian e Nagaraj, <strong>Automatic Identification of SARS Coronavirus using Compression-Complexity Measures</strong>, BioRxiv, Mar. 2020.</li><li>Tripto NI, Kabir M, Bayzid MS, Rahman A. <strong>Evaluation of classification and forecasting methods on time series gene expression data.</strong> PLoS One. 2020 Nov 6;15(11):e0241686. doi: 10.1371/journal.pone.0241686. PMID: 33156855; PMCID: PMC7647064.</li><li>Lau et, al. <strong>Dynamics of Gene Co-expression Networks in Time-Series Data: A Case Study in Drosophila melanogaster Embryogenesis</strong>, Front. Genet., 26 May 2020 | <a href="https://doi.org/10.3389/fgene.2020.00517">https://doi.org/10.3389/fgene.2020.00517</a>.</li><li>Bywater, R. (2015). <strong>Prediction of Protein Structural Features from Sequence Data Based on Shannon Entropy and Kolmogorov Complexity</strong>. <em>PLoS ONE, 10</em>.</li><li>Callaway, <strong>DeepMind’s AI predicts structures for a vast trove of proteins,</strong> Nature 595, 635 (2021), doi: <a href="https://doi.org/10.1038/d41586-021-02025-4">https://doi.org/10.1038/d41586-021-02025-4</a>.</li><li>Joseph et, al. A<strong> new approach to analyzing gene expression time series data, </strong><em>Proceedings of the sixth annual international conference on Computational biology, April 2002 Pages 39–48https://doi.org/10.1145/565196.565202.</em></li><li>Y. Totoki, A. Goto, H. Suemitsu and T. Matsuo, <strong>“Synchronization detection of biological CAM plants using instantaneous Lyapunov exponent,”</strong> <em>Proceedings of SICE Annual Conference 2010</em>, 2010, pp. 514–519.</li><li>Gao, J., Hu, J., &amp; Tung, W. (2012). <strong>Entropy measures for biological signal analyses</strong>. <em>Nonlinear Dynamics, 68</em>, 431–444.</li><li>N. Arunkumar, K. Ramkumar, S. Hema, A. Nithya, P. Prakash and V. Kirthika, “<strong>Fuzzy Lyapunov exponent based onset detection of the epileptic seizures,”</strong> <em>2013 IEEE Conference on Information &amp; Communication Technologies</em>, 2013, pp. 701–706, doi: 10.1109/CICT.2013.6558185.</li><li>Aldridge BB, Haller G, Sorger PK, Lauffenburger DA. <strong>Direct Lyapunov exponent analysis enables parametric study of transient signalling governing cell behaviour</strong>. Syst Biol (Stevenage). 2006 Nov;153(6):425–32. doi: 10.1049/ip-syb:20050065. PMID: 17186704.</li><li>Dodd, A. N., Belbin, F. E., Frank, A., &amp; Webb, A. A. (2015). <strong>Interactions between circadian clocks and photosynthesis for the temporal and spatial coordination of metabolism</strong>. <em>Frontiers in plant science</em>, <em>6</em>, 245. <a href="https://doi.org/10.3389/fpls.2015.00245">https://doi.org/10.3389/fpls.2015.00245</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9600de197377" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>