Dois bias que podem acabar com a humanidade

Documentos relacionados
Uma heurística para a modificação da cognição humana. João Lourenço de Araujo Fabiano

INTELIGÊNCIA ARTIFICIAL

Razões e meios para modificar a evolução. João Lourenço Mestrando em Filosofia (USP) Membro do IERFH (ierfh.org)

Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO

Introdução a Algoritmos Genéticos

Teste de Turing e Computação Quântica Curso de Análise e Desenvolvimento de Sistemas INTELIGÊNCIA ARTIFICIAL PROFESSOR FLÁVIO MURILO

APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO

7ª série (turmas muito legais, aliás) Professor Julian ( J.D. ) Colégio João Paulo i Unidade Sul

Universidade Estadual do Rio Grande do Sul Curso Superior de Tecnologia em Gestão Ambiental Biologia Aplicada Aula 7

Sobre o Artigo. Searle, John, R. (1980). Minds, brains and programs. Behavioral and Brain Sciences 3(3):

ANEXO AULA 04 EVOLUCÃO II. O urso polar é branco porque mora na neve, ou vive na neve porque é branco?

Metahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.

Aula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos

Aprendizagem Bayesiana

Estimação de valores. Luiz Carlos Terra

Classificadores. André Tavares da Silva.

Razão Uma Visão Intuitiva: Parte III Testando a Palavra por Lauro Edison, 2012 *

CURSO METODOLOGIA ECONÔMICA. Professora Renata Lèbre La Rovere. Tutor: Guilherme Santos

antropologia & cultura

Variabilidade. Módulo 3

2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos

Juliana Kaizer Vizzotto. Universidade Federal de Santa Maria. Disciplina de Teoria da Computação

3 Métodos de Otimização

Ética. por Jonatas Müller, 2012 * RESUMO

Inteligência Artificial. Algoritmos Genéticos. Aula I Introdução

Algoritmos Genéticos

Processo de Amostragem

A evolução é o processo de transformações hereditárias e adaptações que vem ocorrendo nos seres vivos desde que surgiram no planeta Terra.

Noções sobre Probabilidade

Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall.

Bioestatística INFERÊNCIA ESTATÍSTICA. Silvia Shimakura

3 Algoritmos Genéticos

Evolução Molecular. "Nothing in Biology Makes Sense Except in the Light of Evolution. Theodosius Dobzhansky

Introdução aos Algoritmos Genéticos

Simulação de Deriva Genética

INTELIGÊNCIA COMPUTACIONAL

Razão Uma Visão Intuitiva: Parte VI Resolvendo as Definições por Lauro Edison, 2012 * oltemos ao nosso modelo neutro de definição (cf.

CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro

Ecologia de Populações e Comunidades

Disponível em: < (Adaptado). Acesso em: 09 set

A Matemática como Serviço a Ciência da Computação. Prof. Dr. Carlos Eduardo de Barros Paes Coordenador do Curso de Ciência da Computação

Descreve a história da vida na Terra Investiga os processos responsáveis por essa história

POR QUE A EVOLUÇÃO BIOLÓGICA É UMA TEORIA CIENTÍFICA E NÃO UMA LEI CIENTÍFICA?

ESTATÍSTICA ANALÍTICA. Prof. Dr. Guanis de Barros Vilela Junior

CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro

LIMITES COMPUTACIONAIS E O FUTURO. Prof. André Vignatti DINF - UFPR

Resolvendo o Problema do Cavalo do Xadrez Utilizando Algoritmo Genético

de estimativa. Essa estimativa, chamada de confiança ou estimativa intervalar, consiste em uma faixa, ou intervalo, de valores em vez de apenas um úni

Exercícios de Especiação

Deriva genética. Bio Diogo Meyer. Departamento de Genética e Biologia Evolutiva Universidade de São Paulo. Ridley

Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva

Inferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística

Catarina Marques. Estatística II Licenciatura em Gestão. Conceitos: População, Unidade Estatística e Amostra

Vieses E Heurísticas - Os Atalhos Mentais Do Pensamento Humano

Introdução à Lógica de Programação

Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística

ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA

Professora: Susana Costa

Planificação Anual 11º Ano Matemática Aplicada às Ciências Sociais

Otimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados

Biologia Professor Leandro Gurgel de Medeiros

3. Resolução de problemas por meio de busca

De onde vêm as expressões para variâncias e desvios padrão? 37

Probabilidade. Definições e Conceitos

Técnicas de Amostragem

DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500. Planificação Anual /Critérios de avaliação. Disciplina: MACS 11º ano 2014/2015

PLANO DE TRABALHO TÍTULO: EVOLUÇÃO

Evolução da Informática: a Origem da Computação

Análise Bayesiana de Dados - Aplicações 1 -

Luis Otavio Alvares Filipo Perotto. Quais os limites da IA? Inteligência no homem e na máquina. Por quê? X

Unidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno

Paradigma Simbólico. Sistemas de Informação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 2)

Testes de Hipótese PARA COMPUTAÇÃO

Teorias da evolução. A teoria da evolução de Lamarck. A teoria da evolução de Darwin

Inteligência Artificial. Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo]

Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:

Distribuições Amostrais e Estimação Pontual de Parâmetros

RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO

BIOESTATÍSTICA AULA 4. Anderson Castro Soares de Oliveira Jose Nilton da Cruz. Departamento de Estatística/ICET/UFMT

CRIATIVIDADE, ALEATORIEDADE E COMPLEXIDADE: A MATEMÁTICA NA VIDA

Lógica e Computação. Uma Perspectiva Histórica

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança

Estatística. Disciplina de Estatística 2012/2 Curso de Administração em Gestão Pública Profª. Ms. Valéria Espíndola Lessa

Algoritmos Evolutivos Canônicos

Parametros e estimativa estatísticas são relacionados, mas são a mesma coisa.

CE008 Introdução à Bioestatística INFERÊNCIA ESTATÍSTICA

Inferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza

Lista de Recuperação Não rasure os testes, não use branquinho à tinta.

Resolução da Prova de Raciocínio Lógico do INPI de 2014, aplicada em 14/12/2014 (Cargo 22).

Teste para a Média Populacional com Variância Conhecida

Profa. Sheila Morais de Almeida. março

UMA INTRODUÇÃO AOS ALGORITMOS GENETICOS

GENÉTICA DE POPULAÇÕES

Inferência Estatística. Estimação

MAT 1514 A Matemática na Educação Básica. Profa. Daniela Mariz Sala 108 Bloco A

CONHECIMENTOS ESPECÍFICOS

Seleção natural. Bio Diogo Meyer. Departamento de Genética e Biologia Evolutiva Universidade de São Paulo

Transcrição:

Dois bias que podem acabar com a humanidade por João Lourenço, 2012 * U m bias cognitivo é uma tendência inerente que temos, ao pensarmos ou analisarmos determinadas situações, de cometer desvios sistemáticos de racionalidade 1. Por vezes esses desvios de raciocínio podem nos levar a pequenos equívocos, mas em alguns casos os erros podem ser significativamente relevantes para a sobrevivência de nossa espécie. Existem dois vieses, que não estão listados em nenhum livro sobre bias cognitivos, que considero como os principais e mais relevantes para nossas avaliações de potencias riscos catastróficos à raça humana: o bias Observacional e o bias Intencional. Nesse texto trataremos brevemente dos dois. 1 Nossos mecanismos cognitivos (isto é, mecanismos de pensamento, raciocínio, inferência, etc.) são enviesados, ou seja, viciados em determinadas direções, nos tornando mais propensos a cometer certos tipos de erros, por exemplo, de identificação ou de estimação de tempo, probabilidades, etc. 1 www.ierfh.org

Bias Observacional 2 Imagine um jogo de computador baseado na evolução, com pequenas entidades peculiares auto-replicadoras existindo em um ambiente virtual, que são capazes de gerar algoritmos 3 comportamentais. 4 A cada período regular de T segundos a simulação é reiniciada, extinguido totalmente as populações anteriores sem deixar resquícios de seu passado. No entanto, o evento somente ocorre caso as entidades não tenham desenvolvido um conjunto muito específico de algoritmos. O leitor mais esperto poderia imaginar que essas nossas entidades teriam uma tendência a permitir que esse tipo de algoritmo específico evoluísse, pois de outro modo as entidades seriam extintas. Mas esta impressão está incorreta, pois durante toda a história de uma dessas populações de entidades virtuais, muito provavelmente não há qualquer razão específica para que esta população tenha desenvolvido este algoritmo. Se, sem aviso prévio, o programa se reinicia, a população que possui o algoritmo em questão sobrevive, a população que não o possui será completamente devastada. 2 O bias Observacional é um bias sobre a nossa ausência de informação com respeito à nossa probabilidade de extinção. Tratei de modo mais axiomático deste bias no texto da página http://brainstormers.wordpress.com/2009/09/28/a-filosofia-de-nick-bostrom-parte-1/. Aqui tentarei expor ele de maneira mais concreta. 3 Algoritmo é um tipo de processo formal no qual se pode confiar logicamente que produza uma determinada espécie de resultado sempre que for posto para funcionar ou evidenciado. (...) A ideia de que o algoritmo é um procedimento infalível de comprovação e de certa forma mecânico existe há séculos, mas foi o trabalho de pioneiros de Alan Turing, Kurt Gödel e Alonzo Church, na década de 1930, que de certa forma fixou a nossa atual compreensão do termo. (DENNETT, D. C. A Perigosa Idéia de Darwin A Evolução e os Significados da Vida, 1998, p.52). Para Darwin, a evolução das espécies se dava por meio de um processo algorítmico, embora ele não tenha usado essa expressão, que não era conhecida na época. 4 Richard Dawkins explorou um jogo semelhante a esse em seu livro O Relojoeiro Cego. Dawkins utilizou um programa de computador (Blind Watchmaker) para criar por seleção artificial criaturas chamadas de biomorfos computadorizados. Todos os biomorfos possuíam um ancestral comum e eram capazes de gerar cópias que herdavam todo o material genético dos pais, mas com alguma possibilidade de mutação. 2 www.ierfh.org

O problema é que não há chance de que as entidades que sofreram o holocausto passem, às gerações futuras, a informação de que um Dia do Juízo ocorrerá; e que somente aquelas populações com o algoritmo sobreviverão. Não há chance de nossas pobres entidades aprenderem evolutivamente sobre este horrendo acontecimento, pois cada vez que ele acontece o jogo é reiniciado do zero. Apesar de estarem sob o risco de extinção, essas ingênuas populações nunca tomam conhecimento deste fato, pela simples razão de que todas as entidades que poderiam passar essa informação para próxima geração terem sido aniquiladas no evento anterior que reiniciou o sistema. Por outro lado, as gerações que não são extintas por possuírem o algoritmo, não estão sob este tipo de risco para se informarem dele. Se há uma pressão evolutiva agindo seria uma seleção por ignorância. Além disso, se assumirmos um crescimento populacional maior que zero, se você é uma dessas entidades, a maior probabilidade é que esteja mais próximo do tempo T de extinção do que mais longe. Isto é uma conclusão facilmente obtida a partir do Self-Sample Assumption (SSA) 5, pois se você é uma entidade aleatória que não sabe quando será extinta, mas sabe que a maioria das entidades está mais próxima do fim que do começo, então você deve assumir que está mais próxima de ser extinta que de não ser. Uma população de entidades rudimentares, em seu princípio, pode ter um futuro vasto à sua frente. Enquanto que uma população já extremamente evoluída e adaptada ao ambiente provavelmente está mais próxima do fim. É fácil constatar que nós partilhamos da mesma ignorância destas ingênuas e ledas entidades. Nós só estamos vivos porque não fomos extintos; logo, não podemos usar esse dado para calcular nossa probabili- 5 Para um melhor entendimento do SSA, veja A Filosofia de Nick Bostrom, Parte I no mesmo link indicado na nota 3 desse texto. 3 www.ierfh.org

dade de extinção. O dado significante de há quanto tempo existimos sem sermos extintos não é relevante, pois o que se da é o inverso: quanto mais tempo permanecemos vivos, maior a probabilidade de sermos extintos no instante seguinte. Temos, portanto, de usar outros meios indiretos para obtermos informações relevantes sobre a proximidade do fim de nossa civilização 6. 6 Digamos que existam no total 10 civilizações iguais isoladas no universo e 9 delas são extintas, sobrando apenas uma. Esta civilização tem a evidência que ela existe, mas essa evidência não diz nada sobre a probabilidade dela não ter sido extinta, que é 1/10. Seja lá qual tenha sido o número de civilizações iguais a ela extintas, a observação de que ela não foi extinta será sempre um. São duas observações com duas probabilidades totalmente não relacionadas, e uma não informa sobre a outra. Qualquer civilização, seja lá com qual probabilidade de extinção, sempre fará a observação eu existo e não fui extinta com probabilidade 1. Não podemos usar a nossa existência para estimar a probabilidade de extinção, pois só aquelas civilizações que não são extintas podem realizar observações; e é claro que a observação não fomos extintos terá sempre probabilidade 1, independentemente da probabilidade de extinção. Bayesianamente podemos dizer que, seja x pertencente aos reais, a probabilidade condicional de x% das civilizações são extintas em não fomos extintos é igual à probabilidade incondicional de x% das civilizações são extintas, ou seja, não fomos extintos não nos informa nada sobre a probabilidade de que uma civilização (i.e.: a nossa) seja extinta. Em certa medida é uma limitação do conhecimento que podemos tirar da nossa própria auto observação. Para estimarmos a nossa probabilidade de extinção temos que olhar para outros planetas, etc. 4 www.ierfh.org

Bias da Intencionalidade Durante a maior parte da história da humanidade, os eventos naturais eram em sua maior parte inevitáveis e matavam muito menos pessoas do que os eventos humanos evitáveis. Naturalmente, aqueles que sabiam evitar a sua própria morte provocada intencionalmente, por outro ser da mesma espécie, sobreviviam por mais tempo em oposição aos que não eram capazes de fazer isso. Os humanos que desnecessariamente desprendiam energia em evitar eventos inevitáveis mantendo o resto constante tendiam a não sobreviver frente à grande escassez energética. Esta situação criou um bias, até há pouco tempo vantajoso, de se preocupar muito mais com perigos intencionais do que não intencionais. Esse é talvez o principal bias capaz de desviar a atenção da humanidade para os eventos catastróficos mais significativos. Só muito recentemente nos demos conta de um destes muitos perigos: o aquecimento global. No entanto, nossa percepção disso nos levou a identificar países ou indústrias como culpadas, ou seja, atribuindo intencionalidade a suas ações, enquanto os outros inúmeros males permanecem na penumbra. Notas * Texto revisado por Pablo Batista e Lauro Edison. 5 www.ierfh.org