Dos Mecanismos Clássicos de Controlo às Redes Complexas, in Crítica das Ligações na Era da Técnica, (org. J. Bragança de Miranda e M. Teresa Cruz), Tropismos, Lisboa, 2002, pp. 133- 153.

Dos Mecanismos Clássicos de Controlo às Redes Complexas António Machuco Rosa O conceito de redes acentradas, complexas e distribuídas tem vindo progressivamente a invadir as mais diversas áreas do conhecimento e a servir de ponto de apoio para a concepção de tecnologias que se julga poderem vir a tornar-se típicas da chamada ‘idade da informação’. Não é excessivo afirmar-se que se trata de um movimento de retorno às origens, pois esse alastramento progressivo parece decorrer do saber mais ou menos explícito, mais ou menos tácito, de que uma vasta classe de sistemas não são o produto de qualquer design prévio nem tão pouco obedecem a qualquer estratégia de planificação racional. Sendo um movimento relativamente recente, ele permite ver, por contraposição, qual o telos que durante várias décadas animou as concepções centradas e modulares dos mecanismos governando os artefactos técnicos. É a natureza do conceito de controlo que assim surge sob uma nova luz. 1. Arquitecturas clássicas de controlo Um certo ideal de controlo tem efectivamente estado subjacente ao design da maior parte das tecnologias. Podemos chamar soluções centradas de design a um conjunto de estratégias clássicas de controlo presentes não apenas em muitos dos artefactos técnicos tradicionais mas igualmente num largo número de tecnologias baseadas no processamento da informação.1 Essas estratégias são típicas, por exemplo, da Inteligência Artificial clássica (para uma panorâmica geral, cf., por exemplo, Johnson-Laird, 1993). Elas podem ser caracterizadas como uma tentativa de eliminar, tanto quanto possível, a emergência de exterioridades, o que significa que o comportamento real de uma máquina não deve superar as especificações previamente introduzidas pelo designer; esse comportamento deve ser uma consequência deduzível do seu plano arquitectónico. Trata-se de uma concepção de design das tecnologias segundo a qual os comportamentos de uma máquina devem ser reduzidos a comportamentos elementares inteiramente compreensíveis e de cuja adição deve resultar o comportamento funcional global do artefacto. As afirmações anteriores podem parecer envolver uma certa incongruência, visto afirmar-se que a concepção clássica das tecnologias é animada por um radical desejo de eliminação das exterioridades, ao mesmo que tempo se deixa claramente marcada a presença de um ponto de absoluta exterioridade ao mecanismo, e que é constituído pela própria figura do designer. Este texto gravitará em larga medida em torno dessa aparente incongruência. O designer colocado como ponto arquemidiano de partida, supõe-se muito precisamente que ele possui uma representação a priori e global do funcionamento do sistema tecnológico. É essa representação que é suposta garantir um alto nível de controlo. Mais especificamente, o controlo é garantido à partida introduzindo um conjunto de constrições na própria concepção da máquina. As constrições mais eficazes parecem resultar da implementação de alguns princípios a priori de design, como os princípios de centro coordenador, de modularidade e de decomposição funcional, dos quais deve resultar a linearização do sistema.2 Deve notar-se que os princípios acabados de mencionar são princípios abstractos. Eles são princípios funcionais, no sentido que o conceito de ‘funcionalismo’ adquire nas ciências cognitivas clássicas, em inteligência artificial e em diversas áreas da física (cf. Simon, 1981 e Machuco Rosa, 2001b). Nesse contexto, ‘funcionalismo’ não significa apenas a função que um dispositivo deve satisfazer, mas sobretudo um nível autónomo de realidade. Esse nível é usualmente o nível da informação, nível constituído por linguagens simbólico-formais e completamente independente da realidade física específica em que ele é suposto implementar-se. O nível funcional implica efectivamente a existência de inúmeras estruturas físicas que constituem uma classe de equivalência do nível simbólico-formal que se implemente em alguma delas. No entanto, a implementação do nível simbólico no nível físico implica uma radical dualidade entre esses dois níveis: os materiais físicos devem satisfazer as constrições definidas funcionalmente. Reside aí a origem do controlo: constrangido o nível físico, ocultando-o, consegue-se eliminar a produção de exterioridades por parte da matéria. As anteriores afirmações foram genéricas. É necessário exemplificá-las. Existem diversos dispositivos concebidos de modo a satisfazer a estratégia decorrente dos princípios de design mencionados, e os exemplos paradigmáticos pertencem mesmo à área das tecnologias da informação. Na realidade, um excelente exemplo é o vulgar computador digital. Numa época que tende a sobrevalorizar a importância do digital, e mesmo a afirmar que ‘tudo é digital’, bits 0 e 1, deve sublinhar-se que, enquanto dispositivo físico ou hardware, um computador é um sistema dinâmico contínuo funcionando analogicamente. O génio da engenharia dos computadores consistiu em conseguir ocultar esse facto. Em consequência, se se considerarem os circuitos eléctricos existentes no hardware da máquina, verifica-se que eles têm subjacentes certos princípios a priori de design, exactamente os princípios a priori de decomposição modular e de centro coordenador, os quais se encontram indissociavelmente associados à concepção funcional dos computadores em termos digitais. Essa concepção constringe os transístores dos circuitos a funcionarem como comutadores ON/OFF, abstraindo do seu comportamento analógico ou contínuo - o qual é no entanto o seu comportamento real e intrínseco. O circuito deverá comportar-se de acordo com certas funções descontínuas (ditas funções de saturação), e os únicos estados estáveis admissíveis são os estados ON ou OFF, os quais podem de seguida ser interpretados como sequências de 0 e 1, permitindo finalmente o uso da lógica booliana enquanto teoria das competências do circuito - mas não enquanto teoria das suas performances intrínsecas, que são analógicas, insistase. De acordo com essa arquitectura, torna-se de seguida fundamental que a transição entre os dois estados ON/OFF não influencie o comportamento global do sistema, o que tem exactamente como condição a decomposição modular e a existência de um centro do sistema. No que respeita à decomposição modular, ela permite que os estados de transição entre os dois estados estáveis não se propaguem para lá do interior de um certo módulo, o que levanta por sua vez a questão da sincronização ou existência de uma fase comum entre os diversos módulos e entre os estados (ou ON ou OFF) dos transístores dentro de um mesmo módulo. Isso é conseguido através imposição de uma entidade global e extrínseca ao próprio sistema: o relógio, entidade central e extrínseca que determina a ‘batida’ sincronizada dos transístores (ou ON ou OFF) e que determina a frequência (usualmente medida em MHz) a que essa batida se dá. Já é pois possível perceber que existem diversas exterioridades no hardware de um computador digital. Podemos distinguir três, mas antes de as voltar a mencionar deve sublinhar-se de que tipo de exterioridade se trata. Essa exterioridade não é endógena, não é gerada pelas dinâmicas contínuas intrínsecas dos materiais físicos, antes sendo uma constrição imposta exogeneamente que elimina e oculta os comportamentos possíveis que essas dinâmicas podem originar. Isso é então feito a três níveis: (i), o nível do designer, o qual pode ser identificado com a própria concepção global do artefacto, (ii), o nível em que se constrange o circuito a funcionar como um comutador a dois estados ocultando-se assim o seu comportamento contínuo, e, (iii), o nível da sincronização precisa desses estados, o nível do relógio. Implementar níveis tão elevados de constrangimento, assegurar um controlo tão preciso, não foi nem é tarefa fácil. Mas as empresas que o conseguiram fazer de modo indefinidamente reprodutivo tiveram o seu justo premium. Continuando a manter o computador enquanto referência dos processos centrados, modulares e lineares de controlo -os quais impedem a imprevisibilidade dos comportamentos das redes acentradas, distribuídas e não lineares-, passamos agora a um tipo de arquitectura de software. Encarada de um ponto de vista geral, a concepção tradicional da produção de software consiste na estratégia de programação modular, correspondendo à conhecida ideia segundo a qual um programa deve ser dividido e implementado como uma colecção de partes, ditas subrotinas, tão independentes quanto possível umas das outras. Trata-se de uma implementação particular do princípio funcional a priori de decomposição modular, o qual é igualmente gerador da estrutura geral dos algoritmos da inteligência artificial clássica (cf., Marr, 1980). É o que se torna claro analisando uma das suas realizações mais bem sucedidas, os chamados sistemas periciais Um sistema pericial (cf., Waterman, 1986) tem uma arquitectura constituída, em primeiro lugar, por uma base de conhecimentos. Esta é uma espécie de memória fixa do sistema onde se encontra armazenado um conjunto de conhecimentos formatados sob a forma de regras de produção, isto é, regras do tipo: ‘se....(condição) então...’. Existe em segundo lugar uma base de factos, a qual é uma espécie de memória viva onde estão exprimidos certos dados ou factos efectivos. Existe finalmente um motor de inferência. Este tem por função comparar os dados ou factos existentes na base de factos com as condições ou antecedentes das regras existentes na base de conhecimentos. A arquitectura de um sistema pericial é representada na figura 1: Figura 1: Diagrama de um sistema pericial. O sistema funciona com base num perito de um certo domínio que fornece o seu conhecimento à base de conhecimentos, a qual constitui a memória a longo prazo existente no sistema. Suponha-se agora que um utilizador está interessado em, com base em informações que já possui acerca de um certo domínio, obter certas informações adicionais. O sistema pericial funciona comparando sistematicamente o antecedente das regras existentes na base de conhecimentos com a ocorrência de um certo facto que surge na base de factos. Se existe um acordo entre ocorrência e antecedente, o motor de inferência conclui que o consequente exprimido na regras é também um facto, o qual é adicionado à base de factos. Nas suas versões mais simplificadas, um sistema pericial limita-se a utilizar o princípio lógico do modus ponens, isto é, se a condição da implicação (regra) A Æ B é satisfeita (se A é um facto), então conclui-se que B é igualmente um facto.3 A arquitectura de um sistema pericial é praticamente decalcada da própria arquitectura, dita de von Neumann, que governa os computadores digitais: existência de uma memória RAM, onde se armazenam os dados e as instruções, e de uma CPU (Central Processing Unity) que, entre outras coisas, copia uma certa instrução da memória e a executa de seguida. A entidade central presente nessa arquitectura assume num sistema pericial a forma do motor de inferência. Esse motor é um Eu inteiramente desubstancializado, inteiramente reduzido a uma função algorítmica. Isso não deve impedir de ver que ele é uma entidade exterior: a entidade que, perante a visão de ‘um espaço global de trabalho’ (Dennett, 1991) compara condições e ocorrências ou factos. O sistema está inteiramente concebido a garantir o controlo, isto é, de modo a não gerar algo (espera-se, pelo menos!) para além daquilo que implicitamente se encontra à partida especificado pela arquitectura. Em particular, e para além da implementação algorítmica de certos princípios lógicos, a arquitectura garante o controlo devido a satisfazer dois princípios. Um, o princípio de modularidade, significa que as regras existentes na base de conhecimentos são independentes umas das outras e não possuem qualquer ordem intrínseca. O segundo é um princípio característico de uma arquitectura de von Neumann: a separação entre os dados e o programa que os trata, a que, no caso de um sistema pericial, corresponde à separação entre os factos e o motor de inferência. Essa separação é fundamental para garantir o controlo. Se o controlo ao nível da arquitectura de software se consegue graças à separação entre os dados e o programa, esse controlo é total porque já se estabeleceu previamente a separação completa entre informação (a estrutura simbólica) e física. Um sistema pericial é um sistema puramente simbólico, que nada tem a ver com a física, pelo menos se se entender por ‘física’ o que usualmente aparece nos manuais dessa disciplina. O sistema é, em si mesmo, uma pura manipulação sintáctica de símbolos, cujo conteúdo semântico apenas existe quando interpretado a partir do exterior. Mais especificamente, o sentido é introduzido na sintaxe quando o perito introduz as regras na base de conhecimentos, as quais ficam então disponíveis em memória e poderão ser sujeitos de operações sintácticas quando a ocasião (o facto) surgir. Mas não nos devemos deixar iludir pelas expressões linguísticas, pois deve notar-se não existir qualquer conexão intrínseca entre o tempo em que essa introdução foi feita pelo perito e a sua eventual utilização aquando da ocorrência de uma condição na base de factos. Mais precisamente ainda, não existe qualquer conexão espacio-temporal intrínseca entre a satisfação do antecedente de uma regra de produção e um facto. Essa satisfação é, temporalmente (tempo de execução no programa), e espacialmente (‘zona’ da memória onde a regra está registada) totalmente arbitrária. O mesmo ponto pode ser verificado se se repetir que as regras de produção são independentes umas das outras, podendo a satisfação dos seus antecedentes das produções não importa sob que ordem (a memória é de acesso aleatório). Os sistemas físicos são, pelo contrário, definidos intrinsecamente no espaço-tempo. É precisamente por serem independentes do quadro espacio-temporal característico dos sistemas físicos que os sistemas periciais são instrumentos de controlo particularmente úteis e eficazes. 2. Redes Complexas e Acentradas A concepção de design de sistemas acabada de expor está longe de ser a única possível. Não se tratará de um concepção artificial, nos múltiplos sentidos dessa expressão? Não existirão sistemas com princípios de ordem com características bem diferentes? Não será possível relaxar as constrições usualmente impostas aos artefactos? Se relaxarmos as constrições de controlo é de esperar que o sistema gere intrinsecamente exterioridades que, pelo menos em alguns casos, não podemos nem antecipar nem compreender. É de facto possível fazê-lo se se tomar como fio orientador a natureza das redes acentradas. As redes acentradas são sistemas complexos que obrigam a repensar o problema do controlo e do design. Não procederemos aqui à análise dos grandes tipos de redes e às suas respectivas topologias (cf. Machuco Rosa, 2001a). Mas podemos analisar uma classe de redes que exibe um número suficiente de propriedades genéricas e que são redes de processamento de informação com características opostas às dos princípios clássicos da inteligência artificial clássica. Trata-se das redes neuronais artificiais (cf., por exemplo, Nadal, 1993). Elas estão na base dos chamados computadores neuronais, que possuem arquitecturas distintas das arquitecturas de von Neumann. Uma rede neuronal consiste num conjunto de elementos, os neurónios formais, e ligações sinápticas, também chamadas pesos, entre eles. Veja-se a figura 2. Input Output Figura 2. Diagrama de uma rede neuronal formal. As linhas representam as ligações sinápticas ou pesos entre os neurónios que estão representados pelos pontos. No tipo de rede neuronal mais simples existe uma primeira camada de neurónios na qual se pode codificar uma qualquer forma. Por exemplo, uma letra do alfabeto. Essa forma é representada pelo vector dos neurónios de entrada, e quer-se que a rede a rede restitua na saída uma forma correspondente à forma dada em entrada. Noutros termos, uma rede deve poder aprender e classificar formas. Isso é feito quando, através de algoritmos apropriados, se mostra que a rede atinge um estado final invariante, um atractor que é um ponto fixo estável da dinâmica da rede. É esse ponto fixo que podemos fazer corresponder à forma que se desejava que a rede memorizasse.4 Ele é o estado global causado por um grande número de neurónios em interacção local, isto é, o ponto fixo é o resultado das múltiplas interacções não lineares entre os neurónios e não é uma consequência de qualquer um deles ou de qualquer um seu subconjunto tomado isoladamente. As redes neuronais são sistemas distribuídos. É importante referir que os neurónios modificam os seus estados em função do estado dos neurónios vizinhos, ou seja, o estado de cada neurónio é definido localmente. Os algoritmos implementados nas redes neuronais, como é o caso do algoritmo de Hebb5, são algoritmos locais, ‘míopes’: cada unidade ou neurónio modifica o seu estado apenas em função da activação que lhe é propagada pelas unidades vizinhas e sem que qualquer unidade tenha uma representação global da rede. Pode portanto afirmar-se que o estado final atractor para que a rede converge não se encontra completamente especificado a priori: ele não existe em qualquer unidade da rede, constituindo o resultado, não deduzível localmente, do processamento realizado pela totalidade das unidades. É certo que, em muitos casos, é possível provar que a rede convergirá para um tal ponto fixo, mas isso não significa que se especifique previamente a contribuição funcional desempenhada por cada unidade. A dinâmica das redes neuronais contrasta fortemente com as realizações da inteligência artificial clássica. A exterioridade é agora um ponto fixo. Como se viu, os algoritmos da inteligência artificial clássica são algoritmos globais nos quais existe uma separação essencial entre os dados fornecidos ao sistema e as regras que os processam - separação entre os dados e os programas. Pelo contrário, nas redes neuronais as dinâmicas são puramente locais, pelo que elas não podem ser consideradas como especificações de um algoritmo ou programa de mais alto nível que se aplicaria ‘em bloco’ e de modo invariante à rede. Não existe separação entre dados e programas e, num computador neuronal, é a própria configuração física da máquina que directamente codifica o algoritmo e sua evolução. Numa rede neuronal a programação não é explícita, não é declarativa, não é anterior a uma dinâmica e não depende de um controlo externo. Ela produz contudo uma exterioridade: o próprio ponto fixo ou estado final invariante. A exterioridade é causada pela dinâmica intrínseca da rede, não é uma característica globalmente imposta a priori. Trata-se de uma verdadeira exterioridade na medida em que a única ‘realidade’ são as interacções locais dos neurónios, os quais, metaforizando um pouco, não possuem qualquer ‘representação’ do estado global final que resulta das suas acções. Existe obviamente um outro tipo de exterioridade nas redes neuronais, a qual nos situa nas limitações deste tipo de inteligência artificial, e que consiste na necessária intervenção do observador exterior que faz corresponder a forma a ser memorizada à sua representação vectorial. É possível prolongar o ponto de vista aberto pelos conceitos subjacentes às redes neuronais e obter um novo conceito de máquina. Vimos que a concepção clássica de máquina envolve, entre outras características, a presença não eliminável do designer bem como a introdução de constrangimentos que tornam o seu comportamento perfeitamente previsível. Mas existem máquinas que realizam aquele que, segundo Ashby (Ashby, 1956), seria o dictum de Descartes: conceber uma máquina que supere as especificações introduzidas pelo designer, isto é, que gere comportamentos que emergem incompreensivelmente a partir de comportamentos elementares perfeitamente compreensíveis. Se o conceito de rede neuronal permite uma alteração das formas clássicas de encarar o software, é igualmente possível reduzir ao mínimo as constrições impostas pelo designer ao hardware das máquinas computacionais. Essa possibilidade foi tornada real pelo conceito de hardware evolutivo, criado em 1992-93 por Hugo de Garis (de Garis, 1993), e cuja implementação surgiu com a invenção de um novo tipo de chip de silício designado por FieldProgrammable Gate Array (FPGA). Um FPGA (veja-se mais abaixo a figura 2) é um chip VLSI (very large-scale integrated chip) composto por células, cada uma delas possuindo uma unidade que realiza diversos tipos de funções, cujos inputs podem ser configurados de forma a provirem de qualquer uma das quatro células vizinhas, e cujos outputs também podem ser configurados de forma a serem conduzidos pela própria unidade ou pelo sinal que chega a qualquer uma dessas quatro células vizinhas. A configuração da forma como o sinal se propaga é feita utilizando bits de software que se encontram na memória do próprio chip, pelo que se torna possível configurar (reconfigurar) o circuito de hardware sempre que se quiser. Um FPGA torna pois a electrónica ‘programável’. A primeira pessoa no mundo a fazer hardware evolutivo intrínseco - não apenas ao nível da simulação mas no próprio material físico on line - foi Adriam Thompson (Thompson, 1995, 1997). Ele usou um FPGA reconfigurável com 64*64 células, de entre as quais utilizou um bloco de 10*10 (veja-se de novo a figura 2). A tarefa consistia em fazer evoluir esse circuito até ele conseguir discriminar entre um input de ondas quadradas na frequência de 1kHz e um outro com ondas a 10kHz, onde, no primeiro caso, o output seria de 0 Volts e de 5 Volts no segundo. Não se usou qualquer relógio externo, sendo igualmente importante sublinhar que esse problema envolve duas escalas temporais: a escala de tempo do input do bloco 10*10, e a escala do tempo de propagação do input Æ output de cada célula. Esta última escala é muito mais rápida (da ordem dos nanasegundos) que a primeira. Uma ideia de base em hardware evolutivo é que a aprendizagem se dá ao nível das dinâmicas lentas, e que a própria morfologia (a morfogénese final do chip) se dá ao nível dessas mesmas dinâmicas lentas por redução da complexidade ‘infinita’, não descritível, das dinâmicas internas rápidas presentes nas células individuais. Para gerar uma aprendizagem intrínseca - gerar o fenotipo correspondendo à configuração global do chip -, Thompson utilizou um genotipo com 50 indivíduos, o qual foi submetido à iteração do algoritmo genético.6 A acção do algoritmo consiste em seleccionar um fenotipo, não se tratando de um algoritmo que o chip é suposto ‘computar’. Avaliando de seguida o sistema segundo o padrão de uma função de aptidão (cf. Thompson, 1997, para mais detalhes), começaram a verificar-se progressos substanciais após 650 iterações. Ao fim de 3500 iterações o circuito discriminava entre as duas frequências de 1kHz e de 10kHz. Sublinhando que a aprendizagem não depende de um design prévio do circuito, e que ela se realiza no próprio meio físico, constatou-se a emergência de uma morfogénese, precisamente a configuração final do circuito que apresentado na figura 2b. Figura 2 (a) Figura 2 (b) Uma FPGA antes de ser A FPGA evoluída e que oscila reconfigurada. na frequência pedida (segundo Thompson, 1997) É portanto possível fazer evoluir um circuito de hardware utilizando as dinâmicas intrínsecas dos materiais físicos. Estas são dinâmicas contínuas, e não abstracções como bits. O design deixa agora de ser uma abstracção, pois ele não preexiste aos detalhes da evolução e estado final do circuito. Além disso, propriedades físicas como meta-estabilidade, atrasos temporais, temperatura, etc., são seguramente importantes (Thompson, 1997). A evolução da placa explora ‘oportunisticamente’, sem seguir qualquer modelo prévio, as propriedades físicas do chip VLSI sem que pareça poder-se compreender de que forma essa ‘exploração’ contribui para o comportamento global estável. Por outro lado, é feita emergir a entidade que corresponde ao relógio global e extrínseco existente nos computadores digitais: a oscilação da placa numa certa frequência. Mas também não parece ser fácil compreender os detalhes do modo como a placa atinge esse estado global de oscilação; não parece ser fácil compreender como se dá a integração do comportamento de cada célula individual no comportamento global. Nem parece ser possível encontrar uma expressão analítica que permita descrever antecipadamente a totalidade dos detalhes da evolução da placa. Só que esse estado global existe, é compreensível, e funciona num regime temporal lento que emerge a partir do regime temporal rápido dos elementos de base. Portanto, o hardware evolutivo elimina muitas das constrições típicas do design tradicional de tecnologias. O designer praticamente desaparece e é substituído pela evolução, pela acção do algoritmo genético. Repita-se que esse algoritmo opera directamente sobre o próprio material físico, e não sobre um modelo ou sobre uma abstracção. Ele selecciona um fenotipo (a configuração da placa), não sendo, contrariamente ao que sucede nas soluções tradicionais de design de software, um algoritmo de alto nível que o chp é suposto ‘computar’. O hardware evolutivo é talvez o primeiro exemplo real de uma ‘física da evolução’ ou, talvez mais correctamente, de uma ‘evolução artificial dos materiais físicos’. Mais profundamente ainda, é como se a ancestral distinção entre sistemas artificiais e sistemas naturais tendesse ela própria a esbater-se, mostrando-se que existem tecnologias que seguem a evolução dos processos naturais sem que exista um qualquer designer ou quaisquer mecanismos pré-montados de acordo com um modelo prévio. Se o hardware evolutivo visa recapitular a evolução natural, talvez que ele aponte para um tipo de situação genérica que também ela recapitula, ao nível da evolução das tecnologias, a forma como as exterioridades surgem em sistemas sociais. 3. Redes Sociais Complexas Começámos a ver na secção anterior que uma das características das redes complexas é a impossibilidade de deduzir a estrutura global a partir de um seu fragmento local. Os elementos locais estão sujeitos a interdependências cujo efeito se propaga muito para além do raio de acção directa de cada um deles. As interdependências locais desenrolando-se em tempo rápido geram atractores que estabilizam as redes num regime temporal lento. Pode existir apenas um atractor ou podem existir múltiplos atractores em competição. Em ambos os casos, a imprevisibilidade está presente na rede. Isso significa uma perda de controle. Esse tipo de dinâmicas não é específico do design de tecnologias sem controlo externo, modular e linear. É hoje cada vez mais claro que a maior parte dos sistemas não são guiados por qualquer design explícito, antes satisfazendo o que se chama um princípio de auto-organização. Qual o significado exacto dessa perda de controlo quando os elementos do sistema são eles próprios indivíduos dotados de representações e enredados em redes complexas? Esta secção visa fornecer uma resposta a essa questão. Com esse objectivo, vamos recorrer a uma estrutura formal particularmente apta para representar as redes complexas, os autómatos celulares (cf. Wolfram, 1994). Um autómato celular é uma rede, tipicamente com duas dimensões, composta por elementos - os autómatos- , os quais podem assumir um conjunto finito de estados, que interagem com um certo número de autómatos vizinhos (usualmente com 4 ou 8 autómatos vizinhos), e que modificam o seu estado em função de uma certa regra, a qual é aplicada e homogeamente a cada um dos autómatos da rede. Com base nesse quadro geral, e no seguimento de uma ideia de T. Schelling (Schelling, 1971), desenvolvemos um modelo computacional bastante estilizado (cf. Alves, Machuco, Antão, 2001)) que mostra como, mesmo sem a presença de múltiplos atractores em competição, as redes complexas exibem muitas propriedades que, atendendo à sua definição local, são contra-intuitivas. O que começará igualmente a mostrar de que forma se restabelece o controlo quando as redes impossibilitam a sua existência. A implementação do modelo de Schelling consiste numa rede composta por elementos indiferentemente designados por autómatos ou agentes e que podem assumir dois estados correspondendo à sua ‘raça’ ou cor: cada um deles ou é V (vermelho) ou B (Branco). O comportamento de cada agente é local, o que significa que cada um é influenciado e influencia oito agentes vizinhos. Essa ‘influência’ pode ser entendida como uma ‘incitação ao movimento’, isto é, cada agente possui ‘movimento’ e desloca-se (ou não) da sua posição para uma outra em função da proporção de indivíduos da sua cor que se encontram no ausência de interacções, eles apenas seriam conduzidos por factores objectivos exteriores (valores ‘fundamentais’ do título) a todos eles. Pelo contrário, se existe imitação local segue-se a emergência endógena e não intencional de uma exterioridade: o ponto fixo em que todos estão na fase comum de venda. Sustentámos que nas situações enredadas em que ninguém conhece as implicações a larga escala das suas acções tende-se, a posteriori, a racionalizar o processo, isto é, a substituir a causalidade distribuída por uma causa exterior que teria agido homogeneamente sobre todos os indivíduos. Opera-se assim a restauração dos processos arquetípicos de controlo. Ora, uma análise detalhada de diversos crashs (cf. Schiller, 2000) mostraria quais foram as causas que se imaginou serem responsáveis por um processo que na realidade não possui qualquer causalidade linear. Por exemplo, a condenação por abuso de monopólio da empresa de software Microsoft seria o facto responsável pela queda vertiginosa no índice de títulos tecnológicos NASDAQ em Abril de 2000. Só que se trata de uma explicação post factum (cf. Johansen e Sornette, 2000). Mais em geral, as ‘notícias’ estão constantemente a chegar ao mercado, e se aceitarmos que um crash é produzido de forma endógena e distribuída pelos agentes é de facto verdade que uma notícia pode desencadear definitivamente o movimento alinhado em direcção à venda. Só que essa notícia pode ser uma qualquer de entre as inúmeras notícias que chegam constantemente ao mercado. Como, na vizinhança do ponto crítico, o sistema se encontra extremamente sensível a qualquer pequena perturbação, uma notícia, mas que pode ser qualquer notícia, despoleta o crash. Este teve no entanto a sua verdadeira causa no comportamento dos agentes que conduziu o sistema para lá dos seus limites, e é apenas após o crash ter ocorrido que eles tentam racionalizar o fenómeno invocando uma causa exterior ao próprio comportamento intrínseco do mercado. Mais uma vez os indivíduos restauram o controlo substituindo uma causa eficiente local por uma causa eficiente global. 5. Conclusão: a génese do design das tecnologias O percurso que até agora seguimos partiu da análise das estratégias centradas, modulares e lineares presentes no design de um certo tipo tecnologias. Mostrou-se de seguida existirem outras concepções de design: estratégias acentradas, distribuídas, tirando partido das não linearidades e da própria estrutura física dos materiais. Após o que se viu como esses conceitos parecem caracterizar muitas dinâmicas sociais. Qual o sentido desse percurso? Uma primeira resposta seria fazer notar que as novas estratégias de design participam de um vasto quadro interdisciplinar, radicando na teoria matemática dos sistemas dinâmicos e que progressivamente se tem vindo a estender às ciências sociais e da cognição (cf. Machuco Rosa, 2001b). Mas é possível afirmar que uma hipótese mais forte se encontra subjacente ao caminho percorrido. Aplicados aos sistemas sociais, os modelos locais e distribuídos fazem emergir uma exterioridade fundamental: a emergência de uma exterioridade gerada nas consciências individuais pelo mecanismo de substituição da causalidade distribuída pela causalidade eficiente. A ordem dos sistemas fica então explicada pela existência de uma espécie de Eu que através da causalidade final concebe um plano que é implementado através da causalidade eficiente. Como atrás ficou visto, existe um modelo de causalidade única e linear quer no caso em que a causa é uma espécie de entidade colectiva exterior a todos os indivíduos quer no caso em que ela é a soma linear dos comportamentos independentes. Ora, essas características são precisamente as que distinguem o design clássico de tecnologias, em particular o tipo de tecnologias associadas às ciências cognitivas clássicas. É esse facto que leva à hipótese, com eminentes antecedentes históricos, segundo a qual as tecnologias reproduzem as operações do psiquismo, não apenas do psiquismo ou cognição individual mas igualmente do psiquismo social. De acordo com o percurso seguido neste texto, essa hipótese significa que a concepção clássica de tecnologias recapitula o movimento de produção de exterioridades que vimos suceder em sistemas sociais distribuídos. Quando estão realmente enredados nesses sistemas, os indivíduos ignoram inevitavelmente a natureza da causalidade que neles opera, e a produção da exterioridade é então uma consequência necessária, visto essa exterioridade ser o único tipo de causalidade a que eles têm acesso; o único tipo de causalidade que eles podem experienciar. Se são as causas eficientes, materiais e, em certo sentido, finais, que os indivíduos podem experienciar, pode conjecturar-se ser essa experiência que guia a concepção de tecnologias. E de facto sempre assim sucedeu, pois os mecanismos foram quase sempre concebidos em termos de causas eficientes e finais. Tecnologias relativamente recentes, como as associadas ao computador, envolvem adicionalmente certas exterioridades determinantes, como sejam unidades centrais de processamento, relógios de sincronização de frequências ou motores de inferência em sistemas periciais. Desse ponto de vista, as tecnologias recapitulam efectivamente a inevitabilidade de os indivíduos enredados, mas ignorantes desse enredamento, produzirem figuras imaginárias. No caso das tecnologias clássicas, esse imaginário funciona devido ao génio da engenharia que substitui dinâmicas reais por poderosas abstracções. Noutros casos, foram necessários avanços teóricos fundamentais para que os indivíduos reconhecessem as possibilidades tecnológicas que as redes enredadas CCenvolvem. Notas 1 Para uma mais completa exposição do conceito de estrutura centrada cf. António Machuco Rosa, 1996 e 2001b. 2 Dito de forma intuitiva, um sistema é linear se podemos analisar cada uma das suas partes independentemente, e de seguida obter as propriedades do todo somando as propriedades de cada parte tomada isoladamente. De forma um pouco mais precisa, diz-se que uma função é linear se o valor da função, para qualquer conjunto dos valores das suas variáveis, for uma média ponderada desses valores. Se essa condição não se verifica, a função não é linear. Os sistemas não lineares são os sistemas em que é necessário tomar em conta as interacções entre os seus elementos para compreender as propriedades que delas resultam; são os sistemas em que o ‘todo é maior que a soma das partes’. 3 Um exemplo poderá tornar o processo mais claro. Trata-se de um sistema pericial sobre vinhos. É um exemplo elementar - apenas com fins ilustrativos - em que existem cinco regras na Base de Conhecimentos. R1Se gasoso e pouco alcoólico, então vinho verde. R2 - Se vinho do Dão e não frutado, então encorpado. R3Se encorpado e não aveludado então Grão-Vasco . R4Se seco, não ambreado [aromático] e frutado então vinho alentejano. R5Se seco, bouquet aberto e não ambreado, então Dão. Os factos que o utilizador possui à partida poderão ser: não ambreado, bouquet aberto, não frutado, seco e não aveludado. Com base nesses factos, o sistema vai à Base de Conhecimentos e aplica R5. Conclui então ‘Dão’, e ‘Dão’ vai para a base de factos (a qual aumenta de tamanho). De seguida, procura ‘Dão’, que está na R2, a qual permite concluir ‘encorpado’. Passamos então a R3 e concluímos ‘Grão-Vasco’. Neste momento, a base de factos contém: • não ambreado • bouquet aberto • não frutado • seco • não aveludado • Dão • encorpado • Grão-Vasco. E mais nenhuma regra é aplicável. Com base em certos factos fornecidos pelo utilizador, o sistema conclui que o vinho era necessariamente Grão-Vasco. 4 De forma mais precisa, uma rede neuronal consiste em N neurónios formais que podem assumir certos estados internos s ∈ { } 01, [] 01, xj w ij 1 ∑ = n j xj w ij 1 ∑ = n j ou s ∈ . Os neurónios encontram-se ligados entre si por certos pesos ou ligações sinápticas W. A associação entre neurónios de entrada e neurónios de saída pode ser definida por yi = . Representando os estados finais ou outputs (y1,y2,...yn) pelo vector h, os inputs (x1,x2,...xn) pelo vector x e os pesos W pela matriz w, a equação (II.3.1.) também pode ser escrita de forma mais compactada como h=wx. Quanto à transição dos estados dos neurónios, ela pode ser definida por uma função do tipo: yi = f ( Ai) com Ai = , onde, no caso em que s ∈ [ ] 01,, f pode ser a função não linear sigmoidal 1/(1+e -x). Existe um ponto fixo quando se tem f(X)=X, com X designando o vector do estado dos neurónios, e que representa um ponto fixo estável quando permanece inalterado pela acção de pequenas perturbações. 5 O algoritmo de Hebb estipula que se a activação de um neurónio j tende a seguir-se à activação de um neurónio i, a ligação sináptica entre ambos tende a reforçar-se: Wij =αsisj (αé uma constante de normalização 6 Resumidamente, um algoritmo genético é um processo de ‘solução de problemas’ - pelo menos nalgumas das suas descrições. Faz-se corresponder um certo genotipo (sob a forma de bits) a cada uma das soluções possíveis existentes dentro do espaço do problema, após o que se escolhe aleatoriamente um desses genotipos. É então avaliado o grau de proximidade desses genotipos relativamente à solução procurada, escolhendo-se de seguida como ‘pais’ para uma próxima geração de genotipos aqueles que se revelaram mais ‘adaptados’. A nova geração pode sofrer algumas mutações, cruza-se com outros genotipos e dá origem a uma nova população de genotipos; faz-se então uma nova selecção aleatória, e assim sucessivamente num processo iterativo que se demonstra convergir, nalguns casos, para uma solução óptima 7 Não se entra aqui numa discussão acerca da plausibilidade empírica do modelo de Schelling. Faz-se apenas notar que o modelo é estável para qualquer condição inicial e para um largo espectro de valores do parâmetro, o que indicaria que o modelo de Schelling real (determinação empírica dos valores do parâmetro) poderá ser um submodelo do modelo geral. Isso não prova obviamente que o modelo de Schelling dê completamente conta dos processos de segregação; prova-se contudo que o modelo é uma condição suficiente desses processos 8 O autor deste texto, que se encontrava no Algarve no Verão de 1999, está em condições de testemunhar que, na realidade, não existia qualquer onda gigante. 9 Para uma introdução geral à teoria dos sistemas dinâmicos veja-se, por exemplo, Nicolis, 1995. 10 Uma precisão. Apesar de possuírem sentido bastante preciso, os conceitos de ‘ordem’ e ‘desordem’ são por vezes equívocos. Assim, no caso do pânico, intuitivamente chamamos ‘desordem’ à fase comum de debandada. Na realidade, no sentido da teoria dos sistemas dinâmicos e da informação, essa fase á precisamente a de ‘ordem’, pois os indivíduos assumem todos o mesmo estado (fuga). Pelo contrário, aquilo que intuitivamente designamos por ‘ordem’ – indivíduos independentes – é aquilo que em termos técnicos se designa por desordem. Referências Bibliográficas Alves, C., Machuco Rosa, A., Antão, A., N., ‘Distributed Causation and Emergence in Finite Models’, Interact, http://www.cecl.pt/interact/index.html. Arthur, W. B., Durlauf, S., Lane, D., (1997), The Ecomony as an Evolving Complex System II¸ Addison-Wesley, Reading. Ashby, W., (1956), An Introduction to Cybernetics, Chapman and All, London. Cont, R. & Bouchaud, J.-P., (1997), 'Herd behavior and aggregate fluctuations in financial markets', arXiv:cond-mat/12318 v2. Dennet, D. (1991), Consciousness Explained, Little, Brown and Company, London. Farmer, D., (1999), 'Physicists Attemp to Scale the Ivory Towers of Finance', Computing in Science and Engineering, 1, pp.26-39. Garis, H. de (1993), ‘Evolvable Hardware: Genetic Programming of a Darwin Machine’, in R.F. Albrecht, C.R. Reeves & N.C. Steele (eds), Artificial Neural Nets and Genetic Algorithms, , Springer, Berlin, pp. 441-49. Johansen A., Sornette, D., & Ledoit, O., (1999), 'Predicting Financial Crashes Using Discrete Scale Invariance', J. of Risk, Vol 1 No. 4, 532. Johansen, A., & Sornette, D., (2000), ‘The Nasdaq crash of April 2000: Yet another example of log-periodicity in a speculative bubble ending in a crash’, arXiv:cond-mat/0004263. Johnson-Laird, P., (1993), The Computer and the Mind - An Introduction to Cognitive Science, Fontana, London. Machuco Rosa, A., (1996), Ciência, Tecnologia e Ideologia Social, E.U.Lusófonas, Lisboa. Machuco Rosa, A., (2001a), ‘Modelos Formais de Comunicação’, Caleidoscópio, 1. Machuco Rosa, A., (2001b), Teoria das Estruturas - Do Centrado ao Acentrado¸a publicar. Marr, D., (1982), Vision, Freeman, New York. Nadal, J.-P., (1993), Réseaux de Neurones, A. Colin, Paris. Schelling, T., (1971), ‘Dynamic Models of Segregation’, Journal of Mathematical Sociology, 1, pp. 143-186. Schiller, R., (2000), Irrational Exuberance, Princeton University Press, Princeton. Simon, H., (1981), As Ciências do Artificial, Arménio Amado, Coimbra. Thompson, A., (1995), ‘Evolving electronic robot controllers that exploit hardware resources’, in F. Moran (ed), Advances in Artificial Life, Springer, Berlin, pp. 331-359. Thompson, A., (1997), ‘Artificial Evolution in the Physical World’, in Evolutionary Robotics, T. Gomi (ed), AAI Books, New York, 1997, pp.101-125. Walras, L., (1874), Élements d'Économie Politique Pure, Corbaz, Lausanne. Waterman, A., (1986), A guide to expert systems, Reading, AddisonWesley. Wolfram, S., (1994) Cellular Automata and Complexity - Collected Papers, Addison-Wesley, Reading.