Enquadrando a Questão
Hamming começa com uma armadilha. 'As máquinas podem pensar?' parece uma pergunta simples de sim-ou-não. Ele argumenta que ela encobre três problemas distintos: o que qualifica como máquina, o que qualifica como pensar, & se a questão sequer tem uma resposta significativa.
Ele passou um ano tentando identificar o menor programa que acreditaria poder pensar. Depois de um ano de fracasso, concluiu que tinha feito a pergunta errada. Talvez pensar não seja uma propriedade de sim-ou-não. Talvez admita graus.
Sua mudança de enquadramento: em vez de 'as máquinas podem pensar?', pergunte 'em que medida as máquinas podem aliviar os encargos intelectuais da vida?' Essa questão aponta diretamente para a utilidade em vez de metafísica.
O Perigo da Certeza
Hamming avisa que ambos os extremos carregam risco profissional. Acreditar que as máquinas não podem pensar: você as subutilizará & ficará para trás. Acreditar que as máquinas obviamente podem pensar: você as superestimará & construirá sistemas que falham de maneiras que você não antecipou.
Nenhuma delas é segura. Você deve desenvolver sua própria posição bem considerada.
O Teste de Turing
Alan Turing, em 1950, propôs um teste comportamental: se uma pessoa em um teletipo não conseguir distinguir um humano de uma máquina adequadamente programada, a máquina 'pensa' — por definição.
Hamming respeita a engenhosidade do movimento. Turing evita a questão filosófica insolúvel sobre experiência interna & a substitui por um comportamento observável. Esse é um bom instinto científico.
Mas Hamming tem uma objeção estrutural: o teste de Turing viola o método científico padrão. A ciência começa com os problemas mais simples primeiro, não os mais difíceis. O teste de Turing é, como Hamming o expressa, difícil antes de fácil. Ele avalia inteligência conversacional completa antes de entendermos aprendizado simples ou obediência a regras.
O Que Não Pode Ser Colocado em Palavras
A afirmação central de Hamming sobre limites da inteligência de máquinas: nem todo conhecimento humano pode ser traduzido em regras ou instruções. Alguns conhecimentos resistem à formalização — não porque caibamos de esforço ou inteligência, mas porque verbalização não é o meio correto.
Sistemas especialistas nos anos 1980 tentaram capturar expertise como bases de regras: SE sintoma-A E sintoma-B ENTÃO diagnóstico-C. Funcionavam em domínios estreitos e bem definidos. Falhavam nas fronteiras desses domínios, onde precisamente o conhecimento tácito de praticantes experientes importava mais.
A intuição do químico sobre qual reação procederá, o toque do soldador experiente sobre a distância correta do arco, o senso do cirurgião sobre quando o tecido parece errado — esses não são simplesmente regras aguardando serem articuladas. Hamming argumenta que alguns podem ser permanentemente incodificáveis.
Por Que Isso Importa para Automação
Sistemas baseados em regras se saem muito bem no centro de domínios bem definidos. Falham na fronteira. Praticantes experientes vivem na fronteira. Essa assimetria molda o que automação pode & não pode deslocar.
Identificando Conhecimento Tácito
A frase de Michael Polanyi para isso: 'Sabemos mais do que podemos dizer.' Ele usou o exemplo de reconhecimento facial — a maioria das pessoas reconhece milhares de rostos instantaneamente mas não consegue descrever as regras que usa.
Hamming conecta isso a sistemas especialistas: o problema mais profundo não é que ainda não escrevemos as regras; é que para alguns domínios, nenhum conjunto de regras completo existe.
Tic-Tac-Toe 4×4×4
Hamming usa tic-tac-toe tridimensional 4×4×4 como seu exemplo trabalhado. O tabuleiro tem 64 quadrados & 76 linhas vencedoras. Tic-tac-toe bidimensional tem uma estratégia de empate conhecida; demonstra nenhuma inteligência interessante. A versão 4×4×4 é suficientemente difícil para exigir heurísticas genuínas.
A Estrutura do Programa
Passo 1: enumere movimentos legais.
Passo 2: favoreça 'pontos quentes' — cantos & centros têm mais linhas vencedoras através deles do que quadrados em borda ou centro de face. Use a dualidade centro-canto do cubo: existe uma inversão do cubo enviando cantos para centros & centros para cantos enquanto preserva todas as 76 linhas.
Passo 3: jogue aleatoriamente entre movimentos aproximadamente equivalentes. Jogo determinístico deixa um oponente paciente mapear sua estratégia & encontrar exploits. Aleatoriedade impede exploração sistemática.
Passo 4: aplique regras sequenciais em ordem de prioridade.
As regras sequenciais, em ordem de prioridade: (1) vença se um movimento vencedor existe; (2) bloqueie o movimento vencedor do oponente; (3) pegue um garfo se disponível; (4) bloqueie o garfo do oponente; (5) faça movimentos forçados; (6) recaia para heurísticas.
Repare na estrutura: regras determinísticas cobrem as situações claramente definidas. Heurísticas lidam com tudo mais. A linha entre elas é exatamente onde o conhecimento tácito começa.
O Programa de Damas de Samuel
Arthur Samuel em IBM escreveu um programa de jogador de damas que ficou famoso por vencer um campeão estadual. O que o tornou notável: usava um mecanismo de aprendizado. Samuel parametrizou a função de avaliação (ponderando controle de tabuleiro, vantagem de rei, mobilidade, peça presa, etc.), então deixou duas cópias do programa jogarem uma contra a outra com configurações de parâmetros ligeiramente diferentes. A versão com melhor desempenho sobreviveu.
Isso é busca de parâmetros, não descoberta de regras — mas constitui aprendizado em sentido significativo. O programa melhorou sem o programador explicitamente escrever regras melhores.
Hamming pergunta: o programa de damas de Samuel mostrou originalidade quando fez movimentos surpreendentes? Você não consegue provar que fez, mas igualmente não consegue provar que tem originalidade em qualquer sentido que exclua o programa de damas.
Sistemas Especialistas & Seus Limites
Sistemas especialistas dos anos 1970-80 representaram a tentativa mais sistemática de formalizar conhecimento profissional como regras executáveis por máquinas. Diagnóstico médico, levantamento geológico, análise financeira, design de circuitos — cada domínio atraiu seu próprio sistema baseado em regras.
O desempenho em sub-problemas bem definidos era frequentemente impressionante. Mas os sistemas compartilhavam um modo de falha: funcionavam até o problema sair da cobertura de regras, então falhavam completamente. Especialistas humanos degradam graciosamente; sistemas de regras caem de um penhasco.
A causa raiz que Hamming identifica: as pessoas construindo sistemas especialistas não tinham forma sistemática de saber o que estava faltando. Os especialistas conseguiam articular suas regras — mas especialistas usam seu julgamento incodificável para decidir quais regras se aplicam em uma dada situação. Esse julgamento de nível meta nunca entrou no sistema.
A Questão Certa para Sua Carreira
A questão praticamente útil não é 'as máquinas podem pensar?' É: para qualquer tarefa em seu campo, a dificuldade crítica vive no centro coberto por regras, ou na fronteira onde julgamento & conhecimento tácito operam? Automação lida confiávelmente com o primeiro. Ela se esforça com o segundo. Sua estratégia de carreira segue de saber a diferença.