O Nascimento das Redes Neurais: Alan Turing e a Medicina

Como acadêmico de medicina, uma das minhas maiores paixões é a intersecção entre a tecnologia e a saúde. Diariamente, olho sobre desenvolvimento de projetos usando inteligência artificial para identificar lesões de pele, treinando algoritmos para enxergar padrões microscópicos e sutis que os olhos humanos podem deixar passar na correria do dia a dia. Lidamos com redes neurais modernas no nosso cotidiano como se fossem invenções recentes, frutos exclusivos da era do Big Data e dos supercomputadores. Mas, nesta semana, decidi dar um passo atrás e ler um documento histórico que me deixou absolutamente fascinado: o artigo original intitulado “Intelligent Machinery”, escrito em 1948 pelo lendário matemático Alan Turing.

Neste trabalho visionário, formulado anos antes de os computadores possuírem telas, teclados ou sistemas operacionais como os conhecemos hoje, Turing já discutia de forma profunda as maneiras possíveis pelas quais a maquinaria poderia ser construída para exibir um comportamento inteligente. Lendo essas páginas preenchidas com puro brilhantismo histórico, percebi que os alicerces de toda a inteligência artificial que utilizo hoje na minha pesquisa médica foram conceituados ali. A analogia com o cérebro humano, que hoje nos parece óbvia e corriqueira, foi usada por ele como um princípio norteador fundamental em um momento em que a computação ainda dava os seus primeiríssimos passos.

O Despertar dos Gigantes: O Surgimento dos Primeiros Computadores

Para compreender o tamanho do salto lógico dado por Turing, precisamos nos transportar mentalmente para a década de 1940. Naquela época, o maquinário existente no mundo era de caráter extremamente limitado. A crença geral entre os cientistas e o público era de que as máquinas estavam necessariamente restritas a trabalhos mecânicos diretos, repetitivos e sem qualquer margem para flexibilidade ou raciocínio autônomo.

No entanto, a criação de máquinas reais como o ENIAC — um dos primeiros computadores eletrônicos de propósito geral — e o projeto do ACE (Automatic Computing Engine) começaram a mudar radicalmente essa perspectiva. Turing apontou com precisão que a existência dessas novas máquinas, capazes de realizar imensos números de operações matemáticas complexas em frações de segundo sem repetição e de forma automatizada, refutava categoricamente a ideia de que as máquinas faziam apenas ações simples e previsíveis.

Ele dividiu o universo do maquinário em várias categorias lógicas, sendo a mais importante para o nosso campo de estudo as chamadas Máquinas de Controle Discreto. O ENIAC e o ACE operavam estritamente sob essa lógica. O argumento mais impactante de Turing era de que o próprio cérebro humano provavelmente recai nessa classificação contínua de controle em nível microscópico, mas que, quando analisado em suas funções executivas, comporta-se de maneira extremamente semelhante a grande parte do maquinário discreto de alta velocidade.

A Semente das Redes Neurais: As Máquinas Não Organizadas

A parte mais brilhante do texto de 1948 surge quando Turing descreve o que hoje nós chamamos e estruturamos como Redes Neurais Artificiais. Ele sugeriu que, em vez de tentarmos construir máquinas stritamente rígidas e programadas para um único propósito definido e imutável, o caminho ideal seria construí-las de maneira não sistemática a partir de componentes padrão interconectados. Ele batizou essas estruturas revolucionárias de Máquinas Não Organizadas.

Turing propôs um modelo matemático pioneiro que ele chamou de máquina não organizada do tipo A. A genialidade desse modelo estava na sua simplicidade e na sua clara inspiração biológica:

• A máquina é composta por um grande número de unidades semelhantes e simples.
• Cada unidade possui dois terminais de entrada de dados e um único terminal de saída de dados.
• Esse terminal de saída pode ser livremente conectado aos terminais de entrada de outras unidades, criando uma teia.
• Todas as unidades respondem a uma central de sincronização que emite pulsos em intervalos iguais, chamados de momentos.
• A cada momento específico, a unidade assume apenas dois estados lógicos possíveis: zero ou um.

Essas máquinas do tipo A eram, na visão de Turing, o modelo matemático mais simples e fiel de um sistema nervoso central com um arranjo aleatório de neurônios. Quando olho para a arquitetura dos algoritmos de aprendizado profundo que rodam nos meus códigos de identificação de lesões de pele, percebo com clareza que os neurônios artificiais e as camadas ocultas das nossas redes convolucionais nada mais são do que a evolução direta dessas unidades de entrada e saída teóricas traçadas à mão por Turing no pós-guerra.

O Treinamento da Inteligência: Recompensas e Punições

Possuir uma rede neural complexa ou uma máquina não organizada não tem utilidade prática se ela não for capaz de aprender e se adaptar. Turing postulou que o córtex de um bebê humano recém-nascido é, essencialmente, uma máquina não organizada viva. No início da vida, essas partes do cérebro têm pouco efeito prático e não são coordenadas entre si. Somente através de um treinamento constante e da interação com o ambiente é que essa estrutura se organiza para produzir o comportamento complexo e intencional observável no adulto.

Para transpor isso para o silício, ele investigou processos de ensino aplicados às máquinas por meio de feedbacks contínuos de recompensa e punição. Turing chamou esse método de Sistemas de Prazer-Dor. O conceito estabelecia que a introdução de um estímulo de prazer (recompensa) tendia a fixar o caráter atual da máquina, prevenindo que suas conexões mudassem, enquanto os estímulos de dor (punição) quebravam as características fixadas, forçando a rede a mudar suas configurações ou retornar a uma variação aleatória de busca.

Este é exatamente o princípio matemático que rege o aprendizado de máquina contemporâneo. Quando o meu algoritmo processa uma imagem dermatológica e classifica uma pinta como um melanoma corretamente, a função de perda do sistema é minimizada, o que funciona como a recompensa descrita por Turing. Quando o modelo comete um erro de diagnóstico, os pesos matemáticos da rede são drasticamente reajustados através do mecanismo de retropropagação, o que equivale à punição corretiva. O mestre da computação já havia desenhado todo o mapa pedagógico dos algoritmos modernos décadas antes de o primeiro processador comercial ser fabricado.

O Futuro da Inteligência Artificial e a Quebra dos Preconceitos

Ainda hoje, em pleno século XXI, encontramos forte resistência ao uso da inteligência artificial dentro da prática médica. Muitos profissionais e críticos afirmam veementemente que uma máquina jamais poderá simular o raciocínio clínico ou a intuição médica. O mais curioso é notar que, em 1948, Turing já enfrentava e rebatia exatamente esse mesmo tipo de ceticismo e barreira cultural.

Ele observou que o uso comum de frases feitas como “agir feito uma máquina” ou “comportamento puramente mecânico” servia apenas como uma cortina de fumaça psicológica para assumir, sem provas, que os sistemas artificiais jamais demonstrariam inteligência real. Ele refutou brilhantemente as objeções baseadas no mero orgulho humano, apontando que a nossa espécie tem uma enorme indisposição em admitir que a humanidade possa ter rivais no poder intelectual.

Como futuro médico, defendo que a inteligência artificial não nasceu para ser um reflexo dos nossos medos corporativos ou um substituto para o fator humano, mas sim o aluno mais brilhante que a nossa civilização já foi capaz de treinar. Turing afirmou com muita propriedade que as potencialidades da inteligência humana só podem ser plenamente realizadas se receberem uma educação adequada. O mesmo princípio se aplica às máquinas. Quando treino uma inteligência artificial para reconhecer os contornos e as características de uma lesão de pele perigosa, não estou desumanizando a medicina; estou utilizando a visão imortal de Alan Turing para expandir os limites dos nossos olhos e salvar vidas na linha de frente.