Limites formais da computabilidade da mente humana e os horizontes epistémicos da inteligência artificial
Uma síntese dos argumentos lógicos, físicos, biológicos e de complexidade que separam a cognição humana das arquiteturas digitais contemporâneas
Resumo
A tese computacionalista — segundo a qual a cognição humana pode ser instanciada em arquiteturas digitais discretas sobre o alfabeto binário — depende da transposição ontológica da Tese de Church-Turing para a filosofia da mente. Este artigo articula quatro linhas de refutação formal que se reforçam mutuamente: o argumento Gödeliano de Lucas-Penrose; a hipercomputação sobre o contínuo real (BSS, Pour-El e Richards, Siegelmann); a biologia relacional de Robert Rosen; e o programa Orch OR de Penrose e Hameroff. Em paralelo, examinamos duas barreiras intransponíveis da IA contemporânea: a expressividade de circuitos TC⁰ identificada por Merrill e Sabharwal para arquiteturas Transformer, e o teorema de impossibilidade de Colbrook, Antun e Hansen (PNAS 2022) que dissocia existência de redes neurais ótimas da sua computabilidade algorítmica. Concluímos que a distância entre a cognição humana e os sistemas digitais binários não é uma lacuna contingente de escala, mas uma demarcação teórica estruturada.
Introdução
A postulação de que o encéfalo humano, ou os processos cognitivos que constituem o ser humano, podem ser perfeitamente instanciados em arquiteturas de cálculo digital assenta num pressuposto preciso: o de que a mente é redutível a manipulações formais de estados binários sobre o alfabeto discreto [1]. Historicamente, esse pressuposto apoia-se numa extensão filosófica da Tese de Church-Turing[1]. Formulada originalmente por Alonzo Church e Alan Turing em 1936, a tese postula que toda função calculável por um método efetivo passo a passo — concebido estritamente como uma rotina algorítmica executada por um calculador humano operando sobre regras explícitas com papel e lápis — é computável por uma máquina de Turing[3][4].
A transposição mecânica dessa tese para a filosofia da mente gerou o que a literatura epistemológica contemporânea identifica como a Falácia de Church-Turing[1]. Gualtiero Piccinini demonstrou que a tese original é uma proposição estritamente confinada à teoria dos procedimentos efetivos em linguagens formais e à tratabilidade de cadeias de símbolos finitas; ela não estabelece qualquer lei física universal que obrigue um sistema material aberto e biologicamente estruturado a limitar o seu comportamento funcional à dinâmica de um autómato de Turing[1]. Quando o computacionalismo clássico afirma que a mente é ontologicamente um programa executando sobre o substrato de von Neumann, confunde a capacidade descritiva de um modelo numérico aproximativo com a identidade estrutural do sistema natural simulado[2].
Este artigo articula quatro linhas independentes de refutação formal dessa identificação — argumento Gödeliano, computabilidade no contínuo, biologia relacional, redução gravitacional quântica — e examina duas barreiras intransponíveis da IA contemporânea que corroboram, por vias independentes, a mesma conclusão.
Background
A arquitetura binária tradicional opera por discretização temporal e quantização booleana forçada, colapsando o espectro dinâmico contínuo do mundo biofísico em estados lógicos discretos governados pela álgebra de Boole[1]. O pressuposto axiomático segundo o qual o cérebro equivale funcionalmente a uma rede de portas lógicas binárias simplifica a integração eletroquímica dendrítica e desconsidera que a manipulação de símbolos desprovidos de referência semântica intrínseca não pode gerar causalidade biológica nem fenomenologia consciente por mera recombinação algorítmica[2]. A transição do domínio contínuo para o discreto binário acarreta uma perda estrutural de informação topológica e dinâmica que vicia à partida a pretensão de universalidade representacional das arquiteturas digitais convencionais[1].
Os quatro programas teóricos examinados neste artigo partilham um núcleo analítico comum: identificar, para cada domínio (lógico, matemático, biológico, físico), uma propriedade estrutural da cognição humana ou da matéria viva que é formalmente inacessível a qualquer máquina de Turing operando sobre .
Tese
A impossibilidade de computar plenamente o ser humano em arquiteturas digitais binárias contemporâneas baseadas em não constitui uma insuficiência contingente de capacidade de processamento ou de volume de parâmetros amostrais. Reflete uma demarcação teórica fundamentada, simultaneamente, na teoria da computabilidade, na lógica matemática formal, na física dos meios contínuos e na biologia categorial dos sistemas abertos.
As secções seguintes validam essa tese por quatro vias independentes mas convergentes.
Validações
O argumento Gödeliano de Lucas-Penrose
O núcleo das demonstrações lógico-matemáticas contra a computabilidade da consciência sustenta-se nos Teoremas de Incompletude enunciados por Kurt Gödel em 1931[5]. O argumento de que a inteligência humana transcende o poder de qualquer sistema formal automatizado foi pioneiramente sistematizado por J. R. Lucas em 1961[6] e substancialmente desenvolvido por Roger Penrose em The Emperor's New Mind (1989)[7] e Shadows of the Mind (1994)[8].
O fundamento matemático inicia-se na consideração de um sistema formal eficazmente gerado por um conjunto recursivo de axiomas e regras de inferência, com poder expressivo suficiente para abarcar a aritmética de Peano elementar[5]. Pelo Primeiro Teorema de Gödel, se for formalmente consistente, existe uma proposição aritmética , denotada por , que afirma a sua própria indemonstrabilidade em através do esquema de codificação numérica de Gödel:
Se for consistente, não pode ser demonstrada internamente sem contradição lógica[5]. Pelo Segundo Teorema de Gödel, o sistema é incapaz de demonstrar a sua própria consistência, expressa pela fórmula , a menos que seja inconsistente:
O raciocínio de Lucas e Penrose estrutura-se através de um confronto direto entre a capacidade reflexiva da mente humana e as restrições formais impostas aos autómatos discretos[6][8]. Ao analisar o formalismo , um matemático humano compreende a construção metamatemática e apreende diretamente a verdade de no domínio dos números naturais — porque a afirmação de que não é demonstrável corresponde exatamente à constatação semântica de que é indecidível dentro do cálculo interno do sistema[8]. Se a mente humana funcionasse identicamente a um autómato finito ou a um sistema de Turing formalizável, jamais poderia estabelecer a verdade de sem incorrer em inconsistência[6]. Uma vez que a cognição matemática humana acede à verdade objetiva de recorrendo a noções semânticas que transcendem o cálculo puramente sintático, infere-se que o entendimento humano não pode ser reduzido a um formalismo computável[8].
Esta formulação ressoa com a disjunção formulada por Gödel na Gibbs Memorial Lecture de 1951[12]: ou a mente humana ultrapassa infinitamente os limites operacionais de qualquer máquina de Turing finita, ou existem problemas diofantinos elementares absolutamente insolúveis. Enquanto Gödel considerava ambas as opções em aberto, Lucas e Penrose defenderam que a primeira é a via teoricamente inevitável.
A estrutura lógica do argumento decorre de uma progressão inferencial que parte da auto-identificação cognitiva com um sistema mecânico e desemboca numa contradição formal irredutível:
- Se se admitir que as faculdades intelectivas humanas correspondem a um sistema formal axiomático discreto determinista , a mente é parametrizada pelo mesmo código do sistema.
- Assumindo que a auto-reflexão humana constata a solidez dos seus próprios procedimentos de raciocínio, postula-se a solidez de para fórmulas .
- Pelo Teorema de Gödel, o sistema algorítmico está estruturalmente impossibilitado de derivar sob pena de auto-destruição formal.
- Simultaneamente, o matemático humano demonstra e apreende a verdade incondicional de através de intuição semântica.
- Estabelece-se uma assimetria incontornável entre o autómato finito e a capacidade reflexiva da mente, refutando a equivalência biunívoca entre consciência e máquina discretizada.
Avaliação crítica. O argumento motivou debates lógico-matemáticos com contribuições de Solomon Feferman, David Chalmers e Hilary Putnam[9][10][11]. As refutações mais consistentes não questionam a validade formal dos teoremas de Gödel, mas desconstroem os axiomas epistémicos introduzidos para transpor teoremas aritméticos à psicologia cognitiva.
O primeiro ponto crítico reside no axioma da consistência. Se a arquitetura cognitiva humana admitir contradições operacionais localizadas e operar segundo uma lógica paraconsistente — na qual a dedução trivial de qualquer fórmula a partir de uma contradição () é axiomaticamente bloqueada — a aplicação imediata do Primeiro Teorema de Gödel colapsa, pois formalismos paraconsistentes toleram antinomias pontuais sem falência inferencial[6].
O segundo problema, formulado com rigor por Feferman[9], centra-se no axioma do auto-conhecimento da solidez. Pelo Segundo Teorema, a demonstração de que é verdadeira depende da premissa de que o sistema é consistente. Para que o ser humano afirme inatacavelmente a verdade de , teria de provar formalmente que o seu próprio sistema epistémico é consistente — o que Gödel impede. Assim, o matemático não sabe de forma incondicional que é verdadeira; apenas sabe a proposição condicional "se eu sou consistente, então é verdadeira", conclusão que um computador também deriva trivialmente[9].
Chalmers e Putnam reforçaram que um agente computacional pode ser governado por um algoritmo de complexidade intrínseca incomensurável, cuja especificação completa seja inalcançável para o próprio agente[10][11]. Uma mente computacional que desconheça a sua própria codificação axiomática é incapaz de construir a sua sentença de Gödel específica, inviabilizando qualquer demonstração operacional de superioridade sobre o formalismo que a implementa.
Análise matemática contínua e hipercomputação física
A tese de que a cognição se esgota em representações binárias defronta barreiras intransponíveis no domínio da análise funcional e da física dos sistemas contínuos[13]. Enquanto o modelo clássico de computabilidade limita o processamento a espaços discretos enumeráveis, os processos dinâmicos fundamentais no córtex cerebral desenvolvem-se em variedades diferenciais contínuas sobre o corpo dos números reais , regidas por concentrações iónicas, gradientes eletroquímicos e potenciais de membrana em tempo contínuo[21].
A teoria formal dos limites da computação discreta no contínuo encontrou formulação no modelo BSS desenvolvido por Lenore Blum, Mike Shub e Steve Smale em 1989[13]. O modelo BSS generaliza a teoria da computação clássica para corpos arbitrários, concebendo autómatos capazes de computar directamente sobre elementos de em tempo unitário com precisão infinita arbitrária. Ao investigar a geometria de atractores caóticos e a dinâmica de sistemas contínuos, Smale e colaboradores demonstraram a existência de conjuntos fractalmente estruturados — como os complementares de certos conjuntos de Julia — que são formalmente indecidíveis e não enumeráveis no espaço contínuo[13].
A obra clássica de Marian Pour-El e J. Ian Richards, Computability in Analysis and Physics (1989), estabeleceu teoremas que associam as equações diferenciais da física clássica determinista à não-computabilidade de Turing[14]. Ao analisar a equação de onda tridimensional
os autores demonstraram a existência de condições iniciais perfeitamente computáveis no espaço de funções contínuas cujas soluções temporais subsequentes geram distribuições de energia física que são matematicamente não computáveis por qualquer máquina de Turing[14]. Esse teorema mostra que mesmo dentro da física clássica determinista, a evolução temporal contínua de certos campos físicos produz grandezas mensuráveis que violam a redutibilidade computacional da tese de Church-Turing.
No campo das redes neuronais, Hava Siegelmann (1995) demonstrou que a assunção de pesos sinápticos reais confere aos sistemas dinâmicos um poder que ultrapassa o limite de Turing clássico[15]. Siegelmann concebeu as Redes Neuronais Recorrentes Analógicas (ARNN) com translações contínuas caóticas (analog shift maps) e provou que tais arquiteturas, operando com parâmetros dinâmicos em , quebram o teto da decidibilidade finita. As ARNN conseguem computar a classe não-uniforme de complexidade , permitindo resolver em tempo polinomial linguagens indecidíveis por máquinas de Turing convencionais — incluindo o problema da paragem para dados codificados na expansão contínua de um número real irracional.
Embora se argumente que a exploração física real de exija precisão infinita de medição — constrangida por ruído térmico quântico e termodinâmica macroscópica — a análise matemática de Siegelmann demonstra que o modelo binário discreto baseado em é uma subespecificação restritiva das arquiteturas neurais que recorrem ao espaço contínuo de estados. Conforme antecipado por Geroch e Hartle (1986), a exigência de que teorias científicas se reduzam a formulações algorítmicas é uma imposição metodológica da computação digital, não um limite ontológico do universo[16].
A biologia relacional de Robert Rosen e a clausura causal
A refutação mais formalmente estruturada da computabilidade dos organismos vivos foi delineada pelo biofísico e matemático Robert Rosen[17]. Em Life Itself (1991) e nos desenvolvimentos subsequentes com A. H. Louie, Rosen deduziu rigorosamente — através da teoria das categorias — que um sistema biológico vivo não é uma máquina, sendo estruturalmente impossível derivar um modelo puramente simulável para a sua organização essencial[18].
A demonstração assenta na formalização das quatro categorias de causação de Aristóteles dentro de categorias matemáticas cujos objectos representam estados físico-químicos e cujos morfismos representam processos causais. No modelo mínimo auto-organizacional proposto por Rosen — o sistema Metabolismo-Reparação ou -system — os fluxos biológicos fundamentais articulam-se entre uma transformação metabólica de insumos químicos, uma renovação dos catalisadores deteriorados e um processo de preservação estrutural[19][20].
Para que um sistema evite uma regressão infinita de dependência causal em relação a catalisadores exógenos, a condição ontológica necessária e suficiente para caracterizar a vida reside no que Rosen definiu como clausura sob causalidade eficiente (closure to efficient causation): todos os operadores e catalisadores que actuam como causa eficiente dos processos metabólicos têm de ser produzidos e mantidos por processos internos ao próprio sistema[20].
A partir desta formalização, Rosen formulou teoremas que demonstram uma diferença ontológica entre mecanismos e organismos:
- Estrutura dos mecanismos. Toda máquina computacional ou mecanismo físico tradicional é dissociável num conjunto de processos causais cujos operadores podem ser decompostos recursivamente de modo linear e predicativo. Num autómato algorítmico, o grafo de causas eficientes é estritamente acíclico — o programa é sempre fornecido a priori a partir do exterior do sistema de cálculo.
- Impredicatividade biológica. Um sistema fechado sob causalidade eficiente encerra ciclos causais auto-referenciais cruzados onde uma função é definida em termos de um conjunto que a contém como elemento operador. Este entrelaçamento causal confere ao sistema o estatuto de uma entidade impredicativa irredutível.
- Teorema da não-computabilidade de sistemas vivos. Rosen e Louie provaram matematicamente que uma entidade que possua ciclos impredicativos fechados sob causalidade eficiente não admite um modelo simulável por máquinas de Turing. Qualquer tentativa de converter um sistema num algoritmo discreto fragmenta a sua integridade causal mútua, convertendo as causas eficientes internas em parâmetros exógenos dependentes de inicialização externa[18].
Para a tese da representação binária do cérebro, as consequências são definitivas: uma arquitectura computacional baseia-se na separação rígida entre software (o conjunto de funções que actua como causa eficiente transitória) e hardware (o substrato físico que recebe passivamente o estado binário como causa material). No cérebro vivo, o metabolismo constrói, regenera e modifica continuamente o próprio suporte físico que desempenha as funções cognitivas. Não existe fronteira ontológica estável entre processador físico e programa lógico; o hardware é continuamente regenerado pela própria dinâmica das funções que processa. Esta identidade causal cíclica rompe com o modelo predicativo das linguagens computacionais discretas, indicando que a vida e a mente operam para além do horizonte simulável por autómatos binários.
Gravitação quântica, não-computabilidade e o modelo Orch OR
Para além das limitações da lógica dedutiva e da biologia relacional, o debate penetra nos alicerces da física fundamental através da teoria da Redução Objectiva Orquestrada (Orchestrated Objective Reduction — Orch OR), desenvolvida por Roger Penrose e pelo neurobiólogo Stuart Hameroff[21].
O ponto de partida consiste na identificação de uma dualidade epistemológica na mecânica quântica contemporânea. Por um lado, vigora a evolução contínua e linear do vector de estado , descrita pela equação de Schrödinger:
Este processo unitário é determinista e reversível no tempo; consequentemente, é totalmente computável e pode ser simulado por computadores clássicos ou quânticos através de circuitos de portas unitárias discretas[2].
Por outro lado, intervém o processo — o colapso da função de onda gerado durante a medição. A interpretação canónica postula que obedece a uma estocasticidade pura regida pela regra de Born (). Contudo, um gerador estocástico puro — matematicamente equivalente a uma máquina de Turing dotada de um oráculo de variáveis aleatórias bernoullianas — não confere qualquer ganho em decidibilidade de funções, nem permite derivar julgamentos matemáticos com compreensão intrínseca de verdade[8].
Penrose defendeu que o impasse da mecânica quântica moderna traduz a inexistência de uma gravitação quântica unificada, postulando um novo processo físico fundamental: a Redução Objectiva (OR)[23]. Na teoria de Penrose e Lajos Diósi[22], superposições quânticas de massas macroscópicas implicam a superposição de geometrias espaciotemporais distintas. Quando a curvatura bifurcada acumula uma discrepância de auto-energia gravitacional suficiente (), a geometria do contínuo torna-se instável, forçando um decaimento espontâneo para um autoestado clássico num tempo característico :
O núcleo da tese apoia-se no postulado de que o processo OR não é aleatório nem arbitrário: opera segundo uma física ainda desconhecida, estruturada na geometria fundamental da escala de Planck (), de natureza estritamente não-algorítmica e não-computável[21]. A selecção de autoestados na redução gravitacional quântica dependeria de propriedades globais da tessitura do espaço-tempo que nenhuma máquina de Turing pode computar ou aproximar por derivações passo a passo.
A componente neurobiológica coube a Hameroff, que identificou os microtúbulos neuronais como aparato subcelular apto a isolar termicamente estados coerentes quânticos[21]. Os microtúbulos constituem a armadura estrutural do citoesqueleto neuronal, formados por redes cilindro-cónicas de heterodímeros de tubulina com dipolos eléctricos. No modelo Orch OR, os estados quânticos estariam protegidos da decoerência térmica através de condensados de Fröhlich, bainhas de água estruturada e ordenamento dipolar. Uma vez atingido o limiar gravitacional , os microtúbulos sofreriam colapsos objectivos orquestrados que modulariam a sensibilidade das descargas sinápticas, actuando como o factor primordial na geração de actos de vontade, julgamento consciente e intuição lógica humana que escapam à previsibilidade sintática.
Crítica biofísica. O trabalho de Max Tegmark (2000) calculou o tempo de decoerência das superposições de tubulina no encéfalo em ordens de magnitude na escala de s, demonstrando que o ambiente aquoso e quente do cérebro degrada os estados quânticos coerentes muito mais rapidamente do que a escala temporal necessária para o disparo de potenciais de acção ( a s)[24]. Em réplicas científicas (2014, 2016), Hameroff e Penrose contestaram esses cálculos ao apresentar evidências experimentais de ressonâncias quânticas em frequências de giga- e tera-hertz no citoesqueleto[21], mas o postulado de que a consciência resulta de uma dinâmica gravitacional quântica não-computável permanece como hipótese teórica a comprovar experimentalmente[28].
Limites matemáticos da IA contemporânea
O avanço empírico das redes neuronais profundas e dos grandes modelos de linguagem baseados em arquitectura Transformer evidenciou que a aplicação empírica de algoritmos de aprendizagem estatística em suportes discretos não resolve os problemas fundacionais de computabilidade e expressividade da cognição humana[25]. O exame da literatura matemática recente revela barreiras intransponíveis de complexidade de circuitos e de não-computabilidade numérica.
Expressividade de Transformers e complexidade de circuitos
A caracterização formal do poder computacional dos modelos baseados em Transformer foi elucidada em investigações lideradas por William Merrill e Ashish Sabharwal (2023, 2024)[26][27]. Os autores demonstraram formalmente que modelos Transformer decoder-only executados com precisão logarítmica finita e sem geração de passos intermediários estão rigorosamente confinados à classe de circuitos booleanos (circuitos de profundidade constante com portas de contagem e limiar de maioria):
A contenção em implica limitações teóricas severas:
- Modelos nesta classe são estruturalmente incapazes de resolver problemas completos da classe , como a simulação exacta de um autómato de estados finitos ou o cálculo de fórmulas booleanas gerais.
- Em inferência directa, não conseguem resolver a conectividade elementar em grafos direccionados (problema completo para ) nem problemas -completos.
- Não conseguem reconhecer todas as linguagens regulares da hierarquia de Chomsky, falhando a indução estrutural estrita.
Para contornar este tecto, o paradigma corrente recorre à estratégia heurística do Chain-of-Thought (CoT). Merrill e Sabharwal provaram que a adição progressiva de etapas intermediárias expande gradualmente a expressividade: número logarítmico de passos eleva até (espaço logarítmico), número linear decodifica classes entre e gramáticas sensíveis ao contexto, e número polinomial de passos atinge [26].
Ainda que CoT com complexidade polinomial eleve a expressividade para — capacitando formalmente o modelo para simular máquinas de Turing polinomiais —, o sistema permanece confinado aos limites estritos do determinismo algorítmico. O processo baseia-se numa linearização por casamento de subgrafos sintácticos que simula passos dedutivos por verossimilhança estatística[26]. O modelo não possui intencionalidade genuína nem semântica intrínseca, permanecendo condicionado pelas fragilidades fundamentais dos sistemas formais discretos identificadas pelos teoremas de Gödel.
A dissociação entre existência e computabilidade: Colbrook, Antun e Hansen (PNAS 2022)
Para além das restrições de expressividade, a base metodológica das redes neuronais profundas sofreu uma refutação na sua capacidade de aproximação analítica através dos trabalhos de Matthew J. Colbrook, Vegard Antun e Anders C. Hansen, publicados nos Proceedings of the National Academy of Sciences em 2022, no contexto do 18.º problema de Smale[25].
Durante três décadas, a comunidade apoiou-se nos Teoremas de Aproximação Universal (Cybenko, Hornik), que asseguram que para qualquer função contínua bem-comportada existe uma rede neuronal finita capaz de aproximar o mapa com erro arbitrariamente pequeno ().
Recorrendo à teoria do Índice de Complexidade de Solvabilidade (Solvability Complexity Index — SCI), Colbrook e colaboradores demonstraram uma ruptura matemática entre a existência da rede neuronal óptima e a sua computabilidade algorítmica por qualquer máquina digital[25]. Ao examinarem problemas inversos lineares e não lineares, estabeleceram teoremas de impossibilidade estrutural:
Para classes de problemas com número de condicionamento , não existe algoritmo tal que .
O teorema demonstra que, mesmo em classes de problemas perfeitamente estáveis e bem-condicionados:
- Uma rede neuronal aproximadora ideal comprovadamente existe do ponto de vista ontológico-matemático.
- Não existe nem pode existir qualquer algoritmo — determinístico, heurístico ou probabilístico de Monte Carlo — executado em arquitectura digital de von Neumann capaz de convergir para os pesos óptimos a partir de conjuntos finitos de dados de treino.
- Instala-se um dilema insolúvel entre precisão e estabilidade: quanto mais a rede tenta aproximar os dígitos de precisão da função objectivo, maior a vulnerabilidade a perturbações do meio. Obter dígitos pode exigir quantidades incomensuráveis de amostras, enquanto alcançar o dígito torna-se matematicamente impossível para qualquer máquina algorítmica clássica[25].
Esta descoberta revela que a inteligência biológica humana — capaz de extrair invariantes contínuas e agir com estabilidade dinâmica num ambiente físico repleto de ruído analógico — possui princípios organizacionais que a computação algorítmica discreta é incapaz de replicar através dos paradigmas de treino tradicionais.
Conclusão
A investigação dos fundamentos matemáticos, lógicos e biológicos expõe limites intrínsecos à tentativa de equiparar o ser humano a uma máquina de estados discretos sobre [1].
Em primeiro lugar, o arcabouço lógico erigido a partir dos Teoremas de Incompletude de Gödel e do argumento Lucas-Penrose estabelece que qualquer tentativa de esgotar o raciocínio matemático e a consciência reflexiva num autómato finitamente parametrizado impõe uma escolha inevitável entre incompletude epistémica ou inconsistência sintáctica[8]. Embora o matemático humano esteja sujeito a limitações cognitivas contingentes, o seu método de validação assenta em noções semânticas de verdade que transcendem o cálculo restrito de deduções formais fechadas[6].
Em segundo lugar, a topologia do contínuo físico sobre constitui uma barreira matemática para a discretização binária[13]. Conforme demonstrado nos teoremas de Pour-El e Richards e nos modelos analógicos de Siegelmann, sistemas que evoluem sobre variáveis dinâmicas contínuas exibem comportamentos hipercomputacionais inalcançáveis para máquinas de Turing operando com matrizes de valores truncados[14][15].
Em terceiro lugar, a biologia relacional de Rosen formalizou que o ser humano, enquanto entidade viva auto-organizada, apresenta fecho funcional sob causalidade eficiente[20]. A causalidade circular impredicativa dos sistemas biológicos impede a cisão funcional entre software e hardware característica mandatória da arquitectura de von Neumann. O organismo regenera activamente a sua própria constituição material em resposta a solicitações termodinâmicas contínuas, um princípio dinâmico que não admite tradução algorítmica predicativa sem destruição da auto-sustentação vital.
Por último, a análise das fronteiras contemporâneas da IA demonstra que a tecnologia baseada em redes profundas opera sob restrições estruturais de expressividade delimitadas por classes de circuitos booleanos como e subespaços deterministas de [26]. Complementarmente, os teoremas SCI de Colbrook, Antun e Hansen demonstram a cisão matemática definitiva entre a existência abstracta de aproximações neuronais e a impossibilidade algorítmica de computar redes simultaneamente estáveis e precisas no mundo contínuo[25].
Assim, a impossibilidade de computar plenamente o ser humano em arquitecturas digitais binárias contemporâneas baseadas em não constitui insuficiência contingente de capacidade de processamento ou volume de parâmetros amostrais. Reflecte uma demarcação teórica fundamentada na teoria da computabilidade, na lógica matemática formal, na física dos meios contínuos e na biologia categorial dos sistemas abertos[1].
Referências
- [1]Piccinini, G. (2007). Computationalism, the Church-Turing thesis, and the Church-Turing fallacy. Synthese, 154(1), 97-120. https://doi.org/10.1007/s11229-005-0194-z
- [2]Copeland, B. J., & Shagrir, O. (2019). Physical computability theses. Oxford Handbook of Philosophy of Science. https://oronshagrir.huji.ac.il/sites/default/files/oronshagrir/files/ver19_physical_computability_theses.pdf
- [3]Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, s2-42(1), 230-265. https://doi.org/10.1112/plms/s2-42.1.230
- [4]Church, A. (1936). An unsolvable problem of elementary number theory. American Journal of Mathematics, 58(2), 345-363. https://doi.org/10.2307/2371045
- [5]Gödel, K. (1931). Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme I. Monatshefte für Mathematik und Physik, 38, 173-198. https://doi.org/10.1007/BF01700692
- [6]Lucas, J. R. (1961). Minds, machines and Gödel. Philosophy, 36(137), 112-127. https://doi.org/10.1017/S0031819100057983
- [7]Penrose, R. (1989). The Emperor's New Mind: Concerning computers, minds, and the laws of physics. Oxford University Press. https://global.oup.com/academic/product/the-emperors-new-mind-9780192861986
- [8]Penrose, R. (1994). Shadows of the Mind: A search for the missing science of consciousness. Oxford University Press. https://global.oup.com/academic/product/shadows-of-the-mind-9780195106466
- [9]Feferman, S. (1995). Penrose's Gödelian argument. PSYCHE: An Interdisciplinary Journal of Research on Consciousness, 2, 21-32. https://math.stanford.edu/~feferman/papers/penrose.pdf
- [10]Chalmers, D. J. (1995). Minds, machines, and mathematics: A review of Shadows of the Mind by Roger Penrose. PSYCHE, 2, 11-20. https://consc.net/papers/penrose.html
- [11]Putnam, H. (1995). Review of Shadows of the Mind by Roger Penrose. Bulletin of the American Mathematical Society, 32(3), 370-373. https://doi.org/10.1090/S0273-0979-1995-00606-X
- [12]Koellner, P. (2018). On the question of whether the mind can be mechanized, I: From Gödel to Penrose. Journal of Philosophy, 115(7), 337-360. https://doi.org/10.5840/jphil2018115721
- [13]Blum, L., Shub, M., & Smale, S. (1989). On a theory of computation and complexity over the real numbers: NP-completeness, recursive functions and universal machines. Bulletin of the American Mathematical Society, 21(1), 1-46. https://doi.org/10.1090/S0273-0979-1989-15750-9
- [14]Pour-El, M. B., & Richards, J. I. (1989). Computability in Analysis and Physics. Perspectives in Mathematical Logic. https://doi.org/10.1007/978-3-662-21717-7
- [15]Siegelmann, H. T. (1995). Computation beyond the Turing limit. Science, 268(5210), 545-548. https://doi.org/10.1126/science.268.5210.545
- [16]Geroch, R., & Hartle, J. B. (1986). Computability and physical theories. Foundations of Physics, 16(6), 533-550. https://doi.org/10.1007/BF01886519
- [17]Rosen, R. (1991). Life Itself: A comprehensive inquiry into the nature, origin, and fabrication of life. Columbia University Press. http://cup.columbia.edu/book/life-itself/9780231075657
- [18]Louie, A. H. (2007). A living system must have noncomputable models. Artificial Life, 13(3), 293-297. https://doi.org/10.1162/artl.2007.13.3.293
- [19]Mossio, M., Longo, G., & Stewart, J. (2009). A computable expression of closure to efficient causation. Journal of Theoretical Biology, 257(3), 489-498. https://doi.org/10.1016/j.jtbi.2008.11.012
- [20]Cárdenas, M. L., Letelier, J. C., Gutiérrez, C., Cornish-Bowden, A., & Soto-Andrade, J. (2010). Closure to efficient causation, computability and artificial life. Journal of Theoretical Biology, 263(1), 79-92. https://doi.org/10.1016/j.jtbi.2009.11.010
- [21]Hameroff, S., & Penrose, R. (2014). Consciousness in the universe: A review of the 'Orch OR' theory. Physics of Life Reviews, 11(1), 39-78. https://doi.org/10.1016/j.plrev.2013.08.002
- [22]Diósi, L. (1989). Models for universal reduction of macroscopic quantum fluctuations. Physical Review A, 40(3), 1165-1174. https://doi.org/10.1103/PhysRevA.40.1165
- [23]Penrose, R. (1996). On gravity's role in quantum state reduction. General Relativity and Gravitation, 28(5), 581-600. https://doi.org/10.1007/BF02105068
- [24]Tegmark, M. (2000). Importance of quantum decoherence in brain processes. Physical Review E, 61(4), 4194-4206. https://doi.org/10.1103/PhysRevE.61.4194
- [25]Colbrook, M. J., Antun, V., & Hansen, A. C. (2022). The difficulty of computing stable and accurate neural networks: On the barriers of deep learning and Smale's 18th problem. Proceedings of the National Academy of Sciences, 119(12), e2107151119. https://doi.org/10.1073/pnas.2107151119
- [26]Merrill, W., & Sabharwal, A. (2024). The expressive power of transformers with chain of thought. Proceedings of the 12th International Conference on Learning Representations (ICLR). https://openreview.net/pdf?id=CDmerQ37Zs
- [27]Merrill, W., & Sabharwal, A. (2023). The parallelism tradeoff: Limitations of log-precision transformers. Transactions of the Association for Computational Linguistics, 11, 531-545. https://doi.org/10.1162/tacl_a_00562
- [28]Aaronson, S. (2016). The ghost in the quantum Turing machine. The Once and Future Turing: Computing the World, 193-296. https://www.scottaaronson.com/papers/giqtm3.pdf