“E se um dia eu conseguir gastar token o suficiente pra ferver um lago inteiro com o calor do datacenter, eu vou gastar com o maior prazer do mundo. É minha vingança pessoal contra quem me obrigou a usar canudo de papel que desmancha na boca por tantos anos.”

Confesso: foi provocação explícita, escrita já sabendo que eu ia explicar ela aqui hoje. Porque por trás da piada tem uma tese séria.

Semana passada eu desmontei aqui a propaganda do medo da IA, da OpenAI, Anthropic e NVIDIA. Hoje eu quero usar a mesma lente para uma histeria muito mais antiga e muito mais lucrativa: a climática. E tem uma ironia no meio: quem desmascarou essa histeria foi a própria IA, sem querer.

A tese é simples. No momento em que a corrida por datacenters apertou de verdade, todos os compromissos “verdes” de governos e big techs evaporaram. A mesma Microsoft que prometia ser carbono negativa está religando Three Mile Island. A mesma Alemanha que desligou o parque nuclear tem hoje um chanceler admitindo que foi um erro estratégico. O que derrubou a pauta climática foi outra pauta, uma com mais dinheiro.

E antes que alguém me etiquete, a minha posição com todas as letras: sim, existe efeito humano no clima. Não, o mundo não está acabando, e a distância entre essas duas frases é onde a histeria mora. O que eu contesto é o pânico industrializado e a má alocação de trilhões que ele justifica.

Toda década tem o seu apocalipse

Eu cresci sob o apocalipse nuclear da Guerra Fria. A gente vivia sob a certeza de que o mundo podia acabar em cogumelos atômicos a qualquer momento. Quando a URSS caiu em 1989, esse medo esvaziou, e o buraco na camada de ozônio ocupou o vazio. Esse, aliás, está se recuperando décadas depois do Protocolo de Montreal de 1987, que baniu CFCs e afins aos poucos: prova de que problema real com solução barata dispensa histeria.

Depois veio o bug do milênio. Depois o “aquecimento global”. E quando “aquecimento” ficou difícil de sustentar em toda manchete, a pauta trocou de nome para “mudança climática”.

Repara no truque. Orwell chamou isso de Novilíngua em “1984”: capturar as palavras para capturar o pensamento. “Aquecimento global” era uma hipótese testável: ou esquentou, ou não. “Mudança climática” acomoda tudo. Calor, frio, seca, enchente, neve, falta de neve. Qualquer evento confirma a tese, e uma tese que tudo confirma explica nada.

Quando o vocabulário é capturado, a pergunta vira crime. Quem pede evidência vira “negacionista”. Cientista financiado por interesses obscuros vira “especialista”, e “especialista” é vendido como monopólio da verdade. A histeria do covid foi o pior fruto desse modo de pensar, mas covid fica para outro artigo. O caso climático já basta.

O custo humano dessa máquina está medido. Uma pesquisa Washington Post/Kaiser Family Foundation de 2019 com adolescentes americanos achou 57% com medo e 52% com raiva por causa do clima. Uma enquete global da ONU que juntou cerca de 9,7 milhões de votos perguntou prioridades: “ação contra a mudança climática” ficou em último entre 16 temas no total global, e mesmo nos países mais pobres ela ficou no fundo da lista. O povo quer hospital e emprego. Quem ranqueia apocalipse em primeiro é quem tem o conforto garantido.

Siga o dinheiro: quem financia o medo

Sobre a Greta Thunberg, um fato incomoda os dois lados: ela mesma não fica com dinheiro nenhum. O pai dela disse à Politico que ela nunca recebeu um centavo, e ela doou o prêmio Gulbenkian de 1 milhão de euros inteiro para projetos climáticos. O personagem é real e, pelo que consta, sem salário.

A menina e a startup

A máquina em volta é outra história. A greve escolar começou em 20 de agosto de 2018, uma segunda-feira. A startup sueca We Don’t Have Time, fundada pelo publicitário Ingmar Rentzhog, ainda construía a sua rede social climática. No dia da greve, Rentzhog postou a foto da menina no Facebook pessoal dele e a conta da empresa tuitou no mesmo dia, marcando o Climate Reality Project do Al Gore. Três dias depois do início da greve, na quinta-feira 23 de agosto, chegava às livrarias o livro da família, “Scenes from the Heart”.

O prospecto de captação da startup, de novembro de 2018, citava a Greta 11 vezes, sem o conhecimento da família; aquela rodada levantou ~13 milhões de coroas suecas, e a empresa dizia ter captado 23 milhões no total até o começo de 2019. Ela foi conselheira júnior da fundação da empresa de outubro de 2018 a janeiro de 2019 e saiu. O produto era a startup; a menina era o marketing.

A indústria do protesto assalariado

Depois veio a industrialização do protesto. O Climate Emergency Fund, fundado em 2019, financia Just Stop Oil, Extinction Rebellion, Scientist Rebellion e afins. Quem abriu o cofre com US$ 500 mil foi Aileen Getty, herdeira da fortuna do petróleo Getty, note bem. O diretor de Hollywood Adam McKay entrou com US$ 4 milhões e uma cadeira no conselho.

Até abril de 2022 o fundo já tinha distribuído US$ 1,7 milhão para ativistas em 25 países; as declarações fiscais do ano inteiro apontam ~US$ 5 milhões em grants. Só a Just Stop Oil recebeu quase US$ 1 milhão, ajudando a pagar o salário de uns 40 organizadores. Aquela sopa na tela do Van Gogh é trabalho assalariado, financiado por herança de petróleo e dinheiro de cinema.

Fundações bilionárias e governos

Acima dos fundos de protesto estão as grandes fundações. A Bloomberg Philanthropies já soma US$ 1 bilhão só na campanha Beyond Carbon, e o New York Times chamou o Bloomberg de talvez o maior financiador individual do ativismo climático do mundo. A Hewlett Foundation comprometeu US$ 600 milhões em cinco anos, a Rockefeller anunciou em 2023 que investiria mais de US$ 1 bilhão em clima ao longo de cinco anos, e a ClimateWorks já distribuiu mais de US$ 2 bilhões. Isso é uma indústria, com orçamento de PIB de país pequeno.

E os governos financiam a pressão contra os adversários políticos deles. A UE paga €15,6 milhões por ano em subvenções operacionais para umas 30 ONGs verdes via programa LIFE, e em janeiro de 2025 o Parlamento Europeu fez um debate formal sobre ONGs financiadas pela Comissão fazendo lobby sobre a própria Comissão, em que o comissário de orçamento admitiu ser “inapropriado” que partes da Comissão assinassem acordos obrigando ONGs a fazer lobby em cima de eurodeputados específicos. Na Alemanha, o Correctiv recebeu €2,5 milhões de dinheiro público desde 2016, o programa “Demokratie leben!” tinha orçamento de €182 milhões em 2024, e a CDU protocolou 551 perguntas formais sobre a neutralidade política de organizações financiadas pelo Estado.

E quem ganha com as políticas? O memorando interno da Enron de dezembro de 1997, escrito de Kyoto, já comemorava: “this agreement will be good for Enron stock!!”. O complexo climático-industrial nasceu junto com o tratado. A arrecadação global com precificação de carbono, impostos e mercados de emissão somados, bateu recorde de US$ 104 bilhões em 2023, e um estudo da Point Carbon de 2008 para o WWF estimou entre €23 e €71 bilhões de lucro inesperado para geradoras de cinco países da UE só na fase II do mercado de carbono europeu. E o maior beneficiário das metas verdes ocidentais tem nome e endereço: a China controla mais de 80% de cada etapa da cadeia de manufatura de painéis solares e produziu quase 75% dos carros elétricos do mundo em 2025. O Ocidente subsidia a demanda; Pequim vende a oferta.

Se você não conhece o caso Enron, pare um minuto e assista:

Quem ganha

Quem se beneficia do discurso do medo, então? Fundações bilionárias, consultorias, indústrias subsidiadas, governos comprando paz social com subvenção e o maior competidor industrial do Ocidente. A Greta saiu sem um tostão. A máquina ficou com o megafone.

A corrida dos datacenters

Parte dos números que eu vou mostrar vem da pesquisa que eu fiz para a minha palestra na Tropical Ruby 2026, sobre energia e IA. Os dados do IEA contam a história:

• Datacenters consumiram 415 TWh em 2024, cerca de 1,5% da eletricidade mundial.
• Em 2025: ~485 TWh, crescimento de 17% num ano; os datacenters focados em IA sozinhos cresceram 50%.
• Projeção central para 2030: ~945 TWh, o consumo do Japão inteiro, perto de 3% do planeta.

Nos EUA, datacenters respondem por quase metade de todo o crescimento de demanda elétrica até 2030. E o dinheiro seguiu: o capex das big techs passou de US$ 400 bilhões em 2025 para ~US$ 715 bilhões guiados para 2026, mais que o investimento anual de todo o setor de energia americano. O investimento acumulado em datacenters entre 2026 e 2030 deve bater US$ 3,9 trilhões.

E mesmo assim não dá conta. O gargalo deixou de ser chip e virou cobre e concreto:

• A PJM, maior operadora de rede dos EUA, fechou pela primeira vez na história um leilão de capacidade abaixo do requisito de confiabilidade, em dezembro de 2025: faltaram ~6,6 GW. O preço da capacidade saltou para US$ 333,44 por MW-dia, mais de 11 vezes o patamar do leilão de 2024/2025, batendo no teto permitido pela FERC.
• Transformador de alta potência tem fila de dois a três anos, e os maiores modelos passam disso. A fila de interconexão americana tem mais de 2.000 GW esperando, cerca de 1,6 vez toda a capacidade instalada do país.
• Dos ~16 GW de datacenters grandes que a Sightline Climate previa globalmente para 2026 (o recorte americano é ~12 GW), só ~5 GW estavam em construção no começo do ano, e a estimativa é que 30% a 50% desse pipeline anunciado atrase.

A fila do mercado agora é por GPU, energia e datacenter.

Lembra do carro elétrico, a grande salvação da agenda verde? A frota global inteira de EVs consumiu ~250 TWh em 2025, cerca de 1% da eletricidade do mundo. Os datacenters consumiram quase o dobro, já no ano passado. E a projeção conta o resto: de 415 TWh em 2024 para ~945 TWh em 2030, são +530 TWh de carga nova na rede, quase três vezes a eletricidade da frota global inteira de EVs de 2024 (~180 TWh).

A década inteira de “economia verde” foi engolida em dois anos de corrida de IA. E o detalhe cômico: em março de 2026, Bernie Sanders e Alexandria Ocasio-Cortez anunciaram o AI Data Center Moratorium Act, uma tentativa de proibir datacenter novo nos EUA. A agenda verde passou décadas mandando você consumir menos energia. Diante da IA, a saída coerente que sobrou foi tentar proibir o consumidor novo.

A volta da energia nuclear

Se a pauta climática fosse séria, o maior aliado dela sempre foi a energia nuclear: a fonte mais limpa, mais densa e mais confiável que existe. A mesma pauta que pregava apocalipse tratou nuclear como tabu por cinquenta anos. Eis o que a fome de energia da IA fez em um ano:

A corrida nuclear das big techs

• A Microsoft assinou um contrato de 20 anos para religar a unidade 1 de Three Mile Island, 835 MW. Leia de novo: Three Mile Island, o símbolo máximo do medo nuclear americano desde 1979, ressuscitada como Crane Clean Energy Center para alimentar datacenter.
• A Meta fechou até 6,6 GW em acordos nucleares com Vistra, TerraPower e Oklo.
• O Google encomendou 500 MW em reatores modulares da Kairos.
• A Amazon expandiu seu contrato com a usina de Susquehanna para 1,9 GW até 2042 e investiu na X-energy.

O motivo técnico é simples. Nos EUA, nuclear opera com fator de capacidade em torno de 91%, e ficou acima de 92% na média da década até 2023; vento fica em ~34% e solar em ~23%. Datacenter quer baseload, 24 horas por dia. Sol e vento não entregam isso sem uma montanha de bateria que ninguém tem.

Se você não conhece o incidente de Three Mile Island, em 1979, assista:

O caso alemão

E a Alemanha? A Alemanha desligou suas três últimas usinas em 15 de abril de 2023 e virou importadora líquida de eletricidade pela primeira vez desde 2002, inclusive importando nuclear francês. A Energiewende custou na casa das centenas de bilhões de euros, a eletricidade industrial alemã custa cerca do dobro da americana ou mais, e a rede alemã emite em torno de 350 g de CO2 por kWh, contra 22 g da França nuclearizada.

Pois bem. Em janeiro de 2026, o chanceler Friedrich Merz admitiu em público: “Foi um grave erro estratégico abandonar a energia nuclear”, “estamos fazendo a transição energética mais cara do mundo inteiro”. O chefe do próprio IEA, Fatih Birol, foi a público concordar com ele. Desde maio de 2025 a Alemanha parou de sabotar a França nuclear na UE, e em junho de 2026 ex-diretores das usinas fechadas pediram oficialmente a reativação dos reatores.

Deixa eu registrar a minha opinião aqui: fechar o parque nuclear foi um dos maiores erros da história moderna da Alemanha. Eles empobreceram a própria indústria, se viciaram em gás russo, voltaram a queimar carvão na crise de 2022 e hoje compram eletricidade nuclear do vizinho. Tudo isso em nome de uma pauta que eles mesmos estão abandonando.

O medo contra os números

Sobre o medo em si, os números oficiais são outros. Mortes por TWh produzido, somando acidentes e poluição: carvão mata 24,6; petróleo, 18,4; gás, 2,8. Nuclear: 0,03, menos que vento e quase igual a solar. Chernobyl matou 30 trabalhadores diretamente, e a projeção do Chernobyl Forum e da OMS para cânceres eventuais fica em até 4 mil entre os 600 mil mais expostos, enquanto o Greenpeace vendia 93 mil. O mesmo relatório concluiu que o maior problema de saúde pública foi o dano psicológico: pessoas adoeceram de medo da radiação, não da radiação. Fukushima: zero mortes por radiação entre o público (o Japão reconheceu uma única morte ligada à radiação: um trabalhador com câncer de pulmão, em 2018); 2.313 mortes ligadas à evacuação em pânico. O medo matou mais que o acidente.

E o lixo? Todo o combustível usado dos reatores comerciais dos EUA cabe num campo de futebol americano, empilhado a menos de 10 jardas, uns 9 metros. A França reprocessa o dela em La Hague há décadas. A Finlândia construiu o primeiro depósito geológico profundo do mundo para combustível nuclear usado, Onkalo, já na reta final de licenciamento. Problema técnico resolvido há tempos; o que faltava era coragem política, e ela chegou na forma de uma conta de luz de datacenter.

O homem que aponta isso há vinte anos

Quem organiza essa argumentação com rigor há duas décadas é o dinamarquês Bjorn Lomborg. Cientista político de formação, professor de estatística por anos na Universidade de Aarhus, ex-professor visitante da Copenhagen Business School, fellow do Hoover Institution de Stanford, fundador do Copenhagen Consensus Center, um think tank que trabalha com centenas de economistas, Nobel inclusos. Ele estourou em 2001 com “The Skeptical Environmentalist” e virou persona non grata do establishment verde, apesar de repetir desde sempre a mesma frase:

“O aquecimento global é real, mas não é o fim do mundo. É um problema administrável.”

Anota: Lomborg aceita o consenso científico sobre a existência do aquecimento e sua causa humana. Ele defende imposto de carbono e investimento em P&D verde. O que ele contesta é o pânico e a matemática das políticas. O livro dele de 2020, “False Alarm”, é um catálogo de números que a manchete nunca te conta:

Os números que a manchete não conta

• Mortes por desastres climáticos (seca, enchente, tempestade, incêndio, temperaturas extremas; compilação do Lomborg sobre a base EM-DAT): de ~500 mil por ano nos anos 1920 para menos de 20 mil por ano hoje, queda de 96%. Como a população quadruplicou, o risco individual caiu 99%.
• Na síntese do Lomborg sobre os modelos do Stanford Energy Modeling Forum, cumprir o Acordo de Paris custa entre US$ 1 e 2 trilhões por ano, o pacto mais caro da história humana. E o efeito de cumprir todas as promessas de 2030, medido no modelo MAGICC, o mesmo usado pelo IPCC, é reduzir o aquecimento de 2100 em 0,048°C, no paper dele na Global Policy. Esticando todas as promessas até 2100: 0,17°C. Cada dólar gasto em Paris evita 11 centavos de dano.
• O custo do aquecimento sem nenhuma ação, na função de dano do Nobel William Nordhaus: cerca de 3 a 4% do PIB global em 2100. O Lomborg aplica isso aos cenários de renda do IPCC e traduz: em vez de termos 4,5 vezes a renda de hoje, teremos 4,34 vezes. Um problema administrável.
• A Nova Zelândia calculou que seu net-zero custa entre 5% e 17% do PIB de 2050, contra a meta anterior de cortar 50% das emissões. O Lomborg converte a fatia de emissões do país, pela conta dele, num adiamento de três semanas do aquecimento global.
• Tuvalu, o país-símbolo do “vai sumir no mar”, cresceu 2,9% em área em quatro décadas com o mar subindo ao dobro da média global. E a manchete de “187 milhões de deslocados até 2100” vem de um estudo para até 2 metros de elevação do mar sem adaptação; o mesmo estudo, com diques e adaptação realista, calcula entre 41 mil e 305 mil deslocados.
• Um estudo na Lancet que analisou 74 milhões de mortes em 13 países atribuiu 7,3% delas ao frio e 0,4% ao calor: no clima atual, o frio mata umas 17 vezes mais.

A conta que ninguém deixa fazer

Agora a comparação que importa. O “Best Things First” do Copenhagen Consensus calculou: US$ 35 bilhões por ano em doze soluções baratas (tratar tuberculose, redes contra malária, nutrição infantil, vacinas) salvariam ~4 milhões de vidas por ano. Tratar tuberculose custa US$ 6,2 bilhões por ano e salva ~600 mil vidas por ano nesta década, retorno de ~US$ 46 por dólar. A malária sozinha matou 610 mil pessoas em 2024, 95% na África, a maioria crianças abaixo de 5 anos. Uma rede tratada entregue custa cerca de seis dólares; salvar uma vida com elas custa na faixa de US$ 5.500.

A ajuda climática internacional sozinha, um quarto de toda a ajuda ao desenvolvimento, daria para financiar tuberculose, malária, contracepção e nutrição no mundo inteiro e ainda sobrar troco. É essa a escolha real na mesa. Ninguém deixa você fazer essa conta em voz alta sem ser chamado de monstro.

A palestra dele no TED de 2005, “Global priorities bigger than climate change”, é exatamente esse exercício de custo-benefício, feito em palco, vinte anos atrás. Vale os 16 minutos:

E já que os comentários vão mirar o mensageiro, deixa eu adiantar a ficha corrida. Do Lomborg você vai ouvir que um comitê dinamarquês de “desonestidade científica” declarou o primeiro livro dele objetivamente desonesto em 2003. É verdade. E o Ministério da Ciência da Dinamarca derrubou a decisão no fim do mesmo ano, por vícios no processo. Você também vai ouvir do dossiê hostil de onze páginas da Scientific American. Tudo registrado. E nada disso toca os números, que saem do IPCC, da OMS, da FAO e do EM-DAT.

Trinta anos de cúpulas, e o placar é zero

Antes da China, vale olhar o histórico completo do processo que produziu essas políticas. Três décadas de tratados, cada um anunciado como histórico, cada um com o mesmo resultado:

Os tratados

• Rio, 1992. Nasce a UNFCCC, com o objetivo escrito de “estabilizar as concentrações de gases de efeito estufa”. Resultado: o CO2 fóssil global saiu de 22,5 gigatoneladas em 1992 para 37,4 em 2024, +66%. Em Mauna Loa, o CO2 atmosférico foi de 356 ppm para 427 ppm, sem nenhum amasso visível na curva de crescimento.

• Kyoto, 1997. Meta: os países industrializados cortariam 5,2% abaixo de 1990 até 2012. O Senado americano rejeitou preventivamente a ideia por 95 a 0 antes mesmo do texto final. O Canadá saiu do tratado em 2011 quando ficou claro que não bateria a meta. As emissões globais subiram 43% durante a vigência. Os países que “cumpriram” cumpriram de graça: o colapso industrial pós-soviético e a recessão de 2008 fizeram o trabalho. E o segundo período de Kyoto, o de Doha, cobriu 37 países e ~14% das emissões globais e entrou em vigor em 31 de dezembro de 2020: o último dia do período que ele governava.

• O mecanismo de créditos de Kyoto, o CDM, virou fábrica de fraude: indústrias na China e na Índia produziam HFC-23, um gás estufa 14.800 vezes mais potente que o CO2, só para destruí-lo e vender créditos, um esquema de €2,6 bilhões. O Öko-Institut, auditando para a própria Comissão Europeia, achou que 85% dos projetos tinham baixa probabilidade de integridade. Um estudo na Nature Communications de 2024 calculou que menos de 16% dos créditos de carbono analisados correspondem a reduções reais.

• Copenhague, 2009. A meta era o sucessor vinculante de Kyoto. Desabou ao vivo: o texto final foi anotado, não adotado, redigido na última noite por EUA, China, Índia, Brasil e África do Sul. O que sobrou foi a promessa dos US$ 100 bilhões por ano para o mundo pobre, cumprida pela primeira vez em 2022, dois anos atrasada.

• Paris, 2015. O sistema de metas é autoatribuído e as metas não são juridicamente vinculantes. Das 197 partes, só 58 tinham metas de economia inteira em lei ou política doméstica, e só 17 com ambição igual ou maior que a prometida no papel (Grantham Institute, via Lomborg). A Nature escreveu em 2017 que todos os grandes países industrializados estavam descumprindo. Os EUA saíram, voltaram, saíram de novo (efeito em janeiro de 2026) e, em janeiro de 2026, anunciaram a saída da própria UNFCCC, a convenção de 1992, coisa que nenhum país tinha feito. Desde Paris, as emissões subiram de 35,4 Gt para 37,4 Gt, todo ano, com exceção da queda do covid.

• Belém, 2025 (COP30). A casa foi a nossa, e o resultado foi um retrato do estado do processo. Antes de abrir: delegações da África e do Pacífico reclamando formalmente da crise de hospedagem, com diárias de hotel estratosféricas e parte das delegações dormindo em navios de cruzeiro. Durante: um incêndio na zona azul evacuou os delegados no meio da negociação final, com 13 pessoas atendidas por inalação de fumaça. Foi a primeira COP sem delegação americana em 30 anos, e o Trump zombou do evento no Truth Social, da rodovia na floresta e tudo. Comparecimento: ~42 mil presenciais, metade do que Dubai teve. E o que saiu de útil? Um texto chamado “Global Mutirão” com o plano de eliminação de combustível fóssil arrancado depois da pressão da Arábia Saudita e aliados, apesar de mais de 80 países apoiarem, e uma promessa de triplicar financiamento de adaptação que já nasceu enfraquecida, de 2030 para 2035. A conta para o contribuinte brasileiro: ~R$ 4,7 bilhões só no pacote federal (Orçamento da União, BNDES e Itaipu), fora o que estado e prefeitura gastaram por conta própria e nunca consolidaram em público. Mais um circo pago com o nosso dinheiro, sem nada para mostrar no final.

O circo das COPs

E tem o circo em si, que não é só nosso. A COP28 em Dubai teve 83.884 participantes presenciais, incluindo 2.456 lobistas de combustível fóssil, o que talvez explique os textos finais. Glasgow teve 118 jatos particulares; o COP27, umas 315 viagens de jato executivo. E a cereja da nossa edição: a Avenida Liberdade, 13 km de via atravessando a Área de Proteção Ambiental de Belém, com 68 hectares de vegetação suprimidos (o projeto era do estado e anterior à COP, mas o corte em área protegida é fato).

O placar de 32 anos de tratados: +68 ppm de CO2 na atmosfera, zero desaceleração. A curva de emissões não sabe que os tratados existem.

O paciente zero da histeria: Al Gore

Antes da máquina de tratados, a propaganda teve um pai fundador. Al Gore perdeu a eleição de 2000 e se reinventou com “An Inconvenient Truth” (2006): Oscar, Nobel da Paz de 2007 dividido com o IPCC, e o template de toda a histeria que veio depois. Praticamente toda previsão apocalíptica que você ouve até hoje estreou naquele filme.

Quem dissecou o filme claim por claim foi o Roy Spencer: meteorologista PhD, ex-cientista sênior de clima da NASA, cocriador com John Christy do dataset de temperatura por satélite da UAH, a referência independente de temperatura global. A posição dele é a de um “lukewarmer”: CO2 esquenta um pouco, a teoria é sólida até aí; a catástrofe é o exagero. Em 2017 ele publicou “An Inconvenient Deception” (Kindle na Amazon), que eu li para este artigo. O catálogo de profecias furadas do Gore, com os dados do Spencer:

O catálogo de profecias furadas

• “Dez anos para o ponto sem retorno” (2006). Passaram dez, passaram quase vinte. A tendência medida pelo satélite do próprio Spencer: ~0,16°C por década, até junho de 2026.
• O gelo de verão do Ártico “pode sumir já em 2014”: a frase é do discurso dele em Copenhague, dezembro de 2009, citando um modelador que depois renegou o número. Não sumiu.
• As neves do Kilimanjaro até 2016: seguem lá.
• Furacões mais fortes e mais frequentes depois do Katrina: o que veio foi uma seca de quase 12 anos sem nenhum furacão grande tocando os EUA, do Wilma em outubro de 2005 ao Harvey em agosto de 2017, a maior desde 1850. Pesquisadores da NASA calcularam que um intervalo desses acontece uma vez a cada 270 anos. E a contagem global de ciclones não tem tendência de alta desde os anos 1970.
• “Até 20 pés de elevação do nível do mar”: o ritmo global medido hoje é ~3,4 mm por ano, cerca de 1,4 polegada por década. O maregrafo de Battery Park, em Manhattan, mede 1,16 polegada por década desde 1856, e parte disso é o terreno afundando. Nesse ritmo, 20 pés levam mais de um milênio.
• Os ursos polares se afogando: a cena animada do filme nasceu de um artigo curto na Polar Biology sobre quatro ursos encontrados mortos depois de uma tempestade em 2004. A população global estimada fica entre 22 e 31 mil, provavelmente maior que nos anos 1970, quando nem estimativa confiável existia e a ameaça real era a caça sem regra, resolvida pelo tratado de 1973. Vinte anos depois, “os ursos estão morrendo” ainda circula como fato.
• A seca da Síria, “a pior em 900 anos”, que teria causado a guerra civil: os dados de chuva do oeste do país, Aleppo, Damasco, Homs, ficaram acima da média; a seca forte de 2007/08 se concentrou no nordeste. O que quebrou o campo foi o governo triplicar o preço do diesel em 2007-2008, que inviabilizou bombear água de poço.
• A enchente do memorial do 11 de Setembro pelo furacão Sandy, apresentada na sequência como “eu avisei”: no filme original ele falava de subida gradual do mar, nunca de maré de tempestade. Spencer chama de decepção explícita.
• O experimento de mesa com o Bill Nye, aquecendo CO2 em potes de vidro no vídeo “Climate 101” do Climate Reality Project (2011): a análise do Anthony Watts mostrou que o experimento não funciona e o resultado foi falsificado em pós-produção. Segundo o Spencer, o vídeo continuava no site do Gore anos depois.
• As lavouras: os 42 modelos climáticos usados pela ONU previam aquecimento de verão no Corn Belt americano; os dados da NOAA não mostram aquecimento significativo ali desde 1960.

O elenco das profecias segue firme. Os ursos, também:

O personagem

E o personagem: Spencer documenta que Gore enriqueceu com investimentos “verdes” (ele é cofundador da Generation Investment Management), mantém mansões e uma pegada de carbono de tamanho industrial. E nem o establishment engoliu o filme inteiro: em 2007, a Justiça britânica achou nove erros em “An Inconvenient Truth” e chamou a parte do nível do mar de “distinctly alarmist”. A palavra do Spencer para a técnica do Gore é “wordsmithing”: escrever de um jeito que induz o público a concluir o que ele nunca afirmou em termos.

O público, aliás, já tinha desligado: nas primeiras semanas da sequência de 2017, a sessão que o Spencer assistiu num cinema de 750 lugares tinha três pessoas, e uma saiu no meio.

Se esse assunto te pegou, os dois livros de cabeceira são o do Spencer, acima, e o “False Alarm” do Lomborg, que eu usei na seção anterior. Um disseca a propaganda; o outro disseca a conta.

A ficha corrida do Spencer também já vem pronta nos comentários: ele é um dos céticos favoritos dos republicanos no Congresso, o dataset UAH teve correções famosas nos anos 90 e 2000 (publicadas e incorporadas há décadas), e um paper dele de 2011 na Remote Sensing foi tão combatido que o editor do periódico renunciou, dizendo que o artigo tinha passado por engano. Tudo real. E nada disso muda o maregrafo de Battery Park ou o calendário das profecias expiradas. Critique os números, se puder. O mensageiro é só o mensageiro.

A aritmética da insignificância

Vamos ao seu carro elétrico e ao seu canudo de papel. A China respondeu por 32% do CO2 fóssil global em 2024, mais que EUA, UE e Índia somados. A China iniciou a construção de 94,5 GW de novas usinas a carvão só em 2024, recorde em dez anos, e queima mais da metade de todo o carvão do planeta todo ano desde 2011.

Agora as suas ações individuais, com os números:

• A frota global de EVs inteira deslocou ~1,3 milhão de barris de petróleo por dia em 2024, algo como 0,5% do CO2 fóssil mundial. Esse é o tamanho do impacto total da maior política verde da década.
• O Lomborg calculou em 2020: subsídio médio de US$ 10 mil por EV para economizar ~8 toneladas de CO2, que valiam US$ 48 no RGGI, o mercado de carbono dos estados do Nordeste americano, na época. Você pagou 10 mil por 48 dólares de carbono.
• A conta do Lomborg, com dados do IEA da época: um EV emitia ~26 toneladas de CO2 ao longo da vida contra ~34 de um carro a gasolina, um corte de 24%. E depende da rede: o estudo do Volvo XC40 calculou o payback da bateria em 146 mil km rodados no mix elétrico médio global (84 mil km no mix europeu, 47 mil km com energia eólica). Em rede movida a carvão, é pior.
• Canudo de papel: mesmo que todos os canudos estimados nas costas fossem parar no mar num ano, dariam ~0,03% da entrada anual de plástico no oceano.
• Reciclagem doméstica: de todo o plástico que virou lixo na história até 2015, só 9% foi reciclado; 12% incinerado; 79% foi para aterro ou para a natureza (Geyer et al., Science Advances 2017). E plástico não recicla em loop: cada ciclo degrada o polímero, vira produto de qualidade inferior, e adia o aterro em um passo. A pior parte: a NPR mostrou que a indústria do plástico sabia desde os anos 70 que a reciclagem não se pagava e vendeu o símbolo mesmo assim, para você continuar comprando sem culpa. A exceção que prova a regra é o alumínio: reciclar gasta 5% da energia de produzir do zero, e o Brasil é campeão mundial disso, com 97,3% das latas recicladas em 2024. Reciclagem funciona quando a física e a economia fecham. Quando não fecham, é liturgia de cozinha.

O seu canudo de papel não aparece nessa conta. Nem o seu EV. A conta é dominada por quem constrói usina a carvão de 94 GW por ano.

Esses gestos são liturgia, e aqui mora o dano real deles. O canudo de papel dá aquela sensação de “pelo menos eu estou ajudando”, e essa sensação anestesia. A pessoa faz o microsacrifício, se sente parte da salvação do mundo, e fecha o olho para os problemas grandes de verdade, tipo as crianças morrendo de malária na África que eu mostrei duas seções atrás. Objetivamente, o gesto move nada. Subjetivamente, ele compra a consciência. É pior que inútil.

E o pensamento completo do Lomborg é ainda mais brutal: se o mundo rico zerasse todas as suas emissões e ficasse no zero pelo resto do século, o aumento de temperatura em 2100 cairia 0,7°F, menos de meio grau Celsius, na conta dele com o modelo MAGICC. O sacrifício total do Ocidente é um arredondamento.

O mundo não cabe na sua cabeça

Parte da histeria existe porque a maioria das pessoas não tem noção de escala física do planeta. Vamos consertar isso rapidinho, em linguagem de ser humano.

O Sol. A Terra intercepta continuamente ~173.000 terawatts de energia solar. A civilização inteira consome ~20 TW. A razão é de mais de 8.000 para 1, e a Terra captura só uma parte em 2,2 bilhões do que o Sol emite. Uma única ejeção de massa coronal grande carrega bilhões de toneladas de plasma com energia na casa de 10^25 joules, algo como cinquenta milhões de bombas Tsar. Em 1859, o Evento Carrington botou fogo em telégrafo e desenhou aurora no céu de Cuba. Nenhum painel de controle humano participou.

A Lua. As marés são a Lua deformando o oceano: um bojo de água do lado dela, outro do lado oposto. O efeito lunar sobre a maré é de ~54 cm; o do Sol, ~25 cm. Na Baía de Fundy, a maré oscila 16 metros, e a cada enchente entram ~160 bilhões de toneladas de água, mais que todos os rios do mundo somados no mesmo período. Enquanto isso, a Lua se afasta 3,8 cm por ano e o dia terrestre fica mais longo uns 2 milissegundos por século. Há uns 620 milhões de anos, o dia tinha quase 22 horas.

El Niño. Normalmente os ventos alísios empurram a água quente do Pacífico para oeste. A cada 2 a 7 anos eles enfraquecem, a água quente desliza para leste, e a temperatura média global sobe 0,1 a 0,2°C por um ano ou dois, sozinha, sem carro, sem indústria. La Niña faz o oposto. Quando você vê uma manchete de “ano mais quente da história”, checa se tinha El Niño: quase sempre tinha.

Nova York e Lisboa. Nova York fica a 40,7°N. Lisboa, a 38,7°N; Madri, a 40,4°N. Mesma latitude. Nova York enterra em neve todo inverno; Lisboa e Madri têm inverno ameno em comparação. A explicação: os ventos de oeste jogam ar moderado pelo Atlântico em cima da Europa, enquanto a costa leste americana recebe ar gelado continental do Ártico, com o Atlântico transportando ~1,2 petawatt de calor para o norte via a corrente meridional da qual a Corrente do Golfo faz parte. A Islândia, a 64°N, tem médias de inverno comparáveis às de Nova York. Latitude manda bem menos que corrente e vento.

O Saara aduba a Amazônia. Todo ano, ~182 milhões de toneladas de poeira saem da África cruzando o Atlântico; ~28 milhões de toneladas caem na bacia amazônica, carregando ~22 mil toneladas de fósforo, quase exatamente o que a chuva lixivia do solo da floresta a cada ano. O maior deserto do mundo alimenta a maior floresta do mundo, e isso acontece há milhões de anos antes de você nascer.

E se você ampliar a escala de tempo, fica ainda mais absurdo:

O Saara já foi verde. Entre ~11 mil e ~5 mil anos atrás, o Saara era savana com lagos, hipopótamos e crocodilos, e a Caverna dos Nadadores, no Egito, guarda arte rupestre de gente nadando no que hoje é deserto. O motor foi o ciclo orbital de precessão, e a virada para deserto levou de décadas a poucos séculos, dependendo da região. E ela volta: o próximo máximo orbital de verão chega em uns 10 mil anos.

A Terra já foi uma bola de neve. Duas vezes entre ~717 e ~635 milhões de anos atrás, as glaciações Sturtiana e Marinoana levaram gelo até os trópicos: há depósitos glaciais em latitudes tropicais para provar. A Terra saiu disso sozinha: o gelo global desligou o processo que tira CO2 do ar, os vulcões empilharam CO2 por milhões de anos até centenas de vezes o nível atual, e o efeito estufa venceu o gelo.

O Mediterrâneo já secou. Entre 5,97 e 5,33 milhões de anos atrás, o mar Mediterrâneo quase evaporou e deixou camadas de sal com mais de um quilômetro de espessura no leito. Quando o Atlântico rompeu em Gibraltar, a inundação encheu o mar de volta com 90% do volume em meses a dois anos, numa vazão estimada em mil vezes a do Amazonas.

Tubarões no Kansas. No Cretáceo, com o nível do mar 100 a 200 metros acima de hoje, um mar raso partiu a América do Norte em duas, do Golfo do México ao Ártico. Mosassauros e tubarões nadavam onde hoje é o Kansas.

As plantas quase passaram fome. No último máximo glacial, o CO2 caiu a ~180 ppm, perigosamente perto da faixa de ~150 ppm em que plantas C3 começam a falhar. Árvores da era glacial preservadas no piche de La Brea mostram fome fisiológica de carbono. As plantas evoluíram num mundo com muito mais CO2, e hoje o planeta reverdece: o estudo de Zhu et al. 2016, divulgado pela NASA, mediu reverdecimento em 25 a 50% das áreas vegetadas entre 1982 e 2009, com ~70% atribuído à fertilização por CO2.

O CO2 virou sinônimo de gás perigoso, que precisa ser combatido a qualquer custo. Para as plantas, ele é comida. Quando o CO2 aumenta, a vida verde tende a aumentar junto. Se CO2 fosse veneno, não existia planta.

Floresta tropical na Antártida. Em 2020, a Nature publicou a descoberta de raízes intactas de uma floresta temperada que cresceu a 82°S, a uns 900 km do Polo Sul, há ~90 milhões de anos, com temperatura média anual de 12 a 13°C. Clima de Nova Zelândia, na Antártida.

O clima sempre mudou

“Mudança climática” é um oximoro. Mudar é o que o clima faz, desde sempre, sem pedir licença.

Na maior parte da história da Terra não existiu gelo permanente nos polos. A condição normal do planeta é estufa, sem gelo polar. No Cambriano, o CO2 era 10 a 20 vezes o nível pré-industrial. No auge do Cretáceo, a média global era uns 10°C acima de hoje, ou mais. A Antártida só ganhou gelo permanente há 34 milhões de anos.

E as grandes mortes, que a histeria adora invocar, aconteceram cinco vezes antes de qualquer indústria:

• ~444 milhões de anos (Ordoviciana): ~85% das espécies, glaciação.
• ~372 milhões (Devoniana): ~75%, anóxia oceânica.
• ~252 milhões (Permiana, “a Grande Morte”): ~96% da vida marinha, vulcanismo.
• ~201 milhões (Triássica): ~80%, vulcanismo.
• ~66 milhões (K-Pg): ~76%, o asteroide dos dinossauros. Essa é só a mais famosa.

Na escala mais recente: a era glacial atual começou há 2,58 milhões de anos, com ciclos de gelo a cada ~100 mil anos no último milhão deles. Há 20 mil anos, centenas de metros de gelo cobriam onde hoje é Manhattan, e o nível do mar estava 120 metros abaixo. Há 11,5 mil anos, no fim do Younger Dryas, a Groenlândia aqueceu ~10°C em cerca de uma década. Depois vieram o Período Quente Medieval, a Pequena Era do Gelo com o Tâmisa congelando até 1814, e o “ano sem verão” de 1816, cortesia da erupção do Tambora. Tudo isso sem uma única usina a carvão.

Para ficar claro o que eu estou dizendo: nada disso prova que o aquecimento atual não existe, e a velocidade atual da subida de CO2 é sim mais rápida que os precedentes naturais. O Lomborg mesmo diz isso. O que essa escala destrói é a palavra “fim do mundo”. Um planeta que já esteve 10°C mais quente e com o mar 120 metros mais baixo não está nos seus estertores. A discussão séria é sobre custo-benefício de cada política, que é exatamente a discussão que a histeria proíbe.

A histeria morreu de causa natural: dinheiro

Medo não salva o planeta, não ajuda o ambiente e não melhora a vida de ninguém. Medo vende narrativa, financia consultoria, elegge político e enche fundação de dinheiro. O custo dessa era está aí: trilhões torrados em gestos que não movem o termômetro, enquanto 4,9 milhões de crianças morreram em 2024 antes dos 5 anos de doenças que o mundo desenvolvido esqueceu que existem.

E aí veio a IA e encerrou o assunto por acidente. Repara como ninguém mais fala de COP em manchete. A conversa agora é GW de datacenter, contrato nuclear de 20 anos, turbina a gás. Os mesmos CEOs que assinavam carta pelo clima disputam usina. Os mesmos governos que impunham canudo de papel aprovam subsídio para reator. A pauta climática saiu de cena sem ser refutada, despejada por uma pauta maior.

Se o fim do mundo estivesse mesmo na agenda deles, você não estaria vendo Three Mile Island sendo religada para treinar chatbot. Está vendo. Era teatro, e o teatro fechou quando apareceu um espetáculo mais lucrativo na sala ao lado.

Medo não salva o planeta. Medo vende. E quem comprou o medo agora compra megawatt.

Este post tem duas partes. Primeiro, a notícia: o anúncio do Majorana 2 da Microsoft e por que os físicos da área continuam com um pé (os dois, na verdade) atrás. Depois, a parte educativa: uma explicação decente do algoritmo de Shor, porque muita gente repete “computador quântico quebra RSA” sem a menor ideia do mecanismo, e o mecanismo é bonito demais pra ficar de fora.

Majorana 2: o anúncio

No dia 2 de junho de 2026, na conferência Build em San Francisco, a Microsoft revelou o Majorana 2, a segunda geração do seu chip quântico topológico. As manchetes: estabilidade de qubit 1.000 vezes melhor que a do Majorana 1 (anunciado uns 15 meses antes), e o cronograma pra um computador quântico escalável encurtado de 2033 pra 2029.

O número central do paper técnico: tempos de vida de paridade Z acima de 20 segundos (mais precisamente 22 ± 1 segundos) num dispositivo de InAs com chumbo, contra 1 a 12 milissegundos nos dispositivos de alumínio do Majorana 1. Três ordens de magnitude de melhoria. A mudança de hardware principal foi trocar o supercondutor de alumínio por chumbo, cujo gap supercondutor é cerca de quatro vezes maior, o que dobrou o gap topológico reportado e derrubou drasticamente a taxa de erros de paridade.

Esses números de engenharia de materiais são reais e mensuráveis, e até os críticos reconhecem o avanço nessa frente. O problema está no que o paper NÃO mostra.

O histórico que o anúncio prefere não lembrar

O programa quântico topológico da Microsoft carrega quase duas décadas de história, e uma parte dela é constrangedora. Em 2018, um time financiado pela Microsoft na TU Delft publicou na Nature evidências de condutância Majorana quantizada. Em 2021 o paper foi retratado, depois que os físicos Sergey Frolov e Vincent Mourik demonstraram que os dados tinham sido apresentados seletivamente. O comitê de integridade científica da TU Delft concluiu que os dados foram “desnecessariamente corrigidos”. Um segundo paper do mesmo grupo foi retratado em 2022.

Quando o Majorana 1 foi anunciado em fevereiro de 2025 como “o primeiro qubit topológico do mundo”, o paper na Nature que o acompanhava dizia menos do que o press release: os próprios revisores da Nature escreveram que as medições publicadas não representavam evidência da presença de Majorana zero modes nos dispositivos. Quando a Microsoft apresentou dados adicionais no encontro da APS em março de 2025, o Frolov (Universidade de Pittsburgh) chamou publicamente os dados de “só ruído”, e o físico Henry Legg (St Andrews) levantou objeções parecidas, incluindo críticas ao próprio Topological Gap Protocol, o método que a Microsoft usa pra identificar a fase topológica.

E o Majorana 2 respondeu essas críticas? Em poucas horas os mesmos físicos responderam que não. O Legg, à Science News: “Nada nesse preprint resolve as questões fundamentais. Nada nos dados apresentados prova a existência de um qubit topológico ou de Majoranas nesses dispositivos.” O Frolov, à Scientific American, foi mais ácido: “Quando a Microsoft é mencionada hoje em dia, físicos e especialistas em computação quântica só dão risada ou levantam a sobrancelha.”

A análise detalhada do Marin Ivezic no PostQuantum, que recomendo ler inteira, lista o que falta com precisão:

• Sem medições X. Um qubit funcional exige dois tipos complementares de medição: Z (paridade de um fio) e X (paridade conjunta dos dois fios do tetron). O paper do Majorana 2 só apresenta Z. E a medição X era exatamente o ponto de contenção do Majorana 1. Sem ela, o que foi demonstrado é um estado de paridade de vida longa num fio supercondutor. Um qubit, ainda não.
• Sem demonstração de que os estados são topológicos. As medições são consistentes com Majorana zero modes, mas também são potencialmente consistentes com estados de Andreev triviais que imitam as mesmas assinaturas. O próprio paper admite a ambiguidade.
• Sem portas lógicas, sem entrelaçamento, sem algoritmos. É um experimento de caracterização, sem computação nenhuma. O Chetan Nayak, que lidera o programa, diz ter dados não publicados de controle de qubits. Enquanto não publicar, é afirmação, sem evidência.
• Sem peer review. O paper saiu no site da Microsoft e no arXiv. Dado o histórico de retratações do programa, a ausência de revisão por pares no lançamento merece escrutínio extra.
• Sem reprodutibilidade demonstrada. Os 22 segundos vêm de um único fio de um único tetron de um único chip. Nada de ensemble de dispositivos idênticos ou chips fabricados independentemente.

Meu resumo da ópera: a engenharia de materiais avançou de verdade, e isso conta. Mas a pergunta que vale trilhões (“isso é um qubit topológico?”) continua exatamente tão aberta quanto antes do anúncio. E encurtar o cronograma público de 2033 pra 2029 em cima de um resultado que não demonstra nem um qubit é decisão de marketing, com o rigor científico ficando pro futuro.

Shor: por que fatorar números vira caçar período

Agora a parte divertida. Todo mundo repete que computador quântico quebra o RSA. O algoritmo responsável é o de Peter Shor, de 1994, e o truque central dele é uma das ideias mais elegantes da computação. Esse vídeo do Computerphile explica muito bem, e recomendo assistir antes de continuar:

A segurança do RSA depende de um fato simples: multiplicar dois primos gigantes é fácil, mas pegar o resultado N e descobrir quais eram os primos é brutalmente difícil. O melhor algoritmo clássico conhecido leva tempo sub-exponencial, o que na prática significa que com chaves grandes o Sol apaga antes de você terminar.

A sacada do Shor foi provar que fatorar N é redutível a outro problema: encontrar o período de uma função. Você escolhe um número a coprimo com N e olha pra função:

f(x) = a^x mod N

Essa função é periódica: existe um r tal que os valores se repetem a cada r passos. Encontrando esse período r, um pouco de teoria dos números clássica (que qualquer computador comum resolve em instantes) te entrega os fatores primos de N. O problema é que, classicamente, achar o período pra um N gigante é tão difícil quanto o problema original.

É aqui que entra o computador quântico, em quatro movimentos:

1. Prepara uma superposição de muitos valores de x ao mesmo tempo.
2. Avalia f(x) em superposição (o tal paralelismo quântico: uma avaliação sobre todos os x de uma vez).
3. O estado resultante agora codifica a periodicidade da função.
4. Aplica a Transformada de Fourier Quântica (QFT), que usa interferência construtiva e destrutiva pra amplificar exatamente as componentes de frequência do período, e mede.

O detalhe que quase todo mundo erra: você não “lê todas as respostas de uma vez” (medição colapsa a superposição e te dá UM valor). A genialidade está em usar interferência pra fazer as respostas erradas se cancelarem e a informação global que você quer (o período) sobreviver na distribuição de probabilidade. A QFT transforma uma propriedade global da função, que nenhuma medição individual revela, numa feature local e mensurável. É por isso que fatoração cai de tempo sub-exponencial pra tempo polinomial num computador quântico. E é por isso que a criptografia pós-quântica existe como área.

Então computador quântico é bom com “funções periódicas”?

Essa é a conclusão apressada que eu quero desfazer. Periodicidade e análise estilo Fourier são de fato um ponto forte, e não só no Shor: a estimação de fase quântica (QPE), os problemas de subgrupo escondido e boa parte das simulações de sistemas físicos vivem nesse território. Mas a formulação correta é outra: computador quântico brilha quando o problema tem estrutura matemática explorável, algo que dê pra mapear em superposição, entrelaçamento e interferência.

Tem vantagens quânticas que nada têm a ver com período. O algoritmo de Grover faz busca não estruturada com ganho quadrático (√N em vez de N). A simulação de sistemas quânticos (moléculas, materiais) é provavelmente a aplicação mais promissora de todas, porque ali o espaço de Hilbert do problema é naturalmente o espaço da máquina. Tem o HHL pra sistemas lineares, técnicas de otimização, alguns métodos de machine learning. O fio condutor é sempre o mesmo: existe estrutura (simetria, grupo, geometria) que a interferência quântica explora melhor que qualquer método clássico conhecido.

E a pergunta inversa: dá pra decompor qualquer algoritmo clássico em funções periódicas e ganhar speedup quântico? Não. Computador quântico consegue simular qualquer algoritmo clássico (na notação da área, BQP contém P), então tecnicamente tudo roda lá. Mas rodar não é acelerar: sem estrutura explorável, você paga todo o overhead quântico (correção de erro, coerência de qubits, temperaturas criogênicas) pra chegar no mesmo resultado, provavelmente mais devagar.

Ordenação, aritmética, a maioria dos problemas de grafos, o grosso do que um computador faz no dia-a-dia: nada disso tem speedup quântico superpolinomial conhecido. Pra essas tarefas, o computador clássico é mais rápido, mais barato e mais confiável, e vai continuar sendo.

Computador quântico é acelerador de problemas com estrutura específica. Uma máquina universal melhor, ele não é.

Conclusão: guarde o hype no armário

Junta as duas metades do post e o quadro fica claro. De um lado, o algoritmo de Shor é real, é lindo, e é a razão de existir toda a corrida da criptografia pós-quântica. Do outro, o hardware necessário pra rodar Shor contra uma chave RSA de verdade exige milhões de qubits físicos com correção de erros, e o estado da arte anunciado com fanfarra em 2026 é… um estado de paridade de 22 segundos num único fio, que os especialistas nem concordam que seja um qubit.

Na prática, no curto prazo, computação quântica segue sendo uma solução muito nichada, muito limitada e muito impraticável. As aplicações reais que surgirem primeiro vão ser em simulação de química e materiais, dentro de laboratórios e datacenters de pesquisa, não na sua vida. Não espere usar um computador quântico você mesmo tão cedo. Acompanhe as notícias como eu acompanho: com curiosidade genuína pela física, e com a sobrancelha levantada pros press releases.

DESCRIÇÃO

Todo ano é a mesma coisa: alguém publica alguma coisa tentando definir “média salarial” de determinada profissão. E está ERRADO. Não existe o conceito de “média salarial” e neste video vou explicar porque, vou explicar como isso estraga sua visão de mundo e da profissão e te leva a tomar decisões erradas, e vou explicar o que de fato existe na estatística de salários de verdade.

Conteúdo

• 00:00 - Intro
• 00:57 - Matemática
• 01:55 - Média no Colégio
• 04:00 - Como as pessoas entendem “normal”
• 04:54 - Desigualdade é “anormal”?
• 07:24 - Requerimento pra Normal
• 07:53 - Eventos Estatisticamente Independentes
• 09:51 - Zipf e Power Laws
• 12:09 - Modelo Erdös-Rényi
• 12:39 - Modelo Duncan-Strogatz
• 13:51 - Seis Graus de Separação
• 16:09 - Problema de ser trabalhar em pornô
• 17:15 - Recapitulando Grafos
• 18:30 - Modelo Barabási-Albert
• 19:20 - Redes Livre de Escala
• 19:54 - Power Law, e não Normal
• 20:52 - Sistemas Complexos Não Lineares
• 22:15 - Paretto é Power Law
• 23:35 - O Mundo Não é Normal
• 25:21 - Top Influencers: Power Law
• 27:21 - Top Empresas: Power Law
• 28:17 - Preferential Attachment
• 30:04 - Como seu salário realmente evolui?
• 31:01 - Salário começa em Cauda Longa
• 31:38 - Perseguir Média é ser Medíocre
• 33:40 - Novos mercados não tem Média
• 34:57 - Oferta e Procura
• 35:39 - Desculpas e mais Desculpas
• 36:41 - Conclusão

Links

Links:

• Linked (https://www.amazon.com/dp/B06XC9JM6Y)
• Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry, and Engineering (https://www.amazon.com/Nonlinear-Dynamics-Student-Solutions-Manual/dp/0813349109)
• TED - Steven Strogatz: How things in nature tend to sync up (https://www.youtube.com/watch?v=aSNrKS-sCE0)
• TED - Steven Strogatz: The science of sync (https://www.ted.com/talks/steven_strogatz_the_science_of_sync/transcript?language=en)
• Small Worlds: The Dynamics of Networks between Order and Randomness (https://www.amazon.com/Small-Worlds-Randomness-Princeton-Complexity-ebook/dp/B07DMVNYK9)
• Six Degrees: The Science of a Connected Age (https://www.amazon.com/Six-Degrees-Science-Connected-Age-ebook/dp/B00256Z3B8)
• Milgram’s Obedience Experiment (https://www.youtube.com/watch?v=cBDkJ-Nc3Ig)
• The Oracle of Bacon (https://oracleofbacon.org/movielinks.php)
• Largest Companies by Market Cap (https://companiesmarketcap.com/)
• The Misbehavior of Markets: A Fractal View of Financial Turbulence (https://www.amazon.com/Misbehavior-Markets-Fractal-Financial-Turbulence-ebook/dp/B004PYDBEO)
• Como Mentir com Estatística (https://www.amazon.com.br/Como-Mentir-Estat%C3%ADstica-Darrell-Huff/dp/858057952X)

SCRIPT

Olá pessoal, Fabio Akita

Um tema que me irrita profundamente toda vez que ouço é discussões sobre médias salariais, não só na nossa área, mas no geral. Aliás, toda vez que alguém usar a palavra “média” pra falar de qualquer coisa, por exemplo, média de produtividade, média de sucesso, média de recordes! Isso me deixa profundamente irritado e me faz questionar seriamente a saúde do tico e do teco de quem tá falando.

Vou dizer já logo na entrada, “não existe o conceito de média salarial”. Não importa quem diga, não importa quão bonito é o PDF com gráficos e diagramas coloridos, qualquer número de média salarial é um número sem sentido e inútil. Só porque alguém escreveu qualquer número num papel, não significa que automaticamente significa alguma coisa. E se você se preocupa com média salarial pra guiar sua carreira, eu me preocuparia seriamente com a saúde da sua carreira.

(…)

Deixa eu começar do começo. Matemática é a língua que usamos pra descrever a natureza, incluindo a natureza de eventos que são tão abstratos que poucos conseguem compreender completamente. Como a natureza além de 3 dimensões de espaço e 1 de tempo, como na teoria de super cordas, ou o que acontece dentro de um buraco negro, ou todos os comportamentos quânticos que acontecem no mundo sub-atômico.

Em dimensões cosmológicas ou sub-atômicas, onde nossos 5 sentidos normais não conseguem perceber nada, a única forma de descrever e comunicar esses eventos é usando a linguagem da matemática. Essa é a beleza desse campo. E falando nos nossos 5 sentidos, existe muito que podemos visualizar e ao mesmo tempo comunicar com números. Quando a gente mede as dimensões de um móvel, quando a gente calcula o tempo que nosso carro vai levar pra chegar do ponto A ao ponto B, pra calcular a quantidade de células no nosso corpo. Tudo pode ser descrito matematicamente.

E você deve ter aprendido lá pela época do colégio sobre esse conceito de agrupamento e distribuições chamado de média. E aqui começam nossos problemas. Você aprendeu, por exemplo, que podia sair perguntando a altura das pessoas na sua sala de aula. Daí era só organizar num gráfico de distribuição e daí era possível achar a média de altura da sala. Soma todas as alturas, divide pelo número de pessoas, tem a média.

Não só isso, no canto da direita, você ia achar as exceções da média, aquelas pessoas mais altas que jogam basquete, bem mais altas que a média. E no canto esquerdo desse gráfico estão as pessoas mais baixinhas, tadinhas, fora da média também. E talvez tenha aprendido que a distância deles da média é definido como desvio padrão. Tecnicamente temos variância que é a medida de dispersão, quanto mais próximo de zero, mais uniforme são os dados. E desvio padrão é a raíz quadrada da variância. Isso não importa muito pra hoje, mas só pra relembrar.

Quanto mais dados dispersos fora da média da média, maior a variância e o desvio padrão. Se você foi pra faculdade e teve alguma matéria sobre processos e qualidade, talvez tenha aprendido o conceito de Six Sigma, 6 desvios fora da média, o que a gente chama de 3 defeitos por milhão, que é o que uma indústria de manufatura gostaria de alcançar em termos de qualidade de produção, quando estamos falando de medição de defeitos em fabricação.

Recapitulando, você faz medições de alguma coisa ou evento, organiza num gráfico cuja curva fica com o formato de um sino, e por isso a gente também chama de formato de sino ou “bell shape”, ou mais comumente chamado de distribuição Gaussiana ou “normal”. E talvez venha daqui a interpretação errada dessa distribuição.

A maioria das pessoas fora da matemática costuma saber que existe a distribuição gaussiana. Mas não existe só ela, existem diversas outras na estatística e probabilidade, como distribuição binomial, Poisson, Bernoulli, e existem dezenas de outras. Porém o mais comum é ver nos jornais, televisão e agora YouTube da vida só falando sobre distribuição gaussiana, que é a mais simples de visualizar e mais simples ainda de entender errado sem querer.

As características que as pessoas tiram dessa distribuição é que o normal é estar na média, no meio do gráfico, que é onde a maioria das medições tende a se acumular. Você aprende que estar fora da média é estar num desvio do padrão. Ou seja, é anormal, é fora do padrão. Exatamente como é muito fora do padrão ter 2 metros e meio de altura ou menos de 1 metro de altura. Ou é anormal jogar um dado e sair o número 5 várias vezes seguido. O normal seria tudo estar próximo da média.

Se você considera esse conceito como verdade, e se existe o conceito de média salarial, você acha que o normal seria todo mundo estar próximo da média, e que quem ganha muito abaixo da média obviamente está sendo injustiçado e quem está com muitos desvio padrão acima da média é um explorador que ganha demais. E essa é a conclusão errada que todo mundo chega e começa aqui a razão de porque eu odeio a menção ao conceito de média em riqueza.

Essa noção está totalmente errada. Vocês entendem errado o conceito de “desigualdade”. Entenda um fato importante: a única igualdade que existe se chama todo mundo pobre igual, como foi por milhares de anos antes da Idade Média ainda. A partir do momento que você tem 1 centavo a mais que seu vizinho, você é tecnicamente mais rico e portanto desigual. Mas pra discussão não se alongar demais discutindo o conceito errado que a maioria das pessoas tem sobre riqueza, deixa eu buscar outras métricas menos controversas. Vamos pegar por exemplo, a quantidade de seguidores que as pessoas tem em redes sociais, como aqui mesmo no YouTube.

Se for seguir pelo mesmo raciocínio, eu suspeito que a maioria das pessoas imediatamente pensaria que a distribuição seguidores de influencers seria semelhante à distribuição normal, afinal ela serve pra tudo. Então todo mundo que tem um canal no YouTube estaria acumulado no meio do gráfico, tendo uma média de seguidores, na casa das dezenas de milhares. No canto direito estariam os mega-influencers, os Whindersons, os Pew Die Pie, os Ninja, com dezenas de milhões de seguidores. No canto esquerdo estariam os novos canais ou canais não tão acessados, com poucas centenas de seguidores. E pronto, esse é o mundo digital.

Eu não posso provar, mas por lógica eu suspeitaria que é por isso que muita gente deve achar que não é tão difícil virar um influencer profissional, seja lá o que isso significa. Não precisa ser o Whinderson ou Ninja com dezenas de milhões, basta atingir a média, centenas de milhares de seguidores. Como o meu canal aqui. Não é difícil, porque esse é o normal, essa é a média. Se eu não conseguir, a culpa não é minha, a culpa é do sistema, é da sociedade, é injustiça social, porque eu deveria ter o direito de pertencer à normalidade, à média.

E você poderia pensar assim pra tudo. Afinal, não é isso que “normal” significa? Todo mundo acumulado na média e os valores no extremo sendo extremamente raros e provavelmente injustos. Ninguém deveria ser nem poder ser um Whinderson e nem ignorado por todo mundo com nenhuma view. Se isso acontece, é um defeito no sistema, é fora da normalidade, é algum tipo de preconceito, por isso obviamente o sistema está errado.

Essa visualização de mundo é utopia, ficção científica e não a realidade e nem os gráficos e distribuições suportam isso, porque se você acreditava em média e distribuição normal e usava pra tudo, você é que entendeu errado. De fato, a distribuição se chama “normal” porque ela descreve muitos eventos que observamos na natureza, mas não todos.

Se for guardar somente um ponto deste video inteiro, guarde o seguinte. Distribuições normais tem um requerimento extremamente importante: que a probabilidade de um evento não influencie a probabilidade de outros eventos, ou seja, que os eventos sejam estatisticamente independentes entre si. A formalização do conceito de independência na teoria de probabilidades é longa, mas deixa eu dar dois pequenos exemplos pra começar a desenhar essa diferença na cabeça de vocês.

Quando jogamos um dado de seis lados na mesa, cada lado sempre tem 1/6 de probabilidade de aparecer, mais ou menos 16% e pouco. Você pode jogar o mesmo dado 6 vezes, e algumas faces vão repetir, algumas faces nem vão aparecer, mas a probabilidade de cada face sempre é de 1 em 6, independente de quantas vezes você joga o dado. Isso é um evento independente. Se sair o número 2, em nada altera a probabilidade de aparecer 2 de novo ou 5, ou 6. Continua sempre sendo 1 chance em 6.

Por outro lado imagine um baralho. Se toda vez você tirar uma carta e depois recolocar a carta em algum lugar aleatório que você não veja na mesma pilha, a chance de qualquer carta é de 1 em 52. Ou a chance de sair uma carta de coração ou uma de espadas é 1 em 4, porque só tem 4 naipes. Se tiver recolocação da carta e novo embaralhamento, o evento de tirar uma carta é independente, porque a probabilidade continua sendo a mesma.

Porém, se você tirar uma carta e não recolocar, agora as probabilidades mudaram. Se você tirou uma carta 2 de espada, sem recolocar no baralho, a chance de tirar um 4 de espadas é de 1 em 51 cartas, porque o baralho não tem mais 52 cartas, sacou? E a chance de ser espadas é menor, é 1 em 12, porque não tem mais 13 cartas de espadas. Agora a probabilidade pra próxima carta muda à medida que você vai removendo cartas do baralho. Portanto os eventos NÃO são independentes.

Meu ponto é que uma distribuição normal é óbvia em eventos claramente independentes como jogar dados ou moedas. Cada jogada não influencia a próxima jogada. Medição de altura. A medição de altura de uma pessoa não altera a altura de outra pessoa. Ou no caso de processo que falei, na média, em toda fábrica toda peça sai funcionando, com pequenos e raros defeitos. Na média todas as peças tem a mesma qualidade, e se o processo estiver azeitado, defeitos são raros. Esses tipos de eventos podem ser independentes e a distribuição vai ser normal.

Porém riqueza, número de vendas, número de seguidores em redes sociais, tamanho de cidades por população, tamanho de empresas, volume negociado na bolsa de valores, nenhum deles cabe numa distribuição normal. O exemplo mais fácil de explicar é o que dá origem à Lei de Zipf, sobre a distribuição de ranking e frequência. Em particular o exemplo sobre a distribuição da frequência de palavras em textos. Sem saber nada sobre linguística e estatística, se eu te perguntasse, quais as palavras que mais aparecem em textos em inglês, o que você responderia?

Por chute, você poderia dizer que é o “the” como em “the book” ou “the table”. O “the” é a palavra mais frequente em textos em inglês, quase 7% ou seja, 7 em 100 palavras num texto é “the”. Acho que não é difícil você concordar com isso se já leu inglês o suficiente. Em segundo lugar é a preposição “of”, como em “of course” ou “best of luck” que aparece 3.5% de vezes, ou seja, 7 vezes em 50 palavras. Note que só nesse exemplo, a frequencia entre “the” que é o 1o lugar do ranking e “of” que é o 2o lugar do ranking é da metade. “Of” aparece metade das vezes que “the”. É uma grande distância ao pular só um lugar no ranking. Isso é importante de lembrar.

Essa é característica desse tipo de distribuição. A frequência de qualquer palavra é inversamente proporcional ao seu ranking na lista de palavras, e mais do que isso, a diferença entre cada posição no ranking não decresce de forma linear. A distribuição de Zipf tem o nome do linguista George Kingsley Zipf e é semelhante mas não idêntica à lei de Benford. Mas mais importante, faz parte de uma família de distribuições que chamamos de Power Law.

Eu descobri sobre Power Law pela primeira vez lendo o livro de Albert Lazló Barabási chamado Linked, publicado em 2002. E aqui eu vou ser obrigado a fazer uma longa tangente, mas tenham paciência que vou explicar porque essa história tem a ver com média salarial e porque esses conceitos são importantes pra entender mercados e sua própria carreira em geral.

A ciência por trás de coisas como a distribuição Power Law é a própria ciência por trás do entendimento da matemática de grafos e como ela evoluiu empiricamente por causa do surgimento da internet e, em particular, das redes sociais digitais. Se nunca leu o livro do Barabási eu recomendo muito, fico com muita vontade de resumir mas ia ficar tão longo que a tangente ia ser longa demais.

Foi com ele que aprendi melhor sobre o estudo de redes de Paul Erdös (um dos maiores matemáticos do século XX) e Alfréd Rényi que desenvolveram o modelo Erdös-Rényi que é o modelo mais conhecido se você estudou grafos na faculdade, grafos cujas conexão são distribuidas de forma aleatória entre os nós da rede. Porém, isso não serve pra explicar redes de internet e muito menos redes sociais. Aliás, toda vez que eu falar rede social assuma que são redes sociais virtuais como Twitter ou Facebook.

Durante a primeira bolha da internet, já no fim do século XX, surgiu o trabalho de outra dupla de matemáticos ainda vivos que contribuíram muito pro entendimento matemático da internet. O primeiro é o grande professor Steven Strogatz, que publicou livros como Non-Linear Dynamics and Chaos e já fez Ted Talks sobre sincronia e como sincronização acontece na natureza e até mesmo com objetos não-orgânicos. Vou deixar os links pra essas talks e livros na descrição abaixo. Ele tem muito material sobre teoria do caos e sistemas complexos não-lineares, que é um assunto difícil e que se você se interessa pelo tema, fuja de todo coaching que tenta falar disso e leia direto o Strogatz.

Um de seus alunos foi trabalhar justamente em empresas de internet como o antigo Yahoo! e depois Microsoft, onde teve acesso a volumes gigantescos de dados que foram cruciais pra moldar um melhor entendimento de redes, estendendo o que Erdös e Rényi publicaram décadas atrás. Esse foi Duncan Watts, que junto com seu professor e mentor, chegaram ao modelo de Small Worlds, chamado de Watts-Strogatz. Esse foi uma das pesquisas mais importantes do começo do século XXI, quando pesquisadores como eles tiveram acesso a Big Data. Isso foi Data Sciences de verdade.

No livro Linked, Barabási conta a fascinante história por trás desses dois modelos, por isso eu disse que é legal ler o livro inteiro. Um conceito super famoso do século XX que é a ponte entre os modelos de Erdös-Rényi e Watts-Strogatz é a idéia dos seis graus de separação. Tenho certeza que todo mundo pelo menos já ouviu falar disso, a idéia de que você está conectado a qualquer outra pessoa do mundo por no máximo umas 6 outras pessoas no meio. Aliás, a primeira rede social do mundo, antes de My Space ou Orkut foi justamente um site chamado Six Degrees. Por exemplo, digamos que eu conheço um programador, que foi trabalhar na Califórnia, o chefe dele é amigo de outro CTO, que trabalhou pro Elon Musk na época do PayPal, então eu teria 4 graus de separação com o Elon Musk.

Diversos experimentos foram conduzidos pra experimentar essa teoria, numa era antes da Internet, usando cartas e correios, como o que foi feito por ninguém menos que outro pesquisador que eu gosto muito, Stanley Milgram, no fim dos anos 60. Milgram, que se você já assistiu uma palestra minha por volta de 2009, deve ter visto quando eu mostrava experimentos dele sobre obediência, que vou deixar nas descrições abaixo.

Mas de qualquer forma, a idéia se popularizou no século XX por causa dos Seis Graus de Separação de Kevin Bacon, que foi uma brincadeira feita num programa de TV acho que por estudantes do MIT ou algo assim que falaram que o ator Kevin Bacon tinha até 6 graus de separação com qualquer outro ator de Hollywood. Eles pegaram o equivalente na época ao que temos hoje no IMDB que catalogava todos os atores que trabalharam em todos os filmes e com os inovadores programas de computador da época montaram um banco de dados que conseguisse puxar quem trabalhou com quem em quais filmes e descobrir os graus de separação.

Esse tipo de programa, qualquer iniciante deveria conseguir fazer um script pra puxar os dados do IMDB e rapidamente chegar nos graus de separação. Mas lembrando que estamos falando do começo da era dos microcomputadores, onde um programa assim era super novidade pra todo mundo que não fosse de tecnologia. O site tá no ar até hoje e se chama Oracle of Bacon.org. Você pode ir lá agora e digitar, por exemplo, Marlon Brando. E ia ver que ele trabalhou em “The Freshman” com o ator Maximillian Schell, que por sua vez trabalhou no filme “Telling Lies in America” com Kevin Bacon, portanto ele tem 2 graus de separação com Marlon Brando.

Na prática não tinha nada necessariamente especial com Kevin Bacon, qualquer bom ator de Hollywood tem graus de separação semelhantes com qualquer outro ator de Hollywood. De qualquer forma, uma constatação que achei engraçada foi quando o Barabási conta que se eu perguntasse quem seriam os atores mais bem conectados de Hollywood, uma dos chutes talvez seria dizer “os que trabalharam em mais filmes”.

Isso é verdade até certo ponto, mas não é uma regra, na verdade se você fizer um ranking dos atores com o maior número de filmes que participaram, eles são os que tem menos contatos com os artistas mais famosos. O que eles tem em comum? São todos atores de filmes pornô. A maioria dos artistas famosos nunca trabalhou num pornô, então mesmo se o cara tivesse trabalhado em 500 filmes pornô, isso não deixou ele mais próximo do Kevin Bacon ou Marlon Brando. Quantidade não é qualidade. Que é o que eu penso quando alguém me pergunta se senioridade é só quantidade de anos trabalhando ou quantidade de projetos do mesmo tipo. Parece brincadeira, mas muita gente fica só trabalhando no equivalente pornô da nossa indústria e não entende porque não evolui na carreira.

Voltando aos conceitos, o modelo de redes de Erdös e Rényi descrevem redes ideais, aleatórias e balanceadas em termos de conexões. Pensem em nós como servidores de internet ou pessoas numa rede social. Nesse modelo você consegue estudar as conexões mas não tem muita idéia de como essas conexões aparecem, funcionam ou evoluem. Você pode estudar o menor caminho entre dois nós e coisas assim, mas não muito mais que isso.

O modelo de Watts-Strogatz inovou ao trazer o conceito de “Small Worlds” ou mundos pequenos. Foi a constatação de Watts que conexões não são aleatórias e elas tendem a formar clusters, aglomerados. Pense numa grande rede como as pessoas espalhadas num estado. E pense em mundos pequenos quando elas tendem a se aglomerar em cidades. Dentro de cidades tem bairros. E como talvez você tenha mais conexões dentro do seu próprio bairro do que com bairros mais longes.

Ou no caso de Internet como você tem mais afinidades e conexões com determinados grupos online, como seu grupo de LOL no Discord, ou grupo de trabalho no Slack. Esses são os clusters ou small worlds. Mas nesse modelo ainda não entendemos todos os comportamentos de porque certos clusters são maiores que outros, porque grupos que aparecem do nada de repente começam a dominar, ou porque algumas pessoas são mais influentes que outras.

Finalmente chegamos em Barabási e Réka Albert e o novo modelo Barabási-Albert, que pega o que os outros descreveram até agora e finalmente conseguem explicar o surgimento e evolução de redes sociais de uma maneira mais formal. Foram eles que observaram que redes sociais e a internet são redes livres de escala, o que significa que tem distribuição power-law nas conexões de seus nós, enquanto modelos como Erdös-Rényi e Watts-Strogatz não exibem power laws.

Finalmente voltamos às tais distribuições e esse tal de Power Law. O que diabos é isso? O que Barabási descobriu é que redes como aparecem na natureza, seja redes sociais virtuais ou reais, redes como de neurônios no nosso cérebro, ecossistemas de animais, e outros tipos de redes complexas e não-lineares, provavelmente podem ser descritas como redes livres de escala.

Como o nome diz, uma rede livre de escala significa que ela exibe qualidades como fractais, ele até menciona pesquisas como de Mandelbrot, que alguns talvez conheçam dos trabalhos matemáticos de fractais propriamente ditos ou seus trabalhos sobre mercados financeiros e economia. Uma rede livre de escala ou fractal significa que não importa se você olha de perto ou de longe, em qualquer escala, ela exibe as mesmas propriedades. Portanto, o mesmo comportamento acontece com mil nós ou com um milhão de nós, independente da escala. Se ficou confuso, vou voltar nisso mais pra frente.

Agora, uma distribuição power law é importante porque ela é muito diferente de uma distribuição normal. Primeiro de tudo, na distribuição normal você sempre tem um pico, o valor médio, a média. Em power law não existe pico. No gráfico, a power law é uma curva em declínio, caindo rapidamente no começo e estendendo numa cauda longa ou Long Tail, que talvez você já tenha ouvido falar em outros livros. Não é necessariamente uma logarítmica, mas é parecido.

Entenda. O que eu disse antes é que distribuição normal funciona quando estamos falando de eventos independentes. Jogar um dado, uma moeda, medir altura, coisas desse tipo. Qualidades como riqueza, influência, salários, vendas, aglomeração de pessoas ou animais, sistemas biológicos complexos, infectologia nessa época de Covid. Tudo isso é interconectado numa rede. Nenhum dos eventos é estatisticamente independente. Elas influenciam as probabilidades dos outros. São sistemas complexos não-lineares.

E o que são sistemas complexos não-lineares? Preste atenção nas palavras do nome. Um sistema complexo tem comportamento não linear, ou seja, o sistema pode responder de formas diferentes dado as mesmas causas. Lembra do filme do Ashton Kutcher, o Efeito Borboleta? Tente voltar ao passado e mexa numa pequena coisa e o futuro fica completamente diferente? Pois é, não importa quantas vezes você tente, o resultado nunca é o esperado, porque é um sistema complexo. O filme é bem mau feito, claro, mas é uma forma de visualizar o que significa um sistema complexo ou caótico. E é uma das razões que eu falo que não adianta ler biografia ou tentar imitar gente famosa: mesmo se você tentar fazer tudo que eles fizeram, os resultados vão ser extremamente diferentes, porque pequenas variações são suficientes te colocar em caminhos completamente diferentes.

E o não-linear significa que o resultado não é proporcional, linear, com as causas. Que é aquele exemplo que todo mundo já ouvi falar de uma borboleta bate as asas no Brasil e acontece um Tsunami no Japão. Resultado desproporcional pra uma causa tão simples como uma borboleta batendo as asas, e é complexo porque não temos como correlacionar uma causalidade entre os dois eventos. Portanto, um sistema complexo não-linear. Mas o mais importante é que esse tipo de sistema costuma ser descrito com distribuições power law, como a de Zipf que falei antes, no caso de palavras do dicionário.

Mais importante, o mundo real complexo, como a economia, é muito descrita com distribuições Power Law, como a de Zipf que expliquei antes e outra distribuição da mesma família que você já deve ter ouvido falar. A distribuição de Paretto, que deriva do economista e engenheiro italiano Vilfredo Paretto, aquele que constatou que a distribuição de riqueza seguia a tal regra de 80/20. Lembram? 80% da riqueza está acumulado com 20% das pessoas? E o que isso significa. Volte pro gráfico de uma power law. Esse pedaço na esquerda são os 20% de pessoas, e essa área do gráfico representa 80%. O outro lado do gráfico são os 80% restante de pessoas, e a área embaixo dessa curva representa os 20% da restante da riqueza. Se você nunca visualizou 80/20, isto é 80/20.

Goste disso ou não, a realidade é que você vive num sistema complexo não-linear. O mercado de trabalho é um sistema complexo não-linear. É muito raro existirem variáveis independentes, tudo é interconectado, e os resultados são muito difíceis de prever por causa da não-linearidade. Por isso todo mundo tem tantas dúvidas e não existe uma receita linear simples de “faça esta lista de coisas, nesta ordem, nestas proporções, ao longo de X anos e garantidamente você vai ter sucesso”. Não existe isso tanto quanto não existe uma receita pra prever meteorologia com previsão exata pra daqui 1 ano.

Mas como eu disse antes, talvez na sua cabeça o mundo deveria ser Normal, o objetivo deveria ser a média. Fazer o que todo mundo faz deveria ser a forma segura. Extremos deveriam ser raros. Mas não. O mundo real é complexo e descrito com Power Laws, uma distribuição livre de escala, que não apresenta média. Por isso eu falei que é errado dizer “média salarial”, não por causa de opinião x ou opinião y, mas porque eu acho que está tecnicamente e factualmente errado mesmo. Seria como eu dizer “fogo gelado”, um termo que não faz sentido.

Com toda essa teoria no lugar, a partir de agora é um pouco minha interpretação pra substituir seu entendimento em cima de distribuição normal pra power law. Primeiro de tudo, o que significa não existir média? No caso de salário significa que você é um ponto discreto neste gráfico. O gráfico não dá qualquer dica de qualificação se isso é muito ou se é pouco, ele apenas “é”. É o que eu quero dizer quando digo que você recebe exatamente o que deveria. Não estou julgando se você “podia ganhar mais” ou se “ganha mais do que devia”, estou dizendo que não tem nada de anormal do ponto de vista da distribuição.

É tudo uma rede interconectada. O que você ganha reflete não só suas capacidades técnicas, inclui também diversas outras variáveis, muitas delas não-lineares, como sua capacidade de comunicação e de negociação. Tirando todas as outras variáveis, se sua capacidade técnica talvez vale 10 mil reais, mas você ganha 5 mil, talvez sua capacidade de negociação te dê prejuízo de 5 mil reais, é uma forma de enxergar isso. Não estou dizendo se é ou não moralmente ou socialmente certo, estou dizendo que está correto do ponto de vista frio e calculista do gráfico mesmo. Nunca tente embutir seus preconceitos e crenças pessoais em cima de números. Números não se importam com isso.

Vamos voltar de novo pra quantidade de seguidores de influencers. Não é distribuição normal, é power law, vamos ver? Eu peguei o primeiro artigo que achei sobre os 50 maiores influencers do Twitter. Em 1o lugar temos o Barack Obama com 130 milhões de seguidores. O 2o lugar é o Justin Bieber que já cai pra 114 milhões, 15 milhões a menos que o Obama. 3o lugar é a Katy Parry, com 108 milhões. 4o lugar é Rihanna com 103 milhões. 5o lugar é Cristiano Ronaldo com 96 milhões.

Nem precisa ir muito longe mas já em 12o lugar é o Elon Musk com 66 milhões. Menos da metade do Obama. Perto do fim dessa lista tá o Harry Styles em 48o lugar com 37 milhões, que é mais ou menos metade do Musk. Conseguem ver como a quantidade de seguidores vai caindo drasticamente? E isso é só a lista de 50 top influencers. Vamos colocar eles no gráfico? Olha só, copy e paste pro Excel, marca os números de seguidores, escolhe o gráfico de colunas e … surpresa, surpresa, uma curva que se parece com uma power law, não com uma normal.

Se a lista tivesse todos os mais de 77 milhões de usuários do Twitter, essa curva ia simplesmente decrescendo rapidamente e a grande maioria das pessoas estaria na Cauda Longa, no Long Tail essa curva. Mas eis a coisa interessante sobre livre escala. Se eu pegasse um trecho lá no fim dessa cauda longa, a curva ainda ia ter o mesmo formato dos 50 primeiros. Ou seja, a pessoa no lugar, faz de conta, 20 milhões nessa lista, ia ter talvez o dobro de seguidores de quem está no lugar 21 milhões. Só que em vez de 130 milhões de seguidores como o Obama, talvez tenha só 1000. Só que 1000 continua sendo o dobro de 500, que ainda é o dobro de quem só tem 250, que ainda é o dobro de quem só tem 120. E assim por diante.

Numa curva assim não existem classes. Todo mundo é 1 ou 2 seguidores mais rico que o próximo da lista. Não tem classes de influencers ricos, médios e pobres. Em qualquer escala, o trecho lá pra baixo dos 50 milhões, vai ter o cara com mil influencers que pode ser considerado muito melhor que o cara de 100 seguidores que é invejado pelo cara com 2 seguidores.

Só pra solidificar o conceito, vamos ver outro tipo de ranking, o ranking das empresas mais valiosas em termos de market cap no índice da S&P 500 dos Estados Unidos. Peguei esse gráfico num site aleatório chamado Companiesmarketcap. No topo da lista tá a Apple, com valor de mercado em dezembro de 2021 de quase 3 trilhões de dólares. Em segundo lugar está a Microsoft, com nada menos que 2.5 trilhões de valuation. Em terceiro temos a Alphabet, a holding que tem produtos como o Google por baixo, que vale quase 2 trilhões. E assim por diante.

No meio dessa lista em trigésimo quinto lugar está a Oracle com valor de “só” 260 bilhões de dólares. Se não conseguiu enxergar ainda, vamos abrir o Excel, selecionar os valores de mercado e gerar o gráfico. Tá vendo? Mais uma distribuição power law. Não existe valor médio de uma empresa, tanto como não existe valor médio de um produto ou valor médio de salários. Praticamente tudo que você costuma ver na forma de rankings tem esse formato.

A parte interessante é que uma rede livre de escala que obedece uma distribuição power law tem outras características interessantes, uma das melhores é o que Barabási chamou de “preferential attachment”. Inclusive seu modelo foi revisado depois pra descrever melhor isso e o modelo mais atual se chama Bianconi-Barabási, que surgiu depois do lançamento do livro Linked.

Numa rede dessas você poderia pensar corretamente, poxa, os caras mais influentes provavelmente são aqueles que começaram a trabalhar na rede lá atrás, quando ela surgiu. É o que se chama de vantagem do primeiro ou “first-mover advantage”. E de fato tem isso. Daí quando o primeiro conseguiu a vantagem, começa o comportanto de “rico fica mais rico” ou “rich gets richer” que é o que todo mundo tem inveja, porque agora que o cara é grande, ele tende a atrair mais gente e ficar cada vez maior.

Mas se você viveu tempo suficiente na internet, reconhece que existe essa vantagem, existe esse comportamento de rico fica mais rico, mas também já presenciou vários influencers que tinham tudo e desapareceram e vários outros tomaram seu lugar. Veja na história da internet: um Yahoo sendo substituído pelo Google, uma Blackberry sendo substituída pela Apple, um TikTok batendo no Instagram. Sim, de fato existe vantagem em ser o primeiro, sim o rico fica mais rico, mas não, esse ranking nunca é estático, está em constante movimento.

Você que tem 1 seguidor, trabalha e vai ter 10, depois vai ter 100. Aquele que tinha 1000, falou merda, foi cancelado, agora perdeu 900 seguidores. E assim segue o jogo. E voltando pro tema de salários, isso tudo foi pra explicar que salários não tem média e não são estáticos. Nem dentro de uma mesma empresa existe média. A curva que descreve os salários é uma power law. Mais do que isso, você começa no fim da cauda longa, mas a curva não é linear.

Ou seja, se hoje você ganha 2000 reais. Passou um ano e ganhou um aumento pra 2200 reais. Na sua cabeça você pensa, puxa, pra eu chegar em 10 mil reais nesse ritmo, de 200 em 200, vai levar 40 anos então. Tô fodido. Esse mercado é uma merda. E se o mundo funcionasse como uma distribuição normal, um sistema linear simples, sim, seria isso mesmo. Mas o mundo Não é assim, em vez de simples, ele é complexo, em vez de linear, ele é não linear.

Ou seja, incrementos não vão ser necessariamente de 200 em 200. Ano que vem já pode ser de 400. No ano seguinte, se fizer um bom trabalho, já vai ser de 1000. Em 2 anos talvez você já chegou ou ultrapassou 3000 reais. Daí no ano seguinte você foi pra 4000. De 4000 talvez já saltou pra 6000. E mais um ano já chegou em 10000. Em vez de 40 anos, foram 5 anos só. Esse é o poder de uma curva não linear. Seu salário também tem chances de crescer segundo uma power law. Mas não é uma garantia, só uma possibilidade.

O problema pros iniciantes é que no começo da cauda longa, ela parece lenta, quase horizontal, mas se você fizer o trabalho direito, evoluir suas capacidades técnicas, suas capacidades não-técnicas como comunicação, evoluir sua rede social com pessoas que começaram com você e saíram pro mercado e também começam a se dar bem, ou seja, você cresce seu networking de verdade, daí sua chances começam a aumentar exponencialmente. E se fizer um trabalho tão bom que consegue se conectar com alguém que representa um hub pro cluster da rede que participa, aumenta absurdamente suas chances de dar mais certo do que tinha planejado antes.

Essa teoria toda suporta a idéia de que se você é o cara que só faz o que mandam, prefere ficar quieto e esquecido num canto, torcendo pra que não notem que você tá lá, inventa desculpas toda hora e ganha reputação de que não é confiável, você está transformando um sistema complexo e não linear, num sistema simples e previsível, com poucas variáveis que vai ter acesso. E linear, onde cada esforço que você faz é diretamente proporcional a um pequeno retorno. E aí sim, naquela conta que fiz antes, vai ter sorte se pular de 2000 pra 10000 em 40 anos.

Só que a culpa não é do sistema, não é um mercado que não te valoriza e te paga abaixo da média. É você que matou todas as suas chances de escalar a curva não-linear. O único culpado da sua estagnação é você mesmo, e isso começa quando você acredita que existe uma média onde você se encaixa e pode ficar lá escondido pra sempre. Não existe. A menos que goste de ficar na estagnação, uma hora vai precisar dar a cara a tapa.

Se nada disso te convenceu ainda e você ainda acha que pode fazer como fazia no colégio e na faculdade, onde bastava dar um jeito na última hora pra tirar 5 e passar de ano, e não faz nenhuma diferença tirar 5 ou tirar 10, é aqui que você se ferra. Faz muita diferença aprender a correr atrás do 10. É a diferença de 40 anos e 5 anos pra ter o mesmo resultado. Você não faz parte de uma média, você faz parte de uma cauda longa. E na cauda longa, se você não fizer nada de diferente, o limite tende a zero.

Você sabe o que são palavras cognatas? Significa que além de sinônimas, tem raiz comum. Exemplo: “belo” e “beleza”, “fera” e “feroz”. Pois bem, se pra você ficar perto da média, ser mediano, parece bom, e se eu disser que mediano é cognato, compartilha a mesma raiz com a palavra “medíocre”. Na prática a gente afastou médio de medíocre, mas não se engane, são a mesma raiz. Eu acho que você ficaria ofendido se eu te chamasse de medíocre, certo? Então pra que você tá tão obcecado pela média de alguma coisa? Fique longe da média, faça esforço pra tirar 10 e não pra ficar no 5.

Salário depende de dezenas de variáveis diferentes. As variáveis que estão sob seu controle como suas próprias capacidades e competências e as variáveis que você não tem como influenciar diretamente, como ciclos financeiros, situações específicas e regionais do mercado onde participa, como esses mercados se interconectam uns aos outros. Quer ver um exemplo na prática? Veja meu episódio onde conto minha história sobre Ruby on Rails no Brasil.

Existiu um dia que eu decidi investir meu tempo e minha carreira nesse troço novo que quase ninguém aqui conhecia chamado Ruby on Rails. Não havia uma única empresa que usava no Brasil. Não havia quase nenhum outro programador. O grupo que existia dava pra quase saber o nome de todo mundo de cabeça, de tão poucos que tinham. Era o ano de 2005. Qual era a média de um programador Rails em 2005? Você acha que esse número ia servir de qualquer coisa pra mim?

Pra alguém ter a estúpida idéia de tentar calcular a média de salário desse mercado, primeiro eu precisava ajudar a influenciar a criar esse mercado, do zero. A vantagem? Eu sabia que era um sistema não-linear. Um bom exemplo se multiplica em dois, dois em quatro, quatro em oito, em breve eram dezenas de empresas e centenas de nós, no breve espaço de uma década. E assim aconteceu com dezenas de outros mercados que não existiam.

Qual era a média salarial de um programador de iPhone em 2009? Zero, porque não existia AppStore ainda. Qual era a média salarial de um devops de cloud de AWS em 2006? Zero, porque AWS tinha acabado de lançar. A informação que a média de um programador Java em 2006 era de sei lá, 4 mil reais, ia ajudar em alguma coisa pra qualquer um de nós? Nada, absolutamente nada. Salário é o que as empresas se convencem de pagar pelo que a gente faz eles acreditar que vale. É como o preço de um produto. As coisas não são demasiadamente caras ou baratas, elas obedecem oferta e procura. Como agora: a demanda por componentes eletrônicos está alta, mas as fábricas não conseguem atender essa demanda? Os preços sobem. É simples assim.

Ah, mas na minha cidadezinha de 2 mil habitantes só tem uma única empresa. Quem sabe se eu mostrar um PDF com média salarial da capital, faz alguma diferença? Não faz. Cai na real. E você não tá preso, ninguém está apontando uma arma pra sua cabeça. Ou você se muda de cidade, ou começa a trabalhar remoto por exemplo. Especialmente em tecnologia, tem dezenas de empresas que estão desesperadas neste exato instante, pra contratar bons programadores. Ah, mas eu não sou um bom programador. Aí é outro problema.

Você tem sorte então, que pelo menos tem uma empresa que ainda quer te manter, sei lá porque. Tá entendendo? Tudo começa e termina com o que você tá disposto ou não a fazer pra mudar sua própria situação. Lembra do meu video de Não Terceirize suas Decisões? Porque você tá tentando justificar sua situação com números que sequer fazem qualquer sentido matemático, como média pra salário? Como isso te ajuda? Assuma a verdade: isso é só mais uma desculpa que você tá dando pra você mesmo. Nada mais, nada menos.

Se você se interessou pelos assuntos que só tive tempo de explicar por cima, procure os autores originais, é o que eu sempre digo. Então os nomes que você precisa ter na sua lista são Paul Erdös, Alfred Rényi, Steven Strogatz, Duncan Watts, Albert Lazló Barabási e Ginestra Bianconi. Você vai passar pelo estudo de grafos, redes livre de escala e talvez vai se aventurar em teoria do caos e sistemas complexos não lineares e isso vai te dar um framework pra enxergar a Matrix por trás de fenômenos da natureza, incluindo como mercados e sociedades realmente funcionam. E em nenhum lugar você vai ver qualquer um insinuando que faz sentido levar algo inútil como “média salarial” a sério. Se ficaram com dúvidas, mandem nos comentários abaixo, se curtiram o video deixem um joinha, assinem o canal e compartilhem o video com seus amigos. A gente se vê, até mais.

O Fernando Ulrich compartilhou comigo um artigo publicado hoje, dia 7 de maio de 2020, de autoria da programadora sênior, ex-engenheira do Google, Sue Denin, do blog Lockdown Sceptics. Recomendo fortemente que vocês leiam o relato da própria Sue em seu post:

• Code Review of Ferguson’s Model

Se tudo isso for verdade, só tenho uma coisa a dizer: o código da simulação responsável pelos papers publicados pelo Imperial College é lastimável, pra dizer o mínimo.

PORÉM, e é um GRANDE PORÉM, eu não compartilho das opiniões não-técnicas do artigo original e sim das análises técnicas. Tanto o original quanto este não estão discordando do modelo e sim da implementação do código. E refutar uma análise levando em conta a pessoa fazendo a análise é desonestidade. Uma análise tem que independer da pessoa e das circunstâncias, caso contrário é somente enviesamento. Portanto eu não estou traduzindo o artigo da Sue nem citando ela como evidência e sim fazendo minha própria análise em cima do código e da sua execução, pura e simples.

Mas, com o impacto das decisões sendo tomadas por governos ao redor do mundo baseado nos resultados desse papers do Imperial College, é claro que não existe nada mais correto do que 100% desse código de simulação ser lançado ao escrutínio do público. Ele foi lançado faz só 15 dias, o que é too little, too late, e ainda está incompleto (falta os dados de entrada).

Só agora uma versão desse código foi publicado num repositório no GitHub, que você mesmo pode baixar aqui:

• https://github.com/mrc-ide/covid-sim

Eu não tenho competência para criticar o modelo propriamente dito publicado nos papers, mas qualquer programador consegue avaliar a qualidade do código que tenta implementar esse modelo, em alguns minutos. Vamos assumir que o modelo em si está correto. Porém é impossível dizer se o código que temos presente é uma implementação correta desse modelo.

Baseado no que o próprio Ferguson twitou e também no que ninguém menos que o lendário John Carmack (ex-CTO da Oculus, fundador da Id Software), o código que temos no repositório linkado acima foi bastante refatorado/retrabalhado por engenheiros da Microsoft e do GitHub.

Segundo Carmack, o código original que Ferguson levou mais de uma década criando - de todas as maneiras mais macarrônicas possíveis - era um único arquivo de C++ de mais de 15 mil linhas.

Precisou da limpeza do Carmack e de engenheiros da Microsoft e do GitHub pra minimamente dividir esse arquivão em mais arquivos menores, refatorar minimamente esse código, criar scripts de execução, e um teste de regressão mínimos.

Mesmo assim, o estado atual desse projeto é problemático.

Deixemos uma coisa clara: que atire a primeira pedra o programador que nunca fez um código macarrônico, sem testes, com números-mágicos sem documentação, variáveis com nomes impossíveis de entender pra que servem. Eu já fiz isso e eu garanto que qualquer outro programador fez o mesmo.

Também entendo que códigos de pesquisa acadêmica tendem a ter esse nível de qualidade mesmo. Porém, quando chegamos num ponto onde isso dificulta checar que a implementação realmente faz o que diz que faz, isso se torna um problema grave.

Eu convido todo programador a abrir o repositório e explorar alguns dos arquivos. Se você pegar o que conhece como Clean Code e fazer exatamente o inverso, vai ter o código do Ferguson. Pegue qualquer lista de boas práticas, você vai achar o inverso nesse código. A complexidade ciclomática é enorme, cada função tem dezenas de linhas e o principal: não tem testes unitários, só tem um teste de regressão muito simples.

Você vai precisar de cmake instalado. Vou assumir que você sabe como instalar as dependências, está documentado no build.md do projeto.

Também precisa ter python instalado. Ele já vem com dados de exemplo (que não são reais nem os que foram usados pra gerar os resultados do Report 9). Você pode executar a simulação assim:

data/run_sample.py United_Kingdom

O script de Python está meio que servindo como um Makefile e vai compilar o binário CovidSim e montar os parâmetros que ele aceita:

cmd.extend([
        "/PP:" + pp_file, # Preparam file
        "/P:" + no_int_file, # Param file
        "/O:" + os.path.join(args.outputdir,
            "{0}_NoInt_R0={1}".format(args.country, r)), # Output
        "/D:" + wpop_file, # Input (this time text) pop density
        "/M:" + wpop_bin, # Where to save binary pop density
        "/S:" + network_bin, # Where to save binary net setup
        "/R:{0}".format(rs),
        "98798150", # These four numbers are RNG seeds
        "729101",
        "17389101",
        "4797132"
        ])

No caso do exemplo, todas essas variáveis pp_file, no_int_file, etc vão configurar de quais arquivos ele vai ler dados como de população e pra que arquivos vai escrever o network binário que parece que serve de “cache” entre rodadas e os arquivos de saída finais.

Mais importante são os 4 últimos parâmetros, que são 2 Setup Seeds e 2 Run Seeds.

Essa simulação executa o modelo, ou cenário, dezenas de vezes variando os diversos parâmetros aleatoriamente. Como a Sue mencionou, é mais ou menos como rodar Monte Carlo.

Para leigos e iniciantes vale explicar o que é um “seed”. Em computação não existe forma de gerar um número verdadeiramente aleatório. O que conseguimos fazer é criar “Geradores de Números Pseudo-Aleatórios” (RNG). Ou seja é uma função como random.seed(n) no Python.

Por exemplo, digamos que queremos gerar uma sequência de 3 números aleatórios no console do Python, podemos fazer assim:

>>> import random
>>> random.seed(1)
>>> random.randint(1,100)
18
>>> random.randint(1,100)
73
>>> random.randint(1,100)
98

Nesse exemplo estou pedindo pra gerar números entre 1 a 100, e a cada execução de random.randint ele gerou a sequência 18, 73, 98.

Agora digamos que eu quero gerar novamente a mesma sequência. Basta eu reinicializar o gerador mandando o mesmo seed “1” (pode ser qualquer número). Depois disso quando eu rodar random.randint, ele vai gerar a mesma sequência exatamente como antes.

>>> random.seed(1)
>>> random.randint(1,100)
18
>>> random.randint(1,100)
73
>>> random.randint(1,100)
98

Você pode testar na sua máquina, colocando o seed “1” e vai ter a mesma sequência que a minha acima.

Isso é importante no nosso contexto porque como eu disse, simulações como esta da velocidade de contaminação e mortes da Covid-19 tecnicamente se assemelham a implementar Monte Carlo, que é a execução do cenário centenas ou milhares de vezes, variando o grau de alguns parâmetros aleatoriamente para ver o comportamento médio.

Porém, se eu inicializar a simulação com os mesmos seeds, como é o caso dos parâmetros Setup Seed e Run Seed do script anterior, os resultados deveriam ser exatamente os mesmos. Quando uma função recebe os mesmos parâmetros de entrada e gera exatamente os mesmos resultados, não importa quantas vezes você rode a função, chamamos isso de “DETERMINÍSTICO” e, claro, numa simulação como esta, é obrigatório que o resultado seja sempre determinístico.

Mas como a Sue encontrou primeiro, se você abrir este ticket de Issue do repositório no GitHub vai ver que uma equipe da Universidade de Edimburgh reportou um bug dizendo que eles testaram a execução com dados reais múltiplas vezes e os resultados vieram diferentes pros mesmos Seeds (!!) Mais precisamente, eles habilitaram um modo pra rodar mais rápido e descobriram que o resultado variava em torno de 80 mil mortes depois de 80 dias.

Ou seja, só habilitando um modo de performance - que não muda nenhum arquivo de entrada e nenhum parâmetro da simulação, os resultados eram drasticamente diferentes em várias ordens de grandeza. E a resposta do Imperial College foi tipo:

“Ah, eu sei é isso mesmo, isso acontece mas a gente tira a média e é isso aí”

É como se eu fizesse pra você um programa pra calcular quanto imposto você tem que pagar. Você preenche tudo e manda rodar. Digamos que dá R$ 5 mil. Pronto, mas só pra garantir você roda de novo com os mesmos valores de entrada e a resposta dá diferente, R$ 20 mil! Aí você coça a cabeça e roda de novo, agora dá R$ 500 reais.

O que você faz agora? Quanto paga de imposto? A resposta da Imperial College foi, simplificadamente, o equivalente a dizer:

“Ah, é isso mesmo, dá diferença, mas relaxa, soma 5 mil com 20 mil com 500 e divide por 3 … vai dar … R$ 8.500, pronto, paga isso”

Eu não sei se rodei da forma correta, mas executando data/run_sample.py United_Kingdom eu obtive os seguintes resultados:

d2fb079633352adafde041fc70f2948e0df5c9c7ee5780d280494470f1a283cd 
run_1/United_Kingdom_NoInt_R0=3.0.avNE.age.xls
b888b67c10a660ba9184a1c048058dc3e73f5a9623efb7a34980f09a0eaffcc1 
run_1/United_Kingdom_NoInt_R0=3.0.avNE.severity.adunit.xls
39f8adeeaf52d38af6851c4633f33e6484e598e3c8cb52b6b5a620394e11076a 
run_1/United_Kingdom_NoInt_R0=3.0.avNE.severity.xls
40bd33d65520dbcef8ec886fdd2f45bf49a4f07cbbbbf93f7b86c4c14f1261d6 
run_1/United_Kingdom_PC7_CI_HQ_SD_R0=3.0.avNE.age.xls
8c2aaacb033794480b8c5972c36c3cca4a911430e8c1e8ea0345be523254f50c 
run_1/United_Kingdom_PC7_CI_HQ_SD_R0=3.0.avNE.severity.adunit.xls
5e87d7a9b460158902133160137fc92fdb598e1363e50d91458a4dc8e54a15b7 
run_1/United_Kingdom_PC7_CI_HQ_SD_R0=3.0.avNE.severity.xls

Esses são os SHA256 dos arquivos Excel (.xls) que ele gera no final. O script rodou em 6 cores na minha máquina virtual, consumindo mais de 9 GB de RAM e levando um tempão pra executar com os dados fake que vem no projeto. Com os dados de verdade, rodando em máquinas mais parrudas, ele vai consumir fácil acima de 20 GB. Dependendo dos dados de qual país, pode chegar a mais de 200 GB de RAM.

Outra coisa, se alguém está confundindo a natureza de “resultados aleatórios” (dentro de uma pequena margem) por causa de erros de arredondamento de fontos flutuantes ou resultado usando paralelismo por GPU, o código não tem “rounds” que poderiam acumular erros e eu estou rodando tudo em uma máquina virtual sem GPU, só CPU puro (mesmo o projeto tendo um pequeno suporte a OpenMP).

Se eu apagar os arquivos intermediários de network que ele gera como “cache” e rodar tudo de novo, com exatamente os mesmos parâmetros (e note que eu mostrei acima que os Seeds estão hard-coded, portanto os resultados deveriam ser os mesmos), eis os resultados gerados:

efd5b1a06abf98ebbba2f59752a7a63e0fe96eb6c2857fdba8b276ac6f338bb2 
run_2/United_Kingdom_NoInt_R0=3.0.avNE.age.xls
c3a20e4860b755553d0857c41c63112da285377b7c81886666efe326a46cc572 
run_2/United_Kingdom_NoInt_R0=3.0.avNE.severity.adunit.xls
660ef8752181bf338db2eca52b9506958bdb8a9b8eec782ad6e53d5b2b7a0f6e 
run_2/United_Kingdom_NoInt_R0=3.0.avNE.severity.xls
ff8459daa5d95d8bd21b64ee1314ed2b5922b45a0bf69394f36bb988d0e24984 `\
run_2/United_Kingdom_PC7_CI_HQ_SD_R0=3.0.avNE.age.xls
a2ff7a91dcd9772de6cf9a4ea3c271af47d93706d2968aaeed36b90522cf34c4 
run_2/United_Kingdom_PC7_CI_HQ_SD_R0=3.0.avNE.severity.adunit.xls
c965db754f3850f59b4f617361cbd12a7a60991e7dbab81defe15022bf3e9741 
run_2/United_Kingdom_PC7_CI_HQ_SD_R0=3.0.avNE.severity.xls

Note que todos os SHA256, as impressões digitais dos arquivos, são diferentes. Não me cite afirmando que esse é o erro, pode ser que eu tenha deixado escapar algum parâmetro aleatório, mas não parece.

Pra visualizar o conteúdo dos arquivos gerados, eu usei os scripts de R que estão no mesmo projeto, por exemplo assim:

cd Rscripts
Rscript CompareRuns.R ../run_1 ../run_2

O resultado das simulações são arquivos XLS que são processados por scripts de R pra plotar em forma de gráficos, eis alguns exemplos:

Esses são só dois exemplos mas ele gera uma dúzia de outros gráficos.

Eu fico na dúvida porque o projeto tem um diretório de testes de regressão. Essa é outra parte lamentável aliás, são só 2 míseros scripts de teste de regressão, parecidos com esse data/run_sample.py e eles se chamam tests/regressiontest_UK_100th.py e tests/regressiontest_US_based.py. Eles fazem algo parecido com o que eu acabei de mostrar acima: rodam a simulação inteira, gera os arquivos e compara o hash dos arquivos gerados com o hash hard-coded no teste.

São basicamente testes de integração ou black-box tests só. Por acaso, os testes passam, por isso eu falei pra não afirmar que os meus resultados acima são evidência de bug ainda. Mas pode ser que os dados usados pro teste, que são mais simples, levam a resultados que fazem bater - famoso caso de teste feito pra passar. Se alguém achar o que eu executei errado acima - ou não - não deixe de comentar.

Agora, este ponto dos testes é um absurdo. Um dos projetos de software mais importante da nossa atualidade não tem nenhum teste unitário. É uma mera comparação de hashes dos arquivos de saída.

Como o Carmack notou, tem muito código em C++ que parece que foi uma tradução direta de FORTRAN antigo. Não sei quanto procede, mas você encontra em todo lugar funções bonitas e bem documentadas como esta em SetupModel.cpp, na linha 1932 … isso 1932 (olha o TAMANHO desse arquivo!):

for (k = 0; k < P.NC; k++)
{
	i = k % P.nch;
	j = k / P.nch;
	f2 = Cells[k].I; f3 = Cells[k].S;
	if ((i > 0) && (j > 0))
	{
		f2 += Cells[(j - 1) * P.nch + (i - 1)].I; f3 += Cells[(j - 1) * P.nch + (i - 1)].S;
	}
	if (i > 0)
	{
		f2 += Cells[j * P.nch + (i - 1)].I; f3 += Cells[j * P.nch + (i - 1)].S;
	}
	if ((i > 0) && (j < P.ncw - 1))
	{
		f2 += Cells[(j + 1) * P.nch + (i - 1)].I; f3 += Cells[(j + 1) * P.nch + (i - 1)].S;
	}
	if (j > 0)
	{
		f2 += Cells[(j - 1) * P.nch + i].I; f3 += Cells[(j - 1) * P.nch + i].S;
	}
	if (j < P.ncw - 1)
	{
		f2 += Cells[(j + 1) * P.nch + i].I; f3 += Cells[(j + 1) * P.nch + i].S;
	}
	if ((i < P.nch - 1) && (j > 0))
	{
		f2 += Cells[(j - 1) * P.nch + (i + 1)].I; f3 += Cells[(j - 1) * P.nch + (i + 1)].S;
	}
	if (i < P.nch - 1)
	{
		f2 += Cells[j * P.nch + (i + 1)].I; f3 += Cells[j * P.nch + (i + 1)].S;
	}
	if ((i < P.nch - 1) && (j < P.ncw - 1))
	{
		f2 += Cells[(j + 1) * P.nch + (i + 1)].I; f3 += Cells[(j + 1) * P.nch + (i + 1)].S;
	}
	Cells[k].L = f3; Cells[k].R = f2;
}

Ou em Sweep.cpp que você uma função como TreatSweep que vai da linha 1165 até 1765, ou seja uma única função com nada menos que SEISCENTAS LINHAS. E isso não é exceção, a maioria das funções principais tem de dezenas a centenas de linhas.

É a norma nesse código achar trechos ilegíveis como este:

for (j = 0; j < P.PlaceTypeNum; j++)
	if (j != P.HotelPlaceType)
	{
#pragma omp parallel for private(i,k,d,q,s2,s3,t3,l,m,x,y) schedule(static,1000) reduction(+:t)
		for (i = 0; i < P.N; i++)
		{
			k = Hosts[i].PlaceLinks[j];
			if (k >= 0)
			{
				q = (P.LatentToSymptDelay > Hosts[i].recovery_or_death_time * P.TimeStep) ? Hosts[i].recovery_or_death_time * P.TimeStep : P.LatentToSymptDelay;
				s2 = fabs(Hosts[i].infectiousness) * P.TimeStep * P.PlaceTypeTrans[j];
				x = s2 / P.PlaceTypeGroupSizeParam1[j];
				d = 1.0; l = (int)(q / P.TimeStep);
				for (m = 0; m < l; m++) { y = 1.0 - x * P.infectiousness[m]; d *= ((y < 0) ? 0 : y); }
				s3 = ((double)(Places[j][k].group_size[Hosts[i].PlaceGroupLinks[j]] - 1));
				x *= ((Hosts[i].infectiousness < 0) ? (P.SymptPlaceTypeContactRate[j] * (1 - P.SymptPlaceTypeWithdrawalProp[j])) : 1);
				l = (int)Hosts[i].recovery_or_death_time;
				for (; m < l; m++) { y = 1.0 - x * P.infectiousness[m]; d *= ((y < 0) ? 0 : y); }

				t3 = d;
				x = P.PlaceTypePropBetweenGroupLinks[j] * s2 / ((double)Places[j][k].n);
				d = 1.0; l = (int)(q / P.TimeStep);
				for (m = 0; m < l; m++) { y = 1.0 - x * P.infectiousness[m]; d *= ((y < 0) ? 0 : y); }
				x *= ((Hosts[i].infectiousness < 0) ? (P.SymptPlaceTypeContactRate[j] * (1 - P.SymptPlaceTypeWithdrawalProp[j])) : 1);
				l = (int)Hosts[i].recovery_or_death_time;
				for (; m < l; m++) { y = 1.0 - x * P.infectiousness[m]; d *= ((y < 0) ? 0 : y); }
				t += (1 - t3 * d) * s3 + (1 - d) * (((double)(Places[j][k].n - 1)) - s3);
			}
		}
		fprintf(stderr, "%lg  ", t / ((double)P.N));
	}

Relembrando que esta é a versão que já passou por uma MEGA-LIMPEZA de refatoração das mãos de engenheiros da Microsoft e GitHub.

Imaginem o código original do Ferguson como era, o código que gerou os resultados do Report 9.

A única forma de confiar nesse código é refatorar TODAS essas funções de centenas de linhas em funções menores de single-responsability, cobrir uma a uma com testes unitários, trocar todas as variáveis ilegíveis por nomes corretos, remover todos os números mágicos hard coded em tabelas de constantes e assim por diante.

Isso sem contar o problema reportado pela Universidade de Edinburgh onde parece estar acontecendo, no mínimo problemas de Race Condition. Todo mundo sabe que programar Threads é difícil, ainda mais em C++ sem usar patterns e bibliotecas adequadas pra isso.

Em simulações desse tipo chamados “estocásticos” é de fato possível que exista uma aleatoriedade por causa dos cálculos envolvidos que envolvem coisas como ponto flutuante (que pode dar pequenas diferenças mesmo). Mas não sei se é esse o caso, especialmente quando os próprios desenvolvedores do código não tem essa certeza. Na Issue que citei acima, quando questionados de porque o resultado dava diferente, a resposta foi que “sim, sabemos que tem problema, mas é porque está rodando em multithreads, tente rodar em 1 thread só”

Porém a universidade respondeu “mas é isso mesmo que estamos fazendo”, e a parte preocupante é que o código de fato é tão difícil de entender que nem os programadores envolvidos tem certeza de qual deveria ser o comportamento correto.

Veja o commit de 3 dias atrás do Ferguson entitulado “Bugs found - code is stable and seems deterministic again. WIll finish more tests and send pull request”. Tipo, se olhar o histórico do Git vê-se de novo, que não se segue boas práticas. Esse commit tem um monte de modificação estética (adiciona espaço, tira espaço) e a mudança importante de verdade são meia dúzia de linhas perdidas no meio de 105 adições e 81 deleções.

Se o comportamento “normal” é mesmo ser não-determinístico, porque existe este commit do próprio Ferguson dizendo “corrigi e agora está determinístico” (e pelo que relatei acima, não parece estar). Ou seja, o problema todo escala pro nível do desenvolvedor não saber qual deveria ser o resultado correto.

Falando em histórico de Git, o primeiro commit desse repositório, que data de 15 dias atrás tem o título de “Squash history for public release”.

Sabe quando seu histórico tá uma zona e você não quer mostrar a bagunça? O que você faz? Um squash do histórico todo num único commit. Sabe todo trabalho que os engenheiros da Microsoft e GitHub fizeram? Não está no histórico, foi dado um squash de tudo! Isso é um absurdo pra um projeto público dessa importância.

Claramente o projeto original que era um arquivão de 15 mil linhas jamais passaria pelo escrutínio de nenhum programador, nem precisa ser um especialista ou um Carmack. Se depois da limpeza toda, esse é o resultado e ainda tem bugs, significa que com alta probabilidade, as projeções todas divulgadas pela Imperial College não podem ser confiadas.

Existe uma Issue aberta (que pelo menos até agora não foi apagada ainda) que pede a divulgação do histórico de Git completo e do código original. Isso ainda não foi cumprido.

Existe outra Issue aberta entitulada “We, the undersigned software engineers, call for any papers based on this codebase to be immediately retracted.” que está servindo como um aviso/abaixo-assinado onde diversos programadores que, como eu e a Sue, olhamos essa bagunça, estamos avisando que os resultados gerados por esse código não podem ser confiados.

A única forma de sabermos se os resultados são confiáveis é que os dados originais de entrada, os arquivos de input, sejam divulgados e que diversos programadores e entidades rodem a simulação múltiplas vezes com os mesmos arquivos, usando os mesmos Seeds. Daí os arquivos finais de resultado OBRIGATORIAMENTE precisam ser iguais entre si.

Porém, se eles não baterem, só confirmaria a suspeita que o código que veio sendo usado até agora contém bugs sérios, em boa parte devido à todas as más práticas de desenvolvimento de software. E esses bugs tornam esse software NÃO-DETERMINÍSTICO.

O código fonte está no GitHub, se você for programador, convido todos a fazerem o mesmo que eu: avaliar o código e se possível escrutinizar ao máximo cada canto obscuro.

Porém, esse código é incompleto. Não sabemos quais resultados publicados foram gerados com qual versão desse software. Sequer sabemos como era o código original que provavelmente foi o mais usado. Também não temos os dados originais de entrada pra repetirmos as simulações e comparar os resultados.

O corolário é que infelizmente precisamos duvidar de tudo que já foi divulgado sobre esse modelo até agora até que as peças que faltam sejam divulgadas. E este é um exemplo de mau código e mau gerenciamento de lifecycle de software, que não deve servir de modelo pra nenhum projeto de software.

Com o que temos até agora divulgado não é possível concluir com 100% de certeza nem que a implementação está correta e nem que está errada, porque faltam as peças que eu disse. Mas com as divergências que temos visto, e com a qualidade do software que acabei de explicar e que vocês podem ver com os próprios olhos, também não é uma impossibilidade acreditar que os resultados gerados por este software estejam errados em algumas ordens de grandeza.

Atualização: tenho visto muitos feedbacks deste post depois que publiquei dizendo coisas do tipo “o mundo acadêmico os códigos são assim mesmo, é normal ser sujo, isso não importa”. E de fato, eu sei disso e não teria nenhum problema se a execução desse código fornecesse resultados consistentes todas vezes. Mas a partir do momento que se determina que os resultados não são confiáveis, e não tem como ler no código onde está o erro por causa da sujeira, aí temos um problema.

DESCRIPTION

Errata:

Em 8:20 eu somei errado 🤦‍♂️ a soma devia dar 108722. Akita não sabe fazer soma kkkkk

Na história do xadrez eu falei errado 230 toneladas em vez de 230 milhões de toneladas. Mas mesmo assim seriam 2 mil anos de produção pra chegar nos 18 sextilhões :-D

Hoje vai ser mais um vídeo realmente longo porque eu quero dar uma repassada por tudo que você precisa saber pra entender o que é computação quântica e finalmente conseguir ter uma idéia do que significa a “Supremacia Quântica” que o Google diz que conseguiu alcançar semana passada.

Vou aproveitar pra retornar à introdução da computação pra quem é iniciante ter uma idéia do que de fato é um computador, onde estamos na evolução, qual a relação com coisas como GPUs, como as coisas estão evoluindo e onde computação quântica se encaixa nisso.

E enquanto eu falar sobre computação quântica vamos tocar nos assuntos que muitos esperam ver como a resposta da IBM refutando o que o Google clamou, os algoritmos quânticos que podem quebrar os algoritmos de criptografia e o que isso tudo realmente significa.

E mesmo com mais de 1h de vídeo eu ainda não vou ter tocado no pico do iceberg. Eu pesquisei vários lugares e escolhi alguns links pra vocês estudarem também mas isso deixou a descrição tão longa que o YouTube! reclamou do comprimento kkk então eu compilei tudo num Gist:

• Links de Referência (https://gist.github.com/akitaonrails/9c8acc9f182b8d7fd591d724fdb6a387)

SCRIPT

Olá pessoal, Fabio Akita

O episódio dessa semana tá atrasado porque eu ia falar de um assunto mas nos quarenta e cinco do segundo tempo eu resolvi mudar o assunto e reescrever o script do zero. Parte do assunto original era eu rapidamente falar sobre alguns conceitos básicos de criptografia e segurança. Acho que todo mundo pelo menos ouviu falar no termo Quantum Supremacy que o Google anunciou semana passada, alguns dizem até que o preço do Bitcoin despencou 1000 dólares entre dia 23 de outubro por causa do medo de que o Bitcoin estivesse com os dias contados. Claro, tudo exagero da mídia e o preço do Bitcoin já subiu de novo mais 2000 dólares em cima da baixa.

Na verdade, criptomoedas é o menor dos seus problemas se real supremacia quântica representasse uma ameaça hoje. Basicamente toda encriptação assimétrica, de tudo, teria chances reais de ser quebrada hoje. Então, se o Google atingiu a tal Supremacia Quântica, tamos ferrados então? Todos os nudes do seu whatsapp encriptado podia vazar então? Calma, não suem ainda.

A mídia não especializada, como sempre, quer vender notícias, então eles precisam colocar títulos dramáticos, exagerados e às vezes simplesmente errados. Drama, notícia ruim e fake news vende. Notícia boa não vende. Eu não sou especialista em computação quântica, pouca gente é, mas já que eu já falei de criptomoedas no canal e justamente eu estava pensando em falar sobre o tema de segurança, acho que aproveitar o embalo da supremacia quântica pra falar sobre a fundação da computação pode ser uma boa.

Primeiro, vamos definir Supremacia Quântica, que é um termo que foi cunhado pelo físico John Preskill em 2012 onde um computador quântico deveria ser capaz de executar um cálculo, qualquer cálculo na real, mais rápido do que conseguiríamos fazer no computador mais rápido que existe hoje. Agora se segurem que por 2 minutos eu vou falar um monte de jargões que você certamente não vai ter a mínima idéia do que eu tô falando, mas vamos lá:

O Google construiu um computador quântico de cinquenta e quatro qubits. O teste que foi usado pra medição é um tipo de gerador de números “verdadeiramente” aleatórios. O paper do Google diz que esse computador conseguiu executar esse cálculo com cinquenta e três dos cinquenta e quatro qubits durante 3 minutos e 20 segundos e a parte da supremacia é que o Google afirmou que levaria 100 mil computadores convencionais o equivalente a mil anos pra executar o mesmo cálculo, bem longe do que seria prático e portanto eles atingiram a definição de supremacia do Preskill. Mais especificamente o paper mostra que o experimento implementou um circuito com um depth ou profundidade 20, com 430 gates de 2 qubits e 1.113 gates de 1 qubit.

Essa notícia causou furor na mídia e a IBM entrou no drama dizendo que o resultado é bom mas não é tão dramático assim. E que se usar o Oak Ridge Summit, o super computador da IBM que ocupa o espaço de 2 campos de basquete com seus 250 petabytes de espaço em disco, eles poderiam escrever os 9 quadrilhões de amplitudes em disco, quebrando a premissa de escrever o vetor inteiro em uma simulação de tipo Schroedinger pra uma simulação de Schroedinger-Feynman fazendo trade-off de espaço por tempo. E fazendo isso, em vez dos mil anos que o Google disse que ia levar, o IBM Summit poderia simular o mesmo cálculo em algo próximo de dois dias e meio, que é uma ordem de grandeza muito menor.

Hahahaha, se você entendeu 100% de tudo que eu falei até agora, parabéns, que diabos você tá fazendo aqui neste canal? Agora, se como eu você entendeu só uma parte ou praticamente nada, eu quero tentar explicar em mais detalhes. Preciso começar pedindo desculpas porque o script de hoje não é 1% do que eu gostaria de escrever. Porém, ele seria 100 vezes mais longo e levaria semanas pra eu escrever. Se vocês forem nas descrições do vídeo abaixo e ver a quantidade de coisas que eu linkei pra vocês, não é metade do que eu estudei pra escrever esta versão. Eu peguei emprestado muita coisa de muitos canais muito bons que eu vou mostrando ao longo do video. Sério o assunto é denso demais pra só em uma semana eu virar expert no assunto. E mesmo ainda nem comecei, é um assunto extremamente fascinante que eu provavelmente vou continuar estudando daqui pra frente.

Antes de entrar na parte sobre computação quântica, como eu sei que tem muitos iniciantes assistindo, eu vou fazer uma tangente em computação clássica e apresentar algumas coisas que todo programador já deveria saber, todo cientista ou engenheiro da computação já sabe, mas se você é autodidata ou fez um curso que não é de análise de software ou sistemas de informação, talvez nunca tenha visto ou só viu muito por cima. Não se preocupem não vou me alongar demais nisso, só relembrar alguns conceitos muito básicos.

Vamos lá, sendo hiper simplista. Toda a revolução da computação começa com um conceito muito simples. Um bit. Pra qualquer pessoa normal que aprendeu na escola a calcular tudo com sistema numérico de base 10 é bem estranho ter intuição sobre outras bases. Mas base 10 é o mais intuitivo, temos 10 dedos nas mãos. Um computador não tem 10 dedos, ele tem só 1 dedo, que antigamente nos primeiros computadores poderia ser uma válvula. Na verdade qualquer coisa que consiga guardar dois estados serve como bit. Pode ser uma lâmpada, ligado representa 1, desligado é 0. Pode ser um interruptor, ligado e desligado. Assumindo que conseguimos criar um sistema com vários desses dispositivos em série, podemos armazenar um dado em binário.

Por exemplo, se tivéssemos oito interruptores em série e quiséssemos armazenar o número 42 em base 2 você vai dividindo o número 42 por 2 e vai acumulando o resto, e a sequência dos restos é o número em base 2 ou binário. Então no caso 42 é 1 0 1 0 1 0. Uma sequência de 8 bits é o que chamamos de um byte. Em um byte podemos representar a combinação de dois elevado a 8 números, que dá um máximo de até duzentos e cinquenta e seis números. Cada um bit que adicionamos dobra a quantidade de números que podemos representar. Então se fosse uma sequência de 9 bits seria 2 elevado a 9 que é 512.

Existe uma lenda indiana ou algo assim sobre o inventor do tabuleiro de xadrez. Ele mostrou pro imperador da Índia que ficou tão impressionado que ofereceu uma recompensa. E o tal criador disse que só queria um grão de arroz pra começar e pra cada casa do tabuleiro ele queria que a quantidade fosse dobrando. Então dois grãos pra segunda casa, quatro grãos pra terceira casa, oito grãos pra quarta casa e assim por diante, acumulando os das casas anteriores claro, até a casa sessenta e quatro do tabuleiro. O imperador pensou como qualquer um assistindo aqui pensaria: ah, isso é uma miséria de arroz e aceitou.

Mas daí o tesoureiro voltou pro imperador alguns dias depois falando: fodeu, você prometeu uma quantidade de arroz absurda. Seria mais de 18 sextilhões de grãos. O Brasil inteiro produz mais de 230 toneladas de arroz. 100 grãos de arroz pesa 2 gramas e meio. Isso dá 9 bilhões de grãos. Ou seja, se eu não errei a conta, o Brasil sozinho levaria 2 bilhões de anos pra produzir os 18 sextilhões que o indiano ficou devendo. Detalhe, a Terra tem 4 bilhões e meio de anos. Não é intuitivo se você não está acostumado, mas esse exponencial rapidamente. Contei essa lenda pra vocês terem uma noção na cabeça sobre grandes números, dimensões que você não tem muita referência no dia a dia. Mas se um dia te oferecerem um milhão de dólares ou, um centavo todo dia, sendo dobrado todo dia durante um mês, escolha a segunda opção.

Mas voltando, a representação binária tem algumas vantagens na hora de representar cálculos aritméticos. Relembrando aritmética clássica, somar dois números inteiros é simples. Você coloca um em cima do outro e vai somando o número de cima com o de baixo, se der maior que 10 você tem o “vai 1” pra cima do logo à esquerda, você agora tem três números pra somar, e vai fazendo isso. Com binário é exatamente a mesma coisa.

Agora, num mundo onde você tem bits, como fazer uma máquina binária calcular, por exemplo, a soma de dois números binários? Em cima de cálculo binário você tem toda uma gama de operações que podem ser feita com zeros e uns. Somar é uma operação mais complexa que pode ser montada com outras operações mais simples. Se você é programador já sabe algumas delas como o operador binário AND ou OR. AND é simples, se você tem um e um vai dar um, se for um e zero vai dar um, se for zero e um vai dar um e se for zero e zero vai dar zero, ou seja, AND é sempre um com exceção se for os dois zeros. O OR é diferente, é tudo zero com exceção se os dois valores forem um. Mas existe uma operação mais básica, é o que chamamos de NAND ou NOT-AND onde zero e zero é um, zero e um e um e zero é um, e só se for um e um vai dar zero, é o oposto do AND.

O NAND é interessante porque você pode construir todas as outras funções booleanas como AND, NOT e OR só com o NAND se quiséssemos, é uma propriedade tanto do NAND quanto do NOR que é o NOT-OR. Essas operações podem ser construídas com transistores num circuito, o que chamamos de gates ou portas lógicas em eletrônica e lógica booleana. Quando falamos de lógica, é aqui que começamos. Toda porta lógica tem uma ou duas entradas e uma saída. Pense em portas como funções que tem argumentos e retorna resultados. Podemos compor uma porta com outra gerando novas portas, assim como fazemos com funções. Uma porta NAND é feito com uns 4 transistores, uma porta NOT com 2 transistores e assim por diante. Se você ligar a saída de uma porta NAND com a entrada de uma porta NOT você tem a porta AND por exemplo.

Se você estudou lógica booleana conhece essas operações. Se não, estude, isso é super fundamental. Vamos voltar pra soma de números. Todo mundo sabe somar números decimais. Em soma binária, toda vez que tem um e um, daria dois, mas daí não cabe no bit, então “vai um” pra esquerda e você coloca zero no bit atual. Quando é zero e um ou um e zero, daí a soma é um. E quando é zero e zero é zero mesmo. Soma em números binários é a mesma coisa. Se ignorar a parte do vai um, o que acabamos de descrever é a tabela verdade da porta XOR ou eXclusive OR então podemos começar por essa porta.

Pra fazer o que se chama de half-adder ou somador parcial, podemos adicionar uma porta AND pra receber os mesmos dois parâmetros e se for um e um ele vai devolver um, e esse é o “vai um”, daí repassa os dois valores pra porta XOR e essa é a soma parcial. Agora podemos conectar duas somas parciais com mais algumas portas como XOR e pra não ficar muito longa a explicação terminamos com um full adder ou somador completo, mas de 1 bit. Pra somar números de 4 bits, conectamos 4 full adders e assim por diante.

Pense que um CPU acessível de hoje em dia tem bilhões de transistors. Assim você começa a entender como de princípios muito simples é possível programar coisas mais complicadas. A ciência da computação estuda e cria as fundações. Coisas simples como propriedades associativa e comutativa dos valores numa porta lógica. No dia a dia a gente assume que se alguma função funciona pra um ou dois valores, deve funcionar pra tudo. Mas em matemática a gente é mais formal que isso: eu preciso conseguir testar pra todos os inteiros, por exemplo, de menos infinito até mais infinito e garantir que funciona, ou quais exatamente são as exceções. Não basta dizer “é óbvio que vai funcionar”. Daí temos todas as premissas ou axiomas pra começar a provar tudo que tem em cálculo, álgebra e assim por diante.

Tudo que usamos em termos de cálculo de números binários obedece regras, e podemos demonstrar que a matemática sempre consegue prever o comportamento físico das portas lógicas montadas com transistors por exemplo. Daí temos certeza que num circuito desenhado corretamente com 100 transistors, isso vai escalar pra mil transistors ou bilhão. É difícil de explicar isso mas pense na matemática como uma linguagem, ou seja, um vocabulário e uma gramática pra descrever com precisão o comportamento físico desses materiais. Matemática eu gosto de pensar como a melhor linguagem pra descrever a natureza e o universo, nossas línguas faladas simplesmente são primitivas demais e não tem palavras suficientes pra descrever tudo, por isso é difícil de explicar muita coisa com precisão. Entenda matemática e você começa a enxergar o comportamento preciso da natureza. Guarde esse conceito.

Do transistor vamos pra portas lógicas e daí pra circuitos mais complicados, daí chegamos na arquitetura básica de um CPU e coisas como registradores, contador de programa, e operações mais complexas que são as instruções de máquinas que programamos em Assembly. Com esse Assembly podemos criar linguagens mais fáceis de programar como um C, por exemplo, e com C podemos criar todas as outras linguagens que conhecemos hoje. Cada nova camada vai facilitando o uso do computador, com o trade-off de diminuir a eficiência do uso da máquina. Mas como temos algumas dezenas pra bilhões de transistors, podemos nos dar ao luxo de tornar as linguagens mais próximas do programador e mais longe da máquina.

Pra gente que é de ciências da computação, tem toda uma área que nós só aceitamos que existe e funciona, que é eletrônica. Por isso não vou nem raspar a ponta do pico desse iceberg hoje. A gente comumente ouve falar que antigamente existia válvula e depois inventaram os transistores e a revolução dos computadores nasceu. Existem décadas de história que envolve a experimentação de novos materiais e técnicas de fabricação. A gente não usa materiais como silício e cobre do nada, foram anos de experimentação. Transistores em conceito fazem a mesma coisa que uma válvula ou uma lâmpada fazem. Só que no caso em escalas de milionésimos de milímetro. Aplicando uma voltagem dá pra criar uma barreira magnética que impede a passagem de corrente, e isso chamamos de zero, ou quando ele libera essa barreira e daí passa corrente e seria um. Os transistores mais comuns hoje são os MOS ou MOSFET que é sigla pra metal-oxide-semiconductor field-effect transistor, que é o que eu acabei de explicar.

Os primeiros circuitos integrados tinham da ordem de meia dúzia de diodos, transistores, resistores e capacitores. De lá pra cá os processos de fabricação e materiais mudaram bastante e o processo atual do que se chama de VLSI ou very large-scale integration que é a idéia de criar chips ultra densos com milhões ou bilhões de transistores é o CMOS ou complementary MOS. Um Intel Core i7 de oitava geração tem da ordem de mais de 2 bilhões de transistores. Os processos de fabricação buscam soluções pra diminuir cada vez mais o tamanho dos transistores ao mesmo tempo que tentam diminuir o desperdício de energia. Novos processos de fabricação e materiais continuam sendo pesquisados, então este formato de computador não vai deixar de existir tão cedo.

Agora precisamos fazer um salto de conceitos. Primeiro vocês precisam entender teoria quântica e mecânica quântica. Estamos ainda numa fase onde a palavra “quântico” entrou no zeitgeist, todo mundo repete a palavra quântico e ninguém sabe o que diabos é um quantum. Se você quiser fazer qualquer porcaria parecer da hora, só gruda a palavra quantum do lado e já era. Não ajuda muito que Richard Feynman, um dos melhores físicos de todos os tempos, soltou a famosa frase dizendo “se você acha que entende física quântica, você não entende física quântica”. E isso levou à interpretação errônea de que nem os cientistas entendem física quântica e isso deu passe livre pra qualquer idiota achar que a interpretação de qualquer pessoa é tão boa quanto dos cientistas. E por sua vez isso abriu caminho pras bobagens que o povo de New Age e os atuais coaches quânticos repetem que nem gralhas.

Eu já disse no outro vídeo, opinião é que nem bunda, todo mundo tem um. Opiniões não tem valor por si só, só o que pode ser cientificamente demonstrado tem valor, todo o resto é capim. O meu capim vale tanto quanto o seu. E aqui vou afirmar categoricamente: a teoria quântica e mecânica quântica definem muito bem tudo o que funciona e o que não funciona. Hoje sabemos como fazer os cálculos quânticos com a linguagem da matemática, e diversos experimentos comprovam os resultados. A matemática é a única linguagem que deve ser usada. Qualquer outra coisa que qualquer um de New Age ou coach quântico inventar é 100% bullshit, bobagem, e devem ser totalmente ignorados sem nenhuma chance de absolutamente nada.

A próxima coisa que um coach desses vai dizer é que eu não consigo provar que ele tá errado na interpretação dele. E essa é outra forma de bullshit. O ônus da prova é de quem faz a afirmação, sempre. E prova não é uma historinha, ou uma “evidência” que mostra alguma correlação. O famoso “ah, mas eu conheço casos” que é a mesma coisa que bullshit. Uma evidência não comprova uma hipótese. Todo experimento científico precisa ser independentemente testado e funcionar todas as vezes. Não basta funcionar uma vez e chamar de “prova”. Funcionar uma vez é coincidência. Teorias como de Darwin, Einstein, Schroedinger e outros são consideradas sólidas porque ao longo das décadas, dezenas ou centenas de outros cientistas repetiram os experimentos de forma independente e toda vez os resultados batem, sem ambiguidade. Toda vez que o experimento demonstra uma falha, por menor que seja, a matemática inteira precisa ser revista. É que nem seu código, não adianta parecer que funciona só uma vez, na sua máquina. Coloca em produção e deixa eu ver se realmente funciona. Se quebrar, precisa arrumar o código. É o mesmo processo.

Os comportamentos quânticos só funcionam no mundo das partículas subatômicas. Quando tamos falando de coisas como eléctrons ou fótons. Elas não se manifestam nos materiais do nosso mundo macroscópico. Nós não somos “feitos de energia”, nós não temos “consciência coletiva”, não existe isso de energia do pensamento positivo ou qualquer outro bullshit assim. Não é assim que a ciência funciona. No mundo do nosso tamanho, assuma física newtoniana. No mundo cosmológico, assuma relatividade especial de Einstein. E no mundo subatômico, use mecânica quântica. É só isso. Os estudos sobre física quântica ainda não estão completos, mas na prática isso não importa muito porque os efeitos quânticos são reais e experimentalmente demonstráveis e mensuráveis. Então existem dois campos de pesquisa: a procura do “porquê” os efeitos se manifestam da forma como se manifestas e o “como” podemos usar esses efeitos na prática. Um é a física teórica e a outra é a física aplicada.

Pensa assim, faz séculos que os exploradores olharam pros céus e entenderam que era possível usar as estrelas pra se localizar e navegar na direção certa. Ninguém daquela época sabia exatamente o que eram aquelas coisas brilhantes no céu, mas você podia saber exatamente onde elas estariam a cada noite. Era possível calcular a posição das estrelas mas não era possível ainda entender o que elas eram. Eram deuses? Eram alienígenas? Eram velas incandescentes penduradas numa redoma? Levou séculos até descobrirmos que são gigantescas bolas de gás incandescentes sofrendo reações de fusão nuclear formando um corpo celestre com a força da gravidade. Física quântica é um pouco parecido, nós sabemos navegar, calcular com precisão, mas só não descobrimos ainda o que realmente são. Qualquer tentativa de interpretação vai cair na categoria de velas penduradas numa redoma.

Essa é uma das partes que eu estou mais me coçando pra tentar explicar mas eu acho que levaria semanas pra eu conseguir compilar todas as histórias do século XX inteiro em pesquisa de teoria quântica e o video teria horas e horas. Então eu vou me conter por agora. Pra quem já se interessou é a parte onde começaria falando como Max Planck encontrou a constante de Planck, como Einstein usou isso pra descobrir o efeito fotoelétrico e postular a idéia de que a luz é formada por pequenos pacotes de energia, a menor quantidade possível, que é o fóton ou quantum e, dois Nobels depois, inicia a revolução dessa nova física chamada mecânica quântica. Daí vai passar por todos os nomes que em algum momento você já ouviu falar como Werner Heisenberg, Louis de Broglie, Erwin Schrödinger, Max Born, John von Neumann, Paul Dirac, Enrico Fermi, Wolfgang Pauli, e muitos outros, até chegar na controversa interpretação de Copenhagen de Niels Bohr.

Então só acreditem que existe mais de um século de pesquisas, diversas histórias dramáticas e brigas como os papers de Einstein Podolski e Rosen e o gato de Schroedinger, o teorema de John Bell. E como o Einstein, que sem querer deu início à essa nova física, até o fim tentou demonstrar como essa teoria era incompleta, e toda tentativa dele de quebrar a teoria no final acabou colaborando pra novas descobertas que acabaram resolvendo os paradoxos que ele mesmo levantou. Como falei antes, neste momento ainda não sabemos tudo, de fato, mas é como eu falei sobre as estrelas. Hoje temos o suficiente pra aplicar o que se sabe em problemas reais. O porquê elas funcionam é o que ainda vai levar décadas ou séculos pra sabermos. Foi assim com a física clássica. Qualquer interpretação como a hipótese de existir um multiverso, é só isso, uma teoria por mais que nosso fandom pela Marvel fosse adorar se isso fosse verdade.

Neste ponto eu recomendo 4 canais que eu gosto bastante e que já gravaram bastante material explicando a parte da física, a parte da matemática e as aplicações. Vou deixar os links nas descrições abaixo mas são as playlists sobre mecânica quântica dos canais MinutePhysics, PBS Space Time e Infinite Space, o excelente 3Blue1Brown e o reconhecido Veritasium. Tem outros ainda mas pra começar, esses são suficientes, são várias horas de diversão. Mas não dá pra resumir tudo isso em 15 minutos, infelizmente.

Caindo em computação quântica, vamos começar do começo, como você constrói um qubit? Pegando emprestado a explicação do canal Veritasium, por exemplo, com átomos de fósforo em um cristal de silício bem do lado de um transistor. Esses átomos tem um spin, como você já deve ter aprendido no colegial em física eletromagnética. Spin pra cima e spin pra baixo como chamamos. Pra resetar a orientação do spin desses átomos pro estado de menor energia, spin pra baixo, você precisa de um campo elétrico de um supercondutor. Pra mudar o spin você aplica energia, e não precisa de muito, só o calor ambiente já seria suficiente pra fazer esses átomos ficarem mudando de spin que nem doido. Por isso você coloca esse aparato num ambiente com hélio líquido, completamente isolado, pra chegar em temperaturas de frações de 1 Kelvin, quase perto do zero absoluto. E agora, pra mudar o spin de forma controlada de um átomo de cada vez, você envia microondas numa frequência específica.

Agora, existe uma interação entre um portal de elétrons do transistor de silício que reage com o átomo de fósforo e aplicando frequências específicas é possível medir esse átomo. Mais do que isso, podemos mudar e medir o spin do núcleo de um átomo de fósforo. O spin desse núcleo pode ser medido e visto num osciloscópio, indiretamente através da interação com um elétron. O núcleo é mais estável e mais isolado que um elétron e consegue conservar esse spin por um período de tempo considerável e com isso conseguimos armazenar um valor 1 ou 0 nele, como num transistor tradicional. Esse núcleo é o qubit. Veja o vídeo do Veritasium pra mais detalhes mas o importante é dizer que já conseguimos manipular um núcleo do átomo de fósforo individualmente pra encodar bits.

Agora você vai precisar acreditar no que eu falei antes: no um século de evolução da física quântica e os efeitos que já sabemos que funciona e são controláveis. Esse qubit obedece as leis da mecância quântica e conseguimos realizar algumas operações nele. Uma delas é mudar o spin pra cima ou pra baixo de forma controlada e que podemos ler depois. Então sabemos como encodar valores binários numa cadeia de qubits. Podemos fazer mais. Podemos colocar o qubit num estado de superposição. Esse é o estado que todo mundo coça a cabeça pra entender. É o tal estado do gato morto vivo de Schroedinger. O gato tá vivo ou morto dentro da caixa? Isso é um exercício teórico e tem mais a ver com a substância radioativa dentro da caixa que seria o gatilho pra matar o gato do que o gato em si. Mas falando puramente de forma simbólica, a resposta é que ele não tá nem vivo nem morto, o que significaria mais exatamente um estado 100% vivo ou 100% morto. Em matemática não existe “mais ou menos”, é sempre um estado definido nem que seja probabilístico. Então o gato, ou mais precisamente o átomo da substância radioativa, está num estado probabilístico 50% vivo e 50% morto.

“Mas isso quer dizer o que?” e a resposta é: não importa, esse é o estado seja lá o que na realidade isso signifique. Não existe um estado desse na nossa realidade macroscópica por isso nos falta vocabulário pra descrever, mas matematicamente é um estado bem definido. Era o grande problema do Einstein e Schroedinger, de que é difícil conciliar a realidade macroscópia com a matemática quântica, por mais que na matemática faça sentido. É como se fosse um terceiro estado, que seria uma range de probabilidades entre os dois estados. Só faz sentido dizer se é vivo ou morto depois de medirmos e ver se depois de abrir a caixa o gato de fato está vivo ou de fato está morto. Mas não é que o estado já existia e a gente só não estava conseguindo ver. Esse estado não tem localidade e nem causalidade, é um estado não determinístico real. Verdadeira aleatoriedade. Antes de abrir a caixa ele é indefinido. Por isso é melhor evitar metáforas com o mundo real o quanto possível. Sem a matemática pra descrever, vira essa história mal contada de gato morto ou vivo indefinido.

Esse conceito é importante porque toda vez que ouvir falar de superposição vai ouvir esse palavreado de “medir” e “colapsar”. O que não é intuitivo pra mim e acho que pra muita gente é, Beleza! Digamos que eu engula esse estado completamente aleatório que pode ser 50% 1 ou 50% zero. Como eu faço cálculos com isso? Existem outros mecanismos que você precisa entender. O próximo é o também controverso entanglement. Você pode colocar dois qubits em superposição e depois em entanglement. Daí quando você medir um deles - que vai causar o colapso do seu estado pra 1 ou 0 -, quando medir o outro qubit ele vai estar no mesmo estado.

Se já era difícil colocar na cabeça que uma partícula pode ter um estado indefinido antes de medir, entanglement é acreditar que duas partículas podem estar correlacionadas e se manter assim mesmo se separadas. A propriedade do entanglement é que uma vez correlacionadas eu posso separar as duas e “transportar” pra muito longe. No exato instante que eu medir uma a outra automaticamente vai tá no mesmo estado quando for medido. Ou seja, se antes de medir elas tavam numa superposição de 50% de chance de ser um ou 50% de chance de ser zero, quando eu medir a primeira e der um, a outra partícula só tem 100% de chance de ser um.

Mas cuidado, isso não é uma comunicação, ou seja, não existe a possibilidade da primeira partícula, depois que medimos e colapsamos seu estado tenha enviado essa informação pra segunda partícula. Ou seja, não existe possibilidade de um Skype quântico. Essa foi uma controvérsia que Einstein odiava porque se fosse esse o caso a informação teria que viajar mais rápido que a velocidade da luz. E nada viaja acima da velocidade da luz, é impossível. Mas então, pelo senso comum, as partículas já teriam que ter “combinado” antes de serem separadas qual seria o estado final no colapso. Mas é o que o teorema de John Bell já provou que não é o caso, ou seja, existe um experimento que prova que não haveria como as partículas terem qualquer informação do estado final antes de medirmos.

Novamente, essa é uma das partes onde não vamos chegar em lugar nenhum se ficarmos especulando se a estrela é uma vela pendurada numa redoma no céu ou o quê. Ainda não temos informação suficiente pra afirmar nada. Só podemos afirmar que é exatamente isso que acontece. Já foi testado exaustivamente, de forma independente. Por exemplo, em 2017 um experimento chinês foi capaz de colocar dois fótons em superposição e entanglement e enviar um deles via um laser pra um satélite a mais de 1200 km de distância e realizar a medição e o colapso. Vários desses experimentos já foram feitos. Vamos só aceitar que superposição e entanglement existem. Nos vídeos dos canais que eu recomendei eles explicam em mais detalhes sobre isso também.

Aliás, só pra finalizar os efeitos não intuitivos. Uma vez tendo essas propriedades você acaba tendo teletransporte também. - O que, ah, vai se fuder, tá de brincadeira, isso é Star Trek agora puta que pariu - ufff Pois é! É possível um efeito de cut and paste ou “recortar e colar”. É possível teletransportar o valor de um qubit pra outro qubit de forma destrutiva, ou seja não é um clone, é uma teletransporte. Por exemplo, Alice e Bob podem ter dois qubits pré-entangled. Daí Alice prepara um terceiro qubit e faz entanglement com o dela. Ela prepara um payload qualquer e ao medir os dois é feito o teletransporte desse payload - cujo valor é destruído nesse instante - pro do Bob através do pré-entanglement que eu falei que já tinha entre os qubits da Alice e do Bob, que vai funcionar como um cabo de rede entre os dois.

Pronto, fodeu, ficou bem abstrato isso. Vamos ver na prática como isso poderia funcionar. Pois bem, esse é o diagrama do circuito de três qubits em entanglement. Aqui temos os qubits de Alice e Bob sendo colocados em entanglement. Agora temos a preparação do payload no terceiro qubit. Agora a Alice faz o entanglement do qubit do payload com o qubit dela. E finalmente teletransportamos o payload pro Bob. É literalmente como se fosse um recortar e colar, sem um intermediário fazendo isso. E no passo final o Bob pode verificar que de fato o payload chegou nele.

Isso que você tá vendo é como representamos um circuito quântico. Cada linha representa um qubit e temos 5 deles. Cada um desses quadradinhos é uma quantum gate ou o equivalente a uma porta lógica de um computador clássico que eu expliquei lá no começo. Temos portas como X ou Y ou Z que são portas de Pauli. Basicamente o X faz um bitflip como uma porta lógica NOT. O H é um Hadamard que se eu entendi direito coloca o qubit em superposição. O mais comprido que puxa uma linha entre dois qubits com um sinal de mais no meio é uma porta chamada CNOT ou controlled NOT, e na prática ele coloca os dois qubits em entanglement. No final onde temos um ícone que parece um medidor, e é justamente isso, a operação que faz a medição do qubit não é uma porta lógica porque um requerimento pra ser uma porta lógica é que toda operação quântica seja reversível. Esse princípio é matematicamente importante, mas pra gente basta entender agora que dizer costuma ser o fim do circuito.

Esse diagrama é uma representação visual de um código, que é escrito no formato OpenQASM. E o que diabos é isso que eu tô mostrando? Esse é o site IBM Q Experience. Eles tem uma plataforma online com documentação explicando alguns conceitos e eles tem online tanto um editor pra você montar seus próprios circuitos quânticos visualmente ou via código, e rodar tanto num simulador quando em computadores quânticos de verdade! Claro que versões fraquinhas de no máximo 5 qubits e alguns com taxa de erro elevada. Mas dá pra brincar um pouco, é como se você estivesse montando um circuito eletrônico num simulador com o CircuitLab onde você pode montar circuitos tradicionais com portas lógicas, como a máquina de somar que mostrei no começo.

Se você tem interesse em molhar os dedos no básico, pode baixar o Qiskit que é um projeto open source feito em Python, onde você pode escrever programinhas em OpenQASM como mostrei antes e rodar localmente na sua máquina ou conectando no simulador da IBM. Uma coisa que talvez você não sabia é que é possível simular qubits num computador tradicional. Obviamente você não consegue simular quantos qubits quiser, porque vai ficando exponencialmente mais pesado. Mas alguns poucos qubits dá. E pra aprender, com cinco qubits já dá pra testar muita coisa. Por exemplo, em computação clássica você viu que com poucos transistores você consegue montar um somador completo de 1 bit com portas lógicas tradicionais. Daí vai adicionando vários pra conseguir somar números de 8 bits e assim por diante. Mas você sabe que se funciona com 2 ou 3 bits, vai funcionar pra 8 ou 16 bits. Você consegue escrever manualmente, no papel, as tabelas verdade pra verificar.

Em computação quântica, é mais complicado. A representação na mão é feita com notação de álgebra linear. No diagrama você vê os qubits representado por essa notação estranha de um pipe, um número e um bracket de maior. Essa é a notação de Dirac pra vetores. E toda a álgebra linear, multiplicação de matrizes e tudo mais funciona. Essa portas quânticas que falei, é basicamente representado com uma multiplicação de matrizes com o vetor que são os qubits. Do ponto de vista da ciência da computação você pode visualizar as máquinas de estado dos qubits como valores num círculo - se estiver representando só com inteiros - onde cada valor é uma probabilidade da superposição. Na realidade a matemática é usando números complexos e os valores caem num espaço de Hilbert. Lembra que eu falei que em superposição você tem valores num espaço probabilístico? Pra entender a quantidade, pense em pontos na superfície de uma esfera por exemplo.

O Hello World de programar um computador quântico é justamente colocar uma porta Hadamard pra colocar um qubit em superposição e uma porta CNOT pra fazer o entanglement com outro qubit e depois medir pra colapsar o estado. Como são dois qubits temos quatro possíveis estados zero zero, zero um, um zero, e um um. Igual nas tabelas verdade das portas lógicas que expliquei no começo. Um programa quântico a gente não roda só uma vez, precisa rodar várias vezes e fazer um histograma dos resultados de cada estado. Se fosse um sistema completamente aleatório, você esperaria que saísse qualquer um dos quatro estados um quarto ou 25% das vezes. Mas como estamos com um sistema em entanglement, se rodarmos várias vezes, no exemplo, os estados zero zero e um um saem mais que os outros. Justamente porque se eu medir o primeiro e der zero, o outro em entanglement tem que dar zero também, mesma coisa com um. Os resultados zero um e um zero que aparece é devido a erro no sistema, se fosse perfeito deveriam aparecer zero vezes. Vou falar de erro depois, guardem isso.

Eu vou dizer que me falta intuição matemática - falta de prática mesmo - pra entender direito o que tudo isso significa. Intuitivamente eu consigo ter uma noção. Na prática você tá lidando com variáveis aleatórias, porém via essas portas lógicas e coisas como entanglement, você consegue influenciar coisas como a amplitude e a fase, na prática, você influencia as probabilidades dentro da superposição. Daí você roda esse programa centenas de vezes e plota num histograma, onde o sinal for mais forte é onde a barra do histograma vai ser maior, ou seja, é o resultado que aparece mais vezes. Numa metáfora de pobre, como se fosse uma moeda onde você pudesse influenciar o resultado durante o giro dela, e aí começa a ser mais cara que coroa por exemplo. Então um insight que eu não tinha é que um programa quântico não dá uma resposta absoluta como estamos acostumados em programação com portas lógicas, ou qualquer coisa em cima disso, como linguagens de programação tradicional.

O cálculo com qubits trás um resultado dentro de um espaço de probabilidades. Nós manipulamos a aleatoriedade do princípio da incerteza de Heisenberg pra conseguir manipular um espaço de possíveis probabilidades. Cada qubit pode estar num range de resultados diferentes em superposição, e com entanglement podemos conectar um qubit com vários outros qubits, formando um campo de influência. Pense como várias ondas como na física acústica, uma onda causando interferência na outra. Dois picos em duas ondas, uma amplifica a outra, duas ondas inversas, uma cancela a outra. E se configurar essas portas quânticas corretamente você começa a ter a possibilidade de fazer cálculos com vários estados em superposição, ao mesmo tempo, o que leva à conclusão que computadores quânticos poderiam resolver problemas em uma ordem de grandeza menos tempo; problemas que hoje, em computadores tradicionais, levaria tempo exponencial.

Pra entender um pouco mais da matemática dessa representação eu recomendo começar com estes vídeos da série da PBS Infinite Space falando sobre a matemática por trás dos qubits. E depois ver essa apresentação da Microsoft de computação quântica pra cientistas da computação, onde é explicado passo a passo como fazer cálculos com os vetores e matrizes na mão com algumas portas quânticas mais simples e como, com isso, você consegue implementar um algoritmo muito simples, como o Deutsch Oracle.

Falando em algoritmos, os primeiros exercícios como o Deutsch Oracle, Deustch Josza, Simon começaram a aparecer no começo dos anos 90. Lembram que falamos bastante sobre a natureza da função de onda e como ela descreve o possível espaço de resultados? Se falamos de ondas você que é engenheiro vai se lembrar de Fourier. Fourier pode ser usado pra centenas de aplicações que vai de processamento de sinais até bioengenharia. Recomendo assistir o vídeo do 3Blue1Brown que explica visualmente como a transformada de Fourier funciona pra separação de ondas e coisas como limpeza de barulhos, especialmente de barulhos com períodos constantes, como o barulho do motor de avião, que é a base de como cancelamento de barulho ou noise cancelling avançado funciona em fones de ouvido bons. E existe uma implementação chamada tranformada quântica de Fourier. Ela não é exatamente o equivalente do Fourier tradicional, mas serve para vários casos.

Em particular ela permite o algoritmo de Shor, inspirado no algoritmo anterior de Simon. Esse é o temido algoritmo que chamou a atenção do mundo pra computação quântica e causou furor quando foi publicado pela primeira vez nos anos 90. Se não me engano o primeiro algoritmo com potencial uso real que poderia mudar a forma como usamos computadores. O algoritmo de Shor consegue, em alguns casos, cerca de trinta e sete porcento das vezes, conseguir fatorar números inteiros nos seus fatores primos. Isso é extremamente inviável de se fazer num computador tradicional. Pegue dois números primos gigantes, digamos de dois mil e quarenta e oito bits de comprimento. Multiplique os dois. Todos os computadores do mundo podem gastar bilhões de anos pra conseguir encontrar os dois fatores primos originais.

O algoritmo não é perfeito. Você não consegue passar um número gigante e ele automaticamente cospe os fatores pra você. Na realidade você começa com um chute e com as propriedades de aritmética modular e o teorema de Fermat você consegue ir chutando números melhores que, em quase 40% dos casos pode chegar na fatoração. Eu fiquei pensando se descrevia o algoritmo aqui ou não mas acho que vai muito além do que precisa pra este episódio. O canal MinutePhysics junto com o 3Blue1Brown fizeram alguns vídeos muito bons que explicam passo a passo como é o processo pra encontrar esses fatores. E o canal PBS Infinite Space tem outro um pouco mais pesado nos conceitos que vale a pena assistir depois pra entender os passos.

Sem entender aritmética modular não dá pra entender como funciona isso de quebrar a fatoração. Mas entenda que o processo que existe hoje é basicamente brute force, testar um número atrás do outro. Com as características de superposição, entanglement, e aplicando a transformada quântica de Fourier, é possível fazer o cálculo que levaria centenas de anos em alguns minutos. Hoje em dia o algoritmo de Shor já foi executado em computadores quânticos de verdade e conseguiu fatorar os números 15 e 27 que é o atual recorde. Tá beeeem longe ainda de um número de 2048 bits. A razão toda de porque todo mundo ficou histérico com a afirmação do Google ter alcançado Supremacia Quântica é a possibilidade deles conseguirem usar o algoritmo de Shor na prática com mais qubits.

Recapitulando o que eu disse no começo.”O Google construiu um computador quântico de cinquenta e quatro qubits.” - E agora você sabe o que é um qubit. - “O teste que foi usado pra medição é um tipo de gerador de números “verdadeiramente” aleatórios.” - e agora você tem uma intuição do verdadeiramente aleatório por causa da superposição. Diferente de pseudo-aleatório que é o que usamos em computadores tradicionais onde você produz números que estatisticamente parecem aleatórios mas na realidade não são. “O paper do Google diz que esse computador conseguiu executar esse cálculo com cinquenta e três dos cinquenta e quatro qubits” - guarde esta informação - “durante 3 minutos e 20 segundos e a parte da supremacia é que o Google afirmou que levaria 100 mil computadores convencionais o equivalente a mil anos pra executar o mesmo cálculo, bem longe do que seria prático e portanto eles atingiram a definição de supremacia do Preskill.” - só enfatizando, veja que foi um cálculo de muitos minutos e não instantâneo. Muita gente pensa que computador quântico é instantâneo, mas não é. - “Mais especificamente o paper mostra que o experimento implementou um circuito com um depth ou profundidade 20, com 430 gates de 2 qubits e 1.113 gates de 1 qubit.“ - Essa profundidade é a quantidade de portas quânticas na maior sequência, que nem você viu no diagrama que mostrei antes pra teleportação ou hello world. Quatrocentos e trinta gates de 2 qubits, seria como uma porta CNOT pra entanglement por exemplo e mil cento e treze portas de 1 qubit seriam como o X de Pauli ou Hadamard ou Phase Shift e outras portas lógicas, todas de um qubit.

No segundo parágrafo da citação eu falei o seguinte: “Essa notícia causou furor na mídia e a IBM entrou no drama dizendo que o resultado é bom mas não é tão dramático assim. E que se usar o Oak Ridge Summit, o super computador da IBM que ocupa o espaço de 2 campos de basquete com seus 250 petabytes de espaço em disco, eles poderiam escrever os 9 quadrilhões de amplitudes em disco, quebrando a premissa de escrever o vetor inteiro em uma simulação de tipo Schroedinger pra uma simulação de Schroedinger-Feynman fazendo trade-off de espaço por tempo. E fazendo isso, em vez dos mil anos que o Google disse que ia levar, o IBM Summit poderia simular o mesmo cálculo em algo próximo de dois dias e meio, que é uma ordem de grandeza muito menor.”

Em resumo, eu falei que eles usaram cinquenta e três qubits nesse cálculo que é um espaço de 2 elevado a cinquenta e três e isso dá 9 quadrilhões de valores possíveis. Transformando isso em petabytes seria uns 8 petabytes, ou seja, poderíamos literalmente escrever um a um todos os valores possíveis em disco e colocar no storage de duzentos e cinquenta petabytes. Daí em vez de computar os valores podemos buscar o valor no disco. Eu estou simplificando bastante, claro. Isso é bem menos trivial do que parece só dizendo. Por exemplo, parece que o IBM Summit consegue escrever em disco na velocidade de 2.2 terabits por segundo de dados sequenciais, algo em torno de 275 gigabytes por segundo.

Pra escrever 8 petabytes, sem processar nada, só escrever sem parar, ia levar nada menos que 9 horas só pra escrever. Por isso eu imagino que o argumento da IBM seria que levaria 2 dias e meio em vez dos mil anos que o Google falou, é o tempo de computar e gravar todos os valores em disco, o jeito mais brute force possível. Mas isso é o tempo mais otimista possível usando o valor que é o pico de velocidade e você sabe que nenhum drive consegue sustentar o pico o tempo inteiro. Digamos que ele decaia pra na média metade da velocidade. Já aumenta o tempo pra quase um dia inteiro só escrevendo os dados todos! Em resumo o argumento da IBM tem alguma lógica mas até ser experimentado é só uma teoria. E considere que são 2.5 dias usando o supercomputador mais rápido do mundo em máxima capacidade só pra cuspir um número aleatório. Pense em quanto isso custa.

Se você seguiu com atenção até agora você tem uma intuição de como começa o que o Google fez. Mas temos o problema do erro que eu falei pra você guardar na cabeça, lembra? Cinquenta e quatro qubits parece bastante coisa, porém as chaves que usando hoje pra criptografia assimétrica com algoritmos como RSA tem tamanho de 2048 bits. Se eu não entendi errado, seria necessário no mínimo essa quantidade de qubits funcionando em entanglement ao mesmo tempo pra se fazer o cálculo, a menos que seja possível particionar o problema. Na minha falta de matemática, eu chutaria que não dá porque estamos procurando fatores primos desse comprimento. Pra particionar precisaria haver uma forma de fatorar esse primo, o que obviamente não é possível, portanto você precisa procurar o número inteiro de uma vez só. E isso é literalmente metade do problema.

A parte importante é quando eles falaram que 1 dos qubits não funcionou, então o cálculo foi feito com cinquenta e três qubits. Esse é o calcanhar de Aquiles de toda a computação quântica. Lembram que eu descrevi como um qubit fica totalmente isolado, mantido a quase zero absoluto, num ambiente o mais livre de interferência possível? Qualquer coisa pode excitar o núcleo e mudar o spin dele ou pior, tirar o núcleo do estado de superposição. Uma partícula em superposição colapsa no instante que alguma coisa observa ele; e o ambiente está constantemente tentando observar a partícula. Micro vibrações, campos eletromagnéticos, fótons, outras partículas subatômicas, qualquer coisa que chegar perto pode flipar esse núcleo. Então nesse momento o que se consegue construir é extremamente frágil. E eu disse que o núcleo consegue manter seu estado por mais tempo, mas esse tempo não é dias ou horas, pode ser minutos ou segundos. Quanto maior a profundidade de portas quânticas, maiores as chances de um dos qubits colapsar no meio do caminho e você tem que começar tudo de novo. Existe um efeito chamado “crosstalk” onde um qubit por causar interferência no outro também.

Decoherence ou decoerência é quando um qubit em superposição é colapsado nos bits clássicos antes do tempo por exemplo. Ou quanto o entanglement falha. E como eu disse qualquer coisa pode causar isso. O sistema precisaria estar 100% isolado pra garantir coerência permanente. Só que você precisa conseguir enviar microondas e ler os resultados, em algum momento você precisa causar decoherence pra ler o resultado, por exemplo e isso torna o sistema aberto com o ambiente. A maior quantidade qubits que já se colocou junto é no computador da D-Wave que já tem 2048 qubits mas ele não é igual os computadores da IBM ou do Google, a princípio ele não é universalmente programável, é hardcoded pra operações específicas e teoricamente não é capaz de rodar o algoritmo de Shor.

Sobre o mínimo necessário de qubits, na realidade é mais do que parece. Segundo algumas estimativas, com a implementação do algoritmo que se sabe fazer, seria necessário no mínimo 4000 qubits pra conseguir quebrar os algoritmos de chave pública que usam o conceito da dificuldade de fatoração de inteiros. Isso é o que teoricamente quebraria o mecanismo de troca de chaves que usamos hoje. Estamos falando especificamente de RSA e Diffie-Hellman. Troca de chaves é o que acontece toda vez que você conecta num site com certificado SSL ou TLS ou quando você se conecta via SSH em algum servidor. Esse sistema normalmente é usado pra autenticar a identidade dos participantes e depois pra trocar um segredo entre eles. Esse segredo é usado em algoritmos simétricos como RC4 e AES pra de fato realizar a encriptação da comunicação.

Pra entender esse conceito recomendo assistir os seguintes vídeos do Computerphile e da PBS Space Time que explica em mais detalhe. Talvez eu faça um vídeo resumindo esses conceitos depois. Mas entenda que RSA é um sistema de encriptação assimétrica cara. Por custar caro ela não é usada comumente pra encriptação dos dados em si. Ela é usada pra autenticar as partes e daí trocar uma chave simétrica, que tem tempo de duração curta, e que daí é usada por algoritmos como RC4 ou AES pra encriptar a comunicação num comunicador por exemplo.

AES, que é um algoritmo de encriptação simétrica, ou seja, uma função reversível, é que você usa pra encriptar e decriptar os dados da partição do seu disco por exemplo. É literalmente inquebrável. O algoritmo de Shor não vai quebrar ela. E ainda não tem um algoritmo conhecido que possa fazer isso. O problema que se encontra no AES é sempre na implementação, algum bug que expõe a chave simétrica que deveria ser secreta. Por exemplo, ficou sobrando na memória RAM e um malware consegue interceptar da memória. Ele não quebrou o AES, ele só roubou a chave que ficou na memória por engano. Por isso mesmo eu sempre falo: jamais tente implementar um algoritmo como RC4 ou AES você mesmo pra usar em algum projeto seu, você necessariamente vai implementar errado. Mesmo quem tem anos de experiência implementa errado, você que nunca fez isso vai com certeza absoluta implementar errado. Eu implementaria completamente errado. Faça como exercício mas jamais pra usar de verdade. Pra isso já existem bibliotecas abertas que já foram escrutinizadas por milhares de pessoas e tem maior garantia que funcionam como no clássico OpenSSL ou nos mais recentes como libsodium.

Só pra ninguém comentar que esqueci de mencionar. Algoritmos de encriptação simétrica como AES poderiam sofrer ataques usando o algoritmo quântico de Grover, que poderia ser usado pra aumentar muito a velocidade numa pesquisa num banco de dados não indexado por exemplo. Ou a definição que mais interessa que seria inverter uma função, por exemplo uma função de encriptação simétrica pra fazer ela decriptar. Porém Grover não é mágica, é um algoritmo que trás uma aumento quadrático em velocidade se comparado com o que temos hoje, mas mesmo isso não é suficiente se a chave for grande o suficiente. Hoje usamos AES-256 bits como o mais seguro, bastaria dobrar pra 512 ou até 1024 e nem um computador quântico conseguiria quebrar. Esse é o poder da exponenciação. E falando especificamente de criptomoedas ainda não há indícios que computação quântica poderia comprometer os algoritmos atuais e mesmo os mais paranóicos já tem altcoins que usam algoritmos teoricamente mais resistentes a uma eventual real supremacia quântica. O IOTA é um deles.

O campo de estudo de algoritmos quânticos ainda está no começo. Existem poucos algoritmos ainda. Com as características e potenciais de reduzir processamentos com complexidade exponencial em uma complexidade menor tipo logaritmica, isso abre a fantasia pra resolver diversos problemas que hoje custa muito caro ou é simplesmente inviável num computador tradicional. Por isso se fala em aplicação na indústria genética ou farmacêutica pra simular moléculas e drogas de forma melhor. Mas isso é como sonhar com as possibilidades de renderização 3D em tempo real em 4K quando o transistor nem foi inventado ainda. Estamos a décadas de distância disso.

A realidade parece ser mais a seguinte: todo o futuro da computação quântica depende de alguém descobrir como reduzir drasticamente o problema de noise e decoherence pra ser prático colocar milhares de qubits em superposição e entanglement e o sistema inteiro não colapsar antes do tempo. Não existe um jeito padrão eficiente de fabricação como temos CMOS e MOSFET pra transistores hoje em dia. Estamos realmente nos primeiros dias ainda. Por isso é um campo extremamente interessante e fascinante. Eu mesmo já tô viciado em estudar a respeito. Eu tive que me forçar a parar pra escrever o script de hoje porque tem centenas de coisas que eu ainda não entendi direito e queria conseguir verbalizar melhor. É como se eu estivesse em 1948 quando o transistor acabou de ser inventado. Ninguém tinha idéia de pra onde podia ir. Os transistors originais eram feitos do elemento germânio, só depois descobriram que silício era melhor. Qubits é a mesma coisa, eu mencionei átomos de fósforo, mas não é o único elemento viável. E nem a forma de fabricação com cristais de silício. Tem muito chão pela frente ainda.

Quando o Google anunciou a Supremacia Quântica, nós que nos inserimos dentro das ciências da computação ficamos otimistas na possibilidade de vermos um uso prático de computação quântica ainda dentro do nosso tempo de vida, ou seja, antes de morrermos. Por isso eu chuto que estamos a algumas décadas de distância de começarmos a usar em alguma escala útil em vez de só experimental e acadêmico como é hoje.

Se um computador quântico de 4000 qubits existisse hoje, poderíamos descobrir chaves privadas de algoritmos como RSA hoje. Mas como eu disse estamos longe disso. Mas até esse computador existir, o resto do mundo não está parado. Já existem diversos estudos de algoritmos pós-computação quântica. Algoritmos que não usam a dificuldade de fatoração de números primos ou problemas de logaritmos discretos ou problemas de logaritmos discretos de curva elíptica.

Como última tangente, nos últimos 5 anos atingimos um teto na Lei de Moore que você já deve ter ouvido falar, que inclusive não é uma lei mas uma observação, de que a cada 2 anos você consegue dobrar o poder computacional de um processador ao mesmo preço. Mas nós batemos no teto do Gigahertz, e desde então não aumentamos os clocks com a mesma velocidade de antes. Daí começamos a ter multi-cores, primeiro com o IBM POWER4 e depois com o AMD Athlon 64 e finalmente com o Intel Core 2 Duo. Na última década também os GPUs começaram a despontar e a diferença é a densidade de cores ou o que a NVIDIA chamaria de CUDA cores. Nesse período viemos quebrando programas feitos pra rodar num único core e tentando quebrar em trabalhos que podem ser divididos em múltiplos cores tanto na CPU ou se forem trabalhos envolvendo vetores, matrizes ou tensors, que é justamente o tipo de trabalho necessário pra processamento gráfico e machine learning, usamos GPUs.

Mas nem todo trabalho é paralelizável e existe outra lei que andamos esbarrando que é a Lei de Amdahl, na realidade é uma fórmula pra calcular o máximo de melhoria de performance que podemos ter pra determinados trabalhos paralelos. Na prática quer dizer que temos um limite pros nossos algoritmos de até onde dá pra melhorar a performance só aumentando cores na máquina e você já deve ter visto isso. Vou deixar linkado abaixo o video do canal Coreteks que explica em detalhes a evolução dos processos de fabricação de processadores e as mudanças em arquiteturas e pra onde ainda vamos com isso.

Um GPU ou unidade de processamento gráfico funciona em um SIMD ou Single Instruction Multiple Data ou SIMT que é Single Instruction Multiple Threads, que é uma versão um pouco modificada de um SIMD com funcionalidade de multithreading. Comparado com um CPU ele tem muito mais cores mas cada um é muito mais simples e é mais lento. O que a quantidade de cores permite é o aumento do throughput. Mesmo que uma tarefa individual demore mais comparado a um CPU. Um GPU é tão simples que nem tem um contador de programa. Muitas threads trabalham juntos num warp que no caso de uma Nvidia são grupos de 32 threads. Então todas as threads em warp precisam estar executando a mesma instrução ao mesmo tempo.

O que ajuda a performance de uma GPU é a memória mais rápida que ela tem. GPUs normalmente tem mais banda o que ajuda a alimentar a enorme quantidade de cores com dados o suficiente pra eles não ficarem sem nada pra fazer. O que torna um GPU especial é a capacidade de ter um grande número de tarefas simples e independentes rodando em paralelo. Tradicionalmente GPUs eram usadas só pra trabalhar gráficos, já que cálculo de vetores e matrizes é particularmente bom pra processar matrizes de pixels que compõe cada frame de uma animação por exemplo. Mas com a melhoria nos GPUs e algoritmos, finalmente conseguimos programar coisas mais sofisticadas com coisas com GPGPU. Treinamento de Machine Learning é a aplicação de funções de otimização em pontos de dados que é o tipo de coisa que GPUs fazem melhor.

Porém um GPU não substitui um CPU pela limitação na sua lógica de controle, pelo menos até agora, e depende do CPU pra organizar e delegar as tarefas e dados pra ele. Mesmo GPUs, que são desenvolvidos com tecnologias similares a CPUs em termos de transistors e materiais como silício, levou décadas pra chegar no ponto que estão hoje. E se você ver os vídeos do canal Coretek vai ver que ainda tem bastante coisa que já está em desenvolvimento em relação a otimização pra aumentar ainda mais a performance e baixar o uso de energia, em particular colocar o CPU e GPU no mesmo chip e mudar de arquitetura pra ARM ou RISC V por exemplo. Ainda temos décadas de evolução em cima do que já temos.

O computador quântico eu vejo mais sendo um QPU, e o que teríamos no futuro seria um híbrido de CPUs, GPUs e QPUs. O CPU continuaria sendo o coordenador. Veja os exemplos de simuladores como o Qiskit que mencionei antes pra ver que é exatamente assim que é montado hoje: um programa tradicional conecta numa QPU virtual e manda as operações, assim como fazemos com GPUs hoje. Trabalhos facilmente paralelizáveis continuariam sendo delegados pra coisas como as GPUs do futuro e trabalhos que possam tirar vantagem das propriedades de superposição e entanglement, como a transformada quântica de Fourier, poderiam ir pra essa QPU.

Não imagine um computador quântico como sendo o substituto do computador atual. Um computador quântico não deve rodar Linux e certamente não vai rodar Crisis. Assim como uma GPU é um hardware especializado que não substitui um CPU, um QPU seria a mesma coisa. Tecnicamente ela parece ser Turing Complete mas é o caso onde tarefas triviais seriam ainda executadas melhor e de forma mais rápidas por CPUs. Então a QPU seria mais como uma terceira placa - no dia que for possível diminuir o aparato que temos hoje pro formato de algo parecido com uma placa. Na prática por muitos anos ela vai ser mais como os super computadores, como os da Cray ou o IBM Summit, computadores hiper caros pra usos específicos em agências de governo ou grandes empresas, não vai ser algo acessível pra população em geral até que façamos o salto equivalente da válvula pro transistor. Na realidade eu diria que ainda não temos o equivalente ao transistor no mundo dos qubits.

Por último, quero repetir de novo. Os comportamentos quânticos como superposição, entanglement e coisas assim só fazem sentido no mundo subatômico. E segundo a interpretação de Copenhagen não faz muito sentido ficar especulando demais a natureza por trás disso, porque ainda nem não temos elementos suficientes pra discutir. Vamos direto aos cálculos e aos experimentos que de fato funcionam. Como diria o professor David Mermim “Shut up and calculate”.

Portanto, como eu já disse no começo, esqueça qualquer coisa pseudo pop científica que fica prometendo soluções quânticas pra sua vida. Mais energia. Mais conectividade. Mais empatia ou qualquer bobagem pseudo-quântica. Guarde isso pra ficção científica. Não existe isso no mundo macroscópico. Porém, os efeitos quânticos são reais e observáveis. Seu computador, os sensores da sua câmera digital, raios laser que você usa pra operar os olhos, basicamente todo uso avançado do efeito fotoelétrico é baseado em mecânica quântica. Toda essa teoria não é só acadêmica ou experimental, nós já nos beneficiamos da mecânica quântica em tudo que é microeletrônico e em particular que trabalha a luz de alguma forma.

No canal do MinutePhysics tem outro video explicando o efeito estranho usando filtros polarizadores pra mostrar um efeito quântico com a luz. E este vídeo do canal Domain Science explica os usos na vida real em mais detalhes e vou deixar os dois linkados abaixo também. O que você precisa levar de tudo isso que eu ruminei nesse vídeo é que mecânica quântica é algo real, matematicamente calculável, e usado na prática. Semicondutores obedecem as leis da física quântica por exemplo. E computadores quânticos realmente existem, podem ser usados hoje e simulados por você mesmo em casa. Ainda não sabemos se vai ser de fato prática de ser construída e usada mas isso é especulação de futuro, algo na ordem de décadas ainda, com sorte enquanto ainda estivermos vivos.

E é isso aí, nem vou perguntar se vocês tem dúvidas, porque hoje eu não consegui nem raspar o pico do iceberg. Milhares de pessoas estão aprendendo isso em cursos na faculdade ao redor do mundo hoje, e eu sou nada além de um mero iniciante nisso. Mas, fazer seu primeiro qubit realizar uma coisa considerada ficção científica como teletransporte é fascinante! De qualquer forma, se você tem mais informações científica pra compartilhar não deixem de mandar nos comentários abaixo, se curtiram o video deixem um joinha, compartilhem com seus amigos e não deixem de assinar ao canal e apertar o sininho pra não perder os próximos episódios. A gente se vê, até mais!

Descrição no YouTube

Finalmente vou começar a estruturar um pouco minha idéia sobre “Aprendendo a Aprender” que eu venho soltando nos vídeos anteriores. Esta semana vou contar algumas histórias e matar alguns conceitos que vocês talvez ainda tenham.

Antes de começar, você precisa esvaziar seu copo, e a única forma de fazer isso é quebrar algumas coisas que você acreditava que eram verdade até agora, e só então construir em cima disso.

Muitos acreditam na noção de talento natural, alguém que já nasce com o tal “dom” ou “gênio”. Neste video quero responder uma pergunta: e se Einstein ou Darwin não tivessem existido? Teríamos ficado sem a Teoria da Relatividade e a Teoria da Evolução??

Links:

• How Einstein Ruined Physics (http://www.darkbuzz.com/herp/)

• New Book Says Einstein Highly-Overrated and Ruined Physics (https://www.sott.net/article/251049-New-Book-Says-Einstein-Highly-Overrated-and-Ruined-Physics)

• Olinto de Pretto (http://www.pax-tibi.com/olinto-de-pretto/)

• Alfred Russell Wallace letters (http://wallacefund.info/gallery?f%5B0%5D=im_field_smg_galleries%3A2471)

• AkitaOnRails [Off-Topic] Talento é Altamente Supervalorizado: Humanizando Einstein e Matando Deuses (http://www.akitaonrails.com/2017/06/08/off-topic-talento-e-altamente-supervalorizado-humanizando-einstein-e-matando-deuses)

Script

Olá Pessoal, Fabio Akita

Se você ainda não viu meus vídeos sobre faculdade e linguagens veja a playlist linkada acima e nas descrições.

Um tema que eu repito constantemente é que você aprenda a aprender. Bom, todo vídeo que fala sobre carreira fala algum clichê desse tipo: O importante é se esforçar. O importante é nunca parar. O importante é estudar isso ou estudar aquilo. O importante é a disciplina. Fuck that. Eu sei disso, você sabe disso, que diferença isso faz? Qual é a chave de verdade?

Se não ficou claro ainda, todos os meus vídeos mostram pequenos aspectos disso na prática. Daqui algum tempo vocês vão poder ver todos os meus vídeos em sequência e vão ver que eles vão se encaixando.

Mas hoje quero fazer uma pausa e contar uma história diferente.

No ano passado em 2017 eu fiquei numa discussão com o povo do escritório acerca de talento. É uma coisa que me irrita pessoalmente. Neymar, Mozart, Einstein, pense em grandes nomes do esporte, das ciências, da música, ou qualquer coisa produtiva. Você sempre vai encontrar nomes absurdamente fora dos padrões, muitos elevados ao status de semi-deus.

São nomes inalcançáveis. Se você assistir um filme biótipo ou qualquer documentário ou mesmo biografias, vai parecer que você está lendo sobre alguém que sequer poderia ser um Homo Sapiens, um Hiper Sapiens??

Eu tenho um sério problema com esse conceito. Pessoalmente eu não acredito em talentos naturais. Esse vai ser o tema do próximo vídeo

O outro ponto que muita gente levanta principalmente nas discussões políticas sobre pró ou contra aborto - que aliás, pros propósitos deste canal, não me interessa muito pra que lado você pende nessa discussão, me interessa a implicação: imagina se um Einstein não tivesse nascido. Ou se um Darwin não tivesse nascido. Você certamente já pensou isso ou ouviu isso. E se eu te disser que se Einstein ou Darwin não tivessem existido, ainda assim teríamos a mesma Teoria Geral e Especial da Relatividade e a Teoria de todas as Teorias, a Teoria da Evolução das Espécies via Seleção Natural?

(…)

Este episódio é sobre o livro do físico Roger Schlafly intitulado “How Einstein Ruined Physics” ou “Como Einstein arruinou a física”. Citando o artigo de Mark Green de 2012 para o site Sott.net. Vamos lá.

Einstein é considerado o maior gênio do mundo por ter criado a teoria da relatividade. O livro de Schlafly explica sobre a relatividade, como ela foi descoberta e como ela se encaixa na longa história de tentar entender movimento e simetria. O livro mostra que o papel de Einstein é terrivelmente mal interpretada.

Ele é famoso por ter unificado o espaço e o tempo na teoria da relatividade, e por ter revolucionado a ciência somente com puro pensamento. De fato, seu famoso paper de relatividade meramente postulou o que havia sido previamento provado, e ele mesmo nem entendia porque espaço e tempo estavam sendo unificados.

Milhões acreditam que Albert Einstein foi o maior cientista que já viveu. Obviamente soa uma enorme redundância dizer isso, certo?

O que tornou Einstein tão grande? A história é mais ou menos assim: Albert Einstein, um jovem funcionário de um escritório suíço de patentes, sozinho transformou a física de uma ciência tridimensional estática para um incrível universo de espaço-tempo quadridimensional através de brilhantes e solitários experimentos de pensamento envolvendo gravidade, movimento, espaço e tempo. Einstein também fez incursões no entendimento da natureza da luz e energia e foi o primeiro a compreender a equivalência entre energia e massa. As descobertas de Einstein não só transformaram a física moderna mas nossa visão de como vemos o universo.

Schlafly discorda. “É tudo um mito. Einstein não inventou a relatividade ou a maioria das coisas que lhe dão crédito”. Wow!

Relatividade é a culminação de uma procura antiga para entender o movimento da Terra. A história nos leva da Grécia antiga como Aristóteles, através de debates medievais sobre Copérnico e Galileo, até a procura recente por matéria negra e energia.

Schlafly faz uma revisão impressionante de contribuições que foram meio esquecidas de físicos notáveis e matemáticos. Uma pequena lista de grandes figuras incluem o matemático francês e prêmio Nobel Henri Poincare (que o filósofo britânico Bertrand Russell chamou do maior homem que a França já produziu), o pioneiro físico holandês e prêmio Nobel, Hendrik A. Lorentz, e o físico e matemático escocês James Clerk Maxwell. De acordo com Schlafly, Maxwell foi o primeiro a cunhar o termo “relatividade” e criou a primeira verdadeira teoria relativista de massa e energia. Maxwell escreveu o massivo 2 volumes Treatise on Electricity and Electro Magnetism em 1873, que na opinião de Schlafly gerou “as mais importantes equações da história da ciência”.

O tratado subsequente de Poincare sobre relatividade dá os teoremas que foram “matematicamente idênticos ao de Einstein”, diz Schlafly, e a maioria do trabalho de Poincare precede Einstein. Lorentz e Poincare tiveram todos os maiores aspectos da teoria da relatividade, e publicaram antes de Einstein", ele diz.

E mesmo assim esses monstros da ciência foram quase totalmente esquecidos enquanto a reputação de Einstein atingiu status de semi-deus, por que?

E=MC2

Como um jovem, Albert Einstein não somente viveu num tempo de explosivo crescimento na ciência de física teórica, mas seu trabalho como um físico em um escritório de patente suíço lhe deu acesso único às emergentes descobertas científicas. Durante esse tempo, Einstein aprendeu sobre o que constitui direito de propriedade intelectual. A famosa equação de Einstein E=MC2, por exemplo, na realidade foi publicado por Olin to de Pretto, um obscuro jornal italiano 2 anos antes de Einstein. Mas Einstein vai dizer que ele pensou na equação independentemente. Mas Poincare também publicou sua equação antes de Einstein.

De fato, Schlafly argumenta que Einstein pegou emprestado muitas idéias de outros e clamou para si, incluindo o postulado que a velocidade da luz é constante e também a relatividade especial, a idéia que energia e massa são intercambiáveis. “O entendimento de Einstein sobre relatividade especial .. era inferior à de Poincare”. Em cada ponto essencial da relatividade especial, Poincare publicou a mesma idéia anos antes, e de forma melhor.

Claro que ele está brincando, certo? Não, Isso Não é piada.

A timeline das descobertas que antecedem o paper de 1905 de Einstein sobre relatividade especial, no mínimo, é ampla evidência do progresso durante essa era. Isso pode explicar porque Einstein nunca recebeu um prêmio Nobel pelo seu trabalho em relatividade, já que ele nem cunhou o termo e nem fez avanços no conceito. De fato Lorentz recebeu o Nobel por seu trabalho em relatividade 3 anos antes. Não foi até 1921 que Einstein ganhou o Nobel, e foi primariamente por suas contribuições no entendimento do efeito fotoelétrico.

O conceito de movimento e tempo sendo uma “quarta dimensão” precedeu Einstein por pelo menos uma década, H. G. Wells especulou o conceito no seu romance de 1894 The Time Machine. Nesse mesmo ano Lorentz escreveu um paper cientítico onde “ele propôs o conceito de tempo local num objeto em movimento”. Poincare escreveu um tratado em 1898 e 1900 explorando o relacionamento entre movimento e tempo.

Uma popular bolha de desentendimento é que a equivalência de massa-energia expressa na famosa equação E=MC2. O relacionamento da equação com o projeto Manhatan na segunda grande guerra é um exemplo desse desentendimento.

E=MC2 não é sequer necessário para a bomba atômica. Ela não dá nenhuma pista em como dividir o átomo, ou como criar um reação nuclear em cadeia, ou qualquer dos passos necessários para fazer a bomba atômica. Relatividade não é sequer necessário para entender a liberação de energia numa bomba de urânio ou plutônio, já que essa liberação pode ser amplamente explicada por considerações eletromagnéticas. Previsões sobre massa relativistica estavam sendo testadas pelo alemão Walter Kaufmann em 1901, antes de Einstein escrever qualquer coisa a respeito.

Ufa, essa história é bizarra, certo? Leiam o livro de Schlafly para a história completa e todas as evidências. O principal: claro que Einstein era muito inteligente. Qualquer um menos equipado jamais teria entendido os trabalhos que Schlafly diz que ele pegou emprestado. Mas, isso tira muito da mitologia sobre Einstein e o trás de volta pra Terra.

Pra finalizar, vou contar outra história um pouco mais curta.

Em maio de 1831 Robert FitzRoy tinha acabado de perder ume eleição. Ele tinha esperança de um novo posto para organizar um projeto missionário à Tierra del Fuego. Em junho de 1831 ele conseguiu ser re apontado como comandante do Beagle.

Ele estava ciente do stress da solidão do comando. Ele conhecia as histórias do suicídio do Capitão Stokes e de seu tio Viconde Castlereagh, que cortou o próprio pescoço em 1822. Fitzroy falou com seu amigo Francis Beaufort, hidrógrafo pedindo para encontrar algum cavalheiro para companhá-lo na viagem. Essa companhia deveria compartilhar do mesmo gosto científico e usar a oportunidade da viagem para pesquisar história natural. Mas alguns que o Beaufort tentou recrutar recusaram, incluindo o professor J. S. Henslow da Universidade de Cambridge.

A jornada do Beagle duraria 5 anos e iria vasculhar as costas da América do Sul, eventualmente até pararia no Brasil, na Bahia, por exemplo. Beaufort conseguiu encontrar um estudante jovem, de 22 anos, que ainda estava planejando uma carreira como clérigo. FitzRoy eventualmente aprovou esse jovem Charles Darwin pra posição.

FitzRoy e Darwin ficariam nessa jornada até 1836. Essa viagem e as inúmeras pesquisas que ele faria culminariam num trabalho de uma vida inteira depois da volta. O talvez mais importante livro de todos os tempos On The Origin of Species só seria publicado 23 anos depois, em 1859.

E como diria o dito popular: o resto é história.

Ou não?

Não há dúvidas que Darwin chegou à sua conclusão de forma independente, tendo ficado 20 anos escrevendo em privacidade. Mas em paralelo a isso, também de forma independente, outro pesquisador contemporâneo estava chegando às mesmas conclusões. Este é Alfred Russel Wallace, que chegou a enviar cartas a Darwin, datadas de 10 de outubro de 1856, que incluem o artigo “On the Law which has regulated the Introduction of New Species” ou “Sobre a Lei que regulou a introdução de Novas Espécies”.

Isso causou uma crise de consciência em Darwin e o incentivou a acelerar a publicação das suas próprias pesquisas. Calma, nesse caso ninguém roubou a idéia de ninguém. E na prática a versão de Darwin estava bem mais avançada. O próprio Wallace disse que sente que Darwin merece o crédito que recebeu.

Na história recente, graças ao massivo acesso a informação - seja de boa ou má qualidade das redes sociais por exemplo - vocês vêem mais discussões acaloradas a respeito. Steve Jobs vs Steve Wozniak. Thomas Edison vs Nikola Tesla. Bill Gates e Paul Allen.

Quem é o verdadeiro gênio?

Eu gosto de grandes estórias tanto quanto qualquer um. Mas eu encaro tudo como estórias. Toda estória enaltece um personagem protagonista. Documentários também são estórias.. A História formal deve ser desprovida de julgamento e relatar fatos, mas documentários e biografias contam uma estória, um folclore, uma semi-ficção, a visão pessoal do autor do documentário ou do autor da biografia.

Lembre-se disso: uma biografia não é um relato factual, um livro de 400 páginas raramente vai ser suficiente pra relatar todas as nuances de 60 anos ou mais da vida de alguém. Eu escrevi mais de 2000 páginas sobre mim mesmo, e eu não sou ninguém, e mesmo se escrevesse mais 10000 páginas, não seria suficiente. Biografias e documentários escolhem meia dúzia de eventos e amarram num folclore, é muito simplista.

O problema disso, ao longo de décadas contando e recontando a mesma história, e reduzindo tudo em resenhas, um parágrafo aqui e ali, referências em filmes e cultura popular, e acabamos criando mitos e semi-deuses. Já diria Joseph Goebbels: “se você contar uma mentira grande o suficiente e continuar repetindo ela, as pessoas eventualmente vão começar a acreditar nela.”

Steve Jobs é nosso contemporâneo e ele já tem status de semi-deus. Resultados impressionantes? Inegável. Mas ele foi um homem do nosso tempo, longe de um semi-deus.

Meu ponto é que a história real normalmente é bem menos glamurosa.

De Einstein, ou Darwin não tivessem existido? Ainda tínhamos Poincare, Lorentz, Wallace e outros contemporâneos que não estavam num lugar certo na hora certa. Conhecimento não é algo que nasce espontaneamente, magicamente, na cabeça de um único indivíduo. Normalmente é a consolidação de décadas ou séculos de pesquisas independentes feitas por centenas ou milhares de pessoas ao longo da história. Alguém eventualmente consegue condensar esses trabalho num momento Eureka e isso cria a ruptura pra uma nova era. Se não fosse Darwin, seria Wallace, ou outra pessoa completamente diferente, em outro lugar, em outro ano, mas é impossível parar o conhecimento.

Inovação nunca é o resultado do trabalho de somente uma pessoa isolada numa caverna. Inovação, genialidade, talento, são apenas momentos numa história ininterrupta da humanidade que resolvemos apontar um nome e uma data para representar um momento de ruptura para uma nova era.

O status de semi-deus não é inatingível. Algumas vezes é uma questão de serendípede. Algumas vezes é uma questão de trabalho árduo e no próximo episódio vou definir o que esse trabalho árduo realmente significa através de um livro do pesquisador Geoff Colvin que, aliás, deixa uma frase que sumariza este episódio, de seu livro Humans are Underrated: “O tipo certo de narrativa dita por uma pessoa é mais poderosa que a lógica”

O que acharam desse episódio? Vocês já tinham esse ponto de vista? Não deixem de mandar seus comentários abaixo, se gostaram desse vídeo mandem um joinha, assinem o canal e cliquem no sininho. A gente se vê, até mais!

Descrição no YouTube

Se você acompanha as redes sociais, sua percepção é de que o mundo está cada vez pior, cada vez mais perto do apocalipse. Neste episódio vamos ver quão perto estamos chegando do fim!

Será que Thanos estava certo e precisamos exterminar metade da população do universo?

Links:

• Factfulness (https://www.amazon.com/dp/B0756J1LLV/ref=dp-kindle-redirect?_encoding=UTF8&btkr=1)
• Hans Rosling’s 200 Countries, 200 Years, 4 Minutes - The Joy of Stats - BBC Four (https://www.youtube.com/watch?v=jbkSRLYSojo)
• DON’T PANIC — Hans Rosling showing the facts about population (https://www.youtube.com/watch?v=FACK2knC08E)
• Religions and babies | Hans Rosling (https://www.youtube.com/watch?v=ezVk1ahRF78)
• The magic washing machine | Hans Rosling (https://www.youtube.com/watch?v=BZoKfap4g4w)
• Sapiens, Uma Breve história da Humanidade (https://www.amazon.com.br/Sapiens-Uma-Breve-Hist%C3%B3ria-Humanidade/dp/8525432180?tag=goog0ef-20&smid=A1ZZFT5FULY4LN&ascsubtag=go_726685122_54292137521_242594579893_pla-462820551277_c_)

Script

Olá pessoal, Fabio Akita

Este vídeo provavelmente será o único desta semana, porque em vez de quebrar em 2 episódios decidi fazer um vídeo maior. Porque considero este assunto muito importante. Quero pedir um pouco de paciência hoje, mas acho que no final vai valer a pena. Vamos lá.

O mundo hoje parece estar constantemente piorando. Estamos em 2018 e existem tantos lugares enfrentando pobreza absoluta. Muitos lugares onde as mulheres não tem chances. Corrupção escalando pra níveis vergonhosos. Guerras e conflitos sem fim. Constante medo de terrorismo, caos social, altas taxas de mortalidade infantil. Até a mãe natureza parece estar contra nós. E isso sem contar o explosivo aumento populacional. Já somos mais de 7 bilhões de pessoas na Terra e muito em breve já seremos 10 bilhões! O que vamos fazer? E, mesmo sabendo que a idéia de Thanos de acabar com metade da população pra resolver os problemas seja errado, muitos em silêncio começam a acreditar que genocídio seja uma solução!

Se você vê as notícias, o mundo parece ruim e piorando né? Pensando nisso, quero iniciar este episódio com 5 perguntas que vocês talvez já saibam as respostas. Vamos a elas:

Onde a maioria da população do mundo vive? A: países de baixa renda C: países de alta renda B: países de renda média

Nos últimos 20 anos, a proporção da população do mundo vivendo em extrema pobreza … A: dobrou B: se manteve mais ou menos a mesma C: diminuiu pela metade

No mundo todo, homens de 30 anos de idade gastaram na média, 10 anos na escola. Quantos anos mulheres de mesma idade gastaram na escola? A: 9 anos B: 6 anos C: 3 anos

Quantas das crianças de até 1 ano de idade no mundo hoje foram vacinadas contra alguma doença? A: 20% B: 50% C: 80%

Especialistas de aquecimento global acreditam que, nos próximos 100 anos, a temperatura média da Terra vai … A: ficar mais quente B: ficar a mesma coisa C: esfriar

Vamos lá, vocês já sabem as respostas pra tudo isso não sabem? Se essa introdução fez você querer desligar o vídeo antes de cortar os pulsos, não desliguem ainda, acho que você vai se surpreender …

(…)

…

HA! É lógico que não é tão simples assim. Vamos ver porque você está errado na maioria das coisas que pensa e porque a solução de Thanos não resolve o problema mesmo se fosse posto em prática.

Vamos às respostas.

2 Onde a maioria da população do mundo vive? (B: países de renda média)

Muita gente ainda pensa que o mundo é dividido em baixa renda e alta renda, pobres e ricos. No fim dos anos 70 era essa a estatística (imagem). Mas o mundo hoje vive no meio do caminho. Significa que estamos avançando.

3 Nos últimos 20 anos, a proporção da população do mundo vivendo em extrema pobreza … (C: diminuiu pela metade)

Parece inconcebível pra muita gente, parece retórica. Pense comigo: a extrema pobreza caiu pela METADE. No MUNDO. Em 20 ANOS!

10 No mundo todo, homens de 30 anos de idade gastaram na média, 10 anos na escola. Quantos anos mulheres de mesma idade gastaram na escola? (A: 9 anos)

Significa que estamos chegamos à igualdade de gêneros? Não, não. Muito longe disso. Mas significa sim que andamos um longo caminho desde a era onde homens e mulheres viviam em dois extremos completamente diferentes. E essa evolução não começou ano passado, na Califórnia, via Twitter.

Quantas das crianças de até 1 ano de idade no mundo hoje foram vacinadas contra alguma doença? (C: 80%)

Tem noção do que esse número significa? Que a enorme maioria, quase todos os bebês do mundo hoje são vacinados. É outra concepção revolucionária. Significa que quase toda a humanidade hoje tem algum acesso a serviços de saúde básicas. Mas muito pouca gente sabe disso, na média só 13% das pessoas acertam essa pergunta.

Especialistas de aquecimento global acreditam que, nos próximos 100 anos, a temperatura média da Terra vai … (A: ficar mais quente)

Se você se saiu mal, não se preocupe, você não está sozinho. Essa última pergunta sobre aquecimento global é a única que a maioria das pessoas acerta. Pense assim, se eu for no zoológico e mandar os .. pinguins escolherem, na média eles vão responder perto de 33% (um terço) em cada opção. A maioria da população, especialmente dos países mais ricos, tá pior que os pinguins. E os pinguins não veem Twitter. Talvez essa seja uma das respostas.

Em 7 de fevereiro de 2017 morreu um dos meus heróis pessoais. O professor sueco Dr. Hans Rosling, da GapMinder. Um homem genial que confirmou e me deu material para solidificar uma conclusão que eu achava que podia estar errada na minha cabeça: existem ainda grandes problemas no mundo, problemas que vão levar décadas pra serem solucionados. Mas no geral o mundo hoje está melhor, não perfeito, mas melhor e ficando ainda melhor.

As perguntas que fiz acima são da introdução do livro que ele ajudou a escrever pouco antes de morrer e que eu recomendo muito pra você, pra toda sua família e amigos. Factfulness, o livro que Hans escreveu com o auxílio de seu filho e sua nora, que gastaram os últimos 15 anos juntando fatos reais, dados estatísticos do mundo inteiro, de diversas fontes, pra criar um dos melhores bancos de dados que mede a história recente da humanidade, acessível hoje pelo site GapMinder.

Me deixe mostrar um dos seus trabalhos para vocês começarem a entender..

(video …)

Eu assisti esse vídeo primeiro em 2009, a versão acima é de 2012. Mas e hoje em dia? Como estamos? Vamos pegar a partir de 2009 e seguir até hoje para ver:

(site)

Yep continua seguindo a tendência que o Hans falou. A menos que comece a Terceira Guerra Mundial ou uma nova epidemia do tamanho da Febre Bubônica, no geral, tendemos a continuar nesse crescimento.

No YouTube mesmo você vai encontrar diversas apresentações de Hans que mostram mais dados e argumentos objetivos para que de uma vez por todas você tire da sua cabeça essa noção precária que o mundo está necessariamente ficando cada vez pior.

População. É um problema? Genocídio é a solução? Não e não é porque é inumano, mas porque é economicamente burro. Se o mundo fosse estático e nada evoluísse e não houvesse tecnologia e inovação, mesmo matando metade da população pra ficar “perfeitamente balanceado como todas as coisas deveriam ser”, nada ia mudar. Você sabia que até mais ou menos os anos 1960 a população do mundo era 3 bilhões e crescemos para 7 bilhões hoje? Em pouco mais de meio século, a população dobrou. Mate metade da população. Daqui meio século dobramos de novo.

Então estamos ferrados? Vamos ter que castrar metade da população? Não sejam ridículos. É o que se leva a acreditar se você só leu livros como The Population Bomb, de Paul Erlich, de 1968. 1968!! Nossos livros de história e nosso entendimento da sociedade estão defasados! 40 anos em muitos casos! E todo mundo continua repetindo as mesmas estatísticas defasadas.

Se você olhar a Wikipedia do Brasil, ela está errada!!! Olha isso: 75% da população com menos de USD 2 por dia?? É mentira. 1 bilhão de pessoas, dos 7 bilhões, vivem com USD 1 por dia ou menos, a extrema pobreza. 12.5% é completamente diferente de 75%. Parece propaganda política onde a gente ouve falar que tem “mais de 400 milhões de brasileiros na extrema pobreza …” :-D

Mas, e o descontrole de natalidade?? Até quando a população vai crescer?? Hans explica isso:

(… video)

Você sabia que já atingimos o pico de crianças? 2 bilhões. Vamos atingir 11 bilhões de pessoas até o fim do século. Mas quem vai preencher os 3 bilhões que faltam não são mais crianças.

(… video)

São adultos, as crianças de hoje que vão virar adultos. E à medida que o mundo melhora, naturalmente as famílias pulam de muitos bebês pra poucos, de 8, 5 pra média de 2. Já estamos em 2.5 na média. 2 crianças pra 1 casal, essa é a média, e dali em diante “estimamos” manter em 11 bilhões. Porque? Porque nós não estamos parados. Passamos da revolução na agricultura, pra revolução industrial, e estamos continuamente evoluindo. Toda conclusão que você tira baseado que o mundo vai continuar igual daqui 100 anos, está errada. Segundo a previsão de 1 século atrás, não deveríamos ter conseguido entrar no século XXI.

E se você viu meus vídeos sobre a Coréia, já sabe de outra coisa. Onde estão esses 7 bilhões de pessoas? 1 bilhão nas América, 1 bilhão na Europa, 1 bilhão na África, 4 bilhões na Ásia! Sim, mais da metade do mundo vive no Oriente, não no Ocidente. E onde estarão esses 3 outros bilhões? Nas Américas e Europa já está quase estabilizado, as 2.5 a 2 crianças por casal. Na Ásia ainda vão surgir 1 bilhão e na África 2 bilhões, esses são os 11 bilhões totais. E finalmente a taxa de natalidade no mundo vai estabilizar perto de 2 crianças por casal. E pouco depois disso, é muito provável que o 1 bilhão abaixo da linha de extrema pobreza ultrapasse essa linha e continue crescendo.

Lembra a pergunta sobre a extrema pobreza e como ela vem diminuindo? Quero que você se lembre de um conceito importante: Qual é o estado natural da igualdade humana?

É a pobreza absoluta.

A humanidade não surgiu do nada, viemos evoluindo por milhões de anos, desde o primeiro ser unicelular, até nossos antepassados, dos australopitecos até o Homo Sapiens. Se você é do tipo que acha que deveríamos voltar a viver como os antepassados, ligados à natureza primitiva porque era “melhor”. Sabe porque antigamente as famílias antigamente tinham 6 filhos ou mais? Porque a natureza matava 4 de 6 filhos e a expectativa de vida no geral era metade do que é hoje.

E os resultados que Hans mostrou acima não foi graças a nenhum grande general, imperador, rei, monarca, ditador, estadista ou salvador da pátria. Não coincidentemente foi a primeira vez, na história da humanidade, em que tivemos um pequeno período de tempo pra tentar uma coisa nunca antes vista: tivemos liberdade pra inovar.

Por que eu acho esses números e essa perspectiva importante? Pra que você páre de achar que o mundo é a generalização do sensacionalismo que você vê na TV ou pior, nas redes sociais de “influenciadores” que você segue todo dia. Se continuar olhando o mundo por essas lentes, sua visão de mundo será sempre pessimista, será sempre achando que as pessoas tão virando animais, que esse mundo não vale mais o seu esforço. É quando você começa a achar que a única saída é um Thanos. Em vez de ser cínico com o mundo, torne-se cético com o que você consome. Mais acesso a informação de baixa qualidade é tão ruim ou pior que pouca ou nenhuma informação.

Mas como eu sei que todas essas previsões estão certas? E se você viu meu vídeo sobre Priorização eis um novo exemplo: nós não sabemos, ninguém pode ter certeza do futuro, isso é impossível. Tudo que eu mostrei aqui, como o próprio Hans repetiria, não são previsões, são estimativas. Lembra? São duas palavras distintas. Estimativas são ordens de grandeza, tendências a partir de dados passados. Nem eu, nem o Hans estamos afirmando que é exatamente isso que vai acontecer. Nem estamos dizendo que podemos sentar em berço esplêndido e não fazer nada porque tá tudo predestinado a dar certo. Essa seria uma conclusão idiota. Da mesma forma, se você ainda tem uma “opinião” contrária, você tem somente isso: uma estimativa. Nenhum “especialista” pode prever isso. Mas eu estou argumentando que os dados da GapMinder são muito melhores do que a do seu político ou twiteiro de estimação.

Notícias boas, como 80% das crianças até 1 ano tendo mínimo acesso a vacinas não vende ads no blog. Dizer que vacinas podem ser ruins vende ads. Noticiar que na média as mulheres estudam quase o mesmo tanto que os homens de mesma idade já faz anos não vende ads, dizer que nada mudou e existe guerra de gêneros vende ads.

A quem beneficia repetir que o mundo é horrível e as pessoas são horríveis? Beneficia quem vende soluções mágicas, estalares de dedos, salvadores da pátria. Beneficia quem quer colher frutos sem plantar, sem se esforçar. Duvide qualquer um que está dividindo o mundo entre nós e eles. Guerras vendem notícias. O objetivo deste vídeo não é dizer que o mundo é colorido e perfeito. Longe disso. É sim enfiar na sua cara o fato que gente que estuda, gente que trabalha, gente que produz, estão tornando essa revolução possível. E até o fim deste século, com muito trabalho, muito suor, e muito esforço, o MUNDO ainda vai nos surpreender.

Os dados apontam que estamos ainda na direção certa. Esse é meu recado e o que eu espero pro futuro. E eu não estou esperando sentado, eu estou fazendo o possível para colaborar com esse caminho, produzindo. Que tal fazer parte desse caminho? Construir em vez de destruir?

O que vocês acharam deste vídeo? Consegui mudar pelo menos um pouco sua visão de mundo? Não deixem de comentar abaixo. Se gostaram desse vídeo mandem um joinha, assinem o canal e não deixem de clicar no sininho pra não perder os próximos vídeos. A gente se vê, até mais!

Eu até consigo apontar por que um certo argumento está errado. Mas sou bem incompetente no caminho contrário: dada uma coleta de dados decente, como fazer uma análise exploratória apropriada? Quais são as metodologias corretas para cada cenário? E claro, toda a matemática envolvida.

Acabei de publicar 2 artigos justamente para lançar luz sobre isso. O “senso comum” da maioria dos desenvolvedores ao lidar com dados se resume a agregações primitivas como somas e médias. Comece a falar de “desvio padrão” e você já perdeu metade da população de devs. Comece a falar de distribuições binomiais ou de Poisson e perdeu a metade restante. Agora entre em regressão linear e estatística bayesiana, e quase todo mundo já saiu da sala.

Estamos no século XXI. A cada 60 segundos, o Facebook recebe mais 3,3 milhões de novos posts, o YouTube recebe 400 horas de vídeos, o Instagram recebe 55.555 fotos e o WhatsApp troca 44,4 milhões de mensagens. Até e-mail: mais de 206 milhões deles são disparados. Quando você terminar de ler este post, pode multiplicar esse volume por 5 ou 10.

“Estamos nos afogando em informação,

mas famintos por conhecimento”

– Vários autores, o original provavelmente é de John Naisbitt

Vou passar algumas semanas mergulhando em R. Sim, muita gente vai falar de Julia, mas é impossível negar o impressionante corpo de conhecimento, a experiência e o conjunto robusto e extenso de pacotes disponíveis para R, incluindo material de aprendizado. Existe uma ótima ferramenta chamada RStudio, que acabou de sair na versão 1.0.

E entre os vários materiais que reuni, um se destacou só pela introdução, e ainda preciso revisar o livro como um todo. Ele se chama “Learning Statistics with R”, de Daniel Navarro, da Universidade de Adelaide, na Austrália. Acho interessante porque é um professor de psicologia ensinando estatística de verdade através do básico de R, que é exatamente o que eu queria. Você pode comprar uma edição impressa ou baixar o PDF gratuito.

Gostei tanto da introdução que quis compartilhar alguns parágrafos para motivar você a se juntar a mim para aprender estatística melhor. Então vamos direto ao ponto:

O conto de advertência do paradoxo de Simpson

A seguir uma história verdadeira. Em 1973, a Universidade da Califórnia em Berkeley se meteu em encrenca por causa das admissões de alunos para cursos de pós-graduação. Especificamente, o problema foi que a divisão por gênero das admissões era assim …

            Número de candidatos    Percentual admitido
Homens           8442                    44%
Mulheres         4321                    35%

… e eles foram processados. Considerando que havia quase 13.000 candidatos, uma diferença de 9% nas taxas de admissão entre homens e mulheres é grande demais para ser coincidência. Dados bem convincentes, certo? E se eu te dissesse que esses dados na verdade refletem um leve viés a favor das mulheres, você provavelmente acharia que sou louco ou sexista.

Curiosamente, isso é meio que verdade … depois que Berkeley foi processada, começaram a olhar os dados de admissão com muito cuidado (Bickel, Hammel, & O’Connell, 1975). E surpreendentemente, quando analisaram departamento por departamento, descobriram que a maioria dos departamentos tinha, na verdade, uma taxa de aprovação ligeiramente maior para as candidatas do que para os candidatos. A tabela abaixo mostra os números de admissão dos seis maiores departamentos (com os nomes removidos por questões de privacidade):

                       Homens                         Mulheres
Departamento  Candidatos   % admitidos   Candidatas   % admitidas
A                 825          62%            108          82%
B                 560          63%             25          68%
C                 325          37%            593          34%
D                 417          33%            375          35%
E                 191          28%            393          24%
F                 272           6%            341           7%

Surpreendentemente, a maioria dos departamentos teve taxa de admissão maior para mulheres do que para homens! E mesmo assim a taxa geral de admissão na universidade era menor para mulheres do que para homens. Como isso é possível? Como ambas as afirmações podem ser verdadeiras ao mesmo tempo?

Eis o que está acontecendo. Primeiro, repare que os departamentos não são iguais entre si em termos de percentual de admissão: alguns departamentos (por exemplo, engenharia, química) tendiam a admitir uma alta porcentagem dos candidatos qualificados, enquanto outros (por exemplo, inglês) tendiam a rejeitar a maioria dos candidatos, mesmo os de alta qualidade.

Então, entre os seis departamentos mostrados acima, repare que o departamento A é o mais generoso, seguido por B, C, D, E e F nessa ordem. Em seguida, repare que homens e mulheres tendiam a se candidatar a departamentos diferentes. Se ordenarmos os departamentos pelo número total de candidatos homens, temos A > B > D > C > F > E (os departamentos “fáceis” estão em negrito).

No geral, os homens tendiam a se candidatar aos departamentos com altas taxas de admissão. Agora compare isso com a forma como as candidatas mulheres se distribuíram. Ordenar os departamentos pelo número total de candidatas produz uma ordem bem diferente: C > E > D > F > A > B.

Em outras palavras, esses dados parecem sugerir que as candidatas mulheres tendiam a se candidatar aos departamentos “mais difíceis”.

E de fato, se olharmos para toda a Figura 1.1, vemos que essa tendência é sistemática e bem marcante. Esse efeito é conhecido como paradoxo de Simpson. Não é comum, mas acontece na vida real, e a maioria das pessoas fica muito surpresa quando se depara com ele pela primeira vez, e muita gente se recusa até a acreditar que seja real. É bem real. E embora haja várias lições estatísticas sutis enterradas aí, quero usá-lo para fazer um ponto bem mais importante . . . fazer pesquisa é difícil, e existem várias armadilhas sutis e contraintuitivas à espreita para os incautos. Esse é o motivo #2 pelo qual cientistas amam estatística e pelo qual ensinamos métodos de pesquisa. Porque ciência é difícil, e a verdade às vezes está astutamente escondida nos cantos e recantos de dados complicados.

Antes de deixar esse tópico de vez, quero apontar outra coisa realmente crítica que costuma ser ignorada numa aula de métodos de pesquisa. A estatística só resolve parte do problema. Lembre-se de que começamos toda essa história com a preocupação de que o processo de admissão de Berkeley pudesse estar injustamente enviesado contra as candidatas. Quando olhamos os dados “agregados”, parecia mesmo que a universidade discriminava as mulheres, mas quando “desagregamos” e olhamos o comportamento individual de todos os departamentos, descobrimos que os departamentos em si eram, se algo, levemente enviesados a favor das mulheres.

O viés de gênero no total das admissões foi causado pelo fato de que as mulheres tendiam a se autosselecionar para os departamentos mais difíceis. De um ponto de vista puramente jurídico, isso deixa a universidade livre. As admissões de pós-graduação são decididas no nível do departamento individual (e há ótimas razões para fazer assim), e no nível dos departamentos individuais as decisões são mais ou menos imparciais (o leve viés a favor das mulheres nesse nível é pequeno e não consistente entre os departamentos). Como a universidade não pode ditar a quais departamentos as pessoas escolhem se candidatar, e a tomada de decisão acontece no nível do departamento, dificilmente pode ser responsabilizada por quaisquer vieses que essas escolhas produzam.

Essa foi a base para meus comentários meio irreverentes lá no começo, mas essa não é exatamente a história toda, certo? Afinal, se estamos interessados nisso de uma perspectiva mais sociológica e psicológica, talvez queiramos perguntar por que existem diferenças de gênero tão fortes nas candidaturas. Por que homens tendem a se candidatar a engenharia com mais frequência do que mulheres, e por que isso se inverte no departamento de inglês? E por que os departamentos que tendem a ter um viés de candidatura feminina tendem a ter taxas gerais de admissão mais baixas do que aqueles com viés de candidatura masculina? Isso não poderia ainda assim refletir um viés de gênero, mesmo com cada departamento individualmente sendo imparcial? Pode ser que sim.

Suponha, hipoteticamente, que homens preferissem se candidatar a “ciências exatas” e mulheres preferissem “humanidades”. E suponha ainda que a razão pela qual os departamentos de humanidades têm baixas taxas de admissão seja porque o governo não quer financiar humanidades (vagas de doutorado, por exemplo, costumam estar atreladas a projetos de pesquisa financiados pelo governo). Isso constitui um viés de gênero? Ou apenas uma visão pouco esclarecida sobre o valor das humanidades? E se alguém em alto escalão no governo cortasse os fundos de humanidades porque achava que humanidades são “coisinha de mulher inútil”? Isso parece bem flagrantemente enviesado por gênero. Nada disso cabe no escopo da estatística, mas importa para o projeto de pesquisa.

Se você se interessa pelos efeitos estruturais gerais de vieses sutis de gênero, então provavelmente quer olhar tanto os dados agregados quanto os desagregados. Se você se interessa pelo processo de tomada de decisão dentro da própria Berkeley, então provavelmente só se interessa pelos dados desagregados.

Em resumo, há várias perguntas críticas que você não consegue responder com estatística, mas as respostas a essas perguntas terão um impacto enorme em como você analisa e interpreta os dados. E é por isso que você deve sempre pensar na estatística como uma ferramenta para te ajudar a aprender sobre seus dados, nem mais nem menos. É uma ferramenta poderosa para esse fim, mas não há substituto para o pensamento cuidadoso.

Baixe o Livro

Ficou intrigado? Então baixe o livro e vamos estudar um pouco de estatística além do básico. Não estou dizendo que esse é o melhor livro, apenas um que parece interessante, e se você por acaso conhece um bom livro que ensine estatística para iniciantes através do uso de R sem nenhum conhecimento prévio, me diga na seção de comentários abaixo.

Sou culpado também, viciado em argumentar tanto sobre assuntos sérios quanto sobre os irrelevantes. Faz parte do entretenimento, eu acho, mas admito que algumas vezes falta paciência mesmo. Quem assistiu minhas palestras mais recentes deve lembrar da parte em que digo o seguinte: as pessoas buscam “validação” para suas ideias e argumentos. Parece que, quanto mais gente concorda, mais válida a ideia seria, o tal processo “democrático” onde 50% + 1 garante vitória.

Existem vários problemas nisso, e já discuti parte do tema no artigo Mea Culpa: Organizações Democráticas não Funcionam. Embora eu não seja um matemático formado e atuante, minha fundação é de matemática. Uma das coisas boas que lembro do meu tempo no Instituto de Matemática e Estatística da USP foi justamente a pesada fundação matemática a que fui submetido. Até hoje trago o que aprendi para o meu dia a dia.

Leis são Leis

A primeira grande coisa que aprendi foi esta: dado um conjunto de axiomas, e dado que determinado teorema está comprovado, posso usar essa ferramenta com a garantia de que ele sempre vai funcionar dentro das premissas estipuladas.

Portanto, dado que números naturais existem, dado x pertencente aos naturais e dadas as propriedades algébricas dos naturais, sei que y = x + x e que y estará nos naturais. Com isso, posso dizer com toda a certeza que 2 + 2 é 4 e sempre será 4.

Isso é importante porque não preciso da “validação” de uma maioria para saber disso. Não importa se alguém propõe uma votação e 1 milhão de pessoas dizem que 2 + 2 é 5. Quantidade de opiniões não desfaz a Álgebra. Certas áreas do conhecimento científico já foram totalmente comprovadas, e não dependem de consenso de “opiniões”.

Maioria e autoridade não significam nada dentro desse contexto.

Isso me dá diversas certezas. Existe todo um corpo de conhecimento científico nas mais diferentes áreas, da matemática à física, à biologia, à psicologia, à sociologia, à medicina, que é confiável e está à nossa disposição. E o seu uso não depende de consenso, de votação, nem da “validação” de nenhum grupo.

Me dá também a certeza de que, só porque eu não sei alguma coisa, isso não significa que alguém já não saiba, e aumenta a minha estima pela pesquisa adequada desse corpo de conhecimento. O erro é ter preguiça de fazer essa pesquisa e assumir que, porque uma maioria disse algo, ou porque alguém com aparente autoridade disse algo, aquilo “deve ser verdade”.

Para mim, por definição, tudo está errado até que se comprove rigorosamente que é verdade, pelos mesmos métodos que garantiram esse corpo de conhecimento científico.

Problemas de Primeiro Mundo

No mundo da autoajuda existem milhares de “fórmulas”, ou “receitas”. Receitas para emagrecer, para ter sucesso, para ser feliz, e assim por diante. É uma indústria enorme que, pelo menos até 2010, movimentava cerca de USD 11 bilhões. Ela não vai parar e deve crescer.

Nós nos movemos na pirâmide de Maslow. A geração dos nossos pais e avós ainda precisava se preocupar com a sobrevivência mais básica: alimentação, saúde. Nesta nova geração, uma parcela enorme da população vive muito melhor, e essa base já não é a maior prioridade.

Mas o ser humano sempre vai procurar problemas com que se preocupar, os famosos “problemas de primeiro mundo”. Algumas vezes parece que somos uma espécie feita para encontrar problemas até onde eles não existem.

É por isso que o mercado de autoajuda cresce tanto, e por isso que problemas que pareciam não existir alguns séculos atrás agora parecem tão maiores: depressão, stress. Medicamentos que nunca fizeram tanta falta 2 ou 3 séculos atrás hoje são fabricados em toneladas: Zoloft, Prozac, Paxil, Celexa.

Para constar, não estou menosprezando esses problemas. Uma parcela enorme é bastante real, e ainda bem que a medicina moderna tem esses instrumentos para tratar. Porém é inegável que muita gente faz mau uso dessa circunstância já que, diferente de uma perna quebrada, não há evidência física desse tipo de problema.

Cito isso porque já faz parte da nossa cultura assumir que esse tipo de patologia é uma coisa comum. A cada nova geração, parece que todo mundo é feito de cristal e qualquer pequena disrupção já quebra. A impressão que dá é que, se essa geração fosse magicamente transportada para o século XVII ou antes, ninguém sobreviveria.

O efeito da Auto-Ajuda

Dito tudo isso, vem a parte que mais me incomoda: as fórmulas mágicas, as balas de prata. Dentro do mercado de autoajuda, até que não me incomodo tanto. Afinal, que mal há em alguém ler “Quem Mexeu no Meu Queijo” para se entreter?

O problema é quando pseudociência é tomada como ciência de verdade.

É o que eu chamo de “porque funcionou para X deve funcionar para Y”, ou o que muita gente já me ouviu repetir ad nauseam: “correlação não é causalidade”.

Toda autoajuda é uma ou mais fórmulas, devidamente embrulhadas em muito marketing e vendidas como soluções universais.

“Basta pensar positivo.”

Sozinhas, afirmações como essa são inofensivas, mas rapidamente se desenrolam em proporções bíblicas.

Qual o problema das fórmulas? De novo recorro à minha fundação matemática. Uma fórmula matemática, sozinha, não serve para nada: é indefinida, incompleta. Para ser completamente definida, ela precisa de pelo menos mais dois elementos, um Domínio e uma Imagem. Por exemplo, veja a fórmula:

f(x) = 1/x

Imediatamente alguém poderia dizer “mas esta fórmula está errada, pois se x for zero a conta não funciona”. É uma boa observação, mas parte de uma premissa: a de que x pode ser qualquer número que existe.

Porém, se eu definir corretamente e disser:

dado x pertencente ao domínio dos números reais, e dado x diferente de zero, f(x) = 1/x, resultará na imagem dos números reais

Agora esta fórmula, no campo da Álgebra, está bem definida e é incontestável. Notem o que fiz com este exemplo simples: dei uma fórmula incompleta e imediatamente gerei uma discussão sobre ela. É exatamente isso que acontece em toda discussão em rede social e em todo tema de autoajuda.

Repetindo: toda autoajuda é uma ou mais fórmulas que não definem o domínio nem a imagem. Cada pessoa que lê essa fórmula incompleta tenta completá-la com o próprio domínio, “para mim funciona” ou “para mim não funciona”, e acabamos de encontrar a origem mais simples de todo flame war, todo hater e todo troll da internet.

Por outro lado, também encontramos a primeira forma de distinguir uma fórmula inválida de uma “possivelmente” válida. Com a inválida, você terá enorme dificuldade de definir o domínio. Partimos sempre do domínio maior, aquele que funcionaria para todo mundo em todos os cenários. A fórmula quebra na hora, então começamos a reduzir esse domínio e, invariavelmente, ele encolhe até chegar a um único caso que funcionou alguma vez.

Sistemas Complexos, Biografias e a falácia das “evidências”

E normalmente as fórmulas se reduzem mesmo a um único indivíduo. É o caso de toda biografia: a sequência de eventos por que determinado indivíduo passou só ele passou, e ela não se repete.

Falo sobre sistemas complexos faz muito tempo, desde pelo menos 2009 esse assunto chama minha atenção. Já incorri no erro de derivar teorias sobre o conceito, mas admito que até agora não fui bem-sucedido. Na verdade, todo o campo da sociologia e do estudo de redes ainda está na infância desse tipo de conhecimento, com pouca coisa em termos de postulados e leis. Portanto, interprete esse tipo de assunto com muito mais cuidado que o normal.

A física quântica também já foi indevidamente explorada no mundo da autoajuda. Veja calamidades como “What the Bleep Do We Know” para entender como transformar um assunto sério numa piada (que muita gente acha que é séria).

Correndo o risco de ser superficial, resumo a parte que interessa assim: no mundo real, somos todos parte de um sistema complexo adaptativo. Uma ação que eu tomo pode desencadear diversas outras, que por sua vez desencadeiam mais outras, e muitas delas interagem entre si, criando uma rede de incalculáveis nós e conexões.

É praticamente impossível determinar o final de uma cadeia de eventos em rede com inúmeras variáveis. Digo “praticamente” porque ainda não sabemos como determinar todas as variáveis da equação, e para todos os efeitos práticos isso torna qualquer previsão impossível.

Claro, dados certos limites de espaço, tempo e margens de erro, sabemos prever muita coisa, o suficiente para mandar foguetes a Júpiter com precisão. Por outro lado, existem muitos casos cujas margens de erro ainda são difíceis de controlar, e a própria meteorologia é um exemplo.

É daí que surge a ideia de que uma borboleta bate as asas na China e um maremoto atinge o Rio de Janeiro. A borboleta não causou o maremoto. Ela foi apenas uma condição inicial de uma cadeia intricada de eventos que, por acaso, resultou nele.

Agora, dado um certo resultado, em muitos casos podemos olhar para trás e rastrear a cadeia de eventos até as condições iniciais. Quem já assistiu CSI ou algum programa de detetives sabe que dá para coletar evidências e usar dedução para conectar eventos até um ponto de origem.

É assim que todas as “fórmulas” são criadas. A cadeia de eventos já aconteceu e não vai mais mudar, porque dentro do nosso Universo o passado é imutável e o tempo só tem uma direção.

George Santayana certa vez disse que “quem não aprende com a História está destinado a repeti-la”. Se levarmos ao pé da letra o que eu disse até aqui, vamos concluir que a História raramente se repete. Só porque as condições iniciais e o resultado se parecem com os de outro evento, a cadeia de acontecimentos no meio raramente é a mesma. Interpretar isso como “a História se repetindo” é coincidência e uma série de enganos que o nosso cérebro comete o tempo todo, incluindo o viés de confirmação.

Sei que esse trecho pode ser complexo, mas o ponto é este: só porque algo aconteceu uma vez, isso não significa que a mesma cadeia vai acontecer de novo.

As condições iniciais e a cadeia de eventos são o tal “domínio” restrito da “fórmula” que citei acima. E, como diria Duncan Watts, todo mundo se engana o tempo todo com o conceito de “óbvio”. Hoje parece óbvio dizer que o Facebook faz sucesso. Porém, em 2002, ninguém poderia prever que em 2012 existiria esse tal Facebook e que o seu IPO abriria com uma valorização de USD 104 bilhões. Depois do fato, podemos tentar traçar os eventos para trás e encontrar as condições iniciais e a cadeia que tornou aquilo possível. Nunca antes.

Empiricamente, de tudo que já vi oferecido por aí como bala de prata, a “melhor fórmula” parece muito boa, até você começar a questionar: “parece uma Fórmula que leva a um bom resultado (Imagem), mas quais são as condições iniciais necessárias? Qual é o Domínio dessa fórmula?”

E quando você começa a questionar isso, a teoria não se sustenta por 1 segundo. É o caso do Lean Startup, a moda do mundo tech. Veja as condições iniciais do Eric Ries: você encontra exemplos de Groupon, Intuit e HP, empresas que são tudo menos “pequenas startups”, mas o livro é evangelizado para todo pequeno empreendedor. Há uma contradição clara de condições iniciais, e o método científico é muito diferente do que o livro sugere.

“Mas há vários bons exemplos de pequenas startups que seguiram o Lean Startup e se deram bem.” E aqui vai outra lição que qualquer um que assistiu CSI sabe distinguir: cena de crime contaminada não serve para nada. Em nenhum desses casos dá para afirmar que a “causa” do sucesso foi ter usado Lean Startup. Pode haver uma “correlação”, e pequena, porque estamos falando de um sistema complexo adaptativo.

A borboleta “causou” o maremoto? A probabilidade é muito pequena. Mas aí entra o marketing. Como diria Joseph Goebbels, ministro da propaganda da Alemanha nazista, “quanto maior a mentira, mais acreditarão nela”, ou o derivado disso, “repita uma mentira vezes suficientes e as pessoas acreditarão que é verdade”.

Como diria Carl Sagan, “alegações extraordinárias exigem evidências extraordinárias”. E isso depende de um trabalho exaustivo de testes para quebrar a hipótese. Um medicamento, feito de forma séria, leva anos, às vezes décadas, até chegar às farmácias, mas balas de prata se tornam virais em questão de horas ou dias. Dependendo de quem fala e de como fala, aquilo ganha status de “verdade inquestionável” muito rápido. Valdomiro da Mundial que o diga.

Só porque “parece” que funcionou para 1, 2, 10 casos, isso não basta para tornar algo verdade. A “Teoria” da Evolução das espécies, de Charles Darwin, tem toneladas de evidências concretas e sólidas, vem sendo questionada, atacada e dilacerada minuciosamente por mais de 150 anos, e para todos os efeitos já é praticamente uma verdade absoluta. Mesmo assim, ainda não ganhou o status de “Lei”. Se nem ela ganhou, por que algo muito menos testado mereceria?

Conclusão

Na prática, a menos que faça parte do corpo de conhecimento científico já reconhecido e exaustivamente documentado, todo o resto é questionável, deve ser questionado e nunca deveria ganhar o status dogmático de “verdade”, por definição.

Autoajuda é pseudociência, por definição.

Fórmulas que garantem certo “resultado” (Imagem) sem um Domínio são incompletas e indefinidas, e isso vai necessariamente dividir opiniões, porque cada um tem o próprio domínio. E só porque um grupo é maior que quem está questionando, a fórmula não vira verdade. O contrário seria seguir a doutrina de Goebbels.

E aquilo que é de fato ciência comprovada não precisa de quórum, maioria ou “validação”. 2 + 2 será sempre 4, não importa quem queira contrariar.

Uma dica: para qualquer assunto que cruzar o seu caminho, use o Google. Coloque o termo com a palavra “debunked” ou “skeptic”, “fake” ou “scam”, e você vai encontrar a resposta. Por exemplo, procure por “The Secret Debunked” e veja quanto já foi publicado colocando abaixo a tal “Lei da Atração”. Eu pratico isso o tempo todo. Nada é inquestionável, não importa quem está dizendo.

Desde a infância sou um grande defensor de destruir a pseudociência, porque ela causa mais mal do que quase qualquer outra coisa. Lembrem-se de que coincidências acontecem, e não são tão raras assim.

“Estamos montando um excelente novo produto que vai resolver seus problemas, você usaria esse produto?”, diz a pesquisa de validação de uma nova startup. Resultado: 70% das 1.000 pessoas que responderam disseram sim. A conclusão é clara, então: o produto é válido e não tem como dar errado, certo?

Errado. Esses valores não querem dizer nada. Sozinhos, não têm validade e não sustentam conclusão alguma. “Mas são 1.000 pessoas! Como você pode dizer isso?” Este artigo não pretende ser estatisticamente rigoroso, só apontar alguns dos muitos pontos onde quase todo mundo erra ao fazer pesquisa hoje em dia.

Primeiro de tudo, qual é o público-alvo do seu produto? Digamos que seja a população do interior dos estados do Sul, classes C e D, de 50 a 60 anos, com pouca experiência de informática. Agora imagine que a pergunta acima fez parte de uma pesquisa online, compartilhada pelo Facebook e pelo Twitter.

Quem respondeu? Com certeza muita gente das classes A até C, concentrada nas capitais do Sudeste, entre 16 e 25 anos, que usa computador todo dia. Você fez a pergunta errada para as pessoas erradas.

Para efeito do exemplo, digamos que você teve o cuidado de escolher a população certa e evitou o que se conhece como “Biased Sampling”. Mesmo assim, a pergunta continua ruim, e deveria ser óbvio por quê. É o que se chama de “Loaded Question”: a formulação já empurra o entrevistado para um tipo de resposta.

Para começar, ela parte da premissa de que o produto é “excelente” e de que “vai resolver” os problemas do sujeito. Uma forma menos carregada seria: “Estamos montando um produto com as funcionalidades X; supondo que você tenha os problemas Y, acha que isso ajudaria a resolvê-los?”

Existem várias técnicas para fugir de premissas infundadas, como explicar direito a proposição de valor em vez de encher a pergunta de retórica. É muito fácil montar uma pergunta falaciosa que puxa uma resposta falsa.

Pior ainda é pegar essas 1.000 pessoas, separar os 700 que disseram “sim” à pergunta viciada feita ao público errado e começar a tirar conclusões dali. “Ah, notamos que, desses 700, metade tem cartão de crédito, compra pela internet pelo menos uma vez por mês e diz que compartilharia o serviço com ao menos 2 amigos nas redes sociais.” E fica pior ainda quando justamente os que disseram “não” são o público mais próximo do alvo que você quer atingir.

Consultei também Ricardo Couto* que explicou a questão. “Conhecer o entrevistado, seus hábitos e motivações é muito mais valioso para o negócio do que ter um alto percentual de respostas favoráveis sobre o produto ou serviço em um questionário online. A propósito, chamar de pesquisa um formulário feito em 5 minutos no Google Docs ou SurveyMonkey é, no mínimo, ingenuidade. O que se tem lá é um questionário. Questionários podem ser úteis se bem usados. Mas, em geral, são apenas conjuntos de perguntas em torno de um assunto. Uma pesquisa pode até fazer uso dessa ferramenta mas nem todo questionário é pesquisa”.

Estatística, probabilidade e pesquisa em geral são trabalho de profissionais que dominam esse campo. Não é assunto trivial nem coisa para se tratar de qualquer jeito. Este exemplo é só uma das muitas maneiras de se enganar com números.

Mark Twain popularizou a frase “Existem 3 tipos de mentiras: mentiras, malditas mentiras e estatísticas”. O tema já foi tão discutido e rebatido que rendeu um livro famoso de 1954, de Darrell Huff, “Como mentir com estatísticas”, que cataloga os erros intencionais e não-intencionais na interpretação de estatísticas.

Ricardo também complementou dizendo: “Se pensarmos em um questionário online como ferramenta séria para pesquisa, primeiro há de se saber como se faz pesquisa. Tenho muitas dúvidas se as pessoas que dizem que “estão fazendo” uma pesquisa e te mandam um link para um questionário tenham levado em conta o efeito de ordem, efeito do observador ou evitaram perguntas tendenciosas – fatores bem conhecidos por quem faz pesquisa de verdade. E olha que nem comentei sobre a validade estatística, que só se consegue aplicando métodos estatísticos (percentual simples não é estatística descritiva, ok? há de se conhecer o que é valor p), ou mesmo da seleção dos respondentes adequados ao público-alvo que se pretende atingir. Ou será que eu quero como usuários, clientes ou consumidores apenas profissionais com a minha faixa etária, minha faixa de renda e meu comportamento de compra online e uso de redes sociais?”

Então, da próxima vez que for criar conta em um daqueles dezenas de serviços online de pesquisa, veja se a ferramenta cumpre o mínimo de uma pesquisa bem feita e guia você pelos procedimentos corretos: definir o público, coletar, processar e analisar os dados com rigor. Sem isso, o que sobra na sua mão é um punhado de números opacos, sem significado nenhum e dos quais não se tira conclusão alguma.

*Ricardo Couto é Consultor em Experiência do Usuário e Pesquisas, Mentor na Aceleratech, Presidente da Associação dos Designers de Interação SP (IxDA SP) e Membro da Sociedade Brasileira de Design da Informação. Estudou Psicologia Cognitiva (mestrado) na Universidade Federal de Pernambuco e especializações em Design da Informação, Docência do Ensino Superior e Tecnologia em Educação a Distância. Foi professor universitário em nível de graduação e pós-graduação por 7 anos.

Resolvi começar 2013 com um artigo que espero que soe como uma mensagem positiva para o ano. A mensagem é simples:

O mundo hoje é bom, muito bom, e está ficando cada vez melhor.

Fico frustrado toda vez que vejo gente teoricamente “estudada” que prefere acreditar que o mundo está piorando, que estamos pior hoje do que ontem. Hoje somos “impessoais”, não brincamos mais na rua, perdemos a solidariedade, queimamos nossas florestas, todas as corporações são vilãs, o povo sofre mais.

Respeitosamente, discordo de todas essas ideias de que estamos piorando. Um motivo simbólico para escrever isto hoje é que atravessamos 2012, uma das últimas profecias conhecidas de “Fim dos Tempos”, como se não fosse nada (aliás, nunca foi nada mesmo).

Qualquer um que lê as notícias sabe que temos metrópoles cada vez mais superlotadas, surtos de violência o tempo todo em várias partes do mundo, guerras no Oriente Médio, intolerância religiosa e terrorismo, desastres naturais que “parecem” resultado do famigerado “Aquecimento Global”.

Tudo isso é verdade. E nada disso é sintoma de que o mundo está piorando.

O Mundo está melhor

A despeito de todas as profecias cataclísmicas, vou resumir rápido: o mundo é melhor hoje do que era 50 anos atrás, 100 anos atrás ou milênios atrás. Felizmente existe gente de ciência, fazendo pesquisa e trabalho sério, que acumulou dados durante anos a fio, e hoje dá para comparar item a item. Uma dessas organizações é a Gapminder, que disponibiliza tudo isso para você ver com os próprios olhos.

Recomendo assistir às palestras no TED de Hans Rosling interpretando esses dados. Ele demonstra como nas últimas décadas aumentamos a expectativa de vida da maioria das pessoas, melhoramos a qualidade de vida, reduzimos drasticamente a pobreza, a malnutrição e as diferenças. A grande maioria das pessoas hoje vive melhor, com mais conforto e por mais tempo.

A violência também está diminuindo, como mostra essa palestra do Steven Pinker no TED. O livro Abundance, de Peter H. Diamandis, traz ainda mais dados dessa nossa era de abundância.

E mesmo o tão temido Aquecimento Global é constantemente questionado. Muitos cientistas não estão convencidos com os dados que temos. E pouco importa se o Aquecimento Global é “real”: claramente existe gente ganhando muito dinheiro e notoriedade a partir do “medo” causado por esse possível fenômeno natural. Assista ao documentário Cool It, onde o pesquisador Bjorn Lomborg desmistifica item a item o que você, leitor deste blog, certamente ainda não parou para pensar.

Exemplo: se o Protocolo de Kyoto tivesse tido sucesso como os lobistas queriam, ele diminuiria a temperatura do mundo em apenas 0.008 graus Fahrenheit até 2100. E a política climática da União Europeia baixaria a temperatura em só 0.1 graus Fahrenheit, ao custo ridículo de USD 250 bilhões por ano pelo próximo século. Com metade desse dinheiro daria para acabar com a pobreza, a fome e as doenças do mundo.

Se todo mundo nos Estados Unidos passasse a dirigir um Prius, isso não cobriria nem 0.5% do carbono que tecnicamente deveria ser cortado até o meio do século. E se todos nos Estados Unidos usassem apenas lâmpadas econômicas, isso não cobriria nem 0.2% do carbono a ser cortado.

O comediante George Carlin foi quem explicou isso da forma mais clara que já vi:

Estão entendendo?

A Quem isso Beneficia?

Nenhum “pequeno ato”, como reciclar uma latinha de alumínio, faz muita diferença sozinho hoje (não se preocupe, também não faz mal por si só). O que realmente faz diferença são os avanços contínuos da ciência. Foi a experimentação disciplinada e o acúmulo de conhecimento que um dia nos levaram à agricultura, afastando a fome mesmo com a superpopulação do mundo.

Essa conquista vem regredindo com modas como a “comida orgânica”, que ignora anos de evolução da tecnologia agrônoma responsável por garantir que nossa geração existisse.

A razão deste artigo é questionar o óbvio: a quem tudo isso beneficia? A resposta mais fácil são as grandes corporações que sabem tirar vantagem financeira disso. Mas elas não são o problema. O problema são as pessoas que facilitam a vida das corporações, transformando toda discussão em julgamento moral.

Hoje em dia, se eu digo que não ajudo nenhuma causa “social”, viro culpado de alguma forma pela desgraça de alguém. Uma história que me perturba até hoje foi contada por um amigo que respeito muito. Ele é um empresário bem-sucedido e se sente um pouco culpado por ter mais do que os outros. Por isso, quando pode, oferece esmola e coisas do tipo. Um dia, se me lembro direito, um desses mendigos esnobou a esmola, e meu amigo não sabia se tinha o direito de se sentir tão frustrado quanto estava.

Essa é a minha longa discussão sobre os Direitos do Homem. E, para deixar bem claro, digo com todas as letras: não tenho nenhuma obrigação de ajudar ninguém, da mesma forma que ninguém tem obrigação de me ajudar.

A palavra-chave aqui é “obrigação”. Sempre tenho a escolha de ajudar ou não, mas nunca a obrigação. Exercer essa escolha é uma opção individual que não cabe a ninguém julgar.

O mundo é simples: tudo que produzi pelo meu esforço é meu e de mais ninguém. Se eu quiser doar a alguém, é escolha minha. Se eu quiser jogar fora, é outra escolha absolutamente válida minha. Ninguém tem direito a algo meu, e ninguém pode julgar o que faço com algo meu. A recíproca vale: nunca terei direito a nada de ninguém de graça, e nunca devo julgar o que os outros fazem com as próprias posses. É simples.

Esmola e doação são a mesma coisa. Vou dar a quem quiser, quando quiser e se quiser. E não julgo ninguém que doe ou que não doe. Agora, me irrita muito alguém ter a audácia de achar que pode me julgar pelo que faço com algo inteiramente meu.

Volte à minha história: por que esse meu amigo precisa se sentir “culpado” por algo de que não tem culpa? Tudo que ele ganhou foi pelo próprio esforço e suor, é dele. Mais do que isso, o trabalho dele possibilitou muitos empregos e até que outras empresas existissem, gerando riqueza indireta para muita gente. Por que ele precisa se sentir culpado por não dar de graça algo que é dele?

Essa é a prostituição da mente que quem trabalha sofre diariamente. Quanto mais trabalham, mais se esforçam e mais ganham, proporcionalmente mais se sentem culpados e julgados pelos outros. E quem são esses “outros”?

Este é o verdadeiro alvo do meu artigo. Quero expor quem se beneficia dessa orgia de falso altruísmo e ignorância. Gente carismática, que fala bonito, com discursos inspiradores (principalmente quem fala em justiça, inspiração e motivação), que usa muita hipérbole e apresenta quase nenhum dado de fonte confiável.

Todos usam os mesmos discursos, as mesmas formas pomposas e sem conteúdo. Mostram vídeos com o mundo se despedaçando, pessoas apáticas, criancinhas, repetindo os mesmos “Devemos…”, “Precisamos…” de sempre:

"Precisamos nos unir", "Precisamos ser mais solidários", "Precisamos nos preocupar mais", "Precisamos pensar no próximo", "Precisamos largar o celular e nos conectar de verdade", bla, bla.

BULLSHIT!

Qualquer um que diz muitos “Precisamos”, sempre na primeira pessoa do plural “nós”, claramente quer ser o ditador de um grupo. Alguém que sozinho tem pouca capacidade e por isso incita mais gente para ganhar a credibilidade das massas. E, a partir de um certo número de pessoas, tudo que ele disser parece ter alguma validade.

Isso só é possível porque permitimos. Porque não olhamos os dados, não procuramos os fatos, nos emocionamos por qualquer vídeo bem montado com animais, paisagens e crianças, especialmente se mostrar crianças em alguma região miserável do interior da África. Batemos palma para todos esses demagogos.

E sabe o que fazem esses demagogos quando têm massas atrás? Fazem todos que efetivamente trabalham, criam e produzem riqueza no mundo se sentirem culpados. Colocam a massa para olhar essas pessoas e pressioná-las a “compartilhar” a própria propriedade, fazendo-as se sentir mal caso não dividam. E fazem isso de um jeito “alegre”, quase festivo: põem o dono da propriedade no meio da massa e dizem coisas como “pessoal, esse cara não seria hiper-legal se doasse o que tem para nossa causa?”, batendo palmas e sorrindo com sarcasmo, ao mesmo tempo que envergonham e encurralam o produtor, sem saída.

Isso, senhores, chama-se estelionato. É uma atividade fraudulenta, criminosa e, obviamente, ofensiva. Vamos ser claros: não vou me sujeitar ao sofrimento de atos criminosos. E você também não deveria.

A lição aqui é simples. Se alguém vem falar de outra pessoa ou grupo, faça a pergunta: “a quem isso beneficia?”. Se alguém diz “a empresa tal deve estar falindo, já que não tem dinheiro nem para doar para essa causa social tão importante”, por que essa pessoa que repassa a informação se importa? A quem isso beneficia? E vire a pergunta: por que uma empresa não doar significaria necessariamente que ela está mal financeiramente? A alternativa mais óbvia, “a empresa não tem interesse em doações”, parece “moralmente ruim” demais para ser considerada. E é justamente ela a mais provável. Só que chegamos num ponto tão degradante da moral que essa escolha é quase tratada como crime.

Não caia na conversa

Por isso, prestem atenção: o mundo hoje é melhor do que ontem. Não tenha dúvida disso. Doar e participar de causas sociais são coisas válidas. Mas julgar os outros por não participarem é crime.

Qualquer empresa, qualquer trabalhador realiza uma operação muito simples: trocas. Um trabalhador troca o valor do que produziu por dinheiro. Uma empresa troca um produto por dinheiro. E quem participa de causas sociais troca a própria capacidade de trabalho por outro tipo de moeda: consciência. Toda doação é uma transação do seu dinheiro ou das suas posses por “você se sentir bem consigo mesmo”. É uma troca comercial como qualquer outra. Afinal, você já viu alguém doar com o objetivo de se sentir mal depois?

Isso fica mais óbvio quando você encontra os famigerados solidários de fim de semana. Gente que quer comprar karma positivo por estar frustrada, deprimida, infeliz consigo mesma. Aí resolve participar dos movimentos de “salvar o mundo”, doar dinheiro, doar tempo, doar trabalho. Mas assim que se cansam, já estão na praia, num churrasco jogando futebol, debaixo do sol na piscina. Só que agora estão “moralmente com crédito” e se colocam na posição de julgar os outros com um “eu ajudei e você não”.

Só para constar, não estou falando de todos que são solidários. Muitos levam isso a sério de verdade e, na maioria dos casos, são anônimos, porque não estão nisso para chamar atenção, e sim para ajudar. Mas o tipo de que falo está no negócio de “se sentir bem”, e isso pede atenção, pede dizer para os outros como são boas pessoas, como todos deveriam imitá-los para se sentir bem igual. Como viciados oferecendo drogas porque elas fazem se sentir bem.

E elas estão preocupadas com as criancinhas? Veja o trauma que as estão fazendo passar contando falsas histórias de fim do mundo:

A existência de pessoas assim é, justamente, mais uma evidência de como nossos tempos são melhores. No começo do século XX ninguém daria atenção a “causas sociais” como hoje: muitos sequer tinham o que comer direito, não tinham roupas, morriam de doenças comuns.

Só que esse grupo está cada vez mais incômodo e chato. Se não ficou claro, sou totalmente a favor de causas sociais sérias, e detesto os hipsters solidários de fim de semana. Existem movimentos sérios que merecem respeito sendo manchados por esses grupos. Quer mesmo se dedicar a uma causa? Junte-se a organizações como a Cruz Vermelha, trabalhe nisso em tempo integral e nunca force ninguém, física ou moralmente, a tomar a mesma decisão que você.

Isso vale para causas sociais e para qualquer tipo de “causa”. Fiquem espertos para variar: tem muita gente esperta querendo que você faça o trabalho sujo por ela. Desconfie de qualquer um que fale por “nós”, pelo “bem de todos” ou por qualquer demagogia barata do tipo.

O mundo hoje é melhor, verifique os dados, e está ficando cada vez melhor. Tudo que precisamos fazer é trabalhar e produzir mais e mais riqueza. Foi produzindo que o mundo chegou até aqui, e é produzindo que vai continuar melhorando. Retirar riqueza dos outros, o que muitos chamam eufemisticamente de “compartilhar”, nunca foi o caminho.

A motivação vem do 11º princípio do Manifesto Ágil:

“As melhores arquiteturas, requerimentos e designs emergem a partir de equipes auto-organizadas.” – Principles behind the Agile Manifesto

Agilidade requer auto-organização. Mas esse conceito é alienígena para a maioria das pessoas e organizações. O 12º princípio ainda completa:

“A intervalos regulares, a equipe reflete em como se tornar mais efetiva, então refina e ajusta seu comportamento de acordo.” – Principles behind the Agile Manifesto

Para isso é preciso entender o conceito de Organização de Aprendizado. Ou melhor: entender o momento dinâmico de aprendizado e melhoria contínua que se chama Limite do Caos. Implementar Agilidade, em termos de física, significa o seguinte:

Retirar a organização, que é um sistema complexo, de seu estado de equilíbrio dinâmico, aumentando a entropia geral do sistema, forçando em direção ao caos. No ponto ideal, no limite do caos, a auto-organização acontece e a organização se torna uma organização de aprendizado.

Lembrem-se: “aprendizado” também inclui a exploração do desconhecido, incorporar novas informações. Fazendo o que sempre se faz não se está aprendendo nada, por definição. É preciso fazer diferente, errar e melhorar para aprender.

Vamos aos conceitos agora.

Tradução: Teoria do Caos em Desenvolvimento de Organizações

da Wikipedia

Auto-Organização, ao contrário de seleção natural ou social, é uma mudança dinâmica dentro da organização onde mudanças são feitas pelo recálculo, reinvenção e modificando sua estrutura para adaptar, sobreviver, crescer e desenvolver.

Auto-organização é o resultado da reinvenção e adaptação criativa por causa da introdução de – ou por estar em um constante estado de – equilíbrio perturbado. Um exemplo de uma organização que existe num estado constante de perturbação é uma organização de aprendizado, que é uma que “permite auto-organização, em vez de tentar controlar a bifurcação através de mudanças planejadas” (Dooley, 1995).

Estar “fora-de-balanço” se empresta ao reagrupamento e reavaliação do estado presente do sistema para fazer ajustes necessários e recuperar controle e equilíbrio. Entendendo e introduzindo o elemento de cutucar o equilíbrio (caos) enquanto facilita o crescimento de redes, uma organização pode mudar de marcha de “normal” para “turbo” em termos de velocidade e intensidade da mudança organizacional. Enquanto mantém um estado de equilíbrio parece ser um método intuitivamente racional para habilitar uma organização a ganhar um senso de consistência e solidariedade, existir no limite de um estado caótico continua sendo o ambiente mais benéfico para que sistemas floresçam, se desenvolvam e cresçam.

Aliás, duas organizações competindo que diferem em relação ao seu nível de homeostase não competirão por muito tempo. Falando em termos gerais, a organização com a estrutura menos estável sairá na frente enquanto a estabilidade constante da segunda eventualmente levará à sua queda. Embora muito similares, pequenas diferenças em níveis de homeostase são suficientes para fazer uma tremenda diferença em resultados futuros para cada organização. A noção de similaridade em origem vs. resultados diferentes aparecem com a emergência de bifurcação.

O conceito de bifurcação não pode ser explicado sem discutir o termo frequentemente chamado “sensibilidade a condições iniciais”, que se refere ao alto nível de importância de condições primárias a partir de onde o caminho futuro e direção de um sistema se esforça. Essa sensibilidade a condições iniciais é comumente chamada de Efeito Borboleta, onde uma borboleta bate suas pequenas asas em um canto do mundo resultando em um tufão ou furacão em algum outro lugar do globo. Enquanto essa é uma noção de entretenimento, sensibilidade a condições iniciais permanece em realidade um conceito bem abstrato sem a presença de bifurcação, que é o nome matemático para o ponto de separação de duas entidades quase idênticas que, por causa da sensibilidade a condições iniciais, tendem a tomar dois caminhos muito diferentes em dois lugares evolucionalmente ou geograficamente diferentes.

O principal objetivo de um consultor de desenvolvimento organizacional (D.O.) é iniciar, facilitar e suportar mudanças de sucesso em uma organização. Usando teoria do caos como o único modelo para mudanças pode parecer muito arriscado para ser suportado por qualquer stakeholder. O conceito de incerteza da teoria do caos não é um motivo atraente para mudança comparado a muitas alternativas de modelos considerados “mais seguros”. Planejando e gerenciando a desordem com cuidado, uma intervenção de sucesso é possível, mas somente com um arsenal verdadeiramente dedicado de recursos talentosos e criativos. Permitindo e ativamente forçando uma organização a entrar em um estado caótico, mudanças se tornam inevitáveis e a bifurcação é iminente; mas a questão permanece, “será que a nova direção será a intencionada?” Para que se possa ter mais garantias da direção que se toma, a maior parte da atenção de planejamento deve focar em atratores em vez da iniciação da desordem.

Embora o caos eventualmente dê lugar à auto-organização, como podemos controlar a duração, intensidade e forma de seu resultado? Parece que cutucar o equilíbrio e instalar desordem na organização sejam arriscados. Jogar uma organização para fora do balanço poderia possivelmente enviá-la a uma espiral de queda se no final a integridade estrutural (isto é, identidade) do sistema for comprometida além de um ponto de não-retorno. A única maneira de colher os benefícios da teoria do caos em D.O. e ao mesmo tempo manter um senso de segurança é ajustar a organização em direção a um estado de existência que fica no limite do caos.

Existindo no limite do caos, organizações são forçadas a encontrar maneiras novas, criativas de competir para se manter à frente. Bons exemplos desse tipo de organização de aprendizado são encontrados por todo o campo de tecnologia assim como na indústria aérea, como a Southwest Airlines, que usou de reinvenção não apenas para sobreviver, mas também para prosperar em um mercado ruim. Em contraste, existem organizações que, por causa de períodos longos de equilíbrio, se encontram sofrendo para sobreviver. Companhias telefônicas, por exemplo, já foram entidades sólidas e estáticas que dominaram o mercado de comunicação. Enquanto o resto do mundo estava desenvolvendo novas tecnologias de comunicação, elas não cresceram de forma criativa na mesma taxa. O resultado é uma organização batalhando apenas para permanecer viva, a menos que aceite o elemento de caos por causa da crise e permita adaptabilidade criativa para funcionar livremente de forma que auto-organização e reinvenção possam acontecer.

Enquanto organizações existindo no limite do caos são conhecidas por serem as mais criativas e adaptativas, como seus membros se sentem a respeito de constante evolução e reinvenção? É possível identificar com, e permanecer leal a, uma organização que muda de forma constantemente? A resposta curta é “sim”. Enquanto a empresa não mudar sua essência central, seu propósito identificável e compartilhado, seus membros ainda vão experimentar a organização como um sistema em desenvolvimento que muda de forma mas mantém sua mesma face familiar.

Talvez a forma mais segura de se usar teoria do caos em D.O. não é instigar a organização a mudar, mas no uso de seus princípios para lidar com problemas que aparecem. Ao abraçar fenômenos organizacionais antes vistos como não-funcionais, como conflitos interpessoais, e usando-os como fonte para mudanças de transformação aplicando princípios encontrados em teoria do caos (Shelton, 2003), uma organização pode fazer “limonadas a partir de limões” e se tornar mais responsiva a agentes de mudança enquanto se move continuamente para frente e crescendo de dentro para fora sem medo de caos completo.

Como Negócios são muito parecidos com Vida: Os 4 Princípios

Fast Company Magazine, Março de 2001. How Business is a Lot Like Life

• Equilíbrio é um precursor para a morte. Quando um sistema vivo está em estado de equilíbrio, ele é menos responsivo às mudanças que estão ocorrendo ao seu redor. O risco é maior quanto mais se sente mais seguro.

• Quando ameaçado ou galvanizado por uma oportunidade atraente, coisas vivas se movem em direção ao limite do caos. Essa condição clama por níveis mais altos de mutação e experimentação e tem mais chances de resultar em novas soluções.

• À medida que coisas vivas se movem mais próximas ao limite do caos, elas têm a tendência de se auto-organizar e novas formas emergem da bagunça. Essa propriedade da vida, chamada de “auto-organização e emergência” é uma grande fonte de inovação, criatividade e evolução.

• Sistemas vivos não podem ser dirigidos por um caminho linear. Consequências não previstas são inevitáveis. O desafio é aprender como perturbá-los de uma maneira que se aproxima do resultado desejado e então corrigir seu curso à medida que o resultado se desenrola.

Definições

da Wikipedia

Reducionismo pode tanto significar (a) um jeito de entender a natureza de coisas complexas as reduzindo à interação de suas partes, ou para coisas mais simples ou mais fundamentais ou (b) uma posição filosófica que um sistema complexo é nada mais do que a soma de suas partes.

Em física e teoria de sistemas, o princípio da superposição diz que, para todo sistema linear, o resultado geral em um determinado lugar e tempo causado por dois ou mais estímulos é a soma das respostas que poderiam ter sido causadas por cada estímulo individualmente. Ou seja, se a entrada A produz resposta X e a entrada B produz resposta Y, então a entrada (A+B) produz resposta (X+Y).

Em matemática, um sistema não-linear é um sistema (…) que não satisfaz o princípio da superposição, ou cujos resultados não são proporcionais às entradas. De forma menos técnica, um sistema não-linear é qualquer problema onde as variáveis a serem resolvidas não podem ser escritas como uma combinação linear de componentes independentes (…) Problemas não-lineares são de interesse de físicos e matemáticos porque a maioria dos sistemas físicos são não-lineares por natureza. Equações não-lineares são difíceis de resolver e dão lugar a fenômenos interessantes como caos. O tempo é reconhecidamente não-linear, onde mudanças simples em uma parte do sistema produzem efeitos complexos no geral.

Comportamento Emergente – Prosperando no Limite do Caos

por Chris Rollins, Janeiro de 2009.

O cupim de catedral, encontrado em partes da Austrália, é capaz de criar montículos para a colônia muito acima de 3 metros. Um único cupim de catedral tem aparência padrão de inseto – cabeça, tórax, abdômen, pernas e assim por diante, com um cérebro minúsculo e primitivo. Mas quando combinado com outros de sua espécie, o cupim de catedral é capaz de construir um enorme complexo para a colônia. Ao contrário de projetos de construção humanos, entretanto, não existe mestre-de-obra, não tem plano, e é improvável que o cupim sequer saiba o que está ajudando a construir.

Como isso é possível?

A resposta está no fato de que algumas vezes, um sistema pode acabar com mais complexidade do que a soma de suas partes – levando ao que os cientistas chamam de “comportamento emergente”.

Comportamento Emergente, ou criação espontânea de ordem, está presente em tudo ao nosso redor. Insetos são um bom exemplo porque eles nos são familiares e conseguem criar projetos massivos que podemos apreciar. Outras partes do reino animal também demonstram ordem autônoma – peixes se organizam em cardumes que se movem em concerto; pássaros e animais de manada se juntam em bandos de maneira similar. E exemplos não-vivos também são abundantes – ímãs naturais se alinhando na orientação norte-sul e cristais que se formam a partir de líquidos, mostrando um aumento espontâneo de ordem mesmo apesar da falta de uma força mais “inteligente”.

Existe um grande problema de termodinâmica com tudo isso, claro – entropia, uma medida de desordem, deveria continuar a decair. O universo tende ao caos.

Como, então, pode ordem aparecer espontaneamente, especialmente em um sistema puramente físico?

Entropia ainda precisa crescer, mesmo quando cristais se formam ou pássaros se juntam em bando, mas a distinção importante é em onde a entropia cresce ou decresce. Acontece que a natureza permitirá entropia a decair em certas áreas se aumentar em outro lugar para compensar. Por exemplo, quando uma solução de açúcar começa a formar cristais, eles tem um nível de energia resultante menor do que as moléculas de açúcar flutuando na solução. Quando o açúcar entra na estrutura, isso é transferido para a água na forma de calor: a forma mais desorganizada de energia.

Portanto, a porção cristalina da solução agora decaiu em entropia enquanto o sistema total – incluindo a água e o cristal – teve um aumento da resultante de entropia.

Por que estatística Gaussiana é quase toda errada para Estratégias Organizacionais

Fenômeno de Lei de Potência exibe distribuição de Pareto em vez de Gauss (normal). A diferença fundamental está na premissa sobre a correlação dos eventos. Em distribuição de Gauss se assume eventos independentes. Eventos independentes geram distribuições normais, que estão no coração da estatística moderna. Quando eventos são interdependentes, normalidade em distribuições não é a norma. Em vez disso distribuição de Pareto domina porque eventos extremos ocorrem com mais frequência do que a distribuição normal, com curva em forma de sino de Gauss, nos levaria a esperar. Sistemas físicos, biológicos, ecológicos, sociais e industriais mostram uma impressionante variedade fractal (Kaye, 1993). Muitos estudiosos hoje acreditam que leis de potência são o melhor framework analítico para descrever a origem e a forma da maioria dos objetos naturais. Dada a ubiquidade dessas descobertas e a natureza da teoria de livre escala, achamos que são fenômenos igualmente ubíquos em organizações, ainda que desconhecidos e pouco apreciados (Andriani, 2003).

Extremos vs. Médias

Pensamento Linear está incrustado em nossa mentalidade. Modelos científicos e matemáticos são baseados nos conceitos de equilíbrio e linearidade. Linearidade significa duas coisas: proporcionalidade entre causa e efeito; e superposição, quer dizer, quando a dinâmica de um sistema pode ser reconstruída pela soma dos efeitos das causas simples agindo nos componentes simples (Nicolis e Prigogine, 1989), o que permite a operação eficiente de causalidade, solução de equações e modelos de previsão elaborados. Economia, por exemplo, é quase teísta na sua premissa que fenômenos econômicos tendem ao equilíbrio (Mirowski, 1989). Entretanto, essas premissas permitem equações lineares e analíticas simples.

Ao focar em sistemas em equilíbrio, estatísticos aceitam implicitamente que o número de estados possíveis que um sistema pode atingir é limitado (e computável) e que o tempo de procura seguindo o começo da instabilidade (isto é, um choque exógeno) é curto comparado com o tempo de equilíbrio. Para isso ser verdade, os muitos elementos que compõem um sistema precisam ser pontos de dados independentes por premissa; do contrário poderíamos ter interdependência, possíveis causalidades mútuas e a ocorrência de possíveis eventos extremos.

Se pegarmos 100 empresas aproximadamente do mesmo tamanho e pertencentes ao mesmo setor, assuma independência e plote uma variável, digamos lucro, vamos descobrir que a maioria dos eventos se acumulam perto da média, em uma distribuição que decai rapidamente e segue uma curva em forma de sino. Essa distribuição é de longe a mais estudada distribuição estatística; assume-se que caracteriza corretamente a maioria de nossas descobertas sobre os mundos natural e social. Entretanto, o ponto da questão é a independência dos eventos. Na vida real, essas empresas poderiam: fazer benchmarks umas das outras, imitar os outros percebidos como de mais sucesso, trocar informações, organizar cartéis, perseguir aquisições, competir por recursos limitados, etc. Em uma palavra, elas são interdependentes e não independentes. A distribuição estatística governando agentes interconectados não chega a uma distribuição de sino, mas em vez disso, a uma distribuição de lei de potência – Pareto.

Distribuições Gaussianas e de Pareto diferem radicalmente. A funcionalidade principal da Gaussiana pode ser inteiramente caracterizada pela sua média e variância (Greene, 2002). Uma distribuição de Pareto não demonstra uma média e variância bem comportadas. Uma lei de potência, entretanto, não tem média que pode representar as funcionalidades típicas da distribuição e não tem desvio padrão finito sobre a qual se baseariam intervalos de confiança (Moss, 2002). Existem duas grandes implicações disso.

Uma é que o sonho das ciências sociais de construir frameworks robustos que permitem cientistas sociais predizer a evolução de fenômenos sociais é quebrado pela ausência de regularidades estatísticas em fenômenos dominados pela interconectividade persistente. De fato, se há ausência de média estável e variância finita, a afirmação probabilística de resultados individuais se tornam muito difíceis. O ponto reflete o problema mais pervasivo e estrutural da não-linearidade e emergência em sistemas complexos. Linearidade assume a divisibilidade de sistemas em módulos cuja dinâmica pode ser estudada independente do conteúdo.

O segundo ponto é que lei de potência decai mais devagar do que em distribuições normais. Essas caudas “gordas” afetam os comportamentos de sistema de maneiras significativas. Por exemplo Buchanan (2004) relata que as quedas do mercado financeiro de 10% em um dia devem acontecer a cada 500 anos de acordo com a distribuição normal. Mandelbrot (Mandelbrot e Hudson, 2004) mostra que, em vez disso, crises financeiras acontecem cerca de uma vez a cada cinco anos. A lição que podemos desenhar disso é que eventos extremos, que no mundo de Gauss poderiam ser seguramente ignorados, não só são mais comuns do que o esperado mas também de magnitude muito maior e com consequências bem maiores.

A desculpa da “falta de tempo” que serve para não escrever testes serve também para não testar hipóteses. A maioria sequer entende que deveria estar experimentando. Falo aqui de criar provas de conceito, pedaços do que você quer desenvolver que potencialmente serão jogados fora.

O “jogar fora” é a parte que arrepia programadores e gerentes. “Mas isso é perda de tempo, trabalho jogado fora! Inaceitável!” Esse pensamento leva as pessoas a achar que toda linha de código escrita precisa obrigatoriamente entrar na aplicação.

É o velho erro de achar que precisamos acertar tudo de primeira, a cultura de que tentativa e erro é coisa errada. Meu ponto é o contrário: o erro é achar que sempre vamos acertar de primeira. Na maioria dos casos, vamos errar todas as primeiras vezes.

Cargo Cult

Depois da Segunda Guerra, tribos nativas de ilhas do Pacífico Sul construíam réplicas de aviões e pistas de pouso militares na esperança de chamar de volta os “aviões-deuses” que tinham trazido tanta carga maravilhosa durante a guerra. A maioria dos programadores faz exatamente isso: como num ritual, inclui estruturas de programação sem entender direito por quê, apenas porque “deveria”. São os que encaixam Design Patterns onde não precisa, enchem de comentários um código que já é autoexplicativo e, mais recentemente, praticamente se ajoelham diante de “Dependency Injection” sem entender a razão. (fonte: Wikipedia)

Ser modista tem má fama injusta; o que estraga é aplicar as coisas, novas ou velhas, sem entender a razão. A função principal da educação deveria ser ensinar a raciocinar, mas numa cultura de decoreba as pessoas aceitam tudo o que decoram sem saber por que decoraram: “alguém superior” disse que aquilo é verdade e, portanto, deve ser aplicado.

Lembram das discussões sobre por que certificações são nocivas? Este é um dos motivos. Para quem já raciocina, não faz diferença nenhuma. Para a grande massa que não raciocina, o resultado final é cargo cult puro.

A maioria lê tutoriais, alguns livros, assiste a uns workshops e já se acha apta a executar a tarefa. Na prática, executa o bom e velho “copy e paste” mental e cospe na aplicação todo o código que aprendeu. Eu já vi gente escrever assim:

if ( a == b ) {  
 return true;  
} else {  
 return false;  
}  

Nada de errado nisso, mas é incrível como muita gente se surpreende quando digo que esta linha faz a mesma coisa:

return (a == b);  

O primeiro código, isolado, é inofensivo. A sutileza é que o programador não sabe por que escreveu aquilo; só sabe que “tem que fazer”. Quer um caso pior? Já vi, em várias linguagens, programadores fazerem o seguinte:

$dbname="meu_banco";
$chandle = mysql_connect("localhost", 'root', 'root') or die("Falhou");  
$query1 = "select * from tabela";  
$result = mysql_db_query($dbname, $query1) or die ("Falhou");  
while ($row = mysql_fetch_row($result)) {  
 $field = mysql_fetch_field($result, 1);  
 if ( $field == 'foo' ) {  
 echo "encontrei!";  
 break;  
 }  
}

Esse é o típico What the F*ck!?

De novo, um código que “executa”. Em algumas linguagens, compila sem problema nenhum. Quem não enxergou o problema gravíssimo desse código precisa voltar para o primeiro ano da faculdade.

Cegueira

“Repita uma mentira por tempo suficiente e logo ela se torna verdade.”

Existem muitos livros ruins, tutoriais ruins, professores ruins e toda uma corja de maus elementos disseminando más práticas. Mesmo assim, a maior culpa é de quem se deixa enganar. Quem aceita tudo o que ouve, sem o mínimo de ceticismo, é culpado pela própria ignorância.

É por isso que até hoje os jornais imprimem horóscopo em vez de uma coluna de ciência: existe muito mais leitor interessado em se enganar do que em saber coisas chatas, como a realidade.

Em tecnologia é igual:

• Windows deve ser melhor porque é o líder do mercado (ignorando que a Apple, mesmo com “míseros 8%” de mercado, está entre as empresas mais lucrativas da indústria, e que o Firefox já tem uma fatia enorme de usuários no Brasil)

• Java deve ser melhor porque é o líder do mercado, ou PHP deve ser melhor porque grandes sites usam (nem preciso discutir)

• Threads são a melhor maneira de escrever código concorrente (ignorando, por preguiça, as vantagens da programação funcional)

• O melhor jeito de gerenciar dados é com banco de dados relacional (ignorando, de novo por preguiça, toda a gama de bancos não-relacionais que estão ganhando terreno)

• Linguagens estáticas são melhores porque dá para compilar (ignorando, aqui por pura burrice, as enormes vantagens de produtividade das linguagens dinâmicas)

• Programação orientada a objetos é o ápice das técnicas de programação (ignorando que é apenas um entre dezenas de paradigmas, como a programação funcional)

• Rails não escala (sério? quem ainda repete isso prova que é amador)

Todo mundo carrega centenas de ideias pré-concebidas como essas. Coisas ouvidas de alguém ou lidas em algum lugar, normalmente de reputação duvidosa, que a pessoa passa a repetir sem nenhum argumento que sustente a crença. Ou melhor: ela acha que a fonte duvidosa de onde tirou a ideia já é base suficiente para continuar repetindo.

Em programação ou em qualquer outra área: se você tem qualquer crença que não consegue argumentar e sustentar, pesquise melhor. Se ela não se sustenta diante de contra-argumentos, jogue-a fora, porque não serve para nada. Todo mundo se acha “mente aberta”; eu discordo, a maioria é bem fechada. Duvida? Repense tudo em que você acredita e argumente contra você mesmo. Feito direito, você vai notar que a maioria das coisas em que acredita não tem fundamento nenhum.

Método Científico

Uma pessoa cuidadosa pratica o básico do método científico todos os dias. Nosso dia a dia é uma sequência de decisões, algumas pequenas, outras enormes, e decisão tomada com base em ideia pré-concebida é onde o erro mora.

Isso não elimina a intuição. Intuição é uma conclusão rápida baseada em experiência. Se suas experiências diárias foram metodicamente racionais por muito tempo, sua intuição tende a ser sólida. Se foram baseadas em superstição, simpatia, pseudociência, cargo cult e ideias pré-concebidas, sinto dizer: sua intuição é uma droga.

Leia esta definição da Wikipedia. É extensa, completa e pede um bom tempo de reflexão. O que mais me interessa está resumido aqui.

Como todo bom processo, esse também é iterativo: prevê retorno de etapas para refinar o conhecimento.

Os passos são simples e podem ser rápidos ou mais demorados e detalhados. O importante é o seguinte: diante de uma questão, execute esses passos pelo menos mentalmente. É o mínimo do mínimo para uma decisão educada.

• Faça a pergunta. Essa fase é importante: pergunta errada leva a resposta errada. Não é de hoje que as pessoas perdem tempo explorando respostas sem relevância porque a pergunta estava errada. Pense na pergunta como uma User Story num backlog ágil: veja se é prioridade, veja se é necessária. Não gaste tempo respondendo pergunta irrelevante.

• Pesquise. Antes de mais nada, pesquise o assunto. Não perca dias nisso; às vezes alguns minutos no Google bastam. Para mim, o valor dessa etapa é o “pare, pense, continue”. A maioria das pessoas é apressada demais; essa é a hora de parar um segundo e ganhar mais conhecimento antes de seguir.

• Construa uma hipótese. Quando você faz uma pergunta, normalmente já tem uma ou mais respostas possíveis. Ao formular a pergunta, não se apegue a ideias pré-concebidas. Considere que o que a maioria das pessoas chama de “verdade” é, na realidade, um conjunto de hipóteses. Uma hipótese é apenas a sugestão de uma explicação.

• Teste com um experimento. É a etapa mais importante. Experimentos precisam ser repetíveis e ter critérios muito bem definidos: se duas pessoas fizerem o mesmo experimento, para a hipótese continuar de pé os resultados têm que ser os mesmos. Note que eu disse “de pé”, não “verdadeira”. Verdade é palavra forte demais; eu raramente me considero perto de qualquer verdade. Na maioria das vezes, aceito apenas que minha hipótese ainda não foi falsificada. A parte crucial, em programação: crie provas de conceito, pedaços de código escritos só para testar a hipótese, que podem ser simplesmente jogados fora depois. Faça isso fora do código do projeto, num ambiente separado. Não misture as coisas.

• Tire conclusões. Com tudo o que você fez acima, vai provar ou derrubar sua hipótese. Assuma desde já que você pode muito bem provar que sua própria hipótese era falsa. Nesse caso, volte ao segundo passo, formule uma hipótese nova e tente de novo. Isso é ser mente aberta: provar a si mesmo errado e partir imediatamente para buscar outra resposta.

• Comunique seus resultados. A aplicação de que estou falando aqui é informal, o mínimo para você ter algum embasamento, provavelmente não todo, no que está fazendo. Se o assunto for mais complexo, com mais tempo investido e mais detalhes, talvez interesse a mais gente. Divulgue seus resultados, pelo menos entre seus colegas. Se você investiu tanto tempo, a resposta provavelmente é importante, e aí vale dar aos outros a chance de tentar derrubá-la. Pouco importa quantas pessoas chegam à mesma conclusão; quantidade não significa nada. Importa muito mais se alguém conseguir derrubar a sua. Nesse caso, jogue a hipótese fora e comece de novo.

Pessoas

A maioria das pessoas pode ser descrita assim:

• Têm ideias pré-concebidas. Ouviram de outras pessoas que, acham elas, têm credibilidade. Só porque alguém tem uma credencial, é celebridade, fala bonito ou se veste bem, não quer dizer que saiba toda a verdade. Muito pelo contrário: essa pessoa pode estar cheia de ideias pré-concebidas. Ouça, sim, o que elas têm a dizer, mas guarde tudo numa caixinha mental chamada “a verificar” e siga em frente.

• Não gostam de ser desmentidas. Ninguém gosta de assumir que está errado: primeiro mata o ego, depois destrói a autoestima. Por isso a pessoa ignorante se agarra à sua mentira particular até as últimas consequências. São pessoas de fundação fraca. Construa sua fundação sobre meias-verdades e, quando uma cair, cai tudo. Esse é o maior risco.

• Não gostam de perder tempo. E “perda de tempo” aqui é totalmente relativo. A maioria faz economia porca: testar e experimentar, ou seja, “não fazer nada imediatamente”, é tratado como perda de tempo. Eu chamo isso de “economizar o tempo futuro”: um pouco mais de cuidado agora para não precisar correr amanhã. É uma questão de balanço. Não faz sentido se preparar por 15 dias num projeto de 20. Mas faça o mínimo: pare um segundo, pense e, se tiver dúvida, experimente antes de prosseguir.

• Não gostam de coisas novas. Existe outro conceito errado de “custo” em jogo. Muita gente acha que, porque investiu tempo estudando um assunto, esse investimento não pode ser perdido e precisa insistir nele. É o que já escrevi uma vez em A Falácia do Custo Perdido. Se o prejuízo já existe, a maior burrice é insistir nele. Muito mais inteligente dar o custo por perdido, mudar de direção e seguir em frente.

• Fazem só o que mandam fazer. Se ninguém ordenar testes, ninguém testa. Se ninguém ordenar prova de conceito, ninguém cria. Se ninguém mandar se preocupar com segurança, o código sai cheio de buracos. Se ninguém mandar automatizar testes, ninguém automatiza. A quantidade de Lemmings nos projetos impressiona. Primeiro porque tudo o que deveria ser obrigação fica por fazer; segundo porque, se o chefe mandar atirar no próprio pé, eles atiram. De novo, falta de raciocínio.

• Fazem o desnecessário. Parece paradoxo, mas complementa o item anterior. Por causa de ideias fixas pré-concebidas, as pessoas perdem tempo fazendo coisas totalmente desnecessárias porque alguém que elas consideram “de credibilidade” disse que devia ser feito. É um comportamento que eu ainda não entendi, vejo o tempo todo, e que contradiz tudo o que eu disse acima: alguém resolve escolher uma tecnologia idiota por uma razão inexplicável, gasta um tempão fora das prioridades do projeto, não faz prova de conceito nenhuma e sai programando na fé de que vai dar certo. No final, o projeto está atrasado e cheio de código que vai para o lixo porque não serve para nada.

Acho que tudo isso é consequência da falta de prática das pessoas em raciocinar. É um comportamento irracional, complicado demais, cheio de erros básicos, que ninguém percebe como errado.

Lembro de um documentário do bom e velho Richard Dawkins em que ele conta a história de um cientista que passou anos estudando uma teoria, não lembro qual. Um jovem cientista provou que ele estava errado. O mais velho olhou para o rapaz e disse algo como “muito obrigado”. Esse é o comportamento racional. Provar algo verdadeiro é muito difícil; provar que é falso é bem mais simples. Se alguém provar você errado, agradeça: a pessoa acabou de evitar que você perca tempo no futuro, e isso vale ouro.

E sempre que entrar num projeto novo, não assuma que você sabe o que precisa ser feito, nem que “precisa” saber. Assuma que não sabe. Crie hipóteses, discuta, experimente, ganhe segurança de verdade e só então faça o que precisa ser feito. Não há problema nenhum nisso. O problema é assumir que você sabe o que vai fazer e, depois de desperdiçar o tempo de todo mundo, finalmente ficar evidente que você esteve errado o tempo todo.

Não desperdice o tempo dos outros!

Referências:

• Scientific method
• Steps of the Scientific Method
• Deductive Reasoning
• Cargo Cult Programming
• Cargo Cult Science
• Fallacy
• Due Diligence
• Prejudice
• Hypothesis

Eu repito várias vezes que não sei o que é verdade. Respondo “não sei” toda vez que me fazem uma pergunta esperando uma resposta absoluta. “O Rails vai vingar?” Esqueçam esse tipo de pergunta: prever o futuro é difícil. Se alguém lhe dá uma previsão de futuro, ignore. Muito provavelmente a pessoa não tem ideia do que está falando.

Por trás desse tipo de pergunta está o comportamento que descrevi acima: a pessoa acha que precisa acertar sempre e detesta ser provada errada. Na pior das hipóteses, o caminho que você percorreu para se provar errado lhe deu mais conhecimento e experiência. Isso vale mais do que encontrar uma verdade.

Eu já falei sobre Razão em alguns outros posts:

• Seja Arrogante
• Inimigos da Razão
• 100% pure Object-Oriented: The Fallacy

Conclusões

Meu objetivo neste post é reforçar a importância da experimentação. Eu não sei qual é a verdade; qualquer um pode postar um comentário aqui com dezenas de contra-argumentos. Quem fizer isso vai estar perdendo o foco, e seus “argumentos” serão citações de ideias pré-concebidas. Ficar caçando detalhe no texto para apontar erro é irrelevante. O importante é o profissional entender que idade, anos de estrada, certificações e carteiradas não resolvem problema nenhum. No final somos todos amadores e, como tal, precisamos voltar ao zero e rever nossas hipóteses.

Um exemplo prático. Quando conversei com John Straw (YellowPages.com) em São Francisco, ele contou uma coisa que nem toda equipe faz: um extenso due diligence. Eles levaram 22 meses para criar o projeto original do YellowPages.com em Java. Resolveram parar por 4 meses para criar protótipos, provas de conceito e testar hipóteses: qual framework usar, Rails, Django ou Seam? Qual arquitetura, SOA, EJBs? Quanto tempo a equipe levaria para se acostumar com a tecnologia nova? Só depois de ganhar segurança no que estavam fazendo começaram a implementar de verdade. E foram apenas mais 4 meses para terminar. Entenderam? Os primeiros 4 meses não foram perda de tempo: foram um seguro, o que impediu que os 4 meses seguintes virassem 20.

Como eu disse no ano passado: “Seja Arrogante, mas mereça ser arrogante!” Seja arrogante consigo mesmo a ponto de se questionar de verdade e ganhar. Você pode enganar os outros; enganar a si mesmo não tem vantagem nenhuma. Não existe inquisidor melhor para você do que você mesmo. Está errado? Excelente: um caminho errado a menos. Procure outro e comece de novo.

Repetindo: não foi com ideias pré-concebidas que chegamos à Lua.

Nassim Taleb e Benoît Mandelbrot devem estar vendo esta crise, de forma trágica, com olhos bem diferentes dos nossos. Alguns devem estar cansados disso, mas vou repetir minha recomendação: leiam as obras dos dois.

Veja este trecho do livro The Black Swan, de 2007, de Nassim Taleb:

A Globalização cria fragilidade interligada, ao mesmo tempo que reduz a volatilidade e dá aparência de estabilidade. Em outras palavras isso cria Cisnes Negros devastadores. Nunca antes vivemos sob a ameaça de colapso global. Instituições Financeiras continuam se mesclando em um número menor de bancos muito grandes. Quase todos os bancos estão inter-relacionados. Então a ecologia financeira está se acumulando em bancos gigantes, incestuosos, burocráticos – quando um cai, todos caem. O aumento da concentração entre bancos parece ter o efeito de fazer crises financeiras parecerem menos prováveis, mas quando acontecem eles têm efeitos muito mais globais em escala e nos atingem duramente. Nos movemos de uma ecologia diversificada de pequenos bancos, com políticas variadas de empréstimos, para um framework mais homogêneo de firmas onde todas se parecem umas com as outras. Verdade, agora temos menos defeitos, mas quando eles acontecem … eu tremo só de pensar.

A instituição patrocinada pelo governo, Fannie Mae, quando eu olho seus riscos, parece estar montada num barril de dinamite, vulnerável ao menor soluço. Mas não se preocupem: eles têm grandes equipes de cientistas que consideram esses eventos “improváveis”.

Não, Nassim não é profeta, adivinho, bidu ou guru. Aliás, ele odiaria ser chamado de guru. Ele só fez uma observação baseada no que todos nós ignoramos: nossa máquina humana é muito ruim para lidar com abstrações, como a Aleatoriedade.

Não confundam: isso não é argumento contra a globalização nem baboseira pseudo-socialista. O ponto importante é o segundo parágrafo da citação.

Isso já aconteceu antes

A Long Term Capital Management era a menina dos olhos do mundo financeiro. Um hedge fund americano formado em 1994, que tinha entre seus fundadores não apenas um, mas dois prêmios Nobel de Economia: Robert C. Merton e Myron Scholes. Eles acreditavam ter a matemática (cof gaussiana cof) capaz de prever qualquer tipo de evento.

Em 1998, a LTCM perdeu USD 4.6 bilhões. A Crise Russa destruiu as teorias gaussianas deles, que ignoravam e subestimavam completamente os Cisnes Negros.

E você acha que as pessoas aprenderam a lição? Infelizmente somos mais teimosos do que isso: as teorias de Scholes e Merton são ensinadas nos cursos de economia até hoje.

Isso não é exclusividade do mundo econômico. Diversas outras áreas aceitam e empregam teorias absurdas, sem fundamento, sem resultados, e ainda assim tratadas como a próxima grande revolução. As pessoas comuns se deixam enganar por nomes e credenciais. Se credencial valesse alguma coisa, um Nobel destruído em 1998 deveria querer dizer alguma coisa.

Eu costumo dizer o seguinte: empresas e charlatães que vendem metodologias (de qualquer tipo: financeira, recursos humanos, gestão) têm o emprego mais fácil do mundo. Basta serem bons vendedores.

Se o cliente tem sucesso depois de implementar a tal metodologia: “viu só, vocês tiveram sucesso porque implementaram nossa metodologia revolucionária.” E esse cliente passa a figurar como “case de sucesso” no portfolio.

Se o cliente fracassa: “é claro que fracassou, vocês não implementaram exatamente como dissemos, faltou comprometimento das suas equipes. Não há nada errado com nossa metodologia, o problema é vocês.” Esse cliente nunca vai aparecer no portfolio, afinal ninguém gosta de divulgar fracasso.

É muito fácil enganar as pessoas. E não olhe para o lado: você está implementando uma metodologia desse tipo hoje, eu sei!

Falseabilidade

As pessoas têm a péssima mania de fazer a pergunta errada: “como saber se uma teoria é verdadeira?” Por isso recebem as respostas erradas, e isso leva a decisões mais erradas ainda.

Como já disse várias vezes em artigos anteriores, nós somos feitos para sermos enganados. Pior: conscientemente não exercitamos nossas habilidades céticas.

Toda vez que vemos um “case de sucesso”, aceitamos automaticamente a teoria como “verdadeira”. Ou, de forma ainda mais torta: “nunca ouvi falar de um caso de fracasso dessa metodologia, portanto ela só pode ser válida.” É o que a maioria dos “gerentes” e “executivos” conclui. Quantas vezes vamos precisar repetir isso?

Ausência de evidência não é evidência de ausência.

Hoje usamos muitos dados estatísticos para tomar decisões. Estatística é muito útil quando usada do jeito certo. Usada do jeito errado, é um enorme desastre.

O raciocínio é sempre o mesmo: “nos últimos 3 anos estamos crescendo 2% todo mês, portanto podemos concluir com certeza que vamos continuar crescendo 2% nos próximos meses.” Todo mundo já fez isso. Até que um Cisne Negro acontece e a desculpa muda: “não sei o que aconteceu, foi um acidente, porque segundo os dados isso não deveria ter acontecido.”

Deixemos as coisas bem claras: um evento raro se chama raro justamente porque não acontece o tempo todo. E é exatamente esse tipo de evento raro, aleatório e imprevisível que costuma dar os prejuízos bilionários ou os ganhos bilionários. Depende se você é do tipo gaussiano ou do tipo paretiano.

Mas voltando ao problema inicial: dados estatísticos do passado são suficientes para assegurar a validade de uma teoria?

Óbvio que NÃO.

O que dados do passado podem fazer, no máximo, é assegurar a falseabilidade de uma teoria. Como Nassim explica em Fooled by Randomness: com dados do passado podemos provar que uma teoria é inválida, mas jamais poderemos provar que ela é válida.

Hoje sabemos que a física clássica de Newton é inválida, pois a Teoria da Relatividade de Einstein a derrubou. Mas sabemos em quais contextos a teoria clássica ainda pode ser usada e quando precisamos da relatividade. Boas teorias científicas são as que permitem critérios para julgar sua falseabilidade, nunca sua validade.

Astrologia e outras pseudo-ciências são dogmáticas. Tudo que é dogmático deve ser automaticamente descreditado, pois impede qualquer tentativa de verificar sua falseabilidade. Essa é a assinatura dos charlatães.

O argumento que descrevi na seção anterior é exatamente o que os charlatães fazem: se funcionou, é graças à teoria; se não funcionou, você não aplicou direito. A previsão não deu certo apesar de Marte alinhado com Saturno porque ele estava “um pouquinho” fora de posição. Caso contrário, teria funcionado.

Nassim deu outro exemplo ótimo: “tenho feito um estudo sobre a vida de George Bush. Depois de quase 16 mil observações, posso assegurar que em nenhuma delas ele morreu. Portanto posso afirmar, baseado nesses dados históricos, que Bush é imortal.”

Falácias

Ultimamente já dei várias dicas de coisas a evitar. Se o assunto é gestão ou controle, principalmente de pessoas, e a teoria não leva Pareto em consideração, joguem fora.

Se a teoria não deixa margem para avaliar sua falseabilidade, é charlatanismo, joguem fora.

Livros de auto-ajuda são assim: oferecem teorias floridas, cobertas de mel, empacotadas de forma atraente. Mas, ao contrário das teorias científicas, não deixam ninguém tentar provar que não funcionam. Eles só afirmam que funcionam, citam vários “casos de sucesso” e escondem todas as tentativas fracassadas.

Desde o começo do mês passado tenho viajado toda semana para dar palestras e sempre passo na livraria do aeroporto ou da rodoviária. Prestando mais atenção, os livros em destaque são quase todos desse tipo: charlatanismo barato.

A teoria “bonita” só existe hoje porque ainda não encontrou um Cisne Negro no caminho. “Ah, nunca vai acontecer, pois nunca aconteceu até agora.” E é exatamente por isso que talvez tenha até mais chance de acontecer: porque nunca aconteceu!

Fiquem atentos às seguintes falácias:

• Falácia da Indução: é a falácia onde a indução está errada. Indução significa tentar encontrar princípios gerais a partir de fatos conhecidos.

• Falácia Narrativa: é a criação de uma história post-hoc de tal forma que o evento pareça ter tido uma causa identificável.

• Falácia Estatística Regressiva: acreditar que a probabilidade de eventos futuros é previsível examinando ocorrências de eventos passados.

• Falácia Lúdica: acreditar que a aleatoriedade estruturada dos jogos se parece com a aleatoriedade não-estruturada da vida. É o problema de confundir o mapa (modelo) com o território (realidade).

Essa última leva em consideração:

• é impossível ter todas as informações
• variações muito pequenas nos dados podem levar a um impacto enorme (Efeito Borboleta, sim, ele acontece o tempo todo)
• teorias e modelos baseados em dados empíricos são falhos, já que eventos que ainda não aconteceram não podem ser levados em conta

É o exemplo que Taleb explica: você está tirando bolinhas coloridas de uma caixa tampada, sem ver o interior. Tira 5 bolinhas brancas e 5 vermelhas e, a partir desses dados empíricos, conclui que “sempre vai sair 1 bolinha vermelha a cada 2 bolinhas retiradas.” Mal sabe você que embaixo da mesa tem um buraco com um menino escondido. Ao ouvir sua afirmação, ele começa a te dar mais bolinhas brancas do que vermelhas. Essa é a realidade.

Exercitamos muito pouco nosso ceticismo. Ninguém precisa virar paranoico, mas dá para avaliar as coisas um pouco melhor do que a forma medíocre de hoje.

Emoções

Como Malcolm Gladwell diz em Blink, nós efetivamente tomamos decisões num piscar de olhos. Claro, a decisão será tanto melhor quanto melhor for nossa experiência, nosso conhecimento e nossas habilidades.

Taleb descreve o caso de uma pessoa que precisou operar o cérebro por causa de um tumor, e os médicos tiveram que retirar o trecho responsável pelas nossas emoções. Todo o resto permaneceu intacto.

“Excelente!”, alguém poderia pensar. Eis uma pessoa 100% racional, que não vai deixar as emoções esbarrarem na razão, e que deve ser capaz de tomar decisões inteligentes o tempo todo.

Surpresa: essa pessoa se tornou totalmente incapaz de tomar qualquer decisão. Mal conseguia decidir levantar da cama. Os estudos feitos mostram que nossas decisões são muito mais movidas pela parte emocional do que pela racional, ao contrário do que imaginamos.

Quem já lidou com inteligência artificial chega à conclusão de que nós, humanos, precisamos de um mecanismo de aproximação, pois é simplesmente impossível levar todas as variáveis em consideração. Avaliar tudo que sabemos levaria tanto tempo que já teríamos sido extintos por predadores milênios atrás.

Decidir num piscar de olhos, ou pior, tentar ser “racional”, tem vantagens e desvantagens. Pessoas de mente aberta, muito estudiosas, experientes em várias áreas, provavelmente vão tomar muitas decisões certas bem rápido (algumas na sorte, algumas erradas). Pessoas de mente fechada e medíocres vão tomar muitas decisões erradas.

Exemplo de decisão errada: confiar em vendedores de pseudo-ciência.

Karl Popper dizia que não se deve levar a ciência a sério demais. Faz sentido: a ciência se permite estar errada e vai se refinando com o tempo. Se você levar tudo a sério demais, corre o risco de apostar em teorias que ainda não foram postas à prova de verdade, e sua próxima decisão pode ser justamente o Cisne Negro que vai falsificá-las.

Conclusão

Muito, mas muito cuidado com os especialistas. Sem denegrir todos os tipos de especialista, porque existem muitos bons: mas especialistas de coisas abstratas e intangíveis, como “metodologias” e “economia”, devem ser vistos com olhos suspeitos, sempre. Uma boa credencial não torna uma teoria melhor ou pior. É simplesmente irrelevante.

Não deixe sua decisão ser viciada por teorias não-científicas: pseudo-ciência, superstição, astrologia, homeopatia.

Novamente, leiam Taleb: o que ele diz é óbvio, mas por alguma razão todos nós ignoramos. Pouca gente de fato entende o que é aleatoriedade. Parem de assistir freneticamente à Bloomberg e de atualizar o navegador a cada 5 segundos para ver os índices financeiros. Nada disso vai te ajudar: você já ignorou o Cisne Negro, você já perdeu.

Só uma pontinha sobre filosofia Ágil: sempre achei inteligente o motivo de as metodologias Ágeis insistirem tanto em Sprints e iterações curtas. Eles sabem que é impossível prever o futuro de longo prazo, então priorizam o que é realmente importante e planejam só o curto prazo, o que é efetivamente possível. As metodologias Ágeis me parecem feitas sob medida para se defender dos Cisnes Negros que ainda assombram as equipes tradicionais de desenvolvimento de software, como expliquei no meu artigo anterior.

Todo mundo conheceu apenas cisnes brancos no passado e induz que Cisnes Negros não existem. Eis onde mora o perigo!

Hoje li dois artigos discutindo justamente isso. Os dois têm razão, e se você parar para pensar por 30 segundos, era óbvio que eu nunca deveria ter usado esses números. Eu, que já falei mais de uma vez dos perigos da estatística mal utilizada! Vamos entender o porquê.

Pois bem, como é formado o índice TIOBE?

É uma porcentagem, sem ajuste nenhum, da quantidade de hits em 5 search engines para os termos +"[linguagem] programming". Vejamos exemplos com números absolutos apenas no Google:

• Java: 3,4 milhões de hits
• C: 2,2 milhões de hits
• C++: 1,7 milhão de hits
• PHP: 1,5 milhão de hits
• Perl: 0,9 milhão de hits
• Python: 584 mil hits
• C#: 558 mil hits
• Ruby: 363 mil hits
• Smalltalk: 28,4 mil hits
• Groovy: 15,7 mil hits

Agora, vejamos no Yahoo!:

• C: 12,3 milhões de hits
• Java: 9,6 milhões de hits
• C++: 4,9 milhões de hits
• PHP: 4,9 milhões de hits
• Perl: 2,8 milhões de hits
• Python: 2,2 milhões de hits
• C#: 1,9 milhão de hits
• Ruby: 1,6 milhão de hits
• Smalltalk: 103 mil hits
• Groovy: 31,3 mil hits

Existem ainda listas de exceção para agrupar ou separar termos. C#, por exemplo, também é procurado como “CSharp”, “C-Sharp”, “C# 3.0”, e o resultado de todos é somado como “C#”. No exemplo acima eu procurei simplesmente por “C# programming”.

Depois disso, eles pegam o total de resultados de cada linguagem e dividem pelo total das 50 primeiras. No meu exemplo, com as 10 da lista, C# fica 558 mil / 11.249.100 = 4,9%. O mesmo é feito para o Yahoo e os outros search engines. As porcentagens finais são somadas e divididas por 5. Vejam o que dá no meu exemplo menor, sem usar nenhuma exceção e apenas com os 2 buscadores principais:

• Java: 27%
• C: 25%
• C++: 13,6%
• PHP: 12,7%
• Perl: 7,47%
• Python: 5,3%
• C#: 4,87%
• Ruby: 3,6%
• Smalltalk: 0,3%
• Groovy: 0,1%

Pronto: acabamos de ver o jeito fácil de fabricar índices. Essa metodologia é absolutamente quebrada, e não é preciso ser especialista em estatística para dizer isso. Não dá nem para comparar com uma metodologia considerada “séria”, como um IBOPE, que mesmo assim já é controverso.

Os problemas

Alguns dos problemas que eu, leigo em estatística, consigo apontar:

• Confiança cega em terceiros: presume-se que os search engines fazem um bom trabalho.

• Duplicatas entram na conta. Um mesmo artigo que ganha notoriedade é republicado em centenas de blogs (muitos de nós, blogueiros, somos notórios por ser apenas ecos das fontes primárias). O que deveria contar como 1 vira 100. O Google App Engine, recém-lançado, deve estar inflando o índice de Python, por exemplo.

• Os 5 search engines pesam igual, porque o índice é só a média simples do resultado de todos. Não existe nenhum fator de ajuste. E o Yahoo!, na minha experiência, faz um péssimo trabalho em pesquisa: “C programming” deu 2,2 milhões de hits no Google e 12,3 milhões no Yahoo!. Duvido que o banco de dados do Yahoo! seja 10 vezes maior; o mais provável é que ele seja 10 vezes pior em eliminar ruído. Não me surpreenderia se ele contasse “Objective C programming” como hit de “C programming”, algo no nível do primário select * from tabela where texto like "C programming".

• O número de hits depende da string exata da busca. “Ruby programming” trouxe parcos 363 mil hits no Google. Já “Ruby Rails” traz 8,1 milhões de hits (!). Naveguei até a página 63 e eram todos links relevantes de Ruby e Rails (nada de pedras preciosas ou linhas de trem, ou seja, pouca sujeira). Com a mesma string, o Yahoo! trouxe 3,9 milhões, bem acima do 1,6 milhão anterior. Fica claro como é difícil chegar a um número confiável para cada plataforma.

A reclamação dos dois autores dos posts que linkei é essa: mesmo com os resultados que vimos, por que Python se tornou a linguagem do ano passado? Por que Ruby se tornou a linguagem do ano retrasado? Por esse método está claro que Java, C, C++, Perl e PHP estão uma ordem de grandeza acima.

Minha avaliação: o Índice TIOBE presume muita coisa e deixa passar muito erro. Numa situação de medida como essa, a margem de erro é maior que o número sendo medido. É praticamente impossível tirar qualquer conclusão daí.

Quer uma metodologia igualmente ridícula? Vamos “assumir” que uma pessoa que recebe um panfleto de candidato político e não o joga na rua gosta dele. Poderíamos eleger um presidente contando os panfletos jogados na rua: quem tiver menos panfletos no chão é o mais querido e, portanto, o vencedor.

Eu já falei disso em outro artigo: Somos matematicamente ignorantes. Infelizmente, diferente de álgebra de primeiro grau, estatística ainda é uma área muito pouco esclarecida. Eu estudei estatística no Instituto de Matemática e Estatística da USP e ainda assim sei muito pouco a respeito. As pessoas são constantemente obrigadas a “engolir” os números que a TV mostra, sem saber como julgar, minimamente, se os critérios são adequados.

Minha recomendação: na dúvida, ignore os índices. Não sou Dijkstra, mas eu diria “Statistics Considered Harmful”. Enquanto as pessoas não entenderem o que é estatística, mostrar índices para elas é apenas tentar mentir com mais substância. No artigo que linkei lá em cima, Tim cita Mark Twain:

“Existem três tipos de mentiras: mentiras, grandes mentiras e estatísticas.”

Da minha parte, não pretendo mais mencionar o TIOBE em nenhum artigo ou apresentação como argumento de que Ruby está crescendo. Na prática, acredito que não exista hoje nenhum índice confiável para avaliar isso.

Principalmente se, mesmo que de vez em quando, você tenta explicar eventos puramente aleatórios como “coincidências misteriosas” que “precisam” ter alguma explicação mística ou sobrenatural.

Mesmo entre nós, programadores, muitos ignoraram a matéria que normalmente é ensinada no primeiro ano de Ciência da Computação. Um dos resultados práticos desse tipo de ignorância: Birthday Attacks, um tipo de ataque criptográfico nomeado assim porque explora a matemática por trás do Birthday Paradox, que é explicado no artigo que traduzo abaixo.

Dada uma função f (exemplo: autenticação), o objetivo do ataque é encontrar duas entradas x1 e x2 (exemplo: senhas) de tal forma que f(x1) = f(x2). Esse par x1 e x2 é chamado de colisão. E nós sempre concluímos esse problema da maneira errada.

Uma leitura interessante é The Psychology of the Psychic, de David Marks e do Dr. Richard Kammann, uma análise cética de afirmações paranormais. Uma definição não óbvia é o que Marks chamou de “Koestler’s Fallacy”: as pessoas assumem que dois acertos estranhos em eventos aleatórios não podem acontecer apenas por chance (cof Evolução cof).

Este artigo de Bruce Martin, da excelente revista Skeptical Inquirer, demonstra como dois eventos “coincidentes” num universo de alternativas aleatórias são mais comuns do que pensamos. Ele mostra como nossa intuição, ou bom senso, em torno desse tipo de análise é totalmente falha, e como somos completamente ignorantes ao atribuir probabilidades a eventos.

“Este projeto tem 90% de chance de dar certo.”, “Este time de futebol tem 60% de chance de ganhar o campeonato.”, “Eu tenho 45% de chance de passar no vestibular.” Tudo isso não passa de chute, um número arbitrário sem qualquer senso de razão em relação aos eventos que tenta prever.

Quando você tenta prever alguma coisa e erra, diz: “que estranho, normalmente eu acerto”, e todos ignoram e esquecem esse fato. Se por acaso “acerta” uma previsão, diz: “ahá, eu sabia que tinha razão, eu sempre acerto!”, e todos ficam surpresos e relembram apenas desse fato. Nossa mente funciona assim mesmo: não guardamos tudo, armazenamos apenas o que nos é conveniente. E isso influi em nossas (más) decisões futuras.

Verdade #1: ninguém consegue “prever” o futuro com precisão. Verdade #2: eventos aleatórios acontecem com mais frequência do que imaginamos. Verdade #3: dentre diversos eventos completamente aleatórios sempre vamos encontrar padrões, e vamos memorizar esses padrões e tentar, inutilmente, dar “significados” a eles. Porém, essas “coincidências” são apenas isso: eventos aleatórios totalmente calculáveis.

nota: recomendo muito a leitura da excelente revista Skeptical Inquirer. Assim como recomendo se manter informado sobre a CSICOP, ou “Committee for Skeptical Inquiry”, uma organização que encoraja a investigação crítica de afirmações pseudo-científicas e paranormais de um ponto de vista responsável e científico, e dissemina informações factuais e resultados desse tipo de inquirição para a comunidade científica e o público (mais sobre a CSI).

Todos os dias alguém em algum lugar do mundo está pensando ativamente em como nos enganar. Todos os dias nós mesmos nos enganamos sem perceber. Todo dia esse tipo de mentira nos leva a decisões erradas e prejudiciais a nós mesmos. Por isso é necessário nos policiar o tempo todo para sermos “Skeptical Inquirers”, literalmente “Inquisidores Céticos”.

Não sabermos a resposta de alguma pergunta hoje não significa que não vamos desvendá-la amanhã. Conclusões precipitadas são o maior mal do progresso, porque ficamos estagnados investindo em mentiras. Espero que este artigo sirva como um alarme de que nós nos enganamos com mais frequência do que gostaríamos.

Acham que conseguem “adivinhar” os resultados de um campeonato esportivo? Acha que consegue adivinhar os resultados da bolsa de ações? Acha que consegue adivinhar o resultado de jogadas sucessivas de roleta num cassino? Pense novamente. Faz tempo que tenho este artigo guardado e queria traduzi-lo, mas só agora resolvi colocá-lo aqui. Este texto é longo e talvez cansativo para a maioria, mas recomendo ler até o final. Vamos à tradução do artigo:

Coincidências: Notável ou Aleatório?

As coincidências mais improváveis normalmente resultam do jogo de eventos aleatórios. A própria natureza da aleatoriedade garante que a combinação de dados aleatórios vai resultar em algum padrão.

Bruce Martin

“Você não acredita em telepatia?” Meu amigo, um sóbrio profissional, perguntou com desdém. “Você acredita?” eu repliquei. “Claro. Muitas vezes eu estava fora de noite e de repente ficava preocupado com meus filhos. Ligando para casa eu descobria que um estava doente, se machucou ou teve pesadelos. Como você pode explicar isso?”

Esse tipo de episódio aconteceu a todos nós e é comum ouvir essas palavras, “Não pode ser só coincidência”. Hoje a explicação que muitas pessoas buscam envolve telepatia mental ou pressentimentos psíquicos. Mas deveríamos saltar tão rapidamente nos braços do mundo místico? Poderiam tais eventos resultar de coincidências afinal de contas?

Existem duas características das coincidências não bem conhecidas pelo público. Primeiro, nós tendemos a ignorar o poderoso reforço das coincidências, tanto acordados quanto em sonhos, em nossas memórias. Eventos não-coincidentes não registram em nossas memórias com a mesma intensidade. Segundo, nós falhamos em entender a extensão com que eventos altamente improváveis ocorrem diariamente a todo mundo. Não é possível estimar todas as probabilidades de muitos eventos pareados que ocorrem em nossas vidas diárias. Nós normalmente tendemos a dar às coincidências probabilidades menores do que merecem.

Entretanto, é possível calcular a probabilidade de eventos que parecem improváveis com precisão. Esses exemplos dão dicas de como nossas expectativas falham em concordar com a realidade.

Datas de Aniversário Coincidentes

Em uma seleção aleatória de 23 pessoas existe 50% de chance (1 em 2) que pelo menos 2 pessoas tenham a mesma data de aniversário. Quem já não ficou surpreso de aprender isso pela primeira vez? O cálculo é direto. Primeiro encontre a probabilidade que todos no grupo tenham datas diferentes (X) e então subtraia essa fração de 1 para obter a probabilidade de pelo menos um aniversário comum no grupo (P), P = 1 - X. Probabilidades se limitam de 0 a 1, ou podem ser expressas de 0 a 100%. Para não haver nenhuma coincidência, a segunda pessoa tem uma escolha de 364 dias, a terceira pessoa 363 dias e a enésima pessoa 366 - n dias. Então a probabilidade de todas as datas de aniversário diferentes se torna:

Para duas pessoas: X2 = (365*364)/365^2

Para três pessoas: X3 = (365*364*363)/365^3

Para n pessoas: Xn = (365*364* … *(366-n))/365^n  
 Xn = 365! / [365^n * (365-n)!]  

Com seus fatoriais a última igualdade não é especialmente útil a menos que se tenha a capacidade de lidar com números muito grandes. É instrutivo usar uma planilha ou um loop de uma linguagem de computador para calcular Xn, a partir da 1a igualdade, para sucessivos valores de n. Quando n = 23, se descobre que Xn = 0.493 e P = 0.507. O gráfico da probabilidade de pelo menos 1 data de aniversário comum, P, contra o número de pessoas, n, aparece como a curva da direita, feita de círculos, na Figura 1. A curva mostra que a probabilidade de pelo menos 2 pessoas terem a mesma data de aniversário sobe devagar, no começo passando menos de 12% de probabilidade com 10 pessoas, subindo pelos 50% no círculo aberto correspondente a 23 pessoas, então estabilizando e atingindo 90% de probabilidade em um grupo de 41 pessoas. Isso significa que, na média, de 10 grupos aleatórios de 41 pessoas, em 9 delas pelo menos 2 pessoas têm o mesmo aniversário. Nenhuma força misteriosa é necessária para explicar a coincidência.

Figura 1: Probabilidade de Aniversários Coincidentes: a curva do lado direito de um círculo representa a probabilidade que em um grupo aleatório de pessoas, pelo menos 2 tenham a mesma data de aniversário. Como indicado pelo círculo aberto acima da linha horizontal de probabilidade 0.50, na média 50% de chance é atingido com apenas 23 pessoas. A curva para o lado esquerdo representa a probabilidade que em um grupo aleatório de pessoas pelo menos 2 tenham o mesmo aniversário com diferença de 1 dia de cada um. A chance de 50% para essa coincidência de 3 dias ocorre com apenas 14 pessoas.

Note que a probabilidade de coincidência de aniversário para 23 + 23 = 46 pessoas não é 100%, como alguns poderiam supor, mas 95% como mostrado pela curva de lado direito na Figura 1. A extensão da curva além do limite da Figura 1 revela que 57 pessoas produzem 99% de probabilidade de aniversários coincidentes.

O mesmo princípio pode ser usado para calcular as probabilidades de pelo menos 2 pessoas em um grupo aleatório terem o mesmo aniversário com um dia de diferença (o mesmo e dois dias adjacentes, exemplo, o aniversário da primeira é dia 20, o da segunda ser entre os dias 19 e 21). Essa condição é menos restritiva que antes, e a probabilidade de 50% é atingida com apenas 14 pessoas. A curva de lado esquerdo na Figura 1 mostra um gráfico para as probabilidades de aniversários-dentro-de-1-dia.

Indo um pouco mais a fundo em alguns aspectos da probabilidade de aniversários idênticos nos dá dicas adicionais. Note que dissemos diversas vezes “pelo menos 2 pessoas” tendo o mesmo aniversário. Enquanto o grupo cresce as chances de múltiplas coincidências aumentam.

• A curva descendente à esquerda na Figura 2 representa a probabilidade de nenhuma coincidência (NC) de aniversários, idêntica aos valores de Xn calculados acima.

• A primeira curva com um máximo mostra a probabilidade de apenas um par (1P) com o mesmo aniversário. O máximo ocorre com 28 pessoas e uma probabilidade de 39%.

• À medida que o grupo cresce as probabilidades de outras coincidências também aumentam. A segunda curva com um máximo representa a probabilidade de exatamente 2 pares de pessoas (2P) terem aniversários idênticos. Seu máximo acontece com 39 pessoas e probabilidade de 28%.

• A última, a curva ascendente na Figura 2, mostra o total de probabilidades de todas as coincidências restantes (> 2P), consistindo de 3 pares, trios, etc. Para todos os números de pessoas, as probabilidades para todas as 4 curvas dão o total de 1.00 (100%).

Figura 2: Probabilidades de Múltiplos Aniversários Coincidentes: A curva descendente na esquerda representa a probabilidade de nenhuma coincidência (NC). A primeira curva com um máximo demonstra as probabilidades de 1 único par (1P) com aniversários idênticos. A segunda curva com um máximo representa a probabilidade de exatamente 2 pares (2P) onde cada par pode ter aniversários diferentes entre si. A curva ascendente na direita mostra a probabilidade de todas as outras coincidências (> 2P), 3 pares, trios, etc. Para qualquer número de pessoas as probabilidades das 4 curvas dão o total de 1.00.

A Figura 2 mostra que para 23 pessoas as probabilidades são 36% para 1 par, 11% para 2 pares e 3% para o total de todas as outras coincidências, que somadas dão 50%. Nós quebramos a probabilidade de 50% para pelo menos uma coincidência discutida acima para 23 pessoas em contribuições de componentes. Para 23 pessoas a probabilidade de nenhuma coincidência também é 50%, como mostrado na curva descendente (NC) da Figura 2.

Existe quase uma tripla intersecção com 38 pessoas onde a chance de 1 par idêntico, 2 pares idênticos e o total de todas as outras coincidências é de 28-29%. Para 38 ou mais pessoas o total de todas as outras coincidências se torna maior do que as possibilidades de exatamente 1 ou 2 pares e passa de 50% com 45 pessoas. Em um grupo aleatório de mais do que 45 pessoas existe uma chance melhor do que a média que existem mais do que 2 coincidências de aniversários.

O que essa série de cálculos conclui é isso: se coincidências de aniversários são muito mais comuns do que poderíamos imaginar, não é provável que muitas dessas outras coincidências impressionantes em nossas vidas sejam o resultado da probabilidade também? Não devemos multiplicar hipóteses: o princípio da Lâmina de Occam dita que a explicação mais simples deve ser preferida.

Coincidências Presidenciais

Considere as datas de nascimento e morte de presidentes Americanos para ver como esse raciocínio funciona em casos reais. Existiram 41 nascimentos de presidentes, e a Figura 1 indica 90% de probabilidade que pelo menos 2 presidentes deveriam ter nascido no mesmo dia. E existe mesmo essa coincidência: James K. Polk e Warren G. Harding ambos nasceram no dia 2 de Novembro. O resultado aparece na Tabela 1.

Com 41 casos existe 66% de chance de uma segunda coincidência, mas nenhuma aconteceu ainda [o resultado pode ser obtido adicionando as probabilidades para 41 pessoas para 2P (28%) e >2P (38%) nas curvas da Figura 2.] Talvez o aniversário do próximo presidente coincida com um dos 41 anteriores. (Os aniversários de Albert Gore e Colin Powell não coincidem.)

Dos 36 presidentes mortos, a Figura 1 indica com 83% de probabilidade que pelo menos 2 devem ter morrido na mesma data. O resultado também aparece na Tabela 1. Ambos Millard Fillmore e William Howard Taft morreram em 8 de Março.

Com 36 casos, existe 51% de chance de uma segunda coincidência.

No que parece uma chocante coincidência, três dos primeiros presidentes morreram em 4 de Julho, como listado na Tabela 1. Ambos John Adams e Thomas Jefferson morreram no mesmo ano, 1826, no aniversário de 50 anos da assinatura da Declaração de Independência. As palavras finais de Adams, dizendo que seu rival de longa data e correspondente Jefferson “ainda vive”, estavam erradas, já que Jefferson morrera antes no mesmo dia. James Monroe morreu na mesma data 5 anos depois.

Estudiosos de presidentes sugerem que esses primeiros presidentes fizeram um esforço para aguentar até 4 de Julho. James Madison rejeitou estimulantes que poderiam ter prolongado sua vida, e ele morreu 6 dias antes, em 28 de Junho (em 1836). Parece evidente que, para as mortes de vários presidentes, 4 de Julho não é uma data aleatória. Apenas um presidente, Calvin Coolidge, nasceu em 4 de Julho.

Um ponto importante é que nenhuma data de aniversário foi especificada de antemão. A Tabela 2 lista os tamanhos de grupo necessários para probabilidade de 50%. A primeira repete o que já sabemos: um grupo de 23 pessoas é suficiente para pelo menos 2 terem o mesmo aniversário não-especificado.

Se especificarmos uma data em particular, como hoje, são necessárias 253 pessoas para ter 50% de chance de pelo menos 1 pessoa com esse aniversário.

Para pelo menos 2 pessoas terem a mesma data de aniversário especificada, a probabilidade de 50% não é alcançada até que se tenha 613 pessoas. Essa enorme diferença de 23 contra 613 para probabilidade de 50% de pelo menos 2 pessoas com um aniversário em comum se deve ao fato de a data ser não-especificada para o grupo e especificada para a multidão.

Que algum evento improvável vai acontecer é provável; que um em particular vai acontecer é improvável. Se olharmos para nossas coincidências pessoais, vemos que elas foram raramente preditas com antecedência.

(nota do Akita: o que queremos dizer é o seguinte: coincidências acontecem. Dizer “improvável” não é dizer “impossível”: 0.000001% ainda não é Zero. A diferença é que quase nunca é possível prever com antecedência um evento em particular, mas quase nunca não é nunca. Acertar 1 previsão em milhares não é impossível. Acertar todas é altamente improvável. Essa é a natureza das coincidências: elas acontecem, por mais improváveis que sejam, é um fato, e não há nenhum agente sobrenatural lidando com isso, é apenas um evento aleatório matematicamente descritível. Prever que um certo evento vai acontecer “e” acertar também é absolutamente aleatório e não há nenhum poder místico ou intuitivo envolvido. É puramente como jogar dados e, por acaso, acertar um número. Não: você não é um médium. :-)

Abraham Lincoln e John Kennedy

Sempre é possível combinar dados aleatórios e encontrar alguma regularidade. Um exemplo muito bem conhecido é a comparação das coincidências nas vidas de Abraham Lincoln e John Kennedy, dois presidentes com 7 letras em seus últimos nomes, e eleitos com 100 anos de diferença, 1860 e 1960. Ambos foram assassinados numa sexta-feira na presença de suas esposas, Lincoln no teatro Ford e Kennedy num automóvel feito pela Ford. Ambos assassinos tinham 3 nomes: John Wilkes Booth e Lee Harvey Oswald, com 15 letras em cada nome completo. Oswald atirou em Kennedy de um armazém e correu para um teatro, e Booth atirou em Lincoln em um teatro e fugiu para um celeiro (um tipo de armazém). Ambos os sucessores vice-presidentes eram Democratas sulistas e ex-senadores chamados Johnson (Andrew e Lyndon), com 13 letras em seus nomes e nascidos com 100 anos de diferença, 1808 e 1908.

Mas se compararmos outros atributos relevantes falhamos em encontrar coincidências. Lincoln e Kennedy nasceram e morreram em datas (dia e mês) e estados diferentes, e nenhuma das datas é separada de 100 anos. Suas idades eram diferentes, assim como os nomes das esposas. Claro, se alguma dessas fosse correspondente estariam na lista de coincidências “misteriosas”. Para quaisquer duas pessoas com vidas razoavelmente movimentadas é possível encontrar coincidências entre elas. Duas pessoas se encontrando numa festa normalmente encontram coincidências chocantes entre elas, mas o que são, aniversários, cidades natais, etc, não são previstos de antemão.

(nota do Akita: coincidências são muito mais comuns do que se imagina. Não somos tão diferentes assim quanto se pensa.)

Mãos de Bridge

Em um jogo de cartas chamado Bridge é possível ter 635.013.559.600 diferentes mãos de 13 cartas. Esse número de mãos poderia ser obtido se todas as pessoas no mundo jogassem bridge por um dia. Para um indivíduo isso levaria vários milhões de anos de jogos contínuos para conseguir ter todas essas mãos. Mesmo assim qualquer mão obtida por um jogador é igualmente provável, ou melhor, igualmente improvável, já que suas probabilidades são 1/635.013.559.600 ou um pouco melhor do que 1 parte em 1 milhão de milhões. Qualquer mão é tão improvável quanto 13 cartas de espadas. Mãos de Bridge são um exemplo da ocorrência diária de eventos muito improváveis, mas claro, as mãos não são especificadas com antecedência.

Considere um grupo de apenas 10 ou mais estudantes em uma sala de aula de uma faculdade que tem estudantes de diversos estados. Durante uma sessão escolar, existem numerosas classes como essa. Mesmo assim as chances contra predizer exatamente a composição de qualquer sala com 10 anos de antecedência (com todos os estudantes e professores já nascidos nessa época) são verdadeiramente astronômicas. Esse é outro exemplo de ocorrências diárias de eventos altamente improváveis.

Rodadas de Caras e Coroas

Que sequência de Caras (head, H) ou Coroa (tail, T) você poderia esperar das jogadas aleatórias de uma moeda? Nem tudo cara nem tudo coroa, nem mesmo cara e coroa alternados numa sequência como HTHTHTHT, já que essa série é obviamente regular e não aleatória. Em uma sequência aleatória esperamos jogadas de ambos cara e coroa. Podemos simular progressões de jogadas de moedas a partir de uma sequência aleatória de números.

Até onde se sabe, os dígitos decimais do número irracional π, que multiplica o diâmetro de um círculo para obter a circunferência, são aleatórios. Isso não significa que toda vez que π é calculado se obtém um resultado diferente, mas em vez disso que o valor de cada dígito único não é previsível a partir dos dígitos anteriores. Um exemplo desse tipo de padrão levando à previsibilidade é a sequência de dígitos decimais da fração 1/7 = 0,142857142857142857 …, onde há uma óbvia repetição (142857) a cada 6 dígitos.

Os dígitos decimais de π foram calculados até centenas de milhões de dígitos por computadores de alta-performance, mas listamos apenas os primeiros 100 dígitos em 4 linhas de 25 dígitos:

3,141592653589793238462643
38327950288419716939937510
58209749445923078164062862
089986280348253421170679

Existem 51 dígitos pares e 49 dígitos ímpares. Existe quase uma distribuição equilibrada quando os primeiros 100 dígitos decimais são divididos de outra maneira: 49 dígitos de 0 a 4 e 51 dígitos de 5 a 9.

Já que os dígitos decimais de π são aleatórios, podemos simular a sequência aleatória de caras e coroas assinalando dígitos pares para cara e ímpares para coroa. A sequência de caras e coroas em 100 jogadas com 25 por linha se torna (sendo T = coroa e H = cara):

THTTTHHTTTHTTTTHTHHHHHHT
THTHTTTHHHHHTTTTHTTTTTTT
THTHHHTTHTHHTTHTHTHTHHHHHH
HHHHTTHHHHHTHHHTTHHTTTHHTT

Combinando a sequência aleatória encontramos alguma regularidade, como a sequência de alternância em 8 jogadas de 62 a 69 (em negrito). A probabilidade de uma sequência alternada em 8 jogadas é 1 em 2^7 = 128 jogadas. Existem algumas longas sequências só de caras e só de coroas. Existem 2 de 5 caras e 1 de 6 caras, 1 de 8 coroas e uma surpreendente de 10 caras. Os dígitos decimais de π entre 69 e 78 são todos pares. Uma jogada de 10 dígitos pares deveria acontecer apenas 1 vez em 2^10 = 1.024 dígitos. Mesmo assim esse tipo de sequência aconteceu dentro dos primeiros 80 dígitos.

Então, o que temos aqui? Uma prova que os dígitos decimais de π não são aleatórios? Não, o que temos em vez disso é a demonstração de como é sempre possível combinar dados aleatórios e encontrar regularidades não especificadas com antecedência. Já que 10 dígitos pares acontecem nos primeiros 100 dígitos de π, poderíamos (erroneamente) achar que temos alguma coisa especial, e que esse tipo de sequência acontece frequentemente. De fato, uma sequência de 10 dígitos pares não acontece novamente nos primeiros mil dígitos de π. Nos primeiros mil dígitos uma única sequência de 10 ímpares acontece entre 411 e 420.

O ponto crucial é que a própria natureza da aleatoriedade garante que combinações de dados aleatórios vão dar em algum padrão. Mas o que esse padrão é não pode ser especificado com antecedência. Se alguém encontrar um padrão combinando dados aleatórios, ele ou ela pode usar isso com hipótese para investigar mais dados mas nunca deve chegar a uma conclusão geral disso. Em nosso exemplo nós descobrimos (mas não previmos) 10 dígitos pares em 100 dígitos mas não novamente nos próximos 900 dígitos. Para confirmar alguma tendência, os dados alvo precisam ser especificados com antecedência da inspeção dos dados. Se um padrão inesperado aparecer durante a inspeção depois que os dados foram obtidos, o padrão pode ser usado como uma hipótese para obter e inspecionar um conjunto completamente novo de dados.

A sequência de caras e coroas pode ser aplicada de outras maneiras. Considere um quarterback de futebol americano que completa 50% de seus passes ou um jogador de basquete que pontua 50% de seus lances livres. Assinale cara (H) a um passe completo ou lance livre convertido e coroa (T) para um erro, e então se pode esperar longas sequências de acertos e erros como mostrado na sequência HT anterior. A maioria das sequências quentes ou frias em esportes são apenas a consequência de aleatoriedade. A “mão quente” é mais uma ilusão de significância que aparece em conjuntos de dados que são aleatórios.

Podemos utilizar sequências aleatórias dos dígitos decimais de π para encontrar sequências prováveis para um batedor .300 de baseball. Por exemplo, assinale os dígitos 0, 2 e 4 para batidas e os outros 7 dígitos para foras. Então, dos primeiros 100 dígitos decimais existem 30 batidas e 70 foras. Se dividirmos a sequência de 100 dígitos em grupos sucessivos de 4, um número que representa batidas por jogo, obtemos os resultados para 25 jogos. Nosso batedor então fica sem conseguir bater por 4 jogos (3 em sucessão, uma “fase ruim”), consegue 1 batida em 13 jogos, 2 batidas em 7 jogos, 3 batidas em um jogo e não tem um único jogo com 4 batidas. Surpreendentemente, o batedor tem pelo menos 1 batida nos últimos 13 jogos, considerado suficiente para ser uma sequência “real”. Mas essa sequência aparece a partir de uma sequência aleatória de dígitos decimais de π. A fase ruim e a fase boa de um batedor parecem ser apenas o resultado da aleatoriedade do jogo.

Claramente, coincidências improváveis não-especificadas acontecem diariamente em nossas vidas, e essas coincidências são muito provavelmente o resultado de aleatoriedade. Se o conjunto de dados é grande o suficiente, coincidências vão aparecer, como demonstrado nos primeiros 100 dígitos decimais de π. As chances de conseguir 5 caras em sequência são de apenas 3%, mas para 100 jogadas as chances chegam a 96%. Embora aplicado em um contexto diferente, a teoria Ramsey (Scientific American, Julho 1990) diz que “Cada conjunto grande de números, pontos ou objetos necessariamente contém um padrão altamente regular.” Não é necessário recorrer a forças misteriosas para explicar coincidências.

Figura 3: Simulação de Mercado de Ações: o mercado diário de ações apresentado como preço para 109 dias de transações gerados a partir da aleatoriedade dos dígitos decimais de π. A representação “topo da cabeça e ombro” (head and shoulders top) é mostrada como consistente com jogadas aleatórias do mercado. Claro, o número de dias é flexível, um dígito decimal representa qualquer fração ou número de dias. Veja anotações para uma descrição de como o preço das ações foi gerado.

Preços Aleatórios no Mercado de Ações

Dada a fascinação atual pela longa tendência de alta do mercado de ações, podemos gerar resultados ainda mais interessantes a partir de dígitos decimais aleatórios de π. Vamos colocar em gráfico no eixo X o número de dígitos decimais e no eixo Y um valor de preço que é gerado a partir dos dígitos decimais descritos na Figura 3 e na anotação de tal forma que exista um balanço arbitrário e igual entre direções de alta e baixa para preços.

Para os primeiros 108 dígitos decimais de π o gráfico inteiro está em território positivo. Começando com zero o gráfico começa a subir aos poucos até atingir um platô nos dígitos 48 a 71 antes de começar a cair, quase retornando a zero no dígito 99, e cruzando para o território negativo depois do dígito 108. Para um técnico do mercado de ações esse gráfico representa um “topo da cabeça e ombros” em um gráfico de preços de ações ou preço de mercado de ações pelo tempo. Está tudo lá na Figura 3, um topo de cabeça e ombros. Mesmo assim esse gráfico foi gerado a partir dos primeiros 109 dígitos decimais aleatórios de π!

O valor máximo de 65 no eixo Y é alcançado 3 vezes na região de platô e é mais do que 7 vezes maior do que o máximo movimento único em 9. Portanto, podemos concluir que um ‘head and shoulders top’ em ações e preços de commodities pode representar nada mais do que jogadas aleatórias nos mercados. (Depois de um longo período existe uma tendência de alta em mercados de ações na média.)

Um recente sorteio recebido pelo correio oferecia um grande prêmio de US$ 5 milhões. As instruções diziam que as chances de ganhar o prêmio eram de 1 em 200 milhões. Dentro dessa enorme população 1 pessoa ganhará o prêmio. Com tal incrível e desfavorável chance cada pessoa deve decidir para si se vale a pena o tempo e dinheiro gasto para mandar a carta. O verdadeiro grande ganhador parece ser o serviço postal, que arrecada mais do que 10 vezes o valor do prêmio principal em selos.

Então, da próxima vez que ouvir, “Isso não poderia ser só uma coincidência”, você estará mais do que justificado para responder, “E por quê não?”

Concurso de Coincidências Presidenciais da CSICOP

Em 1992, a Skeptical Inquirer fez um concurso chamado Spooky Presidential Coincidences Contest, em resposta a Ann Landers publicando “pela zilionésima vez” uma lista de arrepiantes paralelos entre John F. Kennedy e Abraham Lincoln. A tarefa era para leitores levantarem suas próprias listas de coincidências entre outros pares de presidentes. O concurso teve 2 vencedores, Arturo Magidin da Cidade do México, e Chris Fishel, um estudante da Universidade da Virgínia. Magidin levantou 16 incríveis coincidências entre Kennedy e o ex-presidente mexicano Alvaro Obregón, enquanto Fishel levantou listas de coincidências de não menos do que 21 diferentes pares de presidentes americanos.

Alguns exemplos da lista de Magidin: Ambos “Kennedy” e “Obregón” têm 7 letras cada um; cada um deles foi assassinado; os assassinos de ambos têm 3 nomes e morreram pouco depois de matarem os presidentes; Kennedy e Obregón ambos casaram em anos terminados em 3, cada um teve um filho que morreu pouco tempo depois de nascer; e ambos vieram de grandes famílias e morreram em seus 40 anos.

Fishel levantou dúzias de coincidências, aqui vão algumas entre Thomas Jefferson e Andrew Jackson. Ambos serviram 2 mandatos completos; as esposas de ambos morreram antes de eles virarem presidentes; cada um tinha 6 letras no primeiro nome; ambos estavam endividados no momento das mortes; cada um teve uma capital de estado batizada em sua homenagem, e os predecessores de ambos se recusaram a comparecer às suas posses. [Para mais informações e as listas completas, veja SI Primavera 1992, 16(3); e Inverno 1993, 17(2).]

Agradecimentos

Sou grato ao Professor Russell N. Grimes, da Universidade da Virgínia, pelas discussões das expressões que levaram à Figura 2 e à Tabela 2.

Anotação

O preço da ação foi gerado em uma direção positiva quando o dígito precedente é ímpar (exceto para 5) e em uma direção negativa quando o dígito anterior é par, com a magnitude da direção dada pelo valor do dígito. Assim dígitos ímpares anteriores 1 + 3 + 7 + 9 = 20 geram uma direção positiva e dígitos pares anteriores 0 + 2 + 4 + 6 + 8 = 20 uma direção negativa. A soma nas duas direções é a mesma. Para o dígito 5, que sobrou, a direção é para cima ou para baixo, dependendo se o dígito anterior é ímpar ou par, respectivamente. Nos primeiros 108 dígitos decimais há oito 5s, metade gerando direções positivas e metade negativas. Portanto, temos equilíbrio perfeitamente arbitrário e igual entre as direções positiva e negativa.

Referências

• Epstein, Richard A. 1967. A Teoria dos Jogos e Lógica Estatística. New York: Academic Press.

• Falk, Ruma. 1981. Em Coincidences. Skeptical Inquirer 6 (2): Inverno: 18-31.

• Graham, Ronald L., e Joel H. Spencer. 1990. Ramsey Theory. Scientific American 263 (1): 112-117 (Julho).

• Paulos, John Allen. 1988. Innumeracy. New York: Random House.

• Weaver, Warren. 1963. Lady Luck. Garden City, NY: Anchor Books.

Sobre o Autor

Bruce Martin é Professor Emeritus de Química da Universidade da Virgínia, Charlottesville, Virginia.

notas finais do Akita: apenas para ficar claro: “acertos” em eventos aleatórios, o encontro de “padrões”, também conhecidos como “coincidências”, simplesmente acontecem. Principalmente num universo grande de eventos aleatórios, ou mutuamente exclusivos.

O problema é quando resolvemos identificar esses padrões (fácil) e tentamos dar “sentidos” a essas sequências aleatoriamente coincidentes. Pior ainda: quando resolvemos atribuir sentidos de “causa e efeito” a esses eventos.

Suponha que alguém tenha tomado certa substância “H” que viu numa simpatia ou coisa parecida. Alguns dias depois, estava livre da enfermidade. Claro, ele dirá: “graças à substância H, me curei!” e todos acreditarão, mais ainda se várias pessoas relatarem a mesma coisa. Porém, nenhuma delas realmente investigou o caso: tiraram conclusões depois dos fatos. Esse é o jeito errado.

Da forma correta, se formulássemos a hipótese de que tal substância “H” funciona, precisaríamos depois disso conseguir experimentalmente mais conjuntos de dados com resultados que ultrapassem os resultados que facilmente seriam obtidos através da própria aleatoriedade, como vimos acima. No caso do aniversário, bastam 23 pessoas para encontrar 2 pessoas com o mesmo aniversário dentre um universo de 365 dias diferentes num ano!!

As pessoas só vão lembrar que, coincidentemente, mil pessoas se “curaram” com a tal substância “H”. Porém, ignoram que outras 10 mil, com a mesma enfermidade, tratadas com a mesma substância, não apresentaram melhoria nenhuma. Mas preferimos ignorar os 10 mil e apenas olhar os “grandiosos” mil positivos. Como se vê, números fora de contexto não servem para absolutamente nada.

Carl Sagan dispensa apresentações. Sempre achei este trecho inspirador. É bom dar a motivação certa às pessoas, e é mais uma razão para recomendar Cosmos a todas as crianças: um legado que ultrapassa gerações. (Mais vídeos recomendados no final do artigo.)

Este trecho de Um Pálido Ponto Azul foi inspirado por uma imagem tirada, à sugestão de Sagan, pela Voyager 1 em 14 de fevereiro de 1990. Quando a sonda deixava nossa vizinhança planetária rumo às bordas do sistema solar, os engenheiros a viraram para uma última olhada no nosso planeta.

A Voyager 1 estava a cerca de 6,4 bilhões de quilômetros de distância, aproximadamente 32 graus acima do plano da eclíptica, quando capturou este retrato do nosso mundo. Presa no centro de raios de luz difusos, um efeito de fotografar tão perto do Sol, a Terra aparece como um pequeno ponto de luz: um crescente de apenas 0,12 pixels de tamanho.

(AkitaOnRails: a seguir, o texto original em inglês. A tradução está no vídeo acima.)

por Carl Sagan
Co-fundador da Sociedade Planetária
1994

Look again at that dot. That’s here. That’s home. That’s us. On it everyone you love, everyone you know, everyone you ever heard of, every human being who ever was, lived out their lives. The aggregate of our joy and suffering, thousands of confident religions, ideologies, and economic doctrines, every hunter and forager, every hero and coward, every creator and destroyer of civilization, every king and peasant, every young couple in love, every mother and father, hopeful child, inventor and explorer, every teacher of morals, every corrupt politician, every “superstar,” every “supreme leader,” every saint and sinner in the history of our species lived there—on a mote of dust suspended in a sunbeam.

The Earth is a very small stage in a vast cosmic arena. Think of the rivers of blood spilled by all those generals and emperors so that, in glory and triumph, they could become the momentary masters of a fraction of a dot. Think of the endless cruelties visited by the inhabitants of one corner of this pixel on the scarcely distinguishable inhabitants of some other corner, how frequent their misunderstandings, how eager they are to kill one another, how fervent their hatreds.

Our posturings, our imagined self-importance, the delusion that we have some privileged position in the Universe, are challenged by this point of pale light. Our planet is a lonely speck in the great enveloping cosmic dark. In our obscurity, in all this vastness, there is no hint that help will come from elsewhere to save us from ourselves.

The Earth is the only world known so far to harbor life. There is nowhere else, at least in the near future, to which our species could migrate. Visit, yes. Settle, not yet. Like it or not, for the moment the Earth is where we make our stand.

It has been said that astronomy is a humbling and character-building experience. There is perhaps no better demonstration of the folly of human conceits than this distant image of our tiny world. To me, it underscores our responsibility to deal more kindly with one another, and to preserve and cherish the pale blue dot, the only home we’ve ever known.

Carl Sagan, Pale Blue Dot, 1994

How to explain the Origins of the Universe …

And, let us never forget Sagan’s legacy …

Nesse sentido, religiões e superstições têm seus problemas. Isso não quer dizer que religiosos ou crentes não possam ser excelentes programadores. Eles são! Existe a visão errada de que ateus como eu, quando falam de religião, querem apenas caluniar, falar mal, ridicularizar. Calma lá, não somos tão maus assim. Assim como não julgamos ninguém pela cor, também não julgamos pela crença.

O problema é quando a desvalorização das evidências em favor de superstições leva a prejuízos reais, como o atraso no desenvolvimento das técnicas de células-tronco. Ou quando a pessoa pára um tratamento médico sério por causa de um copo d’água homeopático.

Interessante notar como muitas discussões no mundo de tecnologia têm muito de irracional: minha linguagem é melhor que a sua, meu processo é melhor que o seu, meu Linux é melhor que seu Mac, meu Ruby é melhor que seu Java. As pessoas assumem que existe Certo e Errado absoluto: para um ganhar, o outro tem que perder. Se o meu é obviamente o Certo, o do outro é, obviamente, o Errado. Como diria Einstein (em outro contexto, eu sei), tudo é relativo.

Quem lê meus artigos mais antigos já notou que eu não torço para nenhum time. Sou programador Ruby, mas não tenho problema nenhum em abrir um Visual Studio e escrever C#. Tenho vários Macs, mas otimizo um Windows ou um Linux com a mesma tranquilidade. Tudo que puder melhorar meu conhecimento é bem-vindo. Qual o sentido prático de se auto-limitar?

A motivação para falar sobre isso foram dois vídeos do Channel 4 da Inglaterra: “Enemies of Reason”, um documentário em dois episódios que podia ser assistido na íntegra pelo Google Video (episódio 1 e 2). O apresentador é um dos meus autores favoritos fora da tecnologia: o Dr. Richard Dawkins. Biólogo, feroz defensor do evolucionismo e criador do termo meme, cunhado pela primeira vez no excelente The Selfish Gene.

Ele também é autor do meu livro favorito recente: The God Delusion, lançado no Brasil pela Companhia das Letras como Deus, um Delírio. Esse livro deu origem a outro documentário do Channel 4, que também recomendo muito: The Root of All Evil?, também disponível no Google Video (aqui e aqui). O segundo episódio se chama “The Virus of Faith”.

Dawkins faz parte de uma nova geração de ateus conhecida como Novos Ateístas, muito criticada. Estão no mesmo grupo autores e estudiosos como Sam Harris, autor de “The End of Faith”, e o filósofo Daniel Dennett, autor de “Breaking the Spell: Religion as a Natural Phenomenon”.

O maior problema é o fanatismo. Existem religiosos não fanáticos (felizmente, a maioria). Mas a minoria fanática é perigosa, e muitos deles estão nas cúpulas de poder, definindo o futuro de todos. Já passamos por uma era de alienação religiosa, conhecida como Idade Média. Temos a sorte de ser uma geração pós-Renascentista. Não faz sentido regredir por pura falta de razão.

Independente das implicações políticas e culturais, o que me incomoda pessoalmente é a falta de valorização própria. Não estou defendendo a arrogância de quem acha que sabe tudo sem saber. Mas o simples “Graças a Deus” é um freio inconsciente. Se você conquistou alguma coisa, o mérito é seu e dos seus colaboradores. Sorte ajuda, mas é apenas um evento estatístico. Nada é impossível: algumas coisas são só probabilisticamente mais improváveis.

Se você não conquistou, a responsabilidade também é toda sua. Sinto que muita gente tem dificuldade de assumir responsabilidades, tanto nos acertos quanto nos erros. O mérito e a culpa das suas ações são exclusivamente seus. Viva com isso.

Outra coisa que me incomoda: todo o material que mencionei aqui vai ser muito criticado. Talvez eu receba uma enxurrada de comentários contrários, como de costume, ou talvez seja simplesmente ignorado. Mesmo assim, os preconceitos farão muita gente se recusar a ver.

Esse é outro problema: o caminho do aprendizado exige razão e raciocínio lógico baseados em evidências sólidas. Faz quase um século e meio que Charles Darwin publicou sua Teoria da Evolução, e ninguém, nas ciências, foi arrogante o bastante para transformá-la em Lei da Evolução. Em tecnologia vale o mesmo: ninguém pode afirmar “minha tecnologia é superior”. É tudo relativo, e ninguém aqui tem autoridade para criar uma Lei que comprove uma afirmação dessas. O que precisamos ter em mente, para criar um ambiente conscientemente investigativo, é: “se o meu não é o melhor, quais as alternativas? quais as evidências? quais as circunstâncias?”

Joseph Campbell diria que as sociedades precisam de mitologias, heróis e crenças. É uma forma de explicar o que não sabemos e de comunicar o que se considera Certo ou Errado num determinado período, já que esses conceitos variam conforme o espaço e o tempo. À medida que evoluímos, matamos um deus de cada vez: Ra, Isis, Osiris, Apollo, Artemis, Poseidon e muitos outros. Explicamos onde o Sol nasce, onde se põe, o que há no céu, de onde viemos, para onde vamos e uma tonelada de outros eventos naturais.

Como Richard Dawkins disse, Carl Sagan faz falta. Para mim, ele fez dois dos trabalhos mais inspiradores que existem: a série “Cosmos” e o livro The Demon-Haunted World: Science as a Candle in the Dark. Toda criança deveria ser encorajada a assistir à série inteira e aprender a pensar por si própria, livre de dogmas e superstições.

Como Dawkins mostra no documentário, os livros de astrologia e outras superstições vendem muito mais que os livros de ciência. E até em documentários aparecem produções supersticiosas que pregam história da carochinha usando a ciência como pretexto, como o horroroso “What the Bleep Do We Know?”.

Num mundo competitivo, com vários problemas para resolver, como doenças, conflitos, aquecimento global e escassez de recursos, precisamos da maior quantidade de cérebros céticos e não supersticiosos de todos os tempos. Só assim daremos passos à frente em vez de estagnar nas mandingas do passado. E mesmo sem considerar as grandes questões, na evolução individual, não podemos nem devemos nos tornar inimigos da razão.

Definição de Ciência: vem do Latim “scientia”, ou “conhecimento”. Segundo o Webster’s New Collegiate Dictionary: “conhecimento adquirido através do estudo ou prática”, ou “conhecimento que cobre verdades gerais da operação de leis gerais, como as obtidas e testadas através do método científico e que se preocupam com o mundo físico”.

Ciência se refere a um sistema para se adquirir conhecimento. Esse sistema usa observação e experimentação para descrever e explicar fenômenos naturais. O termo também se refere ao corpo organizado de conhecimento que as pessoas ganharam usando esse sistema.

Ciência é um sistema elegante porque o método científico é simples e coerente (observação/pesquisa, hipótese, predição, experimentação e conclusão), porém rigoroso o suficiente para ser confiável, principalmente porque, por definição, tem mecanismos de autocorreção. Independe de opinião pessoal, crença ou ponto de vista. A Lei da Gravidade é a mesma para todos, independente de raça, cultura, ideologia, idade ou condição social.

Nenhuma hipótese ganha o caráter de “Lei” sem evidências sólidas o suficiente para tal. Além disso, toda teoria (ou hipótese, definida como uma sugestão de explicação) pode ser descartada caso apareçam evidências sólidas em contrário.

Definição de superstição: (1) uma crença irracional de que um objeto, ação ou circunstância, não logicamente relacionada a um curso de eventos, influencia seu resultado. (2) (a) uma crença, prática ou ritual irracional mantido por ignorância das leis da natureza ou por fé em mágica ou acaso. (b) um estado mental temeroso ou abjeto, resultado de tal ignorância ou irracionalidade. (c) idolatria.

Finalmente, a definição de dogma: (a) algo tido como uma opinião estabelecida; especialmente: um princípio autoritativo definido. (b) um código de tais princípios (dogma pedagógico). (c) um ponto de vista ou princípio colocado de forma autoritária sem fundamento adequado. (d) não pode ser disputado ou posto em dúvida.