O homem que desenhou o cérebro: como Santiago Ramón y Cajal ajudou a fundar, sem o saber, a inteligência artificial

Em 1906, um espanhol recebeu o Prémio Nobel por demonstrar que o sistema nervoso é feito de células individuais. Quase quatro décadas depois, essa ideia tornou-se um dos alicerces matemáticos sobre os quais hoje assentam as redes neurais artificiais e, por essa via, uma parte importante da inteligência artificial contemporânea que o AI Act se propõe regular.

(Na imagem: Santiago Ramón y Cajal representa vários tipos de células nervosas do cérebro, evidenciando a individualidade celular e a diversidade estrutural dos neurónios. A imagem ajuda a compreender por que motivo a doutrina do neurónio marcou uma ruptura com a antiga teoria reticular.

Fonte: Wikimedia Commons, Santiago Ramon y Cajal nerve cells in the brain.

Créditos: Santiago Ramón y Cajal, domínio público, via Wikimedia Commons.)

Um desenhador obcecado que viu o que outros não viram

Santiago Ramón y Cajal nasceu em 1852, em Petilla de Aragón, uma aldeia perdida no norte de Espanha. Filho de um barbeiro-cirurgião, cresceu com uma obsessão que os pais consideravam uma “mania irresistível”: sempre que via uma parede branca, tinha de a preencher com desenhos. Carros, cavalos, aldeões, tudo servia. Quando se tornou médico, essa mão habituada ao traço encontrou um novo objeto de fascínio — o tecido nervoso observado ao microscópio.

Foi essa combinação rara de mão, olho e método que lhe permitiu ver, no tecido nervoso corado pelo método de Camillo Golgi, algo que muitos dos seus contemporâneos não viam. Durante décadas, a teoria reticular sustentara que o sistema nervoso era uma rede contínua, uma malha de filamentos fundidos entre si; Cajal, olhando para o mesmo material, concluiu que aquilo que parecia continuidade era afinal organização em unidades separadas.

Em 1888, os seus trabalhos sobre os centros nervosos das aves começaram a consolidar essa intuição empírica. O que lhe valeu, em 1906, o Prémio Nobel de Fisiologia ou Medicina, partilhado ironicamente com o próprio Golgi, que continuava a defender a teoria reticular. Poucas cenas ilustram tão bem a história da ciência como esta: dois laureados no mesmo palco, em discursos sucessivos, sustentando teses incompatíveis sobre o mesmo objecto.

A doutrina do neurónio

A chamada doutrina do neurónio, tal como ficou consolidada a partir dos trabalhos de Cajal e de outros autores da época, pode ser sintetizada em algumas proposições centrais. A primeira é a de que o neurónio constitui a unidade estrutural e funcional básica do sistema nervoso; a segunda é que essas células são individualizadas, em vez de formarem uma continuidade anatómica; a terceira é que cada neurónio apresenta regiões funcionalmente diferenciadas, incluindo dendrites, soma e axónio.

A esta síntese soma-se a ideia de polarização dinâmica, associada a Cajal, segundo a qual a informação tende a circular numa direcção funcional dominante, das estruturas recetoras para as transmissoras. Vista retrospetivamente, esta formulação tem algo de surpreendentemente moderno: entrada, processamento e saída. Não é ainda computação no sentido contemporâneo, mas já é uma maneira de decompor o sistema nervoso em unidades discretas capazes de receber, transformar e transmitir sinais.

Convém, contudo, evitar uma leitura excessivamente linear. A doutrina do neurónio não surgiu como um bloco fechado, perfeitamente enunciado de uma só vez; foi-se estabilizando ao longo do tempo, à medida que a histologia, a fisiologia e depois a microscopia eletrónica foram confirmando a ideia central da individualidade neural. A força do contributo de Cajal está menos numa fórmula escolar do que num programa observacional de rigor extraordinário.

1943: quando a biologia se transformou em matemática

Em 1943, em plena Segunda Guerra Mundial, encontram-se na Universidade de Chicago duas figuras improváveis. Warren McCulloch, neurofisiólogo com formação em filosofia, e Walter Pitts, um jovem prodígio lógico auto-didacta que, sem ter onde morar, vivia em casa de McCulloch. Dessa colaboração peculiar nasceu um texto fundador para a história da inteligência artificial: “A Logical Calculus of the Ideas Immanent in Nervous Activity”.

O artigo propunha um modelo formal extremamente simplificado do neurónio: uma unidade que recebe entradas, as agrega e produz uma saída binária consoante um limiar seja ou não ultrapassado.

O essencial desse gesto intelectual não esteve em reproduzir a biologia com fidelidade, mas em converter uma intuição neurobiológica numa arquitectura lógica. O neurónio de McCulloch-Pitts não tem a riqueza morfológica nem química do neurónio observado por Cajal, mas preserva uma abstração decisiva: unidades separadas, ligadas em rede, podem processar informação de forma organizada.

Foi esse passo que permitiu demonstrar que redes de unidades simples podiam, em princípio e com arquiteturas adequadas, implementar funções booleanas complexas. A partir daí, deixava de ser necessário imaginar a cognição apenas como um mistério biológico; passava a ser possível tratá-la, pelo menos em parte, como problema de formalização matemática.

De Hebb ao Percetrão

Em 1949, Donald Hebb propôs uma teoria da aprendizagem segundo a qual as ligações entre neurónios tenderiam a reforçar-se quando ativados de forma repetida e coordenada. Em linguagem vulgar: neurónios que disparam juntos, ligam-se mais fortemente. Com Hebb, entrava em cena um elemento que faltava à construção de McCulloch e Pitts: não apenas computação, mas modificação da rede em função da experiência.

Em 1958, Frank Rosenblatt, psicólogo e investigador em neurobiologia e comportamento na Universidade de Cornell, deu um passo adicional com o Percetrão, um modelo capaz de ajustar pesos e aprender a classificar certos padrões a partir de exemplos.

O entusiasmo foi imediato e, em certos círculos, excessivo. A cobertura mediática do Percetrão Versão I (Perceptron Mark I) projetou expectativas quase messiânicas sobre a inteligência artificial, antecipando uma retórica de promessa tecnológica que continua ainda hoje a ser familiar. Quando essas expetativas colidiram com limitações técnicas importantes, sobretudo as limitações teóricas expostas na crítica clássica ao Percetrão no final da década de 1960, instalou-se aquilo que depois seria conhecido como o primeiro inverno da IA.

A mesma árvore, mas não o mesmo cérebro

É tentador contar esta história como uma genealogia em linha reta: Cajal descobre o neurónio biológico, McCulloch e Pitts abstraem-no, Hebb introduz a aprendizagem, Rosenblatt operacionaliza-a, e as redes neurais contemporâneas seriam a continuação ampliada dessa trajetória. Como narrativa de vulgarização, essa linha funciona. Como descrição técnica, precisa de maior rigor.

As redes neurais artificiais actuais são inspiradas por conceitos retirados da biologia, mas não reproduzem minimamente a riqueza estrutural do cérebro humano. Os neurónios biológicos apresentam diversidade morfológica, múltiplos neurotransmissores, plasticidade local, actividade temporalmente precisa, circuitos inibitórios especializados e uma inserção permanente num ambiente químico e celular muito mais vasto, incluindo glia (células de suporte e modulação do tecido nervoso, como astrócitos, oligodendrócitos e microglia) e neuromodulação (processo pelo qual neuromoduladores químicos regulam, de forma lenta e difusa, a excitabilidade e a força sinática de populações neuronais, reconfigurando o comportamento de um circuito sem alterar a sua anatomia).

As arquiteturas de aprendizagem de máquina (machine learning) hoje dominantes, incluindo redes profundas e modelos de linguagem de larga escala, operam com unidades matemáticas altamente simplificadas, parâmetros ajustados por métodos de optimização e representações distribuídas que estão muito longe da complexidade neurobiológica. Mesmo quando se fala em “redes neurais”, trata-se de analogia funcional e histórica, não de equivalência ontológica.

É por isso mais exato dizer que a IA contemporânea herdou da neurociência uma metáfora estruturante, e não um espelho fiel do cérebro. A distância entre inspiração biológica e implementação matemática não invalida a utilidade dos modelos atuais; apenas obriga a falar deles com precisão.

Este arco histórico ganhou uma espécie de epílogo simbólico em 2024, quando Geoffrey Hinton recebeu, conjuntamente com John Hopfield, o Prémio Nobel da Física por “descobertas e invenções fundacionais que permitem a aprendizagem automática com redes neurais artificiais”.

Hinton não é neurocientista de formação; é sobretudo um cientista cognitivo, psicólogo cognitivo e informático, com formação inicial em psicologia experimental e doutoramento em inteligência artificial.

A escolha da Academia Sueca foi, por isso, particularmente significativa: quase 120 anos depois do Nobel de Cajal, outro investigador fortemente interessado na relação entre cérebro e computação foi distinguido por trabalhos sobre redes neurais artificiais, agora já não como hipótese especulativa, mas como fundamento técnico de uma transformação científica e industrial importantíssima em curso.

A analogia, porém, deve ser usada com conta, peso e medida. O Nobel de Hinton e Hopfield não significa que as redes neurais artificiais tenham finalmente reproduzido o cérebro descrito por Cajal; significa antes que certas abstrações inspiradas, muito remotamente, pela organização neural revelaram enorme poder computacional. O parentesco intelectual existe, mas é genealógico e conceptual, não biológico em sentido forte.

Da metáfora à regulação

Quanto mais se compreende que a inteligência artificial contemporânea assenta em abstrações matemáticas muito pobres da biologia neural, menos sentido faz transpor para o plano jurídico, sem cautela, categorias carregadas de antropomorfismo como “pensar”, “compreender” ou “raciocinar”.

O Regulamento da Inteligência Artificial (AI Act) oferece aqui uma lição de sobriedade conceptual.

No artigo 3.º, n.º 1, o Regulamento (UE) 2024/1689 define sistema de IA como um sistema baseado em máquinas, concebido para funcionar com níveis variáveis de autonomia, que pode revelar capacidade adaptativa após a implantação e que, para objetivos explícitos ou implícitos, infere, a partir das entradas que recebe, como gerar saídas como previsões, conteúdos, recomendações ou decisões que influenciam ambientes físicos ou virtuais. O legislador europeu escolheu deliberadamente uma linguagem operacional, e não mentalista.

Essa escolha importa, porque boa parte do discurso industrial sobre IA continua a recorrer a fórmulas antropomórficas. Dizer que um modelo “pensa” ou “compreende” pode funcionar como metáfora comercial ou jornalística, mas não descreve com rigor o estado da arte nem ajuda muito quando se entra em problemas de responsabilidade, transparência ou supervisão regulatória.

Três consequências jurídicas

Causalidade e responsabilidade civil

A Diretiva (UE) 2024/2853 relativa à responsabilidade por produtos defeituosos moderniza o regime europeu para produtos complexos, incluindo produtos digitais e software (sendo este, agora, e inovadoramente na legislação, considerado um “produto”).

O interesse desta Diretiva, no contexto da IA, está em reconhecer dificuldades probatórias acrescidas e em admitir mecanismos que aliviam o ónus da prova quando a complexidade técnica e a assimetria informacional tornam especialmente difícil demonstrar defeito ou nexo causal.

Em sistemas de IA, esta opacidade não decorre apenas do facto de os sistemas serem tecnicamente sofisticados. Decorre também de a arquitetura interna dos modelos, embora matematicamente especificável, nem sempre ser suscetível de se traduzir numa explicação inteligível de por que uma determinada saída foi produzida naquele caso concreto. A caixa negra é, por isso, um problema epistémico e probatório ao mesmo tempo.

Personalidade eletrónica

O debate sobre uma eventual personalidade eletrónica para sistemas de IA reaparece ciclicamente no espaço europeu desde a resolução do Parlamento Europeu de 2017 sobre robótica. Esse debate nunca se consolidou em direito positivo europeu, e a sua fragilidade conceptual torna-se ainda mais evidente quando se recorda quão pobre é a analogia entre cérebros biológicos e arquiteturas artificiais.

Atribuir personalidade jurídica a sistemas que operam por inferência estatística e otimização matemática não é apenas uma escolha política discutível; exige também pressupostos ontológicos e éticos que o direito europeu, até ao momento, prudentemente recusou assumir. A linguagem mais sóbria do AI Act confirma, por contraste, esse recuo.

Transparência e interpretabilidade

O artigo 13.º do AI Act impõe que sistemas de IA de alto risco sejam concebidos e desenvolvidos de forma suficientemente transparente para permitir aos utilizadores interpretar a sua saída e utilizá-la adequadamente. Trata-se de uma exigência normativa sensata, mas que colide com uma dificuldade real da investigação contemporânea: a interpretabilidade de redes neurais profundas permanece um problema científico aberto.

Esta tensão entre exigência regulatória e limite técnico é um dos pontos mais importantes do debate atual. Explicar a estrutura geral de um modelo é possível; explicar de forma completa e individualizada por que razão um modelo com um grande número de parâmetros produziu exatamente esta resposta e não outra continua, em muitos contextos, fora do alcance do estado atual da técnica.

A lição metodológica de Cajal

A história de Cajal oferece, por fim, uma lição metodológica útil tanto para tecnólogos como para juristas. A sua autoridade científica não nasceu de metáforas grandiosas, mas de observação paciente, descrição minuciosa e prudência inferencial, qualidades especialmente valiosas num ecossistema tecnológico saturado de exagero retórico.

Foi essa disciplina empírica que permitiu distinguir o que podia ser observado do que apenas podia ser sugerido. Em contraste, muitas afirmações atuais sobre aquilo que a IA “sabe”, “entende” ou “quer” ultrapassam facilmente a fronteira entre descrição funcional e projeção antropomórfica.

É precisamente aqui que o Direito tem uma função insubstituível. Regular bem não é tomar partido em debates metafísicos sobre se uma máquina “é inteligente”; é definir com precisão o que o sistema faz, que riscos produz, que deveres ativa e que mecanismos de controlo devem acompanhá-lo. Nesse ponto, o legislador europeu esteve mais próximo do rigor de Cajal do que da retórica promocional de parte da indústria tecnológica.

Fascinante é ver como a inteligência artificial contemporânea continua, em parte, tributária de Ramón y Cajal, e como o seu Prémio Nobel de 1906 é, quase cento e vinte anos depois, parente filogenético do de Hopfield e Hinton em 2024.

Referências