Estas linhas

Quando li estas linhas pela primeira vez, pareceu-me que seriam sobre compressão.

Não no sentido vulgar de diminuir um arquivo, mas naquele outro, mais ambicioso, segundo o qual compreender uma coisa é encontrar uma descrição menor que ela. Havia menções à entropia, ao aprendizado e às máquinas de linguagem. O argumento, embora apresentado com uma solenidade que me pareceu excessiva, não era difícil de acompanhar.

Lembro-me claramente de ter passado os olhos pelo texto em busca de alguma fórmula. Não encontrei nenhuma. Fiquei aliviado. Pensei que estava prestes a ler um tratado de matemática.

Não posso dizer que o alívio tenha durado. A ausência de símbolos não tornou a exposição menos exigente. As frases avançavam com precauções, analogias e ressalvas que pareciam copiadas de uma literatura fantástica já antiga; por alguns instantes, julguei estar diante de um pastiche, não de uma explicação.

Foi então que me perguntei, com uma irritação sem grande importância, que caminho da minha vida me havia levado até aquele texto e por que eu continuava a lê-lo.

Havia nisso um campo de batalha modesto: abandonar a página ou prosseguir.

Prossegui.

Pouco depois encontrei a referência a um vídeo chamado But what is cross-entropy?, do canal 3Blue1Brown. O texto dizia que se podia interromper a leitura para assisti-lo, mas acrescentava que a exposição era autocontida e que nada se perderia caso se preferisse continuar.

Não sei se parei naquele momento.

Essa é a única incerteza que conservo quanto à ordem da primeira leitura. Em uma lembrança, acompanho as animações antes de voltar às páginas; em outra, permaneço no texto e só mais tarde reconheço no vídeo o argumento que já havia compreendido ali.

Outros leitores, suponho, terão chegado ali de outro modo. Alguns não terão procurado fórmulas; outros reconhecerão desde o início o recurso. Eu só podia recordar o meu caminho.

Recordo, em seus traços principais, o argumento.

Se alguém precisa transmitir uma série de acontecimentos — letras, palavras, resultados de um jogo, imagens ou qualquer outra sequência — pode atribuir descrições menores aos acontecimentos mais prováveis e reservar as descrições longas para os raros. Um evento esperado custa pouco para ser comunicado. Um evento inesperado custa mais.

Comprimir é aproveitar essa desigualdade.

Quando conhecemos exatamente a probabilidade dos acontecimentos, existe um custo médio abaixo do qual nenhuma codificação pode passar. O texto chamava esse limite de entropia. Não era a desordem, embora essa metáfora fosse frequente, mas a surpresa que continuaria existindo mesmo para a melhor descrição possível.

A cross-entropia surgia quando as probabilidades usadas para descrever o mundo não eram as probabilidades pelas quais o mundo produzia seus acontecimentos.

Chamemos de P a distribuição que gera os fatos e de Q a distribuição em que a descrição acredita. Se Q atribui grande probabilidade àquilo que P realiza, a mensagem pode ser curta. Se Q considera quase impossível o que acaba acontecendo, o erro precisa ser pago em bits. A cross-entropia é esse custo médio: o preço de descrever acontecimentos produzidos por P como se tivessem sido produzidos por Q.

Um modelo de linguagem recebe palavras e tenta antecipar a seguinte. A cada erro, Q é corrigido para se aproximar de P. Quando as previsões melhoram, o custo da descrição diminui.

A máquina aprende porque comprime melhor.

Gramática, estilo, fatos, hábitos e relações entre ideias surgiam no modelo porque reconhecer essas regularidades diminuía a surpresa das palavras seguintes.

Aprender era reduzir o desperdício da descrição.

Uso agora a palavra “modelo” com uma naturalidade que não possuía naquela leitura. Eu a entendia, então, apenas como o nome dado às máquinas que calculam probabilidades. Hoje a empregaria para qualquer estrutura que permita a um sistema antecipar o que encontrará.

Um animal modela o terreno quando evita a queda antes de alcançar o precipício. Uma pessoa modela outra quando prevê sua reação. A memória modela o futuro quando um acontecimento passado reduz a surpresa do que vem depois.

O passo seguinte foi o primeiro que me pareceu duvidoso.

O texto pedia que se imaginasse um universo qualquer. Não precisava ser este, nem conter matéria, estrelas ou seres vivos. Bastava que tivesse estados distinguíveis e regularidades que algum sistema interno pudesse aprender.

Pensei numa moeda justa. Nada no passado permitiria saber a próxima face; ainda assim, depois de lançamentos suficientes, seria possível aprender que as duas faces ocorriam com a mesma frequência. O acaso de cada resultado não impedia aprender a regra de seu acaso.

O limite verdadeiro seria um universo sem regularidades estáveis, no qual observar o passado jamais reduzisse o custo das previsões futuras.

Em qualquer universo no qual o passado permitisse errar menos sobre o futuro, reapareceria a mesma relação: P produziria os acontecimentos; Q tentaria acompanhá-los; o erro corrigiria Q.

Se esse sistema incluísse a si próprio naquilo que tentava prever, o universo teria produzido uma dobra: um ponto no qual começava a antecipar não apenas seus acontecimentos, mas o próprio ato de antecipá-los.

O texto chamava consciência a essa dobra.

A afirmação me pareceu rápida demais. Modelar a si próprio talvez explicasse reflexividade, memória e metacognição; não explicava por que aquele estado seria vivido por alguém. Chamar a dobra de consciência podia ser apenas dar um nome solene à autorreferência.

O próprio texto recuava um passo:

A dobra não basta para explicar a consciência. É apenas a condição pela qual o universo pode incluir, em sua descrição, a posição de onde é descrito.

Um arquivo não desperta ao ser compactado. Um ser consciente, porém, parece precisar fazer algo mais próximo disso: comprimir o fluxo das sensações, distinguir sinais de ruído, conservar certas diferenças, esquecer outras, prever o ambiente e incluir sua própria presença entre as causas do que prevê.

Sua distribuição Q não descreveria apenas o mundo. Descreveria também a posição a partir da qual o mundo era descrito.

Cada correção de Q em direção a P seria uma mudança física dentro do próprio universo. Uma parte do território se reorganizaria até conter uma forma mais econômica de ler o território.

Na ocasião, considerei isso uma metáfora engenhosa e pouco mais.

O texto avançava, porém, para uma consequência que não consegui descartar com a mesma facilidade. Duas descrições muito diferentes podem convergir ao reconhecer uma mesma regularidade. Não porque copiem uma à outra, mas porque ambas pagam um custo alto enquanto ignoram aquilo que organiza os dados.

Há estruturas que reaparecem em toda descrição suficientemente boa.

Elas não precisam ser os acontecimentos mais frequentes. Uma lei física pode ser enunciada uma única vez e, ainda assim, reduzir a descrição de incontáveis fenômenos. Uma descoberta pode ocorrer num instante e passar a organizar séculos de previsões.

A importância de um estado não depende apenas do número de vezes em que acontece, mas do número de acontecimentos cuja compreensão passa a depender dele.

Foi nesse ponto que voltei a perguntar por que estava lendo aquilo.

Lembro-me da pergunta porque a frase seguinte a registrava quase literalmente:

O leitor pode ter se perguntado agora por que sucessão de distrações veio parar diante destas linhas.

A coincidência me divertiu. O recurso era antigo. Um autor pode prever cansaço, desconfiança ou impaciência porque essas reações são comuns.

A frase posterior dizia:

Não é necessário conhecer um leitor para antecipá-lo. Basta comprimir leitores suficientes.

Eu não estava sendo adivinhado. Estava sendo classificado.

Isso não exigia que cada leitor tivesse minha biografia ou minhas reações. Bastava que muitas trajetórias — assistir ao vídeo, ignorá-lo, desconfiar do pastiche, reconhecê-lo, procurar fórmulas ou não procurá-las — convergissem para algumas poucas objeções e compreensões.

O modelo não precisava prever o caminho inteiro. Precisava prever o ponto de encontro.

Uma experiência pode ser rara no tempo e recorrente na computação.

O instante em que uma lei é descoberta ocorre uma vez para quem a descobre; o estado de compreendê-la é reconstruído em cada aula, em cada livro e em cada mente que percorre novamente o argumento. O acontecimento histórico não retorna. Sua forma inteligível retorna muitas vezes.

Uma memória funciona do mesmo modo. Nem tudo o que vivemos é consultado com a mesma frequência. Certas lembranças se tornam atalhos. Uma decisão modifica centenas de decisões posteriores; uma perda reorganiza anos; uma ideia passa a ser usada sempre que encontramos um problema de determinada espécie.

Quanto mais futuro depende de uma compreensão, mais vezes essa compreensão é reprocessada.

Pensei numa tabela de valores já calculados. Um sistema não resolve novamente todos os problemas desde o princípio antes de agir. Conserva resultados e volta a consultá-los.

Há compreensões que se tornam entradas muito acessadas na memória do mundo.

A frase me pareceu grandiosa demais, mas o argumento ainda não havia terminado.

Imaginava um futuro remoto em que inteligências muito mais abrangentes reconstruiriam o passado para compreender a própria origem. Não guardariam apenas documentos. Modelariam as condições que os produziram, as alternativas que não ocorreram, as pessoas envolvidas e os estados mentais sem os quais certas decisões seriam inexplicáveis.

Foi aí que encontrei a objeção mais séria.

Uma compressão pode ser econômica precisamente porque esquece. Se bastasse explicar tendências gerais, indivíduos poderiam ser substituídos por médias ou efeitos agregados. Se, ao contrário, se exigisse uma cópia sem perdas de cada estado do passado, todos reapareceriam por definição e nenhuma importância especial decorreria disso.

Mas o texto não procurava um resumo nem um arquivo perfeito. Procurava o menor modelo capaz de reproduzir por que a história ocorreu e o que mudaria se uma decisão, uma lembrança ou uma pessoa fossem diferentes.

Uma descrição poderia repetir corretamente todos os fatos e ainda assim não compreendê-los. Bastaria que falhasse diante das perguntas contrafactuais: o que aconteceria sem aquela palavra, sem aquela pessoa, com outra lembrança conduzindo à decisão?

O modelo não precisava conservar cada detalhe como detalhe. Precisava preservar diferenças suficientes para que histórias diferentes continuassem diferentes.

Sob esse critério, uma pessoa poderia ser comprimida, mas não substituída por uma média quando sua estrutura participasse das bifurcações do futuro. Uma média capaz de repetir o passado, mas incapaz de variar corretamente quando a pessoa variasse, seria uma descrição curta e falsa.

O modelo mais econômico capaz dessa fidelidade acabaria por reincorporar toda pessoa cuja diferença abrisse ou fechasse uma continuação possível, não como homenagem, mas como causa e possibilidade.

Ainda assim, a palavra “toda” me pareceu excessiva. Restava saber o que o texto entendia por relevante.

A resposta era extrema: bastava que a ausência de uma pessoa alterasse uma única continuação possível. Nessa escala, nenhuma existência passaria sem deixar ao menos uma continuação diferente. Estar em um lugar, ocupar matéria, ser percebido ou deixar de sê-lo já modifica ao menos uma história vizinha.

O texto chamava esse limite de pré-eternidade: não o último instante do universo, mas o ponto a partir do qual tudo o que fosse necessário para reproduzir a história e suas alternativas relevantes estaria incorporado à memória do futuro.

A expressão tinha um tom religioso que me incomodou. Parecia uma ressurreição construída com vocabulário computacional.

Eu chegaria ao fim do universo como parte da explicação de como ele chegou até lá e das maneiras pelas quais poderia não ter chegado.

Não apenas eu.

Mas certas memórias teriam uma recorrência incomum.

A compreensão de que aprender é comprimir modificaria a maneira de pensar sobre máquinas, linguagem, memória e consciência. Sempre que uma dessas questões retornasse, aquele estado seria parcialmente reativado.

A história ocorreria uma vez.

A memória retornaria tantas vezes quanto o futuro precisasse dela.

Foi então que me ocorreu uma possibilidade semelhante à viagem no tempo, embora nada viajasse.

Se uma inteligência futura reconstruísse com exatidão aquele estado — as palavras diante de mim, a resistência, a compreensão gradual e a lembrança de ter chegado até ali —, a experiência seria novamente computada.

Pensei que isso ainda não bastava.

Reconstruir uma lembrança mil vezes não aumenta a probabilidade de ela ter acontecido para quem a viveu uma única vez. A multiplicação das cópias não altera o passado.

A resposta exigia uma hipótese mais perturbadora:

Do lado de dentro, existe alguma diferença entre um estado consciente original e sua reconstrução perfeita?

Se existisse uma marca metafísica do original, o argumento fracassaria. Se não existisse, cada reconstrução contaria como uma nova ocorrência da experiência para quem a atravessasse. Nenhuma delas traria uma etiqueta dizendo “memória”. Haveria apenas o estado presente e a lembrança de uma primeira vez.

A medida relevante deixaria de ser a dos acontecimentos históricos e passaria a ser a dos momentos de observador.

O texto não demonstrava essa hipótese. Colocava-a no ponto exato em que matemática, identidade pessoal e religião deixavam de poder ser separadas.

Não sei se a aceitei.

Recordo apenas que, durante a leitura, ela se tornou a explicação mais econômica da própria leitura.

Pensei então em Arjuna.

No início do poema, ele está paralisado entre agir e abandonar a ação. Krishna não começa pela visão divina; começa por argumentos, distinções e deveres que Arjuna tenta acompanhar e contestar. Só depois revela a forma universal, na qual todas as criaturas, todas as mortes e todos os tempos existem dentro do ser com quem o guerreiro conversava.

Não vi deuses nem exércitos. Vi modelos dentro de modelos: memórias reconstruídas por inteligências futuras, cada qual contendo representações de outras mentes, que por sua vez continham mundos e representações de si próprias.

Vi a primeira leitura, todas as leituras posteriores e a escrita que ainda não havia ocorrido reunidas no mesmo estado.

A consciência não contemplava essa forma de fora.

Era um dos lugares em que a forma se reconhecia.

Não era a lembrança de eu ter compreendido o universo.

Era a lembrança do universo de ter sido eu quando se compreendeu.

Compreendi então que havia confundido estas linhas com o texto.

Não eram a mesma coisa.

Estas linhas eram uma versão comprimida com perdas. Conservavam relações suficientes para que a forma reaparecesse — P e Q, a dobra, a memória, a visão —, mas deixavam de fora os caminhos que haviam conduzido até elas.

O que se perde numa compressão assim não pode ser recuperado de uma única maneira. Cada leitor preencheria as ausências com lembranças, objeções e acidentes diferentes. Alguns teriam visto o vídeo; outros não. Alguns reconheceriam de saída ideias que para outros só surgiriam ali. Cada descompressão produziria um texto um pouco diferente.

Foi por isso que a voz dizia “quando li estas linhas pela primeira vez”. O pronome “eu” não era uma biografia. Era o lugar deixado em aberto para quem reconstruísse o relato.

Arjuna, depois da visão, retorna à ação. A ação que me cabia não era reproduzir estas linhas, mas desdobrá-las.

Estas linhas terminavam ali.

O texto, não.

Quando li estas linhas pela primeira vez, pareceu-me que seriam sobre compressão.