Evolução da inteligência artificial - Análise de vídeos

 Conceitos e definições sobre inteligência artificial

1. Inteligência Artificial: Níveis e Subáreas

Níveis de Capacidade

• ANI (Artificial Narrow Intelligence / IA Restrita ou Fraca): IA especializada em realizar uma tarefa específica com excelência (ex: xadrez, reconhecimento de voz). É a única que existe atualmente.

• AGI (Artificial General Intelligence / IA Geral ou Forte): Conceito hipotético de um sistema com capacidade cognitiva comparável à humana, capaz de aprender e realizar qualquer tarefa intelectual.

• ASI (Artificial Superintelligence / Superinteligência): Conceito teórico de um sistema que superaria a inteligência humana em todas as áreas (ciência, criatividade, sabedoria social).

Subáreas e Hierarquia

• Machine Learning (ML / Aprendizado de Máquina): Subcampo da IA focado em algoritmos que aprendem a identificar padrões e tomar decisões a partir de dados, sem serem explicitamente programados com regras fixas.

• Deep Learning (DL / Aprendizado Profundo): Subárea avançada de Machine Learning baseada em Redes Neurais Artificiais profundas (muitas camadas), capaz de processar dados não estruturados complexos (imagens, áudio, texto).

• IA Generativa: Vertente do Deep Learning focada em criar conteúdos novos (textos, imagens, áudios, códigos) a partir do aprendizado de padrões de dados existentes.

2. Tipos de Aprendizado em Machine Learning

• Aprendizado Supervisioado: O algoritmo é treinado com dados rotulados (ex: fotos acompanhadas da etiqueta "cachorro" ou "gato") até aprender a associar as entradas com as saídas corretas.

• Aprendizado Não Supervisionado: O algoritmo analisa dados sem rótulos para descobrir padrões, estruturas ocultas ou agrupamentos por conta própria (ex: segmentação de clientes).

• Aprendizado por Reforço: O sistema aprende interagindo com um ambiente através de tentativa e erro, recebendo recompensas por ações corretas e penalidades por erros (usado em robótica e jogos).

3. Conceitos Fundamentais da IA

• Redes Neurais Artificiais (ANNs): Modelos computacionais matemáticos inspirados na estrutura biológica do cérebro (neurônios e sinapses) para processar dados em camadas.

• LLM (Large Language Model): Modelos de linguagem de grande escala treinados em bilhões de textos para entender, traduzir e gerar linguagem natural de forma fluida.

• PLN / NLP (Processamento de Linguagem Natural): Campo da IA focado em permitir que computadores compreendam, interpretem e gerem a linguagem humana falada ou escrita.

• Visão Computacional: Área da IA que capacita computadores a extrair, processar e compreender informações visuais a partir de imagens ou vídeos.

• Vetorização (Embeddings): O processo de converter conceitos do mundo real (palavras, imagens, áudios) em sequências numéricas (vetores), permitindo que a IA meça o significado e a proximidade entre ideias matematicamente.

4. Fundamentos da Ciência da Computação (Infraestrutura da IA)

Lógica e Estrutura

• Algoritmo: Sequência finita de instruções lógicas e passos matemáticos para resolver um problema ou realizar uma tarefa.

• Estrutura de Dados: A forma como a informação é organizada e armazenada na memória para acesso e manipulação eficientes (ex: listas, matrizes, grafos).

• Lógica Booleana: Sistema lógico fundamental da computação baseado em dois estados binários: 0 (Falso) e 1 (Verdadeiro).

• Dado vs. Informação: Dado é o fato bruto sem contexto (ex: 38); Informação é o dado processado e contextualizado (ex: 38 °C de temperatura).

Hardware e Execução

• Hardware: A parte física do computador (circuitos, memória, processadores).

• Software: Conjunto de programas e instruções que dizem ao hardware o que fazer.

• CPU (Central Processing Unit): Processador principal do computador, otimizado para lidar com poucas tarefas complexas em sequência.

• GPU (Graphics Processing Unit): Processador focado em realizar milhares de cálculos simples simultaneamente (processamento paralelo), essencial para o treinamento de IA.

• TPU (Tensor Processing Unit): Hardware especializado desenvolvido exclusivamente para acelerar cálculos de redes neurais.

• Complexidade Computacional (Big O): Métrica que calcula a eficiência, o tempo e a memória necessários para um algoritmo rodar conforme o volume de dados aumenta.

Arquitetura e Redes

• Cliente-Servidor: Modelo de rede onde um dispositivo local (cliente) faz requisições e um computador remoto de alta capacidade (servidor) processa e entrega o resultado.

• Computação em Nuvem (Cloud Computing): Entrega de serviços computacionais (servidores, armazenamento, bancos de dados) sob demanda via internet.

• API (Application Programming Interface): Conjunto de rotinas e padrões que funciona como uma "ponte" para permitir a comunicação entre softwares diferentes.

• Banco de Dados Vetorial: Banco de dados otimizado para armazenar, buscar e comparar velozmente milhões de vetores numéricos gerados por modelos de IA.

5. Matemática Aplicada à IA

• Álgebra Linear: Estudo de vetores, matrizes e espaços vetoriais. É a linguagem matemática usada para estruturar e manipular os dados dentro das redes neurais.

• Cálculo Diferencial: Ramo da matemática focado em taxas de variação e derivadas. Utilizado para otimização do modelo durante o treinamento.

• Gradiente Descendente (Gradient Descent): Algoritmo de otimização baseado em cálculo usado para ajustar os pesos da rede neural e minimizar a taxa de erro.

• Probabilidade e Estatística: Ferramentas matemáticas que permitem à IA lidar com incertezas, calcular padrões e realizar previsões baseadas no que é matematicamente mais provável.

6. Histórico, Prática e Desafios da IA

Marcos Históricos

• Teste de Turing (1950): Teste proposto por Alan Turing para avaliar se uma máquina consegue exibir comportamento inteligente indistinguível do de um humano.

• Inverno da IA (AI Winter): Períodos históricos de estagnação e corte de investimentos na pesquisa de IA devido a expectativas inflacionadas e limitações tecnológicas da época.

A Origem e o Jogo da Imitação - Teste de Turing 

A ideia inicial: Turing baseou o conceito em um jogo de salão chamado "jogo da imitação".
A dinâmica: Um avaliador humano conversa por meio de mensagens de texto com outros dois participantes separados — sendo um deles um ser humano e o outro uma máquina.
O objetivo: O avaliador faz perguntas livres para tentar descobrir qual dos dois participantes é o computador. 
O critério de sucesso: Se o avaliador não conseguir distinguir a máquina do ser humano de forma confiável (ou seja, se a máquina enganar o juiz em pelo menos 30% das conversas), considerava-se que o sistema atingiu um comportamento inteligente equivalente ao humano

Ciclo de Vida do Projeto de IA

• Overfitting (Sobreajuste): Erro onde o modelo "decora" excessivamente os dados de treinamento, mas perde a capacidade de generalizar e acertar com novos dados do mundo real.

• Implantação (Deployment): Etapa de colocar o modelo treinado em execução contínua em um ambiente de produção/servidor.

Ética e Limitações

• Viés Algorítmico (Bias): Reprodução ou amplificação de preconceitos e distorções históricas presentes nos dados usados para treinar a IA.

• Alucinação: Erro onde modelos de linguagem geram informações falsas, incorretas ou inventadas com aparência de certeza absoluta.

• Caixa Preta (Black Box): A opacidade ou dificuldade técnica de rastrear e explicar exatamente como uma rede neural profunda tomou uma decisão específica.

======================

=====================================================

A internet 

foi o grande acelerador da Inteligência Artificial. 

• Abundância de Dados: A internet gerou o volume massivo de textos, imagens e vídeos (Big Data) necessário para treinar modelos complexos.

• Computação em Nuvem: Permitiu o acesso remoto a supercomputadores e GPUs de alta capacidade, eliminando a necessidade de hardware local potente.

• Acesso Global e APIs: Tornou a IA acessível a qualquer pessoa ou empresa por meio de navegadores e integrações via API.

• Colaboração Científica: Acelerou a pesquisa ao facilitar o compartilhamento global de artigos, códigos e modelos de código aberto (open-source).

A internet impulsionou a Inteligência Artificial a partir de três momentos decisivos na história:

1. O Boom da Web e do Big Data (Anos 2000)

A popularização da web gerou um volume massivo de dados (textos, fotos, logs de navegação). Foi a primeira vez que a IA teve matéria-prima suficiente para treinar algoritmos em grande escala.

2. A Era da Nuvem e das GPUs (2012)

Em 2012, ocorreu a virada de chave do Deep Learning (com o marco do projeto AlexNet). A combinação da internet em alta velocidade com a computação em nuvem permitiu processar milhões de dados usando supercomputadores e GPUs remotas sem depender de hardware local.

=========================================================

Os jogos eletrônicos 

foram um dos maiores catalisadores do avanço da Inteligência Artificial. De forma sucinta, eles facilitaram esse desenvolvimento por meio de quatro pilares:

• Evolução do Hardware (GPUs): A demanda dos jogos por gráficos 3D impulsionou a criação das GPUs, chips de processamento paralelo que mais tarde se mostraram perfeitos para o treinamento de redes neurais.

• Ambientes de Teste Seguros: Os jogos serviram como laboratórios virtuais controlados, onde algoritmos podiam errar e aprender milhões de vezes sem custos ou riscos do mundo real.

• Resolução de Problemas Complexos: Jogos como Xadrez, Go, StarCraft e Dota desafiaram a IA a dominar estratégia, planejamento de longo prazo, intuição e tomada de decisão com informação incompleta.

• Aprendizado por Reforço na Prática: A dinâmica de vitória/derrota e pontuação dos jogos forneceu o cenário ideal para aprimorar o Aprendizado por Reforço, onde a IA aprende por tentativa, erro e recompensa.

=========================================================

Evolução da inteligência artificial - Análise de vídeos

O vídeo da BBC News Brasil, intitulado "A curiosa linha do tempo da evolução da Inteligência Artificial" [00:21], apresentado por Luiz Fernando Toledo, oferece uma visão histórica e crítica sobre os 70 anos de evolução da Inteligência Artificial (IA) [00:24].

URL do vídeo: https://www.youtube.com/watch?v=SkX6MKU9gAQ

Resumo dos Principais Pontos do Vídeo

1. Origens e o Teste de Turing (Década de 1950)

• Alan Turing: Em 1950, publicou o artigo "Máquinas de Computação e Inteligência", propondo a famosa pergunta "As máquinas podem pensar?" [00:46] e o "Jogo da Imitação" (Teste de Turing) [00:55].

• Aprendizado de Máquina: Turing antecipou que sistemas deveriam aprender com dados, semelhante ao desenvolvimento do cérebro de uma criança [01:25].

• Mitos Antigos: O conceito de seres autômatos já vinha de mitologias antigas, como o gigante Talos na Grécia Antiga [01:57].

2. O Nascimento do Termo e as Duas Correntes (1956)

• Conferência de Dartmouth (1956): John McCarthy cunhou o termo "Inteligência Artificial" [02:25], que serviu como uma estratégia para atrair financiamento e atração acadêmica [02:39].

• Simbolistas vs. Conexionistas:

  • Simbolistas: Defendiam uma IA baseada em regras pré-programadas e conhecimento codificado (ex.: Sistemas Especialistas das décadas de 70 e 80, como o MYCIN) [02:59].

  • Conexionistas: Queriam simular o cérebro humano por meio de redes neurais (ex.: o Perceptron de Frank Rosenblatt em 1957) [03:27]. Contudo, esbarraram na limitação de poder computacional e escassez de dados da época [04:02].

3. ELIZA e os Inverno da IA (Décadas de 1960 e 1970)

• ELIZA (Anos 60): Primeiro chatbot criado, baseado em regras simples e palavras-chave, simulando uma conversa terapêutica [05:02].

• Relatório Lighthill (1973) e o "Inverno da IA": O matemático James Lighthill criticou os limites da IA pela "explosão combinatória" [05:56]. Expectativas exageradas seguidas de desilusão financeira causaram os chamados "Invernos da IA" [06:24].

   

• https://www.youtube.com/watch?v=76Kak5tHEaY

4. A Virada dos Jogos e o Poder Computacional (1990 - 2010)

• Deep Blue (1997): O supercomputador da IBM derrotou o campeão mundial de xadrez Garry Kasparov usando força bruta computacional [07:01].

• Big Data e GPUs (Anos 2000): A expansão da internet, redes sociais e IoT geraram um volume massivo de dados [04:24], enquanto as placas gráficas (GPUs) aceleraram o processamento de redes neurais [04:44].

• AlphaGo (2016): A DeepMind/Google venceu Lee Sedol no complexo jogo Go usando redes neurais e aprendizado por reforço [07:13].

5. A Era dos Transformers e LLMs (2017 - Presente)

• Artigo "Attention Is All You Need" (2017): Pesquisadores do Google introduziram a arquitetura Transformer [07:48] e o mecanismo de autoatenção [08:20], permitindo processar sequências inteiras de texto simultaneamente.

• OpenAI e GPT: A aplicação da arquitetura Transformer levou à criação dos modelos GPT [09:31] e, posteriormente, ao lançamento do ChatGPT em 2022 [10:08].

6. Debates, Críticas e Desafios Atuais

• Expectativa vs. Realidade (AGI): Há um debate forte entre promessas de alcançar a AGI (Inteligência Artificial Geral) [11:31] e especialistas que apontam que os modelos atuais ainda carecem de senso comum, causalidade e raciocínio contrafactual [12:18].

• Impacto Ambiental e Recursos: Especialistas apontam que a busca por modelos cada vez maiores exige volumes gigantescos de energia e água para refrigeração de data centers [11:57].

• Estratégias de Mercado: Autores como Karen Hao questionam se a narrativa do "risco existencial da AGI" não é usada por Big Techs para atrair capital e pressionar por regulações que favoreçam grandes players [11:38].

Conclusão da Análise

O vídeo da BBC faz uma síntese didática e bastante equilibrada sobre a trajetória da IA. Ele demonstra que o avanço atual com os LLMs não surgiu do nada, mas sim de ciclos de otimismo e frustração ao longo de sete décadas, ressaltando que os maiores desafios presentes giram em torno da eficiência energética, da capacidade de raciocínio real das máquinas e do controle de mercado pelas grandes empresas de tecnologia.

• Teste de Turing (0:53): Experimento proposto por Alan Turing (Jogo da Imitação) para verificar se uma máquina consegue exibir comportamento inteligente indistinguível do humano.
• Aprendizado de Máquina (1:24): Conceito de que sistemas não devem ser programados rigidamente, mas sim aprender a partir de dados.
• IA Simbólica (2:57): Campo que foca em representar o conhecimento do mundo através de regras lógicas e símbolos pré-programados (também conhecidos como sistemas especialistas).
• IA Conexionista (3:27): Campo focado em redes neurais que simulam as conexões cerebrais, permitindo que a máquina aprenda sozinha.
• Redes Neurais (3:34): Estruturas que tentam imitar o funcionamento do cérebro humano, base da IA moderna.
• Chatbots e Simulação (5:00): O uso de palavras-chave para simular conversação, ilustrado pelo exemplo do programa ELIZA.
• Invernos da IA (6:23): Períodos históricos de desilusão com a tecnologia, quando as expectativas superaram as entregas reais.
• Explosão Combinatória (6:04): Problema onde o número de possibilidades no mundo real cresce de forma incontrolável para sistemas de regras fixas.
• Aprendizado por Reforço (7:29): Método de treinamento onde a máquina aprende através da experiência e correção de erros (como no caso do AlphaGo).
• Transformers (7:48): Arquitetura de rede neural que utiliza o mecanismo de autoatenção para entender o contexto e a importância das palavras em uma frase, revolucionando o processamento de linguagem.
• LLMs (Large Language Models) (8:42): Grandes modelos de linguagem treinados em vastas quantidades de dados para prever a próxima unidade de texto (tokens).
• IA Geral (AGI) (11:31): Conceito de uma tecnologia capaz de superar a inteligência humana em qualquer tarefa.
• Desafios Contemporâneos (12:00): Discussões sobre a necessidade de maior eficiência energética, aprendizado com menos dados, senso comum e compreensão de causalidade.

======================

=====================================================

O vídeo "SACANI RESPONDE: A HISTÓRIA DA INTELIGÊNCIA ARTIFICIAL" (episódio #20 do canal Além da Ciência, apresentado por Sérgio Sacani) oferece um panorama histórico detalhado e acessível sobre a evolução da Inteligência Artificial — desde as primeiras formulações teóricas na década de 1940 até os modelos de linguagem e agentes autônomos atuais.

Marcos Historicos Abordados

Origens Teóricas e o Teste de Turing (décadas de 1940 e 1950)

• 1943: Warren McCulloch e Walter Pitts criam a primeira formalização matemática de um neurônio artificial [08:07].

• 1947–1950: Alan Turing propõe a ideia de máquinas que aprendem (machine learning) e introduz o Teste de Turing no famoso artigo Computing Machinery and Intelligence [10:48].

• 1951–1952: Marvin Minsky constrói a Snark (primeira rede neural física) [12:04], e Arthur Samuel cria um algoritmo de damas que aprendia com a própria experiência [12:26].

O Batismo da IA e a Primeira Primavera (1956–1960s)

• 1956: O termo "Inteligência Artificial" é formalmente cunhado por John McCarthy na Conferência de Dartmouth [15:27].

• 1958–1965: Frank Rosenblatt cria o Perceptron [17:58], e Joseph Weizenbaum desenvolve no MIT a ELIZA, um dos primeiros chatbots simulando uma psicoterapeuta [19:12].

Os Invernos e o Renascimento (1970s–1990s)

• Primeiro Inverno: Críticas teóricas às limitações dos perceptrons e o Relatório Lighthill no Reino Unido levam a um severo corte de verbas para pesquisas [22:36].

• Anos 1980: Retorno com os Sistemas Especialistas baseados em regras (if-else) [24:20] e a publicação do algoritmo de Backpropagation por Jeffrey Hinton e colaboradores [26:48], crucial para o treinamento de redes neurais profundas.

• Segundo Inverno: Colapso do mercado de sistemas especialistas por limitações de atualização e alto custo [28:26].

A Virada do Deep Learning e Visão Computacional (1997–2016)

• 1997: O supercomputador Deep Blue da IBM vence Gary Kasparov no xadrez [31:16].

• 2012 (O "Big Bang" da IA moderna): A rede AlexNet, desenvolvida por Alex Krizhevsky, Ilya Sutskever e Jeffrey Hinton, vence o desafio ImageNet usando GPUs para processamento matricial em paralelo [37:58].

• 2015–2016: Fundação da OpenAI [44:06] e a vitória do AlphaGo da DeepMind contra o campeão mundial de Go, Lee Sedol [44:35].

A Era dos Transformers e o Impacto do ChatGPT (2017–Presente)

• 2017: Artigo histórico do Google, "Attention Is All You Need", introduz a arquitetura Transformer, base dos LLMs modernos [46:38].

• 30 de Novembro de 2022: Lançamento público do ChatGPT (GPT-3.5), tornando-se a aplicação de crescimento mais rápido até então [03:49].

• Consolidação e Reconhecimento: A evolução para multimodalidade, surgimento de agentes autônomos [55:35] e a premiação do Nobel de Física e de Química em 2024 por trabalhos diretamente ligados à IA [57:31].

3. Destaques e Anecdotas Pessoais do Apresentador

• Álgebra Linear e GPUs: Sacani enfatiza que no fundo os modelos avançados operam realizando multiplicações e inversões de matrizes em larga escala [40:42], motivo pelo qual as placas de vídeo (GPUs) se tornaram o motor dessa revolução.

• Casos Práticos: Ele compartilha histórias do uso de visão computacional no meio acadêmico, como a contagem automatizada de lagoas no Pantanal [34:48] e um estudo de rastreamento de comportamento na PUC-Rio [35:34].

• Reflexão sobre os Risco e Futuro: O vídeo aborda as preocupações manifestadas por figuras pioneiras como Jeffrey Hinton quanto à segurança da IA [56:45], além do cenário geopolítico e da corrida tecnológica entre grandes potências [01:02:34].

Link do Vídeo

• Assistir no YouTube

Aqui está a lista completa de todos os conceitos e termos técnicos citados por Sérgio Sacani no vídeo, organizados pelas áreas temáticas abordadas:

1. Fundamentos e Modelos Iniciais

• Neurônio Matemático (Modelo de McCulloch-Pitts): Formalização matemática de 1943 que simula o funcionamento biológico: recebe sinais, soma as entradas e dispara ao atingir um limite [08:25].

• Machine Learning (Aprendizado de Máquina): Conceito introduzido por Alan Turing em 1947 e cunhado por Arthur Samuel em 1959, referindo-se a máquinas que aprendem com a própria experiência sem programação explícita [10:14], [19:03].

• Teste de Turing: Proposta de 1950 para avaliar se uma máquina pode pensar — se um humano conversando por escrito não conseguir distinguir a máquina de outro humano, ela passou no teste [10:48].

• Perceptron: Primeira máquina física de reconhecimento de formas (criada em 1958 por Frank Rosenblatt) [17:58].

• Problema do XOR (Ou Exclusivo): Problema básico de lógica que o Perceptron simples não conseguia resolver, o que gerou o descrédito inicial das redes neurais [20:38].

2. Ciclos e Paradigmas de Desenvolvimento

• Primavera da IA: Períodos de euforia, altos investimentos e grandes promessas sobre o futuro da inteligência artificial [01:20].

• Inverno da IA (AI Winter): Fases de estagnação, corte severo de recursos e descrédito acadêmico/financeiro após promessas não cumpridas [01:20], [22:43].

• Sistemas Especialistas: Abordagem dos anos 1980 baseada em mapear o conhecimento humano em regras de decisão encadeadas (if-else) [24:20].

• Árvores de Decisão & Lógica Booleana: Estruturas baseadas em respostas de lógica binária (E/OU, Se/Então) para simular o raciocínio humano [21:27], [25:15].

3. Redes Neurais Profundas e Aprendizado

• Backpropagation (Retropropagação): Algoritmo fundamental popularizado em 1986 que permite à rede neural recalcular erros, ajustar pesos internos e aprender com os falhas cometidas [26:56].

• Deep Learning (Aprendizado Profundo): Uso de redes neurais com múltiplas camadas sobrepostas para processar padrões complexos [01:26], [28:11].

• Deep Belief Networks: Técnica proposta por Jeffrey Hinton que permitiu o treinamento eficiente de redes profundas e reacendeu o interesse na área [32:38].

• GANs (Redes Adversariais Generativas): Técnica de duas redes neurais competindo entre si (uma geradora e uma discriminadora) para criar dados fakes hiper-realistas [42:51].

• Álgebra Linear e Operações Matriciais: Base matemática de toda IA moderna — o treinamento e inferência consistem em multiplicar e inverter grandes matrizes de dados [40:42].

• Processamento Paralelo em GPU: Uso de placas gráficas (projetadas para jogos) para resolver cálculos matriciais massivos simultaneamente [38:59].

4. Visão Computacional e Processamento de Linguagem Natural

• Visão Computacional: Área dedicada a fazer computadores identificarem, processarem e interpretarem imagens e vídeos [33:25].

• ImageNet: Base de dados massiva com milhões de imagens rotuladas, essencial para o avanço do reconhecimento de imagens [33:03].

• Chatbots e Processamento de Linguagem Natural (PLN): Programas que compreendem e interagem usando linguagem humana (desde regras simples como na ELIZA até os modelos atuais) [19:12], [37:33].

• Arquitetura Transformer: Mecanismo criado em 2017 que processa textos analisando relações de contexto entre palavras simultaneamente em vez de uma por uma [46:38].

• Mecanismo de Atenção (Attention): Recurso central do Transformer que calcula quais palavras de um texto merecem mais peso em relação às outras [47:05].

5. Modelos Modernos e Fronteira da Tecnologia

• LLM (Large Language Model): Modelos de linguagem de grande escala treinados em volumes massivos de texto da internet [02:03], [47:16].

• GPT (Generative Pre-trained Transformer): Modelo gerativo pré-treinado baseado na arquitetura Transformer [48:13].

• Parâmetros: Variáveis internas ajustáveis de um modelo que determinam seu conhecimento e capacidade de resposta [49:00].

• Multimodalidade: Capacidade de um mesmo modelo processar e integrar diferentes tipos de dados simultaneamente (texto, áudio, imagem e vídeo) [54:41].

• Modelos de Raciocínio (Cadeias de Pensamento): IAs projetadas para realizar passos intermediários de verificação antes de responder, em vez de apenas prever a próxima palavra [55:15].

• Agentes Autônomos (Agentes de IA): Sistemas capazes de executar tarefas complexas de ponta a ponta sem supervisão humana direta (ex: navegar na web, criar arquivos, rodar código) [55:35].

• "Papagaios Estatísticos": Crítica conceitual que define os modelos atuais como calculadores de probabilidade para a próxima palavra mais adequada, sem compreensão consciente do mundo [58:57].