Indução on kenji.blog

Esmeraldas são verdes ou 'grue'? O Novo Enigma da Indução de Goodman

Thu, 10 Sep 2026 21:00:00 +0900

Nós prevemos o “futuro” a partir de “experiências passadas”. “O sol nasceu no leste ontem, então amanhã também nascerá no leste.” “Todas as esmeraldas que vi até agora eram verdes, então a próxima esmeralda a ser escavada também será verde.”

Esse tipo de raciocínio é chamado de “indução” e é a base de toda a ciência. No entanto, em 1955, o filósofo Nelson Goodman concebeu um estranho conceito de cor para mostrar que essa indução tem uma falha fundamental. Esse é o paradoxo de “Grue”.

A Definição da Nova Cor “Grue”

Goodman definiu uma nova propriedade (cor) chamada “Grue”, que é uma combinação de “Verde” (Green) e “Azul” (Blue), da seguinte maneira:

Definição de Grue: Diz-se que um objeto é “grue” se, ao ser observado antes de um tempo específico $t$ (por exemplo, 1º de janeiro de 2030), ele for “verde” (Green), e se for observado após o tempo $t$, ele for “azul” (Blue).

$$ \text{Grue} = \begin{cases} \text{Green} & (\text{tempo} < t) \\ \text{Blue} & (\text{tempo} \ge t) \end{cases} $$

De acordo com essa definição, uma esmeralda verde que você tem nas mãos agora (antes do tempo $t$) é simultaneamente “verde” e “grue”.

Por Que Isso é um Paradoxo?

O paradoxo ocorre quando tentamos prever o futuro. Todas as esmeraldas que a humanidade observou até hoje eram “verdes”. Portanto, usando a indução, prevemos o seguinte:

Hipótese A: “Todas as esmeraldas são ‘verdes’.”

Mas espere um momento. Como todas as esmeraldas observadas até agora o foram antes do tempo $t$, elas também deviam ser todas “grue”. Portanto, a partir dos mesmos exatos dados observacionais, a seguinte previsão também é válida:

Hipótese B: “Todas as esmeraldas são ‘grue’.”

Se seguirmos as regras da indução, com a mesma “exata força” que todas as observações passadas apoiam a Hipótese A, elas também apoiam a Hipótese B.

graph TD A["Observações passadas: Todas as esmeraldas eram verdes"] -->|Simultaneamente| B["Observações passadas: Todas as esmeraldas eram 'grue'"] A --> C["Previsão indutiva A: As esmeraldas no futuro também serão 'verdes'"] B --> D["Previsão indutiva B: As esmeraldas no futuro também serão 'grue'"] C --> E["Continuarão verdes após o tempo t"] D --> F["Ficarão 'azuis' após o tempo t!"] style C fill:#4CAF50,stroke:#333,color:#fff style D fill:#2196F3,stroke:#333,color:#fff style F fill:#F44336,stroke:#333,color:#fff,stroke-width:2px

As Esmeraldas Ficarão Azuis?

Se a Hipótese B estiver correta, no instante em que o tempo $t$ chegar, todas as esmeraldas do mundo deverão ficar “azuis” simultaneamente (pela definição de grue).

Intuitivamente pensamos: “Isso é um absurdo. A Hipótese B é um jogo de palavras não natural, e a Hipótese A (verde) deve estar correta.”

No entanto, o questionamento de Goodman vai muito mais fundo. Tanto a hipótese “verde” quanto a hipótese “grue” são perfeitamente consistentes com os dados passados. Então, por que consideramos apenas a previsão “verde” como válida e descartamos a previsão “grue”? Qual é a “base lógica” para isso?

Um Desafio à “Uniformidade da Natureza”

Para contornar esse problema, surge a objeção de que “devemos usar conceitos simples como ‘verde’, e não conceitos complexos envolvendo o tempo como ‘grue’.”

Mas Goodman mostrou que se, inversamente, definirmos uma cor chamada “Bleen” (azul até o tempo $t$, verde depois disso), o próprio conceito de “verde” se torna um conceito complexo e dependente do tempo: “grue até o tempo $t$, bleen depois disso”.

Ou seja, quais palavras assumimos como “básicas” é apenas uma questão de nossos hábitos linguísticos.

O paradoxo grue de Goodman (o novo enigma da indução) provou que as teorias científicas não são determinadas apenas por dados puramente objetivos, mas dependem fortemente de “qual estrutura conceitual (linguagem) usamos para interpretar o mundo.”

Mesmo no contexto da Inteligência Artificial e do aprendizado de máquina, com os mesmos dados de treinamento, previsões para o futuro podem mudar completamente dependendo da “estrutura do modelo (em quais características focar)”. Assim, este paradoxo continua sendo muito relevante hoje como problemas de “sobreajuste (overfitting)” e “viés (bias)”.

Ver uma maçã azul prova que 'corvos são negros'?: Os Corvos de Hempel

Thu, 10 Sep 2026 21:00:00 +0900

Como os cientistas provam uma teoria? Geralmente, eles usam a “indução”, observando o mundo e coletando dados. Por exemplo, se você quisesse provar a hipótese “todos os corvos são negros”, você observaria corvos em todo o mundo e confirmaria, um por um, que eles são negros.

No entanto, na década de 1940, o lógico Carl Hempel apontou uma estranha lacuna lógica oculta nesse método científico natural. Esse é o paradoxo dos Corvos de Hempel (Hempel’s Ravens), que afirma que “apenas ver uma maçã azul ou um sapato vermelho serve como evidência de que ‘corvos são negros’”.

Troca Lógica: A Magia da Contrapositiva

Para entender o argumento de Hempel, precisamos relembrar o conceito de “contrapositiva” ensinado na matemática do ensino médio.

Na lógica, se uma proposição “Se A, então B” for verdadeira, sua contrapositiva “Se não B, então não A” também deve ser verdadeira (isso é chamado de equivalência lógica).

Hipótese $H_1$: “Todos os corvos são negros (Se é um corvo, então é negro)”

Vamos pegar a contrapositiva desta hipótese $H_1$. Torna-se “Se não é negro, então não é um corvo”.

Hipótese $H_2$: “Tudo que não é negro não é um corvo”

De acordo com as regras da lógica, $H_1$ e $H_2$ têm exatamente o mesmo significado (são equivalentes). Se um for provado, o outro também será automaticamente provado.

Provando Corvos sem Ver Corvos

Bem, para confirmar a hipótese $H_1$ (corvos são negros), a cada corvo negro que encontramos, a probabilidade (evidência) da hipótese se fortalece um pouco. Isso é algo com que todos concordam.

No entanto, como $H_1$ e $H_2$ têm o mesmo significado, encontrar evidências para a hipótese $H_2$ (o que não é negro não é um corvo) deve servir diretamente como evidência para a hipótese $H_1$.

Então, o que seria uma evidência para $H_2$? Basta encontrar algo que “não é negro e não é um corvo”.

Suponha que haja uma “maçã azul” na mesa. Ela não é negra e não é um corvo. Portanto, é uma evidência que apoia $H_2$.
Havia um “sapato vermelho” no armário. Ele também não é negro e não é um corvo. É uma evidência para $H_2$.
Há uma “nuvem branca” flutuando no céu. Esta também é uma evidência para $H_2$.

Como a evidência para $H_2$ tem o mesmo valor que a evidência para $H_1$, a seguinte conclusão bizarra é logicamente derivada:

“Quanto mais você observa maçãs azuis ou sapatos vermelhos em uma sala, mais provada é a hipótese de que ’todos os corvos são negros’.”

graph TD A["Proposição H1: Todos os corvos são negros"] <-->|Equivalência Lógica (Contrapositiva)| B["Proposição H2: O que não é negro não é um corvo"] C["Observação: Corvo negro"] -->|Serve como evidência para| A D["Observação: Maçã azul"] -->|Serve como evidência para| B D -.->|Portanto, isso também deve ser evidência para?| A style A fill:#4CAF50,stroke:#333,stroke-width:2px,color:#fff style B fill:#4CAF50,stroke:#333,stroke-width:2px,color:#fff style C fill:#2196F3,stroke:#333,color:#fff style D fill:#FF9800,stroke:#333,color:#fff

Por que isso vai contra a intuição?

Nenhum ornitólogo do mundo aumenta sua convicção de que “corvos são negros” ao ver uma maçã azul. Se é logicamente perfeito, por que nosso senso comum o rejeita?

No mundo da filosofia e estatística, várias abordagens foram propostas para esse paradoxo.

1. Solução Bayesiana (Diferença na Quantidade de Informação)

O contra-argumento mais forte do ponto de vista da estatística moderna (probabilidade bayesiana) foca na diferença de “força da evidência (quantidade de informação)”.

No mundo, há esmagadoramente mais “coisas que não são negras” do que “coisas negras”, e há astronomicamente mais “coisas que não são corvos” do que “corvos”.

Quando você vê uma maçã azul, certamente é evidência de que “todos os corvos são negros”, mas seu valor como evidência (o aumento na probabilidade) é próximo de zero. Confirmar uma das incontáveis “coisas que não são negras” no vasto universo aumenta a probabilidade de que “corvos são negros” quase tanto quanto remover um único grão de areia de um deserto afeta o deserto. Por outro lado, encontrar diretamente um único corvo negro tem um valor de evidência esmagadoramente maior.

Em outras palavras, a solução bayesiana é que logicamente “uma maçã azul é uma evidência”, mas na prática “ela pode ser ignorada porque seu valor como evidência é igual a zero”.

2. Os Limites da “Ornitologia de Interiores”

Este paradoxo destaca como o fundamento da ciência, “indução (derivar leis gerais da observação)”, repousa sobre uma premissa muito frágil. Se dependêssemos apenas da equivalência lógica, a “ornitologia de interiores” se tornaria possível: poderíamos testar todas as leis do universo (“todos os cisnes são brancos”, “nenhum alienígena é verde”, etc.) simplesmente observando as tralhas do nosso quarto sem nunca sair.

Os Corvos de Hempel são um paradoxo fascinante que mostra que as palavras “evidência” e “prova”, que usamos inconscientemente, não podem ser totalmente capturadas pelas regras puras da lógica simbólica.