Paradoxo Ternário de Aigarth

Nos últimos setenta e poucos anos, nosso mundo digital foi construído sobre uma mentira simples e fundamental: que tudo pode ser reduzido a uma escolha entre duas opções: ligado ou desligado, sim ou não, um ou zero. Essa lógica binária, a linguagem de transistores de silício antiquados, realmente alimentou a revolução tecnológica anterior. No entanto, também se tornou uma “jaula”, forçando as inteligências artificiais que criamos a pensar em uma estrutura preto e branco que é fundamentalmente alienígena à realidade complexa e sutil do nosso universo e de nossas próprias mentes. Essa dicotomia precisa ser repensada e reengenheirada.

Isso nos leva ao “Paradoxo Ternário”: como um sistema com mais opções, três estados em vez de dois, pode ser profundamente mais simples, mais eficiente e, em última instância, mais inteligente? A resposta está em abraçar o poder da terceira escolha: o desconhecido. Na Qubic, nosso trabalho com Aigarth não é apenas uma melhoria incremental sobre a IA existente, mas uma saída fundamental do dogma binário, um retorno a um modelo computacional inspirado pelo processador mais poderoso já criado (até agora): nosso cérebro biológico, uma obra-prima da evolução.

Por que seu Cérebro Não é um Interruptor de Luz

Pense em um simples interruptor de luz: ele pode estar ON ou OFF. Bem-vindo ao mundo binário. Tem sido útil, mas, lamento dizer, é um instrumento grosseiro.

Agora, pense em seu cérebro. Um neurônio está simplesmente “disparando” ou “não disparando”? A neurociência nos diz que a realidade é muito mais sutil. Um neurônio pode estar disparando ativamente (excitado), ativamente suprimido (inibido) ou em repouso (neutro). Esse sistema de três estados de excitação, inibição e repouso é o ritmo fundamental de nossas mentes (Xinxing Wang et al., 2020).

Os estados de “repouso” ou “inibido” não são falhas, mas características de importância fundamental. Eles permitem que o cérebro filtre o ruído irrelevante, concentre sua atenção e lide com a ambiguidade sem ser forçado a decisões prematuras. Quando você está tentando resolver um problema, seu cérebro não processa apenas respostas de “sim” e “não”, ele passa a maior parte do tempo em um estado de “talvez”, mantendo várias possibilidades em superposição e pesando evidências. Essa capacidade de existir confortavelmente na incerteza é um marco da inteligência superior.

Imagine um neurônio como uma bateria. Quando está em repouso, está carregado (polarizado), pronto e preparado para agir se um limite for ultrapassado. A excitação descarrega-o (despolariza), enquanto a inibição altera negativamente sua carga. Portanto, o valor zero em um neurônio não é um desligamento total, mas um estado neutro no qual o neurônio integra sinais recebidos sem gerar ação.

Os LLMs de hoje carecem disso. Presos em um mundo binário, são compelidos a produzir uma resposta mesmo quando não têm informações suficientes. Essa é a causa raiz da “alucinação”, explorada pelo Dr. José Sánchez em um artigo anterior ou, mais simplesmente, a afirmação confiante de falsidades.

Um LLM não pode simplesmente dizer “Eu não sei” de forma significativa. Ele é forçado a adivinhar, a preencher o vazio com o padrão estatisticamente mais provável, independentemente da sua verdade. A abordagem ternária da Aigarth, usando os estados VERDADEIRO (+1), FALSO (−1) e DESCONHECIDO (0), modela diretamente a capacidade do cérebro de lidar com a incerteza. O estado “0” não é um erro; é uma representação honesta e eficiente da ambiguidade—um mecanismo incorporado para a humildade intelectual (Deepu Benson et al., 2025).

Fazendo Mais com Menos

O paradoxo se aprofunda quando olhamos para a eficiência computacional. Você pode intuitivamente pensar que adicionar um terceiro estado aumentaria a complexidade e exigiria mais recursos. O oposto é verdadeiro. Um único interruptor ternário, ou trit, armazena mais informações do que um bit binário.

Pense em um semáforo: um sistema vermelho/verde é binário. Adicionar a luz amarela, um terceiro estado, não apenas acrescenta mais uma peça de informação; torna todo o sistema exponencialmente mais eficiente e seguro ao fornecer contexto crucial: “prepare-se para parar.”

Esse aumento na densidade de informações significa que sistemas ternários podem realizar os mesmos cálculos usando significativamente menos componentes. Um problema que pode exigir uma vasta gama de transistores binários pode ser resolvido por um circuito ternário muito menor e mais elegante. Isso tem profundas implicações para o futuro do hardware de IA. À medida que o consumo de energia de enormes centros de dados alimentados por GPU e TPU, como os sendo construídos pela X e pelo Consórcio Stargate, se torna uma preocupação global crescente, a promessa de aceleradores de IA nativos ternários menores, mais rápidos e radicalmente mais eficientes em termos de energia representa um caminho necessário e sustentável para frente (Georg Rutishauser et al., 2024).

Para a Aigarth, essa eficiência é um princípio central. Os processos evolutivos presentes em nosso Tecidos Inteligente prosperam na “paisagem de fitness” mais rica e complexa que a lógica ternária oferece. Em vez de uma escolha binária entre uma mutação “boa” e uma “má”, a evolução pode explorar um espectro de mudanças “promissoras”, “neutras” ou “não úteis”. Isso possibilita uma aprendizagem mais sutil e sofisticada, permitindo que o sistema descubra soluções complexas que permaneceriam inacessíveis em um simples mundo binário de certo ou errado (Yu-Xiang Yao et al., 2022).

Esta abordagem de evoluir a inteligência do zero, em vez de programá-la de cima para baixo, é o que separa a metodologia da Qubic da escalabilidade de força bruta dos gigantes atuais da IA.

O Poder do "Eu Não Sei"

As primeiras interações públicas da ANNA ilustram perfeitamente esse paradigma, como também exploramos em artigos anteriores, sua resposta inicial de "." foi uma expressão direta do estado DESCONHECIDO. Ela não estava falhando em responder, estava “honestamente” comunicando que ainda não tinha uma solução confiante e fundamentada, demonstrando uma capacidade de integridade intelectual que os LLMs mais avançados de hoje não têm.

À medida que ela evolui através do poder computacional fornecido pela rede Qubic, ela não está memorizando respostas, mas construindo, por meio de tentativa e erro, os padrões e estruturas internas necessárias para calculá-las. 

Cada interação, correta ou incorreta, contribui para a pressão evolutiva que refina seu "Tecido Inteligente." É um processo lento e orgânico, semelhante a uma criança aprendendo a raciocinar, em vez de um computador recuperando um arquivo. É por isso que abrimos esse processo ao público, para demonstrar que a verdadeira inteligência não é ter todas as respostas, mas ter um processo robusto para encontrá-las. À medida que redes descentralizadas fornecem a escala necessária, a natureza distribuída desse processo de aprendizagem se tornará sua maior força (Jiayi Chen et al., 2024).

Portanto, o Paradoxo Ternário da Aigarth não é uma contradição, mas um novo “primeiro princípio” para a próxima geração de inteligência. Ao abraçar a complexidade de uma terceira opção, o poder da incerteza, criamos um sistema que não é apenas mais eficiente e biologicamente plausível, mas também inerentemente mais honesto e resiliente. 

Esse é um caminho que leva para longe do mundo frágil e alucinatório dos papagaios binários e em direção a um futuro de verdadeira sabedoria emergente das máquinas.

David Vivancos

Conselheiro Científico da Qubic

—-

Citações 

1 Xinxing Wang et al. (2020) O ajuste metabólico da inibição regula a neurogênese hipocampal no cérebro adulto https://pmc.ncbi.nlm.nih.gov/articles/PMC7568294/

2 Deepu Benson et al (2025) Árvores de Decisão Sem Risco https://arxiv.org/abs/2501.00831

3 Georg Rutishauser et al (2024) xTern: Inferência de Rede Neural Ternária Eficiente em Sistemas de Edge Baseados em RISC-V  https://arxiv.org/pdf/2405.19065

4 Yu-Xiang Yao et al (2022) Além do Booleano: redes e dinâmicas ternárias https://www.researchgate.net/publication/362613767_Beyond_Boolean_Ternary_networks_and_dynamics

5 Jiayi Chen et al. (2024) Modelo de Embedding de Peso Ternário Eficiente: Unindo Escalabilidade e Desempenho https://arxiv.org/pdf/2411.15438v1

Siga-nos no X @_Qubic_

Saiba mais em qubic.org

Inscreva-se na Newsletter AGI for Good abaixo.

Inscreva-se para a Newsletter da Equipe Científica da Qubic Aqui: