Categoria: Ciência, livros, história e ideias

  • O “computador” de 2.000 anos que ninguém imaginaria encontrar no mundo antigo

    O “computador” de 2.000 anos que ninguém imaginaria encontrar no mundo antigo

    O mecanismo de Anticítera usava engrenagens para representar ciclos astronômicos. Novas reconstruções continuam mostrando que a engenharia helenística era muito mais sofisticada do que a imagem tradicional da Antiguidade sugere.

    O objeto parecia impossível

    Em 1900, mergulhadores encontraram um naufrágio próximo à ilha grega de Anticítera.

    Entre estátuas, vasos e outros objetos havia fragmentos de bronze.

    Pareciam restos de uma máquina.

    O problema era que ninguém esperava encontrar uma máquina daquele tipo.

    Ela possuía engrenagens.

    Muitas engrenagens.

    E havia inscrições.

    O objeto tinha sido produzido há aproximadamente dois mil anos.

    Durante décadas, o mecanismo foi um enigma

    À primeira vista, os fragmentos pareciam pequenos pedaços de metal corroído.

    Mas pesquisas posteriores mostraram que as peças faziam parte de um mecanismo muito mais sofisticado.

    Pesquisadores utilizaram:

    • fotografia;
    • radiografia;
    • tomografia computadorizada;
    • análise de inscrições;
    • reconstrução mecânica.

    O resultado foi extraordinário.

    O mecanismo podia representar diferentes ciclos astronômicos e calendáricos.

    Estudos publicados na Nature mostraram que ele utilizava relações matemáticas associadas a ciclos lunares e solares e possuía mecanismos relacionados à previsão de eclipses. Nature

    O que exatamente ele fazia?

    O mecanismo não “pensava”.

    Não tinha eletricidade.

    Não tinha software.

    Não tinha memória digital.

    Ele fazia algo diferente:

    transformava relações matemáticas em movimento físico.

    Se uma engrenagem gira determinada quantidade, outra engrenagem gira uma quantidade proporcional.

    Se uma engrenagem possui determinado número de dentes e se conecta a outra com outro número de dentes, a relação entre os movimentos é determinada.

    A matemática está incorporada no metal.

    Isso é computação.

    Um exemplo simples

    Imagine duas engrenagens.

    A primeira possui 10 dentes.

    A segunda possui 20.

    Para cada volta da primeira, a segunda gira meia volta.

    Não precisamos calcular isso toda vez.

    A própria estrutura física realiza o cálculo.

    Essa é a ideia fundamental de um mecanismo analógico:

    a relação matemática está incorporada na máquina.

    O mecanismo de Anticítera levou essa lógica a uma escala extraordinariamente sofisticada.

    A astronomia antiga era muito mais matemática do que imaginamos

    Uma das grandes surpresas do mecanismo é a quantidade de conhecimento necessário para construí-lo.

    Os pesquisadores identificaram mecanismos relacionados a:

    • calendário;
    • ciclos lunares;
    • ciclos solares;
    • eclipses;
    • períodos astronômicos.

    Um dos ciclos mais conhecidos é o ciclo metônico.

    Aproximadamente:

    235 meses lunares ≈ 19 anos solares.

    O mecanismo incorporava essa relação em sua estrutura de engrenagens. ScienceDirect

    Isso mostra algo importante.

    O conhecimento astronômico não estava apenas escrito em tabelas.

    Ele podia ser materializado em uma máquina.

    E os eclipses?

    Outro conjunto de engrenagens estava associado ao ciclo de Saros.

    O ciclo compreende aproximadamente 223 meses lunares, correspondendo a cerca de 18 anos.

    Ele pode ser utilizado para acompanhar a recorrência de eclipses.

    O mecanismo incorporava essa lógica em um mostrador espiral. ScienceDirect

    Isso significa que um usuário poderia girar uma manivela e observar como determinados eventos astronômicos se relacionavam ao calendário.

    Não era uma previsão baseada em inteligência artificial.

    Era uma previsão baseada em astronomia matemática transformada em mecânica.

    A nova pesquisa de 2026 acrescenta outra peça

    Um trabalho publicado na Results in Engineering reexaminou o mostrador frontal do mecanismo a partir de uma nova leitura do anel de calendário.

    O estudo considera uma correspondência com um calendário lunar de 354 divisões, em vez de simplesmente assumir uma divisão solar de 365 dias.

    A partir daí, os autores desenvolveram três modelos conceituais de reconstrução do subsistema de datas e utilizaram análise quantitativa de engrenagens para verificar sua viabilidade. ScienceDirect

    O resultado é importante não porque “descobriu um novo computador”.

    Mas porque mostra como arqueologia e engenharia podem trabalhar juntas.

    Isso é engenharia reversa

    O mecanismo está incompleto.

    Partes desapareceram.

    Algumas engrenagens estão danificadas.

    Algumas funções não podem ser observadas diretamente.

    Então os pesquisadores fazem algo semelhante ao que um engenheiro faria ao receber uma máquina destruída:

    observam → medem → formulam hipóteses → constroem modelos → testam restrições.

    Mas existe uma dificuldade adicional.

    O modelo precisa ser compatível não apenas com as peças sobreviventes.

    Também precisa ser compatível com:

    • astronomia conhecida na época;
    • matemática disponível;
    • técnicas de fabricação;
    • inscrições;
    • dimensões;
    • relações entre engrenagens.

    É uma espécie de investigação forense tecnológica.

    E isso muda a maneira como vemos a Antiguidade

    Existe uma imagem comum da história:

    Antiguidade → ignorância

    Renascimento → descoberta

    Revolução Industrial → tecnologia

    século XX → ciência moderna.

    O mecanismo de Anticítera destrói essa linha simples.

    Civilizações antigas já possuíam conhecimento sofisticado de:

    • astronomia;
    • geometria;
    • engenharia;
    • metalurgia;
    • mecanismos;
    • observação sistemática.

    O que mudou ao longo dos séculos não foi simplesmente a existência de inteligência.

    Foi a escala, transmissão e institucionalização do conhecimento.

    O mecanismo também mostra que conhecimento pode desaparecer

    Esse talvez seja o aspecto mais fascinante.

    Imagine uma tecnologia sofisticada que deixa de ser produzida.

    Os especialistas desaparecem.

    Os métodos de fabricação deixam de ser transmitidos.

    As oficinas desaparecem.

    Os documentos são perdidos.

    Depois de algumas gerações, a tecnologia pode parecer impossível.

    É perfeitamente possível que o mecanismo de Anticítera seja apenas uma pequena janela para uma tradição tecnológica que foi muito maior.

    Não podemos afirmar isso como fato.

    Mas a existência do mecanismo mostra que o repertório tecnológico do mundo helenístico era capaz de produzir artefatos que, durante muito tempo, pareciam incompatíveis com o período.

    Por isso “primeiro computador” é uma boa metáfora — mas precisa de ressalva

    É comum chamar o mecanismo de Anticítera de:

    “o primeiro computador do mundo.”

    A expressão é útil.

    Mas não deve ser entendida literalmente.

    Um computador moderno executa instruções sobre representações abstratas de dados.

    O mecanismo de Anticítera era um dispositivo analógico mecânico especializado, projetado para representar relações astronômicas.

    A comparação funciona porque ambos utilizam uma estrutura física para realizar operações.

    Mas são tecnologias fundamentalmente diferentes.

    A lição moderna é maior que a máquina

    O mecanismo mostra algo importante sobre inovação.

    Uma tecnologia pode desaparecer.

    Mas conhecimento científico pode sobreviver em objetos.

    Uma engrenagem corroída pode conter uma equação.

    Uma inscrição pode conter uma instrução.

    Uma peça quebrada pode revelar uma arquitetura.

    Um artefato pode funcionar como um documento.

    Isso aproxima:

    arqueologia

    de

    engenharia

    de

    história da ciência.

    Conclusão

    O mecanismo de Anticítera é fascinante porque parece impossível apenas quando imaginamos que o passado era tecnologicamente simples.

    Ele não era.

    Os gregos antigos não tinham computadores eletrônicos.

    Mas tinham matemática, astronomia, metalurgia e engenheiros capazes de transformar relações abstratas em movimento.

    O mecanismo é uma prova material de que computação não começou com eletricidade.

    Começou, em certo sentido, quando seres humanos descobriram maneiras de fazer máquinas executar relações que antes precisavam ser calculadas mentalmente.

    E talvez essa seja a pergunta mais interessante deixada pelo objeto:

    quantas tecnologias que consideramos “modernas” são, na verdade, versões muito mais sofisticadas de ideias que seres humanos já haviam descoberto há milhares de anos?

    Fontes e referências

    1. Lin, Jian-Liang. “New reconstruction designs based on the Re-decrypt calendar dial on the front plate of Antikythera mechanism.” Results in Engineering, 2026, vol. 29, 108632. ScienceDirect
    2. Freeth, T. et al. “Decoding the ancient Greek astronomical calculator known as the Antikythera mechanism.” Nature, 2006. Nature
    3. Freeth, T. et al. “Calendars with Olympiad display and eclipse prediction on the Antikythera Mechanism.” Nature, 2008. ResearchGate
    4. Yan, H.-S.; Lin, J.-L. trabalhos de reconstrução mecânica do mecanismo de Anticítera. ScienceDirect
  • A inteligência artificial melhora o aprendizado? Um novo estudo sugere uma resposta muito menos confortável

    A inteligência artificial melhora o aprendizado? Um novo estudo sugere uma resposta muito menos confortável

    Uma meta-análise de 85 estudos encontrou efeito médio positivo da IA generativa na educação STEM, mas mostrou que esse resultado é altamente heterogêneo e pode desaparecer quando a IA substitui, em vez de ampliar, a atividade cognitiva do estudante.

    A pergunta está errada

    Nos últimos anos, a discussão sobre inteligência artificial na educação foi dominada por uma pergunta:

    “A IA melhora o aprendizado?”

    Parece uma boa pergunta.

    Mas talvez seja uma pergunta ruim.

    É como perguntar:

    “Calculadora melhora matemática?”

    Depende.

    Para uma criança aprendendo aritmética básica, entregar uma calculadora pode eliminar justamente o exercício mental que deveria desenvolver.

    Para um engenheiro fazendo cálculos complexos, a mesma calculadora pode aumentar drasticamente sua capacidade.

    O problema não é apenas a ferramenta.

    É o que a ferramenta faz com a atividade cognitiva do usuário.

    Uma nova meta-análise publicada em 25 de agosto ajuda a tornar essa discussão muito mais precisa.

    O tamanho da pesquisa impressiona

    Os pesquisadores fizeram uma revisão sistemática de estudos publicados depois de 2017.

    A busca foi realizada em bases como:

    • ERIC;
    • PsycINFO;
    • Web of Science.

    Depois de triagem e seleção, chegaram a 85 estudos elegíveis.

    Desses, 49 estudos, com 59 tamanhos de efeito, apresentavam condições adequadas para a meta-análise quantitativa. A maioria envolvia ensino superior e ferramentas de IA generativa baseadas em texto, como ChatGPT. Springer

    Isso é muito diferente de pegar um único experimento e concluir:

    “A IA funciona.”

    Aqui temos uma tentativa de olhar para o conjunto da literatura.

    O primeiro resultado parece excelente

    A meta-análise convencional encontrou um efeito geral positivo da IA generativa sobre resultados cognitivos em educação STEM.

    Se parássemos aqui, a manchete seria óbvia:

    “IA melhora a aprendizagem.”

    Mas os pesquisadores fizeram algo que uma boa ciência precisa fazer.

    Olharam para a qualidade e a consistência do efeito.

    E apareceu um problema enorme.

    Os estudos discordam muito entre si

    A heterogeneidade estatística chegou a I² = 96,32%.

    É um número muito alto.

    Significa que a diferença entre os resultados dos estudos não pode ser explicada simplesmente por erro amostral.

    Em outras palavras:

    a IA não está produzindo o mesmo efeito em todos os contextos.

    Em alguns experimentos, o resultado é positivo.

    Em outros, pequeno.

    Em outros, pode ser negativo.

    O contexto importa muito.

    Então os pesquisadores fizeram outra pergunta

    E se parte dos resultados positivos publicados estiver relacionada a viés de publicação?

    O problema é conhecido.

    Estudos que encontram resultados interessantes têm maior probabilidade de serem publicados do que estudos que encontram resultados nulos.

    Se isso acontece, a literatura publicada pode parecer mais positiva do que a realidade.

    Os autores utilizaram uma Robust Bayesian Meta-Analysis, conhecida como RoBMA, para testar essa possibilidade.

    O resultado foi particularmente interessante:

    o efeito positivo geral encontrado na meta-análise convencional pode ser explicado em grande parte pelo viés de publicação. Springer

    Isso não significa:

    “IA não funciona.”

    Seria uma interpretação errada.

    Significa algo mais importante:

    não temos evidência suficiente para dizer que simplesmente adicionar IA ao processo educacional produz um grande ganho cognitivo geral.

    Mas apareceu uma pista muito mais interessante

    Os autores encontraram diferenças importantes dependendo do tipo de atividade cognitiva realizada.

    A pesquisa utilizou o framework ISAR, que classifica a relação entre intervenção e atividade cognitiva em termos de:

    • inversão;
    • substituição;
    • ampliação;
    • redefinição.

    A ideia básica é perguntar:

    a IA está ajudando o aluno a fazer mais do que faria sozinho ou está fazendo o trabalho que o aluno deveria fazer?

    Essa distinção muda tudo.

    Imagine dois estudantes

    O primeiro recebe um problema de física.

    Ele tenta resolver.

    Depois usa a IA para:

    • verificar seu raciocínio;
    • encontrar um erro;
    • pedir uma explicação alternativa;
    • comparar métodos;
    • receber perguntas que o façam pensar.

    A IA está funcionando como uma espécie de tutor.

    O estudante continua fazendo o trabalho cognitivo.

    Agora imagine outro estudante.

    Recebe o mesmo problema.

    Copia para a IA.

    Recebe a solução.

    Entrega.

    Não precisou construir a resposta.

    Os dois utilizaram exatamente a mesma tecnologia.

    Mas o processo cognitivo foi completamente diferente.

    É aí que a meta-análise fica interessante

    Os autores concluem que a IA generativa parece mais promissora quando aumenta as atividades de aprendizagem dos estudantes, em vez de substituí-las.

    Quando a IA substitui a atividade cognitiva que deveria ser realizada pelo estudante, o resultado pode ser prejudicial. Springer

    Isso aproxima a discussão sobre IA de uma ideia muito antiga da educação:

    aprender exige atividade.

    Não basta receber informação.

    Informação não é conhecimento

    Esse talvez seja o ponto central.

    Uma pessoa pode pedir à IA:

    “Explique a teoria da vantagem comparativa.”

    Receber uma excelente explicação.

    Ler.

    Concordar.

    E continuar sem saber aplicar o conceito.

    Porque compreensão passiva não é necessariamente aprendizagem profunda.

    Para aprender economia, física ou programação, o aluno precisa também:

    • recuperar informação;
    • resolver problemas;
    • cometer erros;
    • receber feedback;
    • explicar conceitos;
    • comparar alternativas;
    • construir respostas.

    A IA pode ajudar em várias dessas etapas.

    Mas também pode eliminá-las.

    O risco da terceirização cognitiva

    Imagine um estudante que utiliza IA para escrever todos os textos.

    Ele pode terminar o semestre com textos melhores.

    Mas isso não significa necessariamente que tenha aprendido a escrever melhor.

    Essa distinção é fundamental.

    Produto final e aprendizagem são variáveis diferentes.

    Uma ferramenta pode melhorar o primeiro enquanto prejudica a segunda.

    É exatamente o tipo de confusão que uma avaliação educacional precisa evitar.

    E a pesquisa ainda tem limitações

    Os próprios autores são cautelosos.

    Variáveis importantes foram pouco reportadas nos estudos, incluindo:

    • alfabetização em IA;
    • habilidades metacognitivas;
    • qualidade dos prompts;
    • comportamento de verificação;
    • delegação de tarefas.

    Além disso, a evidência sobre desafios enfrentados pelos alunos e intervenções pedagógicas ainda foi considerada limitada e inconsistente. Springer

    Portanto, não estamos diante da palavra final sobre IA e educação.

    Estamos diante de uma fotografia importante de uma literatura ainda em desenvolvimento.

    A pergunta que deveríamos fazer nas escolas

    Em vez de:

    “Devemos permitir IA?”

    talvez seja melhor perguntar:

    “Quais atividades queremos que o aluno continue fazendo sozinho, quais podemos ampliar com IA e quais podem ser automatizadas?”

    Essa pergunta é muito mais útil.

    Porque não transforma a IA em vilã nem em solução mágica.

    Transforma-a em ferramenta.

    Isso vale para além da educação

    O mesmo problema aparece no trabalho.

    Uma IA que escreve um relatório pode aumentar produtividade.

    Mas uma IA que escreve todos os relatórios pode impedir que profissionais desenvolvam determinadas competências.

    Uma IA que programa pode aumentar a capacidade de um desenvolvedor experiente.

    Mas pode dificultar a formação de um iniciante se ele nunca precisar entender por que o código funciona.

    A questão é a mesma:

    automação aumenta capacidade ou substitui aprendizado?

    Conclusão

    A nova meta-análise não mostra que a inteligência artificial é boa ou ruim para a educação.

    Mostra algo mais útil:

    o efeito depende do que acontece com a atividade cognitiva do estudante.

    Quando a IA amplia o processo de aprendizagem, há evidências promissoras.

    Quando ela simplesmente substitui o trabalho intelectual que deveria ser realizado pelo aluno, o benefício pode desaparecer — ou até se transformar em prejuízo. Springer

    Isso muda completamente a discussão.

    O futuro da educação provavelmente não será decidido pela pergunta:

    “IA ou professor?”

    Será decidido por uma pergunta muito mais difícil:

    “Quais partes do processo de aprender devemos automatizar — e quais precisamos preservar justamente porque exigem esforço?”

    Fontes e referências

    1. Boolzen, C.; Kuhn, J.; Flegr, S.; Rott, E.-M.; Stausberg, N.; Küchemann, S. “Evidence of impact and interpretational limits of generative AI in STEM education: a systematic review and meta-analysis on cognitive learning outcomes.” Artificial Intelligence Review, publicado em 25 ago. 2026. Springer
    2. Revisão sistemática registrada previamente pelos autores e disponibilizada junto ao artigo.
  • A caixa de aço que mudou o mundo: como um simples contêiner ajudou a criar a globalização

    A caixa de aço que mudou o mundo: como um simples contêiner ajudou a criar a globalização

    Antes dos contêineres, carregar um navio era lento, caro e trabalhoso. A padronização de uma simples caixa transformou a logística e reduziu drasticamente o custo de movimentar mercadorias pelo planeta.

    Antes da caixa, existia um problema gigantesco

    Imagine um navio chegando ao porto.

    Dentro dele existem milhares de objetos:

    sacos de café, caixas, barris, peças, máquinas, tecidos, alimentos.

    Nada disso está necessariamente organizado em grandes unidades padronizadas.

    Cada mercadoria precisa ser retirada.

    Separada.

    Pesada.

    Transportada.

    Armazenada.

    Depois carregada novamente em caminhões ou vagões.

    E, quando chega ao destino, o processo começa outra vez.

    Durante séculos, esse foi o funcionamento normal do comércio marítimo.

    O problema não era o navio.

    Era tudo o que acontecia antes e depois dele.

    O porto era o gargalo

    Um navio podia atravessar um oceano relativamente rápido.

    Mas podia passar dias no porto.

    A carga era movimentada manualmente.

    Isso exigia milhares de trabalhadores e uma enorme quantidade de coordenação.

    Também havia perdas.

    Mercadorias podiam ser danificadas.

    Podiam desaparecer.

    Podiam ser armazenadas em lugares diferentes.

    E cada transferência entre meios de transporte aumentava custos.

    A logística internacional era, em grande medida, um problema de manuseio.

    Foi aí que apareceu uma ideia extremamente simples:

    E se, em vez de movimentarmos cada mercadoria, movimentássemos uma caixa padronizada contendo a mercadoria?

    A ideia não começou com Malcom McLean

    É importante corrigir uma simplificação comum.

    Malcom McLean não inventou do nada a ideia de transportar cargas em contêineres.

    Experimentos com unidades de carga padronizadas já existiam antes.

    Mas McLean foi fundamental para transformar a ideia em um sistema comercial intermodal em escala.

    Em 26 de abril de 1956, um antigo navio-tanque convertido, o Ideal X, saiu de Newark rumo a Houston carregando 58 caixas metálicas. Smithsonian Magazine

    A inovação não era simplesmente colocar caixas em um navio.

    Era fazer com que a mesma unidade pudesse:

    sair do caminhão → entrar no navio → sair do navio → entrar no trem → chegar ao destino.

    Sem abrir a caixa.

    Parece trivial hoje

    É justamente por isso que é difícil perceber o tamanho da inovação.

    Hoje vemos um contêiner e pensamos:

    “É apenas uma caixa.”

    Mas a caixa é apenas uma parte do sistema.

    Para funcionar, era necessário padronizar:

    • dimensões;
    • encaixes;
    • guindastes;
    • navios;
    • terminais;
    • caminhões;
    • vagões;
    • procedimentos;
    • contratos;
    • sistemas de informação.

    A verdadeira inovação foi criar uma linguagem física comum para diferentes meios de transporte.

    Isso é economia institucional

    Aqui a história fica mais interessante.

    Imagine que cada empresa utilize caixas diferentes.

    Uma transportadora tem um padrão.

    Outra tem outro.

    Um porto utiliza determinado equipamento.

    Outro não.

    Um navio aceita uma dimensão.

    Outro não.

    A interoperabilidade desaparece.

    A tecnologia existe, mas o sistema não funciona.

    Por isso, a padronização foi tão importante quanto a própria caixa.

    A containerização mostra uma ideia central da economia:

    uma tecnologia pode se tornar muito mais valiosa quando outras pessoas adotam o mesmo padrão.

    É o que hoje chamaríamos de efeito de rede.

    O custo caiu drasticamente

    O impacto econômico foi enorme.

    Antes da containerização, o transporte e o manuseio de cargas podiam representar uma parcela significativa do valor de determinados produtos.

    Uma análise histórica baseada no trabalho de Marc Levinson registra que, em algumas mercadorias, o frete podia representar até 25% do custo. O novo sistema reduziu drasticamente o custo de movimentação. Em um exemplo citado por estudos históricos, o custo de carregar um navio com o sistema de contêineres chegou a cerca de 15,8 centavos por tonelada imperial, contra US$ 5,83 para carga solta comparável — uma redução de aproximadamente 97% naquele processo específico. cdbb.cam.ac.uk

    Isso é extraordinário.

    Porque pequenas reduções de custo podem mudar decisões econômicas.

    Mas reduções enormes podem mudar geografias inteiras.

    A fábrica não precisava mais ficar perto do consumidor

    Imagine uma fábrica produzindo uma peça.

    Antes, se transportar a peça por milhares de quilômetros fosse extremamente caro, fazia sentido produzir perto do mercado consumidor.

    Depois da queda dos custos logísticos, essa restrição diminuiu.

    A empresa poderia:

    produzir em outro país,

    enviar para outro continente,

    montar em outro lugar,

    e vender globalmente.

    Foi assim que a logística começou a permitir cadeias produtivas muito mais fragmentadas.

    Uma peça poderia ser produzida em um país.

    Outra, em outro.

    A montagem poderia ocorrer em um terceiro.

    O produto final poderia ser vendido em dezenas de mercados.

    O contêiner não criou sozinho a globalização

    Esse ponto precisa ser tratado com cuidado.

    Globalização não foi causada apenas por contêineres.

    Também dependeram dela:

    • acordos comerciais;
    • redução de tarifas;
    • avanços em telecomunicações;
    • aviação;
    • sistemas financeiros;
    • tecnologia da informação;
    • desenvolvimento industrial;
    • políticas econômicas.

    Mas a containerização reduziu uma das barreiras fundamentais:

    o custo físico de mover mercadorias.

    E quando um custo cai drasticamente, o conjunto de decisões possíveis muda.

    A China é um ótimo exemplo

    Uma economia pode produzir muito barato.

    Mas isso não é suficiente.

    É preciso colocar os produtos em mercados distantes.

    A expansão do transporte marítimo conteinerizado ajudou a tornar possível a integração de fábricas asiáticas a consumidores europeus e americanos em uma escala que seria muito mais difícil sob os custos logísticos anteriores.

    A globalização industrial das últimas décadas não pode ser compreendida sem essa infraestrutura.

    Existe uma lição sobre inovação aqui

    A inovação mais importante nem sempre é aquela que parece mais sofisticada.

    Não era necessário inventar uma inteligência artificial.

    Não era necessário descobrir um novo material.

    Não era necessário construir um motor revolucionário.

    Era preciso olhar para um processo antigo e perguntar:

    “Por que continuamos fazendo isso desse jeito?”

    A resposta revelou que uma enorme quantidade de trabalho era necessária apenas porque os sistemas não conversavam entre si.

    O contêiner resolveu o problema tornando a carga modular.

    Essa ideia aparece em muitos outros setores.

    Software funciona de maneira parecida

    Um programa pode ser muito útil.

    Mas se não consegue conversar com outros programas, seu valor é limitado.

    APIs.

    Protocolos.

    Formatos padronizados.

    Arquiteturas modulares.

    Tudo isso possui uma lógica semelhante à do contêiner.

    Uma interface comum permite que diferentes sistemas cooperem.

    O resultado pode ser muito maior que a soma das partes.

    E existe uma lição ainda mais profunda

    O contêiner não tornou o navio muito melhor.

    Tornou todo o sistema melhor.

    Essa diferença é fundamental.

    Muitas empresas tentam aumentar produtividade otimizando uma etapa isolada.

    Mas uma cadeia de produção pode continuar lenta se o gargalo estiver em outra parte.

    O navio pode ser extremamente rápido.

    Se o porto leva três dias para carregar, pouco importa.

    A fábrica pode produzir milhões de unidades.

    Se o transporte é caro, pouco importa.

    A tecnologia precisa ser pensada como sistema.

    A caixa de aço mudou a geografia econômica

    Hoje, contêineres parecem tão banais que desapareceram da nossa percepção.

    Mas eles estão por trás de uma parte enorme da economia moderna.

    Quando compramos:

    um celular,

    um brinquedo,

    uma peça automotiva,

    uma máquina,

    um eletrodoméstico,

    um produto importado,

    é muito provável que em algum momento sua cadeia logística tenha passado por um contêiner.

    É uma infraestrutura invisível.

    E talvez seja justamente isso que torna sua história tão interessante.

    Conclusão

    A história do contêiner é uma história sobre inovação.

    Mas não sobre inovação no sentido glamouroso.

    É uma história sobre padronização, custos de transação e coordenação.

    Uma caixa de aço não parecia capaz de transformar o mundo.

    Mas, ao permitir que navios, trens e caminhões utilizassem a mesma unidade de carga, ela eliminou enormes quantidades de trabalho desnecessário e reduziu drasticamente o custo de movimentar mercadorias.

    A consequência foi muito maior do que logística.

    Mudou onde as empresas podiam produzir.

    Mudou onde as pessoas podiam comprar.

    Mudou as cadeias produtivas.

    Mudou o comércio internacional.

    E ajudou a tornar possível a economia global que hoje consideramos normal.

    A lição talvez seja simples:

    às vezes, a inovação mais poderosa não cria uma coisa nova. Ela elimina uma dificuldade que todos haviam aprendido a considerar normal.

    Fontes e referências

    1. Levinson, Marc. The Box: How the Shipping Container Made the World Smaller and the World Economy Bigger. Princeton University Press. trid.trb.org
    2. Smithsonian Institution, “The Now-Ubiquitous Shipping Container Was an Idea Before Its Time”, 2017. Smithsonian Magazine
    3. Smithsonian Institution, “Cargo Ships Keep Getting Bigger, and Infrastructure Is Racing to Keep Up” — histórico do Ideal X e da containerização. Smithsonian Magazine
    4. Cambridge Centre for Digital Built Britain, análise baseada em The Box, sobre a redução dos custos de transporte proporcionada pela containerização. cdbb.cam.ac.uk
    5. Transportation Research Board, referência bibliográfica sobre The Box e os efeitos econômicos da containerização.
  • O Brasil vai gastar mais de R$ 1 bilhão em um supercomputador de IA. O que isso realmente compra?

    O Brasil vai gastar mais de R$ 1 bilhão em um supercomputador de IA. O que isso realmente compra?

    O país está construindo uma infraestrutura de computação de escala internacional. Mas o verdadeiro desafio não será comprar a máquina, será transformar poder computacional em ciência, empresas e tecnologia nacional.

    A máquina é impressionante. Mas esse não é o ponto principal

    Imagine que alguém diga:

    “O Brasil vai construir um dos computadores mais poderosos do mundo.”

    A reação natural é pensar em tecnologia.

    Processadores.

    Chips.

    Cabos.

    Refrigeração.

    Data centers.

    Mas existe uma pergunta muito mais importante:

    O que um país consegue fazer quando passa a ter acesso a uma quantidade muito maior de capacidade computacional?

    Essa é a questão que está por trás do novo supercomputador de inteligência artificial que será instalado em Macaíba, na região metropolitana de Natal.

    O projeto está sendo conduzido tecnicamente pelo Laboratório Nacional de Computação Científica, o LNCC, vinculado ao Ministério da Ciência, Tecnologia e Inovação. A infraestrutura será instalada no Parque Científico e Tecnológico Augusto Severo e deverá ampliar substancialmente a capacidade brasileira de computação de alto desempenho. Serviços e Informações do Brasil

    Quanto poder computacional estamos falando?

    A máquina prevista para o Rio Grande do Norte deverá alcançar aproximadamente 7.200 petaflops.

    Um petaflop corresponde a um quatrilhão de operações de ponto flutuante por segundo.

    Na escala anunciada, estamos falando de aproximadamente 7,2 quintilhões de operações por segundo.

    A comparação ajuda a entender a dimensão do salto.

    O atual Santos Dumont, supercomputador operado pelo LNCC em Petrópolis, possui capacidade de cerca de 27 petaflops. Agência Brasil

    Isso não significa que a nova máquina será simplesmente “266 vezes melhor” em qualquer tarefa. Desempenho real depende de arquitetura, algoritmos, memória, comunicação entre componentes e do tipo de aplicação.

    Mas a diferença de escala mostra o tamanho da mudança pretendida.

    Por que inteligência artificial precisa de tanto computador?

    Modelos modernos de IA são extremamente intensivos em computação.

    Durante o treinamento, bilhões — e em alguns casos muito mais — de parâmetros precisam ser ajustados repetidamente com enormes quantidades de dados.

    Isso exige:

    • processadores especializados;
    • memória de alta velocidade;
    • redes de comunicação extremamente rápidas;
    • armazenamento;
    • energia;
    • sistemas sofisticados de refrigeração.

    E há um detalhe que costuma ser esquecido:

    computação também é infraestrutura econômica.

    Assim como uma estrada reduz o custo de transportar mercadorias, uma infraestrutura computacional adequada pode reduzir o custo e o tempo necessários para desenvolver determinados produtos científicos e tecnológicos.

    É aqui que a política pública fica interessante

    O governo brasileiro não está simplesmente comprando uma máquina.

    O projeto do LNCC prevê requisitos relacionados a transferência de tecnologia, capacitação de profissionais brasileiros e desenvolvimento de competências nacionais em software e inteligência artificial. O edital para a contratação da infraestrutura integrada prevê R$ 959,04 milhões para o objeto específico da seleção pública. Serviços e Informações do Brasil

    Essa distinção é importante.

    Um país pode comprar um equipamento extremamente sofisticado e continuar dependente de tecnologia estrangeira.

    Ou pode utilizar a compra como uma oportunidade para aprender.

    A segunda opção é muito mais interessante.

    Computador não é conhecimento

    Imagine duas universidades com acesso à mesma máquina.

    Uma possui pesquisadores capazes de desenvolver novos algoritmos, engenheiros capazes de otimizar modelos e empresas capazes de transformar pesquisa em produto.

    A outra simplesmente utiliza a máquina como uma ferramenta terceirizada.

    A capacidade física é igual.

    O resultado econômico será completamente diferente.

    Isso mostra uma das limitações de pensar desenvolvimento tecnológico apenas em termos de infraestrutura.

    Infraestrutura é uma condição necessária para determinados tipos de pesquisa.

    Não é suficiente para produzir inovação.

    O Brasil está tentando resolver três problemas simultaneamente

    O primeiro é capacidade computacional.

    Grandes modelos de IA exigem recursos que nem sempre estão disponíveis internamente.

    O segundo é dependência tecnológica.

    O próprio governo afirma que parte relevante do processamento de IA utilizado no Brasil ocorre fora do país. A ministra da Ciência, Tecnologia e Inovação, Luciana Santos, afirmou que cerca de 60% do processamento de IA brasileiro é realizado no exterior. Agência Brasil

    O terceiro é capital humano.

    A iniciativa prevê formação e capacitação de profissionais, com metas anunciadas de milhares de pessoas treinadas ao longo dos próximos anos. Agência Brasil

    Esses três elementos estão conectados.

    Sem computador, determinados projetos não podem ser executados.

    Sem pesquisadores e engenheiros, o computador não produz conhecimento.

    Sem empresas capazes de transformar conhecimento em produtos, a inovação não necessariamente chega à economia.

    E existe uma dimensão geográfica importante

    A escolha de Macaíba não é apenas uma questão de encontrar um terreno disponível.

    Uma instalação dessa dimensão precisa de:

    • energia elétrica;
    • refrigeração;
    • conectividade;
    • segurança;
    • espaço físico;
    • infraestrutura de operação;
    • proximidade com instituições científicas.

    O LNCC destaca justamente esses fatores na justificativa técnica da escolha do local. Serviços e Informações do Brasil

    Mas existe algo adicional.

    A infraestrutura aproxima uma grande capacidade computacional de um ecossistema científico do Nordeste.

    Isso pode produzir um efeito de concentração positiva:

    infraestrutura → pesquisadores → empresas → novos pesquisadores → inovação.

    Se funcionar, o benefício não será apenas computacional.

    Será regional.

    O risco é transformar o computador em símbolo

    Esse talvez seja o principal ponto crítico.

    É fácil medir o tamanho de um supercomputador.

    É fácil anunciar o valor do investimento.

    É fácil dizer que ele estará entre os mais poderosos do mundo.

    É muito mais difícil medir:

    • quantos artigos científicos adicionais foram produzidos;
    • quantas empresas nasceram;
    • quantas tecnologias foram desenvolvidas;
    • quanto tempo de pesquisa foi economizado;
    • quantas patentes foram geradas;
    • quanto investimento privado foi atraído;
    • quantos profissionais foram formados;
    • quantos modelos brasileiros passaram a ser treinados localmente.

    Mas são esses resultados que deveriam determinar se a política funcionou.

    A máquina pode ser uma política industrial disfarçada de infraestrutura

    Essa talvez seja a interpretação mais interessante.

    O projeto não trata apenas de computação.

    Ele envolve:

    infraestrutura + pesquisa + formação + transferência de tecnologia + inovação + empresas.

    Ou seja, possui características de uma política de desenvolvimento tecnológico.

    Isso nos leva a uma questão clássica das políticas públicas:

    o Estado deve apenas fornecer infraestrutura ou também tentar coordenar a formação de um ecossistema tecnológico?

    Não existe uma resposta simples.

    Mas o caso brasileiro oferece uma oportunidade de observar o experimento.

    O verdadeiro teste começa quando a máquina ligar

    A inauguração será importante.

    Mas não será o momento decisivo.

    O momento decisivo será alguns anos depois.

    Quando pudermos perguntar:

    O que o Brasil fez com esse computador que não conseguiria fazer antes?

    Se a resposta envolver novos medicamentos, modelos científicos, aplicações industriais, sistemas públicos, empresas de tecnologia, pesquisas climáticas e formação de pesquisadores, o investimento terá produzido algo muito maior que capacidade computacional.

    Se a resposta for apenas:

    “Temos um dos computadores mais poderosos do mundo”,

    teremos comprado uma máquina.

    Não necessariamente construído capacidade tecnológica.

    Essa diferença é fundamental.

    Conclusão

    O Brasil está entrando em uma disputa em que capacidade computacional começa a funcionar como infraestrutura estratégica, assim como energia, telecomunicações e logística.

    O novo supercomputador pode ser um passo importante.

    Mas a máquina, por si só, não produz soberania tecnológica.

    Ela oferece uma possibilidade.

    O verdadeiro trabalho será transformar essa possibilidade em conhecimento, pessoas, empresas e produtividade.

    E essa talvez seja a pergunta que deveríamos acompanhar nos próximos anos:

    quanto conhecimento brasileiro será produzido por cada real investido nessa máquina?

    Fontes e referências

    1. Laboratório Nacional de Computação Científica (LNCC), “LNCC conduz implantação de supercomputador de Inteligência Artificial que ampliará a capacidade computacional do Brasil”, 21 ago. 2026. Serviços e Informações do Brasil
    2. Agência Brasil, “RN vai abrigar supercomputador brasileiro de Inteligência Artificial”, 20 ago. 2026. Agência Brasil
    3. Agência Gov, “Brasil avança em infraestrutura própria para IA com supercomputador e nuvem nacional”, 21 ago. 2026. Agência Gov
    4. LNCC, informações sobre o supercomputador Santos Dumont. Serviços e Informações do Brasil
    5. Ministério da Ciência, Tecnologia e Inovação, Plano Brasileiro de Inteligência Artificial. Serviços e Informações do Brasil
  • Ulisses amarrou-se ao mastro por uma razão que a economia moderna demorou séculos para explicar

    Ulisses amarrou-se ao mastro por uma razão que a economia moderna demorou séculos para explicar

    A história das sereias, contada por Homero, pode ser lida como uma das melhores metáforas para entender autocontrole, compromisso prévio e decisões que fazemos hoje contra nós mesmos.

    Ulisses sabia que seria fraco

    Há uma cena famosa na Odisseia.

    Ulisses está navegando pelo Mediterrâneo.

    Em algum lugar adiante estão as sereias.

    Segundo o mito, o canto delas é tão sedutor que os marinheiros que o escutam são atraídos para a morte.

    Ulisses quer ouvir.

    Mas sabe que não deveria ceder.

    Então faz algo estranho.

    Ele manda os companheiros colocarem cera nos próprios ouvidos.

    Depois ordena:

    amarrem-me ao mastro.

    E acrescenta uma instrução ainda mais importante:

    mesmo que eu peça para ser solto, não me libertem.

    A cena é antiga.

    O problema é moderno.

    O problema não é não saber o que fazer

    Ulisses sabe.

    Ele sabe que ouvir o canto pode levá-lo à morte.

    Não falta informação.

    Não falta inteligência.

    Não falta planejamento.

    O problema é que ele sabe que seu comportamento futuro pode ser diferente de sua decisão presente.

    Hoje podemos encontrar exemplos disso em toda parte.

    “Na segunda-feira começo a dieta.”

    “Não vou gastar esse dinheiro.”

    “Vou estudar antes de abrir o celular.”

    “Não vou responder essa mensagem com raiva.”

    “Vou dormir cedo.”

    Enquanto estamos tranquilos, fazemos planos.

    Depois chega o momento concreto.

    E alguma coisa muda.

    O nosso “eu de agora” não é exatamente o mesmo que o “eu de depois”

    Essa é a ideia central.

    Imagine alguém que decide às 10h da manhã:

    “Hoje não vou comer doce.”

    Às 22h, depois de um dia cansativo, diante de uma sobremesa, a mesma pessoa pensa:

    “Só hoje.”

    O problema não é que ela tenha esquecido a decisão.

    Ela pode lembrar perfeitamente.

    O problema é que o valor atribuído às alternativas mudou.

    Em economia comportamental, isso se aproxima do problema de preferências temporalmente inconsistentes.

    O que parece ótimo quando estamos longe da tentação pode parecer muito menos importante quando a tentação está diante de nós.

    Foi isso que fascinou Jon Elster

    Em 1977, o filósofo e cientista social Jon Elster publicou o artigo “Ulysses and the Sirens: A Theory of Imperfect Rationality”.

    Depois, desenvolveu o tema no livro Ulysses and the Sirens, publicado originalmente em 1979.

    A ideia era simples e poderosa:

    às vezes, uma pessoa racionalmente planejadora precisa limitar sua própria liberdade futura para conseguir fazer aquilo que decidiu hoje. Sage Journals

    Isso parece paradoxal.

    Se liberdade é poder escolher, por que alguém escolheria ter menos opções?

    Porque mais opções no futuro podem produzir um resultado pior.

    O cartão de crédito é uma pequena sereia

    Imagine alguém que quer economizar.

    Ela poderia simplesmente prometer:

    “Vou gastar menos.”

    Mas existe uma estratégia diferente.

    Cancelar o cartão.

    Criar uma conta sem acesso imediato.

    Programar uma transferência automática para investimentos.

    Estabelecer uma penalidade para retirar o dinheiro.

    Em todos esses casos, a pessoa está fazendo algo parecido com Ulisses.

    O “eu presente” cria uma restrição para proteger o “eu futuro” contra uma decisão que ele sabe que poderá querer tomar.

    Isso é um commitment device — um mecanismo de compromisso prévio.

    O mecanismo aparece em instituições também

    Agora imagine uma sociedade.

    Um governo decide:

    “Não devemos deixar a política monetária ser alterada a cada pressão eleitoral.”

    Uma possível resposta institucional é criar um banco central com determinado grau de independência.

    A ideia é parecida:

    limitar hoje a liberdade de decisão futura para reduzir um problema previsível.

    Instituições podem funcionar como mecanismos de compromisso.

    A literatura sobre política pública usa justamente a metáfora de Ulisses para discutir como governos podem se proteger contra decisões de curto prazo que prejudicam objetivos de longo prazo. Brookings

    Mas existe um problema

    Se comprometer demais também pode ser ruim.

    Imagine que Ulisses tivesse ordenado:

    “Nunca mais me soltem.”

    A decisão seria inútil.

    Uma restrição pode resolver um problema e criar outro.

    Esse é um dos pontos importantes na literatura posterior sobre precommitment:

    o compromisso precisa ser suficientemente forte para resistir à tentação, mas não tão rígido a ponto de impedir uma adaptação racional a novas informações.

    É uma distinção importante.

    Isso aparece na sua vida mais vezes do que você imagina

    Você faz um compromisso prévio quando:

    • agenda uma transferência automática para investimentos;
    • deixa o celular fora do quarto;
    • bloqueia aplicativos durante o estudo;
    • compra alimentos saudáveis antes de sentir fome;
    • define um limite de gastos;
    • estabelece uma rotina antes de estar cansado;
    • publica uma meta para outras pessoas;
    • cria uma consequência para descumprir um compromisso.

    Tudo isso tem a mesma estrutura:

    decidir hoje como limitar o comportamento de amanhã.

    E há algo profundamente filosófico nisso

    Ulisses não venceu as sereias por ser mais forte que elas.

    Ele venceu porque não confiou na própria força futura.

    Isso é extraordinariamente sofisticado.

    Em vez de dizer:

    “Quando chegar a hora, serei disciplinado.”

    ele disse:

    “Quando chegar a hora, talvez eu não seja. Então vou me proteger de mim mesmo agora.”

    Essa talvez seja uma das ideias mais importantes da história.

    Disciplina pode ser uma questão de arquitetura

    Frequentemente tratamos autocontrole como uma característica moral.

    A pessoa disciplinada seria aquela que consegue resistir.

    A indisciplinada, aquela que não consegue.

    Mas a história de Ulisses oferece outra possibilidade:

    talvez pessoas inteligentes não tentem vencer todas as tentações diretamente.

    Elas constroem ambientes em que certas tentações se tornam mais difíceis de acessar.

    Isso aproxima a antiga história de conceitos contemporâneos de economia comportamental, psicologia e desenho institucional.

    Não é necessariamente uma questão de ter mais força de vontade.

    É uma questão de desenhar melhor o conjunto de escolhas disponíveis.

    A lição final

    Existe uma pergunta que vale a pena fazer antes de qualquer grande decisão:

    “O que eu, no futuro, vou desejar fazer quando estiver cansado, irritado, eufórico ou diante de uma recompensa imediata?”

    Se a resposta for diferente daquilo que você quer hoje, talvez a solução não seja confiar mais em si mesmo.

    Talvez seja criar uma regra.

    Um limite.

    Uma automatização.

    Uma consequência.

    Uma barreira.

    Um compromisso.

    Ulisses não eliminou as sereias.

    Não mudou o canto delas.

    Não tentou convencer a si mesmo de que elas não eram atraentes.

    Ele apenas reconheceu uma verdade desconfortável:

    o homem que toma uma boa decisão hoje pode ser exatamente a pessoa que tentará desfazê-la amanhã.

    E, às vezes, a melhor maneira de permanecer fiel a uma decisão é retirar do seu futuro a possibilidade de abandoná-la.

    Fontes e referências

    1. Homero. Odisseia, episódio das sereias.
    2. Elster, Jon. “Ulysses and the Sirens: A Theory of Imperfect Rationality.” Social Science Information, 1977. Sage Journals
    3. Elster, Jon. Ulysses and the Sirens: Studies in Rationality and Irrationality, 1979; posteriormente desenvolvido em Ulysses Unbound. Cambridge
    4. Artigos contemporâneos sobre precommitment e mecanismos de compromisso. Springer Nature
    5. Brookings Institution — aplicação do conceito de mecanismos de compromisso à política pública. Brookings
  • Tales de Mileto apostou numa colheita de azeitonas — e acabou ensinando uma lição sobre opções financeiras

    Tales de Mileto apostou numa colheita de azeitonas — e acabou ensinando uma lição sobre opções financeiras

    Há cerca de 2.500 anos, um filósofo grego usou uma previsão astronômica para comprar barato o direito de usar prensas de azeite. A história contada por Aristóteles antecipa uma ideia central da gestão de risco.

    Um filósofo pobre decidiu apostar em algo que ainda não existia

    Tales de Mileto não era conhecido por ser rico.

    Era conhecido por pensar.

    E isso, segundo uma história contada por Aristóteles, tornou-se um problema.

    Algumas pessoas passaram a ridicularizá-lo.

    Afinal, se filosofia fosse realmente tão útil, por que um filósofo era pobre?

    A provocação contém uma ideia bastante moderna:

    Se você é tão inteligente, por que não ficou rico?

    Tales decidiu responder.

    Não com um discurso.

    Com uma operação financeira.

    O inverno veio antes da colheita

    Tales teria observado, por meio de seus conhecimentos astronômicos, que a próxima colheita de azeitonas seria excepcional.

    O detalhe importante é que ele fez essa previsão antes de a colheita acontecer.

    Isso significava que havia uma oportunidade.

    Mas ainda não havia certeza.

    Os proprietários das prensas de azeite não sabiam se a colheita seria realmente abundante.

    Tales também não tinha dinheiro suficiente — nem precisava ter.

    Ele levantou uma pequena quantia e pagou depósitos para garantir o direito de contratar as prensas de azeite de Mileto e Quios quando chegasse a época da colheita.

    Aristóteles registra que ninguém competia por esses contratos naquele momento, porque ainda era inverno e a utilização das prensas estava distante. Assim, Tales conseguiu assegurar o direito de uso a preços baixos. Perseus

    Então esperou.

    A colheita chegou

    E a previsão estava certa.

    Houve uma grande produção de azeitonas.

    De repente, muita gente precisava exatamente daquilo que Tales havia reservado:

    as prensas.

    A demanda aumentou.

    A capacidade era limitada.

    E Tales controlava uma parcela muito grande dela.

    Aristóteles conta que ele passou então a alugar as prensas pelos preços que considerava adequados e conseguiu ganhar uma grande soma de dinheiro. O próprio filósofo usa a história para mostrar que seu método não era apenas uma curiosidade: tratava-se de um princípio geral de obtenção de riqueza. Perseus

    A história poderia terminar aí.

    Mas é justamente agora que ela fica interessante.

    Tales não comprou as azeitonas

    Ele comprou outra coisa.

    O direito de decidir depois.

    Essa diferença é fundamental.

    Se Tales tivesse comprado uma enorme quantidade de azeitonas antecipadamente, teria assumido diretamente o risco da colheita.

    Se a colheita fosse ruim, perderia dinheiro.

    Mas ele escolheu outra estratégia.

    Pagou relativamente pouco para garantir o direito de utilizar as prensas.

    Se a colheita fosse ruim, poderia simplesmente não exercer plenamente a oportunidade.

    Se fosse excelente, como previu, o direito se tornaria muito mais valioso.

    Essa estrutura se parece muito com aquilo que hoje chamamos de opção.

    O que é uma opção?

    Em termos simples, uma opção dá ao seu comprador um direito, mas não necessariamente uma obrigação, de realizar uma transação futura sob determinadas condições.

    É justamente essa assimetria que torna a opção interessante.

    O comprador pode ganhar muito se o cenário favorável ocorrer.

    Mas sua perda pode ficar limitada ao valor pago para adquirir o direito.

    A literatura sobre opções reais utiliza a história de Tales exatamente dessa maneira: como um exemplo antigo de aquisição de um direito sobre capacidade produtiva futura. Princeton University Press

    Mas há uma ressalva histórica importante

    Precisamos tomar cuidado.

    Seria exagerado escrever:

    “Tales inventou o mercado de opções.”

    Não sabemos disso.

    Aristóteles escreveu séculos depois do episódio e apresenta a história como um relato.

    Além disso, não podemos simplesmente transportar conceitos financeiros modernos para o século VI a.C. como se Tales estivesse calculando volatilidade implícita em uma planilha.

    O que podemos dizer é algo mais interessante:

    a estrutura econômica da história se parece com o princípio de uma opção.

    E essa interpretação é usada na literatura moderna de finanças e estratégia. Princeton University Press

    A grande ideia é a assimetria entre risco e oportunidade

    Imagine duas possibilidades.

    Colheita ruim:

    Tales perde o valor dos depósitos ou não consegue explorar plenamente as prensas.

    Colheita excelente:

    Tales possui acesso a uma capacidade escassa e pode capturar parte do valor criado pela demanda.

    O custo inicial é relativamente limitado.

    O ganho potencial é muito maior.

    Essa é uma característica fundamental das opções:

    o direito pode valer muito mais em determinados estados do mundo do que em outros.

    E existe outra ideia moderna escondida na história

    Informação.

    Tales acreditava saber algo que os outros não sabiam.

    Não necessariamente porque possuísse informação secreta.

    Ele tinha uma interpretação diferente dos sinais disponíveis.

    Sua vantagem estava na capacidade de transformar conhecimento astronômico em uma previsão econômica.

    Isso é muito mais próximo da economia moderna do que parece.

    Mercados são, em parte, mecanismos de transformação de informação em preços.

    Se alguém identifica antes dos outros uma mudança provável na oferta ou na demanda, pode encontrar uma oportunidade.

    Mas Tales não ganhou apenas porque previu corretamente

    Essa é uma distinção importante.

    Previsão correta, sozinha, não garante lucro.

    Se todos tivessem acreditado na previsão de Tales, os preços das prensas teriam subido antes da colheita.

    A oportunidade existia justamente porque:

    Tales acreditava em um cenário que o mercado ainda não havia precificado completamente.

    Ele encontrou uma combinação de:

    informação + tempo + capacidade limitada + contrato + demanda futura.

    É isso que transforma a história em uma pequena aula de finanças.

    A história também ensina sobre opções reais

    Hoje, empresas enfrentam decisões semelhantes.

    Uma companhia pode comprar um terreno para uma futura fábrica.

    Pode adquirir uma patente antes de saber se a tecnologia será comercialmente viável.

    Pode reservar capacidade logística.

    Pode investir em uma tecnologia experimental.

    Pode comprar uma empresa pequena para preservar a possibilidade de expansão futura.

    Em todos esses casos existe uma pergunta:

    Quanto vale ter o direito de decidir depois?

    Esse é o coração da teoria das opções reais.

    A empresa não está necessariamente comprando apenas um ativo.

    Está comprando flexibilidade.

    A melhor parte da história está no final

    Tales não queria necessariamente enriquecer.

    Aristóteles diz que, depois de demonstrar sua capacidade, ele abandonou aquela atividade.

    O dinheiro era uma prova.

    Não um objetivo permanente.

    A anedota é, portanto, uma história sobre economia, mas também sobre filosofia.

    Tales foi ridicularizado porque conhecimento e riqueza pareciam coisas diferentes.

    Sua resposta mostrou que poderiam estar conectados.

    Mas a ironia é que ele não precisava continuar acumulando riqueza para provar seu ponto.

    Ele queria demonstrar uma ideia:

    conhecimento pode ter valor econômico mesmo quando não parece imediatamente comercial.

    Mais de dois mil anos depois, essa continua sendo uma lição bastante atual.

    Fontes e referências

    1. Aristóteles. Política, Livro I, 1259a — relato sobre Tales de Mileto e as prensas de azeite. Perseus
    2. Copeland & Antikarov, literatura sobre real options, citada em obra acadêmica da Princeton University Press como referência para a interpretação financeira do episódio. Princeton University Press
    3. Literatura histórica sobre opções e gestão de risco que interpreta o episódio como uma das primeiras descrições conhecidas de uma opção sobre ativo real. Princeton University Press

  • Sua personalidade não é tão fixa quanto você imagina

    Sua personalidade não é tão fixa quanto você imagina

    Um estudo com 166.971 pessoas encontrou mudanças de personalidade ao longo da vida maiores do que muitas pessoas imaginam, e isso muda a maneira como pensamos sobre quem somos.

    Resumo

    Durante muito tempo, a personalidade foi tratada como uma espécie de estrutura relativamente fixa depois da vida adulta. Um estudo publicado na Communications Psychology mostra um quadro mais complexo: as pessoas subestimam quanto os cinco grandes traços de personalidade mudam ao longo da vida. A pesquisa comparou as percepções de 887 adultos com dados longitudinais de 166.971 pessoas em oito bases de diferentes países. Isso não significa que alguém possa se transformar instantaneamente em outra pessoa, mas indica que a personalidade é mais plástica do que nossa intuição costuma admitir. Nature

    A frase “eu sou assim” parece mais científica do que realmente é

    Há uma frase que usamos constantemente para explicar nosso comportamento:

    “Eu sou assim.”

    Às vezes ela vem depois de uma decisão.

    Às vezes depois de uma discussão.

    Às vezes para explicar uma dificuldade que carregamos há anos.

    “Sou impaciente.”

    “Sou tímido.”

    “Não tenho disciplina.”

    “Sou uma pessoa ansiosa.”

    “Eu sempre fui assim.”

    A frase parece descrever uma característica profunda e permanente.

    Mas existe uma pergunta escondida nela:

    quanto daquilo que chamamos de personalidade realmente permanece igual ao longo da vida?

    A resposta da psicologia moderna é menos confortável — e também mais interessante — do que imaginamos.

    O estudo que colocou a intuição à prova

    Pesquisadores liderados por Amanda J. Wright e Wiebke Bleidorn, da Universidade de Zurique, decidiram comparar duas coisas diferentes.

    Primeiro, queriam saber quanto as pessoas acham que sua personalidade muda.

    Para isso, entrevistaram uma amostra de 887 adultos representativa da população dos Estados Unidos e pediram que estimassem mudanças, dos 15 aos 90 anos, em traços de personalidade e em mais de 20 outras características relacionadas à vida, como saúde, renda, autoestima e satisfação. Nature

    Depois veio a parte mais importante.

    Os pesquisadores analisaram dados longitudinais de 166.971 pessoas, provenientes de oito grandes estudos realizados nos Estados Unidos, Alemanha, Austrália e Países Baixos.

    Dessa vez, não perguntaram às pessoas o que elas achavam.

    Observaram os dados.

    E apareceu uma diferença impressionante

    As pessoas tendem a considerar a personalidade mais estável do que quase todas as outras características analisadas.

    Ou seja: quando imaginamos como vamos mudar ao longo da vida, tratamos nossa personalidade como se fosse uma espécie de núcleo permanente.

    Mas os dados não mostram isso.

    As mudanças médias nos cinco grandes traços — o chamado Big Five — foram comparáveis e, em muitos casos, maiores do que as mudanças observadas em características como satisfação com a vida, saúde subjetiva, renda e autoestima. Nature

    Isso não significa que todos os indivíduos mudem da mesma maneira.

    E essa distinção é fundamental.

    Uma média populacional não é uma previsão para você

    O estudo não permite dizer:

    “Aos 50 anos você ficará mais consciencioso.”

    Ele mostra tendências médias observadas em grandes grupos.

    Uma pessoa pode mudar muito.

    Outra pode mudar pouco.

    Uma terceira pode mudar em uma direção diferente.

    Portanto, seria errado transformar o resultado em um horóscopo psicológico.

    O que o estudo mostra é outra coisa:

    a ideia de que personalidade adulta é praticamente imutável não corresponde bem às evidências acumuladas.

    Os cinco grandes traços

    O modelo mais utilizado na pesquisa contemporânea organiza a personalidade em cinco grandes dimensões:

    • Abertura à experiência: curiosidade, interesse por novas ideias e experiências;
    • Conscienciosidade: organização, persistência e orientação para objetivos;
    • Extroversão: sociabilidade, energia e busca por interação;
    • Amabilidade: cooperação, confiança e consideração pelos outros;
    • Neuroticismo: tendência a experimentar emoções negativas e instabilidade emocional.

    Eles não são cinco “tipos de personalidade”.

    São dimensões.

    Uma pessoa pode ter alta conscienciosidade e baixa extroversão, por exemplo.

    E os traços podem mudar sem que isso signifique uma transformação completa da identidade.

    Isso ajuda a explicar uma experiência que quase todo mundo conhece

    Você encontra alguém que estudou com você há vinte anos.

    E pensa:

    “Essa pessoa mudou completamente.”

    Ou encontra alguém que não vê há uma década e percebe que ela continua extremamente parecida.

    As duas experiências são compatíveis com a ciência.

    Personalidade apresenta continuidade e mudança ao mesmo tempo.

    Essa é uma distinção importante.

    O fato de um traço mudar não significa que toda a estrutura psicológica seja substituída.

    Então podemos mudar quem somos?

    Até certo ponto, sim.

    Mas não no sentido simplista de:

    “Basta querer.”

    O estudo não demonstra que qualquer pessoa consiga deliberadamente escolher qualquer personalidade.

    Ele mostra que existe mudança ao longo da vida e que a crença em uma personalidade completamente fixa é exagerada. Os próprios autores destacam que as implicações do resultado envolvem nossa compreensão do potencial humano para mudança, adaptação e desenvolvimento. Nature

    Isso é diferente de dizer que personalidade é infinitamente maleável.

    O ambiente também importa

    Mudanças de vida podem estar relacionadas à transformação de características pessoais.

    Entrar no mercado de trabalho.

    Construir uma família.

    Assumir responsabilidades.

    Mudar de cidade.

    Passar por uma crise.

    Adquirir novas competências.

    Enfrentar uma doença.

    Aposentar-se.

    Nada disso significa que um acontecimento específico “cause” automaticamente uma mudança de personalidade.

    Mas a ideia de desenvolvimento psicológico ao longo da vida é consistente com uma literatura muito mais ampla.

    A pesquisa contemporânea já não trata personalidade como uma fotografia tirada aos 20 anos.

    É mais adequado imaginá-la como um processo com alguma estabilidade, mas também com movimento.

    A consequência prática talvez seja mais importante que o resultado científico

    A ideia de personalidade fixa pode funcionar como uma prisão psicológica.

    Se alguém acredita:

    “Eu simplesmente não tenho disciplina.”

    pode interpretar cada fracasso como confirmação de uma característica permanente.

    Se acredita:

    “Eu não sou uma pessoa sociável.”

    pode evitar situações que poderiam desenvolver novas habilidades.

    Se acredita:

    “Eu sempre fui péssimo com dinheiro.”

    pode transformar uma deficiência aprendida em uma identidade.

    A ciência não autoriza a promessa fácil de que qualquer pessoa pode se tornar qualquer coisa.

    Mas oferece uma ideia mais modesta — e muito mais defensável:

    você não precisa tratar sua personalidade atual como uma sentença definitiva.

    O que o estudo realmente muda

    Talvez a melhor maneira de resumir a descoberta seja esta:

    não somos tão estáticos quanto imaginamos, mas também não somos infinitamente maleáveis.

    Existe continuidade.

    Existe mudança.

    E existe uma diferença importante entre os três.

    A personalidade não é uma pedra.

    Mas também não é argila completamente livre.

    É algo que se desenvolve ao longo do tempo.

    E isso significa que “eu sou assim” talvez seja, em muitas situações, uma descrição do presente, não uma explicação do futuro.

    Fontes e referências

    1. Wright, A. J.; Krämer, M. D.; Haehner, P.; Hopwood, C. J.; Bleidorn, W. “Personality traits are less stable than people think.” Communications Psychology, 2026. DOI: 10.1038/s44271-026-00515-7. Nature
    2. Bleidorn et al. “Personality stability and change: A meta-analysis of longitudinal studies.” Psychological Bulletin, 2022. Referenciado pelos autores do estudo. ResearchGate
    3. Wrzus & Roberts. “Processes of personality development in adulthood: The TESSERA framework.” Personality and Social Psychology Review, 2017. ResearchGate
  • O mapa que ensinou a ciência a desconfiar das coincidências

    O mapa que ensinou a ciência a desconfiar das coincidências

    Em agosto de 1854, Londres estava diante de um problema que parecia impossível de resolver.

    Pessoas estavam morrendo de cólera.

    E ninguém sabia exatamente por quê.

    A explicação dominante dizia que doenças como a cólera eram transmitidas pelo “mau ar”, os chamados miasmas.

    Um médico chamado John Snow desconfiava dessa explicação.

    Ele não tinha microscópio capaz de mostrar a bactéria responsável pela doença. Não possuía testes estatísticos modernos. Não tinha computadores.

    Tinha apenas uma coisa extraordinariamente poderosa:

    dados organizados no espaço.

    E foi isso que começou a mudar a história da epidemiologia.

    O problema não era apenas descobrir onde as pessoas morriam

    Era descobrir o que as pessoas que morreram tinham em comum.

    Durante o surto de Soho, Snow reuniu informações sobre os casos de cólera e marcou os óbitos em um mapa.

    Quando os pontos começaram a aparecer, surgiu um padrão.

    Eles se concentravam ao redor de uma bomba pública de água na Broad Street.

    O mapa não provava sozinho que a água causava a doença.

    Mas havia algo muito mais importante acontecendo.

    A hipótese começava a produzir previsões verificáveis.

    O Ministério da Saúde brasileiro utiliza justamente esse episódio como exemplo clássico de investigação epidemiológica: Snow observou a distribuição dos casos, formulou uma hipótese sobre a água contaminada e reuniu evidências para testá-la.

    O detalhe que tornou o caso extraordinário

    Snow não simplesmente olhou para o mapa e disse:

    “Há muitos mortos perto da bomba.”

    Ele procurou exceções.

    Havia pessoas que moravam longe da bomba e haviam adoecido.

    Mas, quando Snow investigou esses casos, encontrou explicações compatíveis com sua hipótese: algumas pessoas recebiam água daquela fonte mesmo morando distante.

    Ao mesmo tempo, trabalhadores de uma cervejaria próxima apresentavam um padrão diferente porque consumiam principalmente cerveja e não a água da bomba.

    O valor da investigação estava justamente nessa combinação:

    padrão + exceções + investigação das exceções.

    Isso é muito próximo da lógica científica moderna.

    O que Snow realmente descobriu?

    Não foi apenas que “água suja causa doença”.

    A contribuição mais profunda foi metodológica.

    Ele mostrou que podemos aprender sobre causalidade observando como resultados se distribuem entre pessoas expostas a diferentes condições.

    Esse princípio continua absolutamente atual.

    Hoje chamamos isso de epidemiologia, inferência causal, desenho de pesquisa e análise de dados.

    Mas a pergunta fundamental continua sendo a mesma:

    O que teria acontecido com essas pessoas se elas não tivessem sido expostas àquela condição?

    Esse é o problema do contrafactual.

    Snow não tinha um experimento controlado

    E isso torna sua história ainda mais interessante.

    Ele não podia sortear pessoas para beber água contaminada.

    Não podia criar dois grupos artificialmente.

    Não podia controlar todas as variáveis.

    Tinha que trabalhar com o mundo como ele existia.

    Isso é o que hoje chamamos de dados observacionais.

    E dados observacionais são perigosos porque correlação não significa causalidade.

    Duas coisas podem aparecer juntas simplesmente porque outra variável causa ambas.

    Snow precisava, portanto, procurar um desenho que tornasse sua explicação mais convincente.

    E aqui a história fica ainda mais moderna

    Pesquisadores contemporâneos que estudaram o episódio mostram que análises posteriores da epidemia podem ser interpretadas à luz de métodos modernos de inferência causal.

    Um estudo sobre a história do raciocínio causal destaca, por exemplo, que a análise de Simon sobre o surto de 1856 apresenta uma estrutura que um economista contemporâneo reconheceria como próxima de um difference-in-differences.

    Isso é fascinante.

    O método que hoje aparece em cursos de econometria para avaliar políticas públicas possui antecedentes em problemas muito mais antigos.

    O que é difference-in-differences?

    Imagine duas populações.

    Uma é exposta a uma determinada condição.

    Outra não.

    Você observa as duas antes e depois de algum acontecimento.

    Se a primeira muda muito mais do que a segunda, existe uma evidência adicional de que o acontecimento pode ter produzido o efeito.

    Simplificando:

    mudança no grupo tratado − mudança no grupo de comparação.

    Essa é a lógica básica.

    Não é uma prova automática de causalidade.

    O método depende de hipóteses, especialmente da ideia de tendências paralelas.

    Mas ele oferece uma maneira poderosa de transformar dados observacionais em evidência causal.

    A grande lição de John Snow

    A história costuma ser contada como:

    “John Snow descobriu que a cólera vinha da água.”

    Isso é correto, mas pequeno demais.

    A contribuição maior foi mostrar como uma boa pergunta transforma dados aparentemente banais em evidência.

    Mortes são apenas registros.

    Endereços são apenas endereços.

    Bombas são apenas bombas.

    Mas quando combinamos:

    tempo + localização + exposição + comparação + hipótese

    os dados começam a contar uma história causal.

    Isso continua acontecendo hoje

    É exatamente o que pesquisadores fazem quando tentam avaliar:

    • se uma política pública funciona;
    • se uma escola melhorou o desempenho dos alunos;
    • se uma intervenção reduziu crimes;
    • se uma nova infraestrutura aumentou empregos;
    • se um medicamento produziu determinado efeito;
    • se uma mudança regulatória alterou o comportamento das empresas.

    A tecnologia mudou.

    A pergunta não.

    E existe uma última lição

    Snow não venceu porque tinha mais dados.

    Venceu porque soube fazer perguntas melhores aos dados que tinha.

    Esse talvez seja um dos princípios mais importantes da ciência moderna.

    Ter milhões de observações não significa compreender alguma coisa.

    Uma boa análise começa antes da estatística.

    Começa perguntando:

    Que padrão deveria existir se minha explicação fosse verdadeira?

    Foi isso que um médico fez em Londres em 1854.

    E é uma pergunta que continua sendo feita nos melhores laboratórios, universidades e departamentos de pesquisa do mundo.

    Metadados editoriais

    • Intenção de busca: entender o caso John Snow e sua importância para epidemiologia e inferência causal
    • Palavra-chave principal: John Snow
    • Slug: john-snow-colera-inferencia-causal
    • Meta title: John Snow, cólera e o nascimento da inferência causal
    • Meta description: Como John Snow usou um mapa para investigar a epidemia de cólera em Londres e antecipou ideias fundamentais da epidemiologia e da inferência causal.
    • Termos relacionados: epidemia de cólera, inferência causal, epidemiologia, difference-in-differences, análise de dados, John Snow
    • Excerpt: Em 1854, John Snow não tinha computadores nem testes modernos. Tinha um mapa, alguns dados e uma hipótese. Sua investigação ajudou a mudar a maneira como a ciência procura causas.

    Links internos futuros: diferença-em-diferenças; avaliação de políticas públicas; inferência causal; estatística aplicada; ciência de dados.

    Fontes: Ministério da Saúde do Brasil; John Snow, On the Mode of Communication of Cholera (estudo histórico sobre causalidade e John Snow).