Tudo o que segue trata de Dihexa. Mantemos linguagem clara, apoiamos na literatura e separamos o bem documentado do que segue em aberto.
Esta página foi atualizada em 2026-02-28 e é revisada periodicamente.
=== Aprendizagem profunda e IA neurossimbólica, 2011–atualidade === Com o surgimento da aprendizagem profunda, a abordagem da IA simbólica passou a ser comparada à aprendizagem profunda como complementar: “[...] pesquisadores de IA traçaram muitas vezes paralelos entre a pesquisa de Kahneman sobre o raciocínio e a tomada de decisões humanas — refletida em seu livro Rápido e devagar: Duas formas de pensar — e os chamados ‘sistemas 1 e 2 da IA’, que, em princípio, seriam modelados pela aprendizagem profunda e pelo raciocínio simbólico, respectivamente”. Nessa visão, o raciocínio simbólico é mais adequado ao raciocínio deliberativo, ao planejamento e à explicação, enquanto a aprendizagem profunda é mais adequada ao reconhecimento rápido de padrões em aplicações perceptivas com dados ruidosos.
Fontes: pt.wikipedia.org
A IA neurossimbólica tenta integrar arquiteturas neurais e simbólicas de modo a abordar as capacidades e limitações de cada uma de maneira complementar, com o objetivo de sustentar uma IA robusta, capaz de raciocínio, aprendizado e modelagem cognitiva. Como argumentaram Valiant e muitos outros, a construção eficaz de modelos cognitivos computacionais ricos exige a combinação de raciocínio simbólico sólido e modelos eficientes de aprendizado de máquina. Gary Marcus argumenta, de modo semelhante: “Não podemos construir modelos cognitivos ricos de maneira adequada e automatizada sem o triunvirato de uma arquitetura híbrida, conhecimento prévio abundante e técnicas sofisticadas de raciocínio”, e, em particular: “Para construir uma abordagem robusta e orientada pelo conhecimento para a IA, precisamos dispor do mecanismo de manipulação de símbolos em nosso conjunto de ferramentas. Muito do conhecimento útil é abstrato demais para dispensarmos ferramentas que representem e manipulem a abstração e, até o momento, o único mecanismo que conhecemos capaz de manipular esse conhecimento abstrato com confiabilidade é o aparato da manipulação de símbolos.” Henry Kautz, Francesca Rossi e Bart Selman também defenderam uma síntese. Seus argumentos se baseiam na necessidade de abordar os dois tipos de pensamento discutidos no livro de Daniel Kahneman, Rápido e devagar: Duas formas de pensar. Kahneman descreve o pensamento humano como composto por dois componentes, Sistema 1 e Sistema 2. O Sistema 1 é rápido, automático, intuitivo e inconsciente.
Fontes: pt.wikipedia.org
O Sistema 2 é mais lento, explícito e funciona passo a passo. O Sistema 1 é o tipo utilizado para reconhecimento de padrões, enquanto o Sistema 2 é muito mais adequado ao planejamento, à dedução e ao pensamento deliberativo. Nessa visão, a aprendizagem profunda modela melhor o primeiro tipo de pensamento e o raciocínio simbólico, o segundo, sendo ambos necessários. Garcez e Lamb descrevem a pesquisa nessa área como existente há pelo menos vinte anos, remontando ao livro que publicaram em 2002 sobre sistemas de aprendizado neurossimbólicos. Desde 2005, é realizada anualmente uma série de workshops sobre raciocínio neurossimbólico. Em seu artigo de 2015, Neural-Symbolic Learning and Reasoning: Contributions and Challenges, Garcez et al. argumentam:
Fontes: pt.wikipedia.org
Simbólica Neural simbólica — é a abordagem atual de muitos modelos neurais em processamento de linguagem natural, nos quais palavras ou unidades sublexicais são tanto a entrada final quanto a saída final dos grandes modelos de linguagem. Entre os exemplos estão BERT, RoBERTa e GPT-3. Simbólica[Neural] — é exemplificada pelo AlphaGo, no qual técnicas simbólicas são usadas para chamar técnicas neurais. Nesse caso, a abordagem simbólica é a busca em árvore de Monte Carlo, e as técnicas neurais aprendem a avaliar posições do jogo. Neural|Simbólica — usa uma arquitetura neural para interpretar dados perceptivos como símbolos e relações, sobre os quais se raciocina simbolicamente em seguida. Neural:Simbólica → Neural — depende do raciocínio simbólico para gerar ou rotular dados de treinamento que são posteriormente aprendidos por um modelo de aprendizagem profunda; por exemplo, treina-se um modelo neural para computação simbólica usando um sistema de matemática simbólica semelhante ao Macsyma para criar ou rotular exemplos. Neural_{Simbólica} — usa uma rede neural gerada a partir de regras simbólicas. Um exemplo é o Neural Theorem Prover, que constrói uma rede neural a partir de uma árvore de prova E–OU gerada com base nas regras e nos termos de uma base de conhecimento. As Logic Tensor Networks também se enquadram nessa categoria. Neural[Simbólica] — permite que um modelo neural chame diretamente um mecanismo de raciocínio simbólico, por exemplo, para executar uma ação ou avaliar um estado. Permanecem muitas questões de pesquisa fundamentais, como:
Fontes: pt.wikipedia.org
Dihexa é resumido aqui a partir de literatura pública: definição, contexto e pontos recorrentes na prática. Informação geral, não aconselhamento médico.
A pesquisa sobre Dihexa apoia-se sobretudo em estudos de laboratório e modelos animais; dados clínicos variam conforme a substância.
Pureza e análise (HPLC, espectrometria de massa), reconstituição correta e armazenamento adequado são decisivos.%!(EXTRA string=Dihexa)
Nem todos os mecanismos estão demonstrados e um estudo isolado não é evidência global. As questões abertas são sinalizadas.%!(EXTRA string=Dihexa)