Lógica formal e representação do conhecimento

No fim dos anos 1970, um programa de computador feito de algumas centenas de regras do tipo "se… então…" recomendou antibióticos p...

No fim dos anos 1970, um programa de computador feito de algumas centenas de regras do tipo "se… então…" recomendou antibióticos para dez casos de meningite e, numa avaliação às cegas feita por oito infectologistas de fora da universidade, teve suas receitas mais bem avaliadas que as de cinco professores de medicina de Stanford. O MYCIN nunca chegou à rotina dos hospitais, mas deixou uma lição que atravessa a inteligência artificial até hoje: antes de raciocinar, uma máquina precisa de uma linguagem precisa para representar o que sabe. Esta postagem apresenta essa linguagem, a lógica formal — da lógica proposicional à lógica de predicados, com sua sintaxe, sua semântica, suas regras de inferência e as regras de produção dos sistemas especialistas —, com um vocabulário ao final e três laboratórios interativos: uma tabela-verdade viva, um teste de argumentos válidos e falaciosos e um pequeno motor de regras que identifica bichos do cerrado.

Premissa 01

Um médico feito de regras

No início dos anos 1970, um grupo da Universidade Stanford resolveu enfrentar um problema bem concreto: ajudar médicos a escolher antibióticos para infecções graves, como a meningite, muitas vezes antes de o laboratório terminar de identificar a bactéria (Buchanan; Shortliffe, 1984). O resultado foi o MYCIN, um programa que não aprendia com exemplos, como as redes neurais de Como a máquina aprende. Todo o seu conhecimento vinha do que os especialistas lhe haviam contado, escrito na forma de regras. Uma delas, a de número 36, dizia, em tradução livre:

RULE036 · MYCIN

SE 1) a coloração de Gram do organismo é gram-negativa, e 2) a morfologia do organismo é de bastonete, e 3) o organismo é anaeróbio,
ENTÃO há evidência sugestiva (0,6) de que o organismo é Bacteroides.

A regra aparece assim na descrição da estrutura do sistema (Van Melle, 1984). Por volta de 1975, a base tinha 200 regras; em 1978, quase 500 (Buchanan; Shortliffe, 1984). Para responder a uma consulta, o programa fazia perguntas ao médico sobre o paciente e os exames, encadeava as regras umas nas outras e chegava a uma recomendação de tratamento.

Um terminal, um papel contínuo e centenas de fichas "se… então…": a tecnologia de ponta dos sistemas especialistas nos anos 1970. Ilustração gerada por IA.

A prova de fogo veio numa avaliação publicada em 1979. A equipe reuniu dez casos reais de meningite, escolhidos pela diversidade de diagnósticos, e pediu uma receita para cada caso a dez prescritores: o MYCIN, cinco professores de medicina de Stanford, um especialista em formação na área de infectologia, um residente e um estudante de medicina. As cem receitas, mais a terapia que os pacientes de fato receberam, foram embaralhadas, padronizadas para esconder a autoria e enviadas a oito infectologistas de outras instituições, que julgaram cada uma como equivalente à sua, alternativa aceitável ou inaceitável (Yu et al., 1984).

Tabela 1 — Receitas julgadas aceitáveis por oito infectologistas externos, por prescritor, em dez casos de meningite — Stanford, 1979

Prescritor	Aceitáveis (n = 80)	%	Aceitos pela maioria (n = 10)	Sem cobertura (n = 10)
MYCIN	52	65,0	7	0
Professor 1	50	62,5	5	1
Professor 2	48	60,0	5	1
Especialista em formação	48	60,0	5	1
Professor 3	46	57,5	4	0
Terapia efetivamente aplicada	46	57,5	7	0
Professor 4	44	55,0	5	0
Residente	36	45,0	3	1
Professor 5	34	42,5	3	0
Estudante de medicina	24	30,0	1	3

Fonte: elaborado pelo autor com base em Yu et al. (1984, tabela 31-1).Notas: 80 avaliações = 10 casos × 8 avaliadores. "Aceitos pela maioria": casos em que ao menos cinco dos oito avaliadores julgaram a receita aceitável. "Sem cobertura": casos em que a receita deixou de tratar um patógeno tratável. "Especialista em formação" traduz infectious disease fellow. O estudo saiu originalmente no Journal of the American Medical Association em 1979 e foi reproduzido no livro de 1984.

MYCIN65,0%

melhor professor62,5%

média dos professores55,5%

residente45,0%

pior professor42,5%

estudante30,0%

Percentual de avaliações "aceitáveis" (equivalente ou alternativa aceitável), em 80 avaliações por prescritor. Média dos professores calculada pelo autor a partir da Tabela 1.

O MYCIN ficou em primeiro lugar e foi o único prescritor, ao lado da terapia real, a não deixar sem cobertura nenhuma bactéria tratável. Os autores concluíram que ele se comparava favoravelmente aos especialistas — e, na mesma página, listaram o que ainda faltava saber: a aceitação pelos médicos, o impacto no cuidado dos pacientes, os custos e as implicações legais (Yu et al., 1984). O programa nunca entrou na rotina clínica.

Esta postagem não é sobre medicina. É sobre o que estava por baixo daquela conquista: uma forma precisa de escrever conhecimento e um procedimento mecânico para tirar conclusões dele. Esse par tem nome — representação do conhecimento e inferência — e a família de linguagens que mais contribuiu para torná-lo rigoroso é a lógica formal. Ela é a outra metade da história da IA que esta série vem contando, ao lado das buscas e das redes neurais.

Premissa 02

Representar para raciocinar

Representar conhecimento é escolher como o mundo vai caber dentro de uma máquina. Num artigo que virou referência, Davis, Shrobe e Szolovits argumentam que uma representação do conhecimento cumpre cinco papéis ao mesmo tempo, e que confundir um com o outro gera muita discussão inútil (Davis; Shrobe; Szolovits, 1993):

papel 1Substituto do mundoUm modelo que permite "pensar" sobre as coisas em vez de agir sobre elas. Todo substituto é imperfeito: sempre deixa algo de fora.

papel 2Compromisso ontológicoDecide o que existe e o que merece atenção: fatos soltos, objetos e relações, eventos no tempo.

papel 3Teoria do raciocínioDiz quais conclusões são permitidas e quais são recomendadas a partir do que está escrito.

papel 4Meio de computaçãoPrecisa ser processável com eficiência; uma representação elegante que ninguém consegue calcular não serve.

papel 5Meio de expressão humanaÉ a linguagem em que pessoas conversam com a máquina — e entre si — sobre o que ela sabe.

O MYCIN ilustra bem a ideia central dessa abordagem: separar o que se sabe de como se usa. As regras médicas ficavam numa base de conhecimento; o programa que as encadeava, o motor de inferência, não continha nenhum conhecimento de medicina. Tanto que a equipe depois esvaziou a base e reaproveitou o motor para outros domínios, com o nome de EMYCIN (Buchanan; Shortliffe, 1984). É a diferença entre conhecimento declarativo (fatos e regras escritos como afirmações) e procedimental (o saber embutido no passo a passo de um algoritmo).

Um cuidado desde já: representação do conhecimento não é sinônimo de lógica. O mesmo artigo trata lógica, regras, frames e redes semânticas como tecnologias de representação distintas, cada uma com seu jeito de enxergar o mundo. O MYCIN via a medicina como associações empíricas entre sintomas e doenças; um sistema de frames organiza o conhecimento em situações estereotipadas, como uma festa de aniversário infantil, com seus papéis e expectativas típicos (Davis; Shrobe; Szolovits, 1993). A lógica formal ocupa um lugar especial porque dá a muitas dessas tecnologias uma semântica precisa. Por isso este post sobe uma escada: da linguagem natural às proposições, das proposições aos predicados e relações, daí às regras e às bases de conhecimento, com a inferência trabalhando em cada degrau — e, no fim, às ontologias.

Para que isso funcione, a linguagem das afirmações precisa ter três coisas bem definidas. Toda lógica, nos termos de Russell e Norvig (Russell; Norvig, 2022), tem uma sintaxe, que diz quais sequências de símbolos são sentenças; uma semântica, que diz quando cada sentença é verdadeira; e procedimentos de inferência, que produzem sentenças novas a partir das antigas. É exatamente a ordem das próximas seções.

Lógica não é psicologia

A lógica formal não descreve como as pessoas pensam: descreve quais conclusões se seguem de quais premissas. Gente de carne e osso comete falácias o tempo todo, como o Laboratório 2 vai mostrar. Ainda assim, a psicologia cognitiva flertou com a ideia: Newell e Simon chegaram a sustentar que a organização dos "programas" humanos se parece muito com a de um sistema de regras (Davis; King, 1984). Aqui, a lógica entra como norma — o padrão contra o qual se confere um raciocínio —, não como retrato da mente.

Premissa 03

Lógica proposicional: a gramática das afirmações

Em 1854, o matemático inglês George Boole publicou um livro com um título ambicioso, Uma investigação das leis do pensamento, em que tratava o raciocínio como álgebra: afirmações viravam símbolos, e deduzir virava resolver equações (Boole, 1854). Mais de oitenta anos depois, um estudante de mestrado do MIT chamado Claude Shannon mostrou que essa álgebra descrevia com exatidão circuitos de relés e interruptores: interruptores em série se comportam como "e"; em paralelo, como "ou" (Shannon, 1940). Todo computador digital descende desse encontro.

No circuito "E", a lâmpada só acende se P e Q estiverem ligados; no circuito "OU", basta um deles. Um interruptor é uma proposição que pode ser verdadeira (ligado) ou falsa (desligado). Ilustração gerada por IA; o traçado dos fios é esquemático.

A lógica proposicional é a herdeira direta dessa ideia. Sua matéria-prima são as proposições: sentenças declarativas que podem ser verdadeiras ou falsas, como "chove em Brasília" ou "o aluno tem frequência mínima". Perguntas ("vai chover?") e ordens ("feche a janela") não são proposições. Cada afirmação indivisível vira uma proposição atômica, representada por uma letra — P, Q, R —, e as proposições compostas são montadas com conectivos (Souza, 2015).

Quadro 1 — Conectivos da lógica proposicional, com leitura em português e condição de verdade

Símbolo	Nome	Leitura usual	É verdadeira quando…	Exemplo (P = "chove"; Q = "levo o guarda-chuva")
¬P	Negação	não P	P é falsa	"Não chove"
P ∧ Q	Conjunção	P e Q	as duas são verdadeiras	"Chove e levo o guarda-chuva"
P ∨ Q	Disjunção (inclusiva)	P ou Q	pelo menos uma é verdadeira	"Chove ou levo o guarda-chuva" (ou ambos)
P → Q	Condicional	se P, então Q	não acontece de P ser verdadeira e Q falsa	"Se chover, levo o guarda-chuva"
P ↔ Q	Bicondicional	P se, e somente se, Q	as duas têm o mesmo valor	"Levo o guarda-chuva se, e somente se, chover"

Fonte: elaborado pelo autor com base em Souza (2015) e Russell e Norvig (2022).Nota: o "ou" do português às vezes é exclusivo ("café ou chá?"); o ∨ da lógica é sempre inclusivo. O "ou exclusivo" se escreve (P ∨ Q) ∧ ¬(P ∧ Q).

A sintaxe é a gramática que diz o que pode ser escrito. Ela é definida de forma recursiva: toda proposição atômica é uma fórmula bem formada; se A e B são fórmulas, também são ¬A, (A ∧ B), (A ∨ B), (A → B) e (A ↔ B); e nada mais é fórmula (Souza, 2015). Por essa regra, (P ∧ ¬Q) → R é uma fórmula; P ∧ → Q não é, da mesma forma que "gato o telhado subiu no" não é uma frase do português. Para economizar parênteses, adota-se uma ordem de precedência: ¬ primeiro, depois ∧, ∨, → e ↔.

Formalizar é traduzir. "Se chover e eu não estiver de carro, levo o guarda-chuva" vira (C ∧ ¬K) → G, com C = "chove", K = "estou de carro" e G = "levo o guarda-chuva". O ganho da tradução é tirar a ambiguidade do caminho: cada símbolo tem um único sentido, e a estrutura da frase fica exposta. O preço também é real: tudo o que não coube nas letras — o tamanho da chuva, a distância até o carro — simplesmente deixa de existir para a máquina. É o papel 1 das fichas acima: todo substituto deixa algo de fora.

Premissa 04

Semântica: quando uma fórmula é verdadeira

A sintaxe não diz nada sobre o mundo. Quem liga símbolos a verdade é a semântica. Na lógica proposicional, uma interpretação (ou valoração) é simplesmente uma atribuição de verdadeiro (V) ou falso (F) a cada proposição atômica. Dada a interpretação, o valor de qualquer fórmula composta é calculado, peça por peça, pelas tabelas dos conectivos. Com duas letras há quatro interpretações possíveis; com três, oito; com n, 2ⁿ.

Quatro das cinco tabelas batem com a intuição. A do condicional, não — e é nela que mais gente tropeça. P → Q só é falsa num caso: quando P é verdadeira e Q é falsa. Pense numa promessa: "se chover, levo o guarda-chuva".

As quatro linhas da tabela-verdade de "se chover, levo o guarda-chuva". A promessa só foi quebrada no último quadro: choveu e o guarda-chuva ficou em casa. Nos dias de sol, ela não prometia nada. Ilustração gerada por IA.

Esse é o condicional material. Ele não afirma causa nem relação de sentido entre P e Q: afirma apenas que a combinação "P verdadeira, Q falsa" não acontece. Por isso "se a Lua é feita de queijo, então 2 + 2 = 4" é, para a lógica, uma sentença verdadeira — estranho para o português, mas perfeitamente coerente com a definição. Vale lembrar também que P → Q equivale a ¬P ∨ Q, o que ajuda a entender a tabela: ou não choveu, ou levei o guarda-chuva.

Teste no laboratório. Escolha o conectivo, ligue e desligue P e Q e veja a linha correspondente se acender na tabela completa.

Laboratório 1 · tabela-verdade viva

P → QV

P	Q	P → Q
V	V	V
V	F	F
F	V	V
F	F	V

Choveu e levei o guarda-chuva: promessa cumprida. P → Q é verdadeira.

A tabela-verdade permite classificar qualquer fórmula. Ela é uma tautologia se for verdadeira em todas as interpretações (como P ∨ ¬P); uma contradição, se for falsa em todas (como P ∧ ¬P); e contingente, se depender da interpretação. Uma interpretação que torna uma fórmula verdadeira é um modelo dela, e a fórmula que tem pelo menos um modelo é satisfatível (Russell; Norvig, 2022).

O conceito mais importante vem daí. Diz-se que um conjunto de premissas Γ tem uma conclusão φ como consequência lógica, e se escreve Γ ⊨ φ, quando toda interpretação que torna todas as premissas verdadeiras também torna a conclusão verdadeira. É a versão rigorosa da ideia informal de que um argumento é válido quando é impossível ter premissas verdadeiras e conclusão falsa (Kouri Kissel, 2026).

Quadro 2 — Equivalências lógicas de uso frequente na formalização de regras

Nome	Equivalência	Em português
Dupla negação	¬¬P ≡ P	"Não é verdade que não chove" = "chove"
Condicional como disjunção	P → Q ≡ ¬P ∨ Q	"Se chover, levo" = "ou não chove, ou levo"
Contrapositiva	P → Q ≡ ¬Q → ¬P	"Se não levei, é porque não choveu"
De Morgan (1)	¬(P ∧ Q) ≡ ¬P ∨ ¬Q	"Não é verdade que estudou e passou" = "não estudou ou não passou"
De Morgan (2)	¬(P ∨ Q) ≡ ¬P ∧ ¬Q	"Não trouxe nem caneta nem lápis"
Não confunda: recíproca	P → Q ≢ Q → P	"Se choveu, a rua molhou" não garante "se a rua molhou, choveu"

Fonte: elaborado pelo autor com base em Souza (2015) e Russell e Norvig (2022).Nota: ≡ indica que as duas fórmulas têm a mesma tabela-verdade; ≢, que não têm.

O preço de conferir tudo

Verificar consequência lógica pela tabela-verdade é sempre possível — a lógica proposicional é decidível —, mas o número de linhas dobra a cada letra nova: com 30 proposições, já passa de um bilhão. Em 1971, Stephen Cook mostrou que decidir se uma fórmula proposicional é satisfatível, o famoso problema SAT, é tão difícil quanto qualquer problema de uma classe enorme de problemas cujas soluções são fáceis de conferir — o que hoje se chama de NP-completude (Cook, 1971). Ninguém conhece um algoritmo eficiente para o pior caso. Na prática, porém, resolvedores de SAT modernos exploram a estrutura dos problemas reais e dão conta de instâncias muito grandes, a ponto de serem usados em planejamento e verificação de circuitos (Russell; Norvig, 2022).

Premissa 05

Inferência: tirar conclusões sem olhar o mundo

Há dois jeitos de mostrar que uma conclusão se segue das premissas. O primeiro é semântico: conferir todas as interpretações, como na tabela-verdade. O segundo é sintático: partir das premissas e aplicar regras de inferência, que só olham a forma dos símbolos, até chegar à conclusão. Esse caminho é uma prova, e se escreve Γ ⊢ φ. A boa notícia é que, na lógica clássica, os dois caminhos coincidem: tudo o que se prova é consequência lógica, e toda consequência lógica pode ser provada. São as propriedades de correção e completude (Kouri Kissel, 2026).

A regra mais famosa é o modus ponens: de P → Q e de P, conclui-se Q. É exatamente o que um sistema de regras faz quando uma regra "dispara".

Modus ponens em fila de dominós: a regra e o fato derrubam a conclusão. Uma prova longa é só uma fila maior. Ilustração gerada por IA.

Quadro 3 — Regras de inferência válidas e duas falácias formais frequentes

Nome	Premissas	Conclusão	Exemplo
Modus ponens	P → Q; P	Q	Se choveu, a rua molhou. Choveu. Logo, a rua molhou.
Modus tollens	P → Q; ¬Q	¬P	Se choveu, a rua molhou. A rua não molhou. Logo, não choveu.
Silogismo hipotético	P → Q; Q → R	P → R	Se estudo, passo; se passo, me formo. Logo, se estudo, me formo.
Silogismo disjuntivo	P ∨ Q; ¬P	Q	Trancou ou está cursando. Não trancou. Logo, está cursando.
Conjunção	P; Q	P ∧ Q	Passou. Colou grau. Logo, passou e colou grau.
Simplificação	P ∧ Q	P	Passou e colou grau. Logo, passou.
Resolução	P ∨ Q; ¬P ∨ R	Q ∨ R	Ou chove ou faz sol; ou não chove ou levo guarda-chuva. Logo, faz sol ou levo guarda-chuva.
Falácia: afirmação do consequente	P → Q; Q	P ✗	Se choveu, a rua molhou. A rua molhou. Logo, choveu?
Falácia: negação do antecedente	P → Q; ¬P	¬Q ✗	Se choveu, a rua molhou. Não choveu. Logo, a rua não molhou?

Fonte: elaborado pelo autor com base em Souza (2015) e Russell e Norvig (2022).Nota: ✗ marca conclusões que não se seguem das premissas. A resolução, aplicada a fórmulas convertidas em cláusulas, basta sozinha para construir provadores completos por refutação.

As duas últimas linhas são falácias formais: argumentos com cara de dedução que não garantem nada. A rua pode ter molhado por outro motivo — e, no Brasil, todo mundo conhece pelo menos um.

Afirmação do consequente, versão brasileira: a rua está molhada, mas quem choveu foi a mangueira do vizinho. "Se choveu, a rua molha" não autoriza "a rua molhou, logo choveu". Ilustração gerada por IA.

Uma distinção fecha o assunto: validade é propriedade da forma, não do conteúdo. Um argumento é válido se for impossível que suas premissas sejam verdadeiras e sua conclusão falsa — mesmo que, de fato, as premissas sejam falsas. "Se Brasília fica no Ceará, então fica no Nordeste; Brasília fica no Ceará; logo, fica no Nordeste" é um modus ponens impecável com conclusão falsa. A lógica garante que a verdade se conserva ao longo do raciocínio; ela não fabrica verdade a partir de premissas erradas. Em computação, o ditado equivalente é "lixo entra, lixo sai".

Agora é com você. Julgue cada argumento pela forma, não por concordar ou não com a conclusão.

Laboratório 2 · válido ou falácia?

0 de 8 respondidos · 0 acertos

1. Se choveu, a rua está molhada. Choveu. Logo, a rua está molhada.

2. Se choveu, a rua está molhada. A rua está molhada. Logo, choveu.

3. Se choveu, a rua está molhada. A rua não está molhada. Logo, não choveu.

4. Se choveu, a rua está molhada. Não choveu. Logo, a rua não está molhada.

5. O aluno trancou a matrícula ou está cursando a disciplina. Não trancou. Logo, está cursando.

6. Se Brasília fica no Ceará, então Brasília fica no Nordeste. Brasília fica no Ceará. Logo, Brasília fica no Nordeste.

7. Todo mamífero tem pelos. O lobo-guará é um mamífero. Logo, o lobo-guará tem pelos.

8. Algum aluno é monitor. Algum monitor é bolsista. Logo, algum aluno é bolsista.

Os dois últimos argumentos já não cabem na lógica proposicional. Tente escrevê-los com P, Q e R e o problema aparece: "todo mamífero tem pelos", "o lobo-guará é um mamífero" e "o lobo-guará tem pelos" viram três letras sem nenhuma relação entre si, e nenhuma regra do Quadro 3 liga uma à outra. Falta enxergar dentro das frases.

Premissa 06

Lógica de predicados: abrindo as frases

A lógica de predicados — ou lógica de primeira ordem — resolve isso trocando o compromisso ontológico. Em vez de fatos inteiros e indivisíveis, o mundo passa a ser feito de objetos, propriedades e relações entre eles (Russell; Norvig, 2022). Sua sintaxe acrescenta peças novas:

• Constantes nomeiam objetos: loboGuará, ana, brasília.
• Variáveis ficam no lugar de objetos quaisquer: x, y.
• Funções levam objetos a objetos: mãe(ana) é um objeto — a mãe de Ana —, não uma afirmação.
• Predicados afirmam propriedades ou relações e são verdadeiros ou falsos: Mamífero(loboGuará), Orienta(ana, joão).
• Quantificadores dizem de quantos objetos se fala: ∀x ("para todo x") e ∃x ("existe pelo menos um x").

Com isso, a frase que travava a lógica proposicional ganha estrutura: ∀x (Mamífero(x) → TemPelos(x)). Termos (constantes, variáveis, funções) apontam para objetos; fórmulas (predicados e tudo o que se monta com eles) é que são verdadeiras ou falsas. Uma variável dentro do alcance de um quantificador é ligada; fora dele, é livre, e a fórmula só ganha valor quando alguém diz a que objeto ela se refere.

Neste palco, ∀x (Coruja(x) → Capelo(x)) é verdadeira: não há coruja sem capelo. Bastaria uma única formanda de cabeça descoberta para torná-la falsa. Ilustração gerada por IA.

As armadilhas de tradução mais comuns

"Todo aluno está matriculado" é ∀x (Aluno(x) → Matriculado(x)). Com ∧ no lugar de →, ∀x (Aluno(x) ∧ Matriculado(x)) diria que tudo no universo é aluno matriculado, inclusive a cadeira.

"Algum aluno é bolsista" é ∃x (Aluno(x) ∧ Bolsista(x)). Com → no lugar de ∧, ∃x (Aluno(x) → Bolsista(x)) fica verdadeira assim que existir qualquer coisa que não seja aluno — de novo, a cadeira.

A ordem dos quantificadores muda tudo. ∀x ∃y Orienta(y, x) diz que todo aluno tem algum orientador; ∃y ∀x Orienta(y, x), que existe um orientador de todos os alunos — o que seria um problema sério para a coordenação.

Negar troca o quantificador: "nem todo aluno é bolsista", ¬∀x Bolsista(x), equivale a ∃x ¬Bolsista(x), "algum aluno não é bolsista".

A semântica ganha um mundo

Na lógica proposicional, uma interpretação era uma lista de V e F. Na de predicados, é um pequeno mundo: um domínio de objetos, a indicação de qual objeto cada constante nomeia e de quais objetos (ou pares, trios…) satisfazem cada predicado. ∀x φ é verdadeira nesse mundo se φ vale para todo objeto do domínio; ∃x φ, se vale para pelo menos um. As definições de modelo e de consequência lógica são as mesmas de antes — só que agora "todas as interpretações" quer dizer todos os mundos possíveis, inclusive infinitos (Kouri Kissel, 2026).

Inferência com variáveis

As regras da lógica proposicional continuam valendo, e ganham reforços. A instanciação universal permite trocar a variável de um ∀ por qualquer objeto: de ∀x (Mamífero(x) → TemPelos(x)) sai Mamífero(loboGuará) → TemPelos(loboGuará), e daí o modus ponens resolve o argumento que travou. Os programas não chutam instâncias ao acaso: usam a unificação, que procura a substituição que torna duas expressões idênticas. Orienta(x, joão) e Orienta(ana, y) se unificam com a substituição {x/ana, y/joão}. Unificação mais a regra de resolução formam a base dos provadores automáticos de teoremas (Russell; Norvig, 2022).

Em 1974, Robert Kowalski mostrou que um subconjunto dessa lógica, as cláusulas de Horn — regras com no máximo uma conclusão —, pode ser lido ao mesmo tempo como conhecimento e como programa (Kowalski, 1974). É a ideia por trás da linguagem Prolog, em que o exemplo do lobo-guará fica assim:

mamifero(X) :- tem_pelos(X).      % regra: X é mamífero SE X tem pelos
tem_pelos(lobo_guara).            % fato
?- mamifero(lobo_guara).          % pergunta
true.

O poder expressivo tem um custo. A lógica de primeira ordem é completa, mas não é decidível: se uma sentença é consequência das premissas, existe um procedimento que acaba encontrando a prova; se não é, esse procedimento pode rodar para sempre sem conseguir dizer "não" (Russell; Norvig, 2022). Por isso, os sistemas práticos costumam usar fragmentos mais bem-comportados da lógica — como as cláusulas de Horn das regras de produção, na próxima seção.

Quadro 4 — Comparação entre a lógica proposicional e a lógica de predicados

Aspecto	Lógica proposicional	Lógica de predicados (primeira ordem)
O mundo é feito de…	Fatos inteiros, verdadeiros ou falsos	Objetos, propriedades e relações
Vocabulário	Letras e conectivos	Constantes, variáveis, funções, predicados, conectivos e quantificadores
"Todo mamífero tem pelos"	Uma letra solta, sem estrutura	∀x (Mamífero(x) → TemPelos(x))
Interpretação	Atribuição de V ou F a cada letra	Domínio de objetos + significado de constantes, funções e predicados
Verificar consequência	Decidível (tabela-verdade), mas exponencial	Semidecidível: prova-se o que é consequência; o "não" pode nunca chegar
Uso típico em IA	Circuitos, planejamento via SAT, regras simples	Bases de conhecimento, Prolog, ontologias, provadores de teoremas

Fonte: elaborado pelo autor com base em Russell e Norvig (2022), Souza (2015) e Kouri Kissel (2026).

A lógica clássica não é a única — e o Brasil tem nome nisso

Na lógica clássica vale o princípio da explosão: de uma contradição, A e ¬A, segue qualquer coisa. Para uma base de conhecimento real, montada por várias pessoas, isso é um perigo: uma única inconsistência tornaria tudo "provável". As lógicas paraconsistentes abandonam a explosão. Um de seus fundadores foi o brasileiro Newton da Costa, que desenvolveu, de forma independente, a partir da tese de doutorado de 1963, a hierarquia de sistemas C_n e abriu uma linha de pesquisa que continua ativa no país (Priest; Tanaka; Weber, 2026).

Premissa 07

Regras de produção: conhecimento em fichas "se… então…"

Um sistema de produção tem três componentes: um conjunto de regras, uma base de dados e um interpretador para as regras (Davis; King, 1984). A ideia vem da matemática — Emil Post propôs as produções em 1943 como mecanismo geral de computação — e chegou à IA pela psicologia, com Newell e Simon. Cada regra de produção tem um lado esquerdo, a condição, e um lado direito, a ação ou conclusão. A base de dados que guarda o que se sabe no momento chama-se memória de trabalho.

O ciclo de um sistema de produção em uma cena: a regra "SE tem pena E olho amarelo ENTÃO é pássaro" casa com as fichas do quadro, dispara, e um fato novo entra na memória de trabalho. Ilustração gerada por IA.

O interpretador funciona num laço que Davis e King chamam de ciclo reconhecer-agir (Davis; King, 1984):

Figura 1 — O ciclo reconhecer-agir de um sistema de produção com encadeamento para frente

1Casarcompara as condições de todas as regras com os fatos da memória de trabalho

2Conjunto de conflitoreúne as regras cujas condições estão todas satisfeitas

3Resolver o conflitoescolhe uma delas: pela ordem, pela mais específica, pela que usa fatos mais recentes…

4 · volta ao passo 1Dispararexecuta a conclusão, que entra na memória; o ciclo recomeça até nada mais disparar

Fonte: elaborado pelo autor com base em Davis e King (1984) e Russell e Norvig (2022).Nota: a regra que já disparou com os mesmos dados não dispara de novo (refratariedade), o que evita laços infinitos.

A resolução de conflitos é onde mora boa parte da "personalidade" de um sistema de regras: duas bases com as mesmas regras e estratégias diferentes podem chegar a conclusões diferentes, ou à mesma conclusão por caminhos diferentes.

A ligação com a lógica é direta. Uma regra "SE p₁ e p₂ ENTÃO q" é uma cláusula de Horn, p₁ ∧ p₂ → q, e disparar a regra é aplicar modus ponens. Para bases formadas só por esse tipo de cláusula, repetir o ciclo até nada mais disparar encontra todas as conclusões que se seguem dos fatos, em tempo proporcional ao tamanho da base (Russell; Norvig, 2022). Esse é o encadeamento para frente: dos dados para as conclusões.

Há o caminho inverso. No encadeamento para trás, o sistema parte de uma hipótese e procura regras que a concluam; as condições dessas regras viram submetas, e assim por diante, até chegar a fatos que ele já conhece ou que pode perguntar a alguém. Era a estratégia do MYCIN: "a estrutura de controle é um encadeamento para trás de regras, orientado por objetivos." (Van Melle, 1984, p. 71, tradução nossa) Faz sentido para uma consulta médica: em vez de perguntar tudo sobre o paciente, o programa só pergunta o que interessa à hipótese que está testando.

Para frente: das pegadas ao bicho. Para trás: de "será um lobo-guará?" à lista do que é preciso observar. O robô está fazendo o primeiro; o caderno de campo, com o desenho do animal, sugere o segundo. Ilustração gerada por IA.

Quadro 5 — Encadeamento para frente e para trás em sistemas de regras

Aspecto	Para frente (dirigido por dados)	Para trás (dirigido por objetivos)
Ponto de partida	Os fatos conhecidos	Uma hipótese ou pergunta
Pergunta que responde	"O que se conclui daqui?"	"Isto é verdade? O que falta saber?"
Ponto forte	Reage a dados que chegam; descobre conclusões não previstas	Só investiga o que é relevante para a meta; pergunta pouco
Ponto fraco	Pode gerar muitas conclusões inúteis	Precisa de uma hipótese para começar
Exemplos	Monitoramento, alertas, sistemas de regras de negócio	MYCIN, diagnóstico, consultas em Prolog

Fonte: elaborado pelo autor com base em Russell e Norvig (2022), Van Melle (1984) e Davis e King (1984).

O laboratório abaixo é um pequeno sistema especialista de brinquedo, com dez regras sobre bichos do cerrado. Marque observações (ou carregue um exemplo), avance ciclo a ciclo e veja a memória de trabalho crescer. Depois, escolha uma hipótese e peça ao motor que a prove para trás.

Laboratório 3 · motor de regras do cerrado

Observações (fatos iniciais)

tem pelos amamenta os filhotes tem penas voa põe ovos tem dentes caninos grandes tem pernas muito longas tem crina escura no pescoço tem manchas em roseta come formigas e cupins tem cauda grande e peluda vive em tocas no chão tem olhos amarelos tem bico curvo e forte tem plumagem azul e amarela

Base de regras

1. R1 SE tem pelos ENTÃO é mamífero
2. R2 SE amamenta ENTÃO é mamífero
3. R3 SE tem penas ENTÃO é ave
4. R4 SE voa E põe ovos ENTÃO é ave
5. R5 SE é mamífero E tem caninos grandes ENTÃO é carnívoro (ordem Carnivora)
6. R6 SE é carnívoro E tem pernas longas E crina escura ENTÃO é lobo-guará
7. R7 SE é carnívoro E tem manchas em roseta ENTÃO é onça-pintada
8. R8 SE é mamífero E come formigas E tem cauda peluda ENTÃO é tamanduá-bandeira
9. R9 SE é ave E vive em tocas E tem olhos amarelos ENTÃO é coruja-buraqueira
10. R10 SE é ave E tem bico curvo E plumagem azul e amarela ENTÃO é arara-canindé

Memória de trabalho

vazia — marque observações acima

Hipótese: é lobo-guará é onça-pintada é tamanduá-bandeira é coruja-buraqueira é arara-canindé

Marque observações ou carregue um exemplo e clique em "Um ciclo". Cada ciclo casa as regras com a memória, escolhe a de menor número entre as prontas e a dispara.

Três coisas merecem atenção. A primeira é a explicação: ao final, o motor mostra como chegou à conclusão, regra por regra. O MYCIN fazia o mesmo — o médico podia perguntar "por quê?" no meio da consulta, para saber por que uma pergunta estava sendo feita, e "como?", para ver as regras que sustentavam uma conclusão (Van Melle, 1984). Num sistema de regras, a justificativa de cada conclusão está escrita; numa rede neural, ela está espalhada em milhões de pesos.

A segunda é o exemplo da borboleta. A regra R4 — "se voa e põe ovos, é ave" — parece razoável até alguém observar um inseto. O motor não hesita: conclui "ave" com a mesma segurança com que concluiu "lobo-guará". Regras são tão boas quanto quem as escreve, e escrevê-las bem é trabalho pesado: a parte três do livro do MYCIN inteira trata da engenharia do conhecimento — extrair regras de especialistas, testá-las, verificar se a base é completa e consistente (Buchanan; Shortliffe, 1984). A área chamou isso de gargalo da aquisição de conhecimento.

A terceira é o número na RULE036: "evidência sugestiva (0,6)". O MYCIN não usava lógica pura. Cada regra carregava um fator de certeza, porque em medicina quase nada é verdadeiro ou falso sem ressalvas (Buchanan; Shortliffe, 1984). O raciocínio sob incerteza, que desemboca nas redes bayesianas e no aprendizado estatístico, é o passo seguinte dessa história.

Regras de produção não ficaram nos anos 1970. O CLIPS, uma ferramenta para construir sistemas especialistas desenvolvida no Centro Espacial Johnson, da NASA, entre 1985 e 1996, está em domínio público desde então (Clips…, 2026), e motores de regras de negócio — que decidem elegibilidade, preço, alçada de aprovação — são peça comum em sistemas corporativos.

Premissa 08

Lógica na era dos modelos de linguagem

Os modelos de linguagem discutidos em Fundamentos de IA generativa têm o perfil oposto ao do MYCIN: falam de qualquer assunto, mas não garantem que cada passo do raciocínio se siga do anterior. Um estudo com problemas de matemática escolar mostrou que acrescentar ao enunciado uma única frase que parece relevante, mas não muda a resposta, derrubou o desempenho de todos os modelos de ponta testados, em até 65% (Mirzadeh et al., 2024). Um motor lógico ignoraria a frase inútil: ela não aparece em nenhuma prova.

Daí o interesse crescente pela IA neurossimbólica, que combina as duas tradições. No Logic-LM, por exemplo, o modelo de linguagem não resolve o problema: ele o traduz para uma linguagem lógica formal, e um resolvedor simbólico faz a inferência. Em cinco conjuntos de testes de raciocínio lógico, a combinação melhorou o desempenho, em média, 39,2% em relação ao modelo sozinho com prompt comum e 18,4% em relação ao modelo com cadeia de pensamento (Pan et al., 2023).

A dupla neurossimbólica: a arara fala muito e depressa; o robô confere devagar, ficha por ficha. Cada um cobre o ponto fraco do outro. Ilustração gerada por IA.

Três ideias para levar adiante

Ontologias. Na Web Semântica, a linguagem-padrão para ontologias é a OWL 2, que o W3C descreve como uma linguagem de lógica computacional: o conhecimento escrito nela pode ser processado por programas para verificar sua consistência ou para tornar explícito o que estava apenas implícito (W3C, 2012). Uma ontologia, portanto, não é só uma árvore de conceitos: é um conjunto de afirmações sobre classes, propriedades e relações, com semântica formal. E OWL não é sinônimo de RDF: ontologias OWL costumam ser trocadas como documentos RDF, mas a OWL tem construções e semântica próprias, e o W3C define também uma sintaxe funcional independente do grafo (W3C, 2012).

Mundo fechado e mundo aberto. "Se um fato não está presente num banco de dados, em geral ele é considerado falso (a chamada hipótese do mundo fechado), ao passo que, num documento OWL 2, ele pode simplesmente estar faltando (mas possivelmente ser verdadeiro), segundo a hipótese do mundo aberto." (W3C, 2012, tradução nossa) A diferença pesa na prática. O Prolog e os bancos de dados adotam a hipótese do mundo fechado: o que não se consegue provar é tratado como falso, a chamada negação por falha (Russell; Norvig, 2022). No Laboratório 3, o encadeamento para trás se comporta como mundo aberto: uma observação não marcada não vira "falso", vira "não observado — perguntaria ao usuário", como fazia o MYCIN.

Exceções e monotonicidade. A lógica clássica é monotônica: se φ é consequência de um conjunto de premissas, continua sendo consequência de qualquer conjunto maior que o contenha. Acrescentar informação nunca desfaz uma conclusão. O raciocínio cotidiano não funciona assim: concluímos que Tweety voa porque é uma ave e aves costumam voar, e retiramos a conclusão ao saber que Tweety é um pinguim — o exemplo clássico das lógicas não monotônicas (Antonelli, 2024). Repare na diferença para a borboleta do Laboratório 3: ali, a regra R4 estava simplesmente errada; no caso do pinguim, a regra "aves voam" é boa, só que tem exceções — e a lógica clássica não tem como dizer "em geral".

A lição do MYCIN e a do Logic-LM são a mesma: a lógica não compete com o aprendizado de máquina; ela oferece o que ele não tem — conclusões que se pode conferir passo a passo. Não por acaso, ontologias, grafos de conhecimento, verificação formal de software e resolvedores de SAT seguem trabalhando, discretamente, por trás de muitos sistemas que hoje se vendem como "IA".

Aplicação prática

Formalize uma regra do seu mundo

Escolha uma regra do regimento da sua instituição ou do seu trabalho — por exemplo, "o aluno é aprovado se tiver frequência mínima de 75% e média mínima 7". Marque os passos conforme conseguir cumpri-los.

Listei as proposições atômicas, sem ambiguidade: F = "frequência ≥ 75%", M = "média ≥ 7", A = "aprovado". Decidi entre → e ↔: a regra diz só "se F e M, aprovado" ou também "só é aprovado quem tem F e M"? Escrevi a fórmula — por exemplo, A ↔ (F ∧ M) — e montei a tabela-verdade com as quatro combinações de F e M. Procurei os casos que a regra não cobre: e quem tem média 5? Existe exame final? A base está completa? Conferi se alguma outra regra contradiz esta (um abono de faltas, uma dependência) — a base está consistente? Reescrevi a regra como SE… ENTÃO… para um motor de regras e testei com três alunos fictícios, um de cada tipo.

0 de 6 — comece pelas proposições atômicas.

Na sala de aula, o exercício funciona bem em grupo: cada grupo formaliza uma regra real, troca com outro, e o outro grupo tenta achar um aluno fictício que a fórmula trata de forma injusta. É engenharia do conhecimento em miniatura — e costuma revelar que o regimento era menos preciso do que parecia.

∴ Conclusão

O que as quinhentas regras ensinaram

O MYCIN venceu os professores de Stanford numa tarefa estreita, bem definida e cheia de conhecimento especializado — exatamente o terreno em que a lógica brilha: representar com precisão, inferir com segurança, explicar cada passo. E não chegou aos hospitais por causa de tudo o que ficava fora das regras: a rotina dos médicos, os custos, a responsabilidade legal, os casos que ninguém tinha previsto. A lógica garante o caminho entre as premissas e a conclusão; escolher as premissas continua sendo trabalho humano.

Meio século depois, os modelos de linguagem invertem o problema: dão conta do mundo aberto e tropeçam justamente na cadeia de inferências que um motor de regras de 1975 faria sem esforço. Por isso a lógica formal não é peça de museu. É a parte da IA que diz não apenas o que concluir, mas por que — e que deixa alguém conferir.

Que regra do seu trabalho você conseguiria escrever como "se… então…" — e qual seria o primeiro caso real capaz de quebrá-la?

Leia também

Para continuar no Brasil Acadêmico:

• Afinal, o que é inteligência artificial? — o ponto de partida da série.
• Formulação de problemas e espaço de estados — a outra forma clássica de representar um problema.
• Busca cega, busca informada e busca aplicada — a IA que procura caminhos.
• Como a máquina aprende — a IA que aprende com exemplos, em vez de receber regras.
• Fundamentos de IA generativa — por que modelos fluentes alucinam.
• Pesquisa aplicada: método científico, fontes e normas — premissas também precisam de fonte.
• E os outros mais de 180 posts sobre Inteligência Artificial que o blog já trazia antes do tema virar hype (modinha)🦉

Nota do autor: os dados da avaliação do MYCIN foram transcritos da tabela 31-1 do capítulo de Yu et al., reproduzido em 1984 no livro de Buchanan e Shortliffe, que está disponível gratuitamente no site de Edward Shortliffe; o artigo original saiu no Journal of the American Medical Association em 1979 e não é de acesso aberto, por isso se citou a reprodução. Os rótulos "Professor 1" a "Professor 5" seguem a ordem da tabela original (Faculty-1 a Faculty-5). A média dos professores (55,5%) foi calculada pelo autor. A tradução da RULE036 e do trecho de Van Melle é livre. A dissertação de Shannon aparece no repositório do MIT com data de 1940; o conteúdo circulou antes, em artigo de 1938, por isso o texto fala, de forma aproximada, em "mais de oitenta anos depois" de Boole. A contagem de linhas da tabela-verdade (2³⁰ = 1 073 741 824) é do autor. O verbete da Stanford Encyclopedia of Philosophy sobre lógica clássica é citado pela revisão de 2026 e, segundo esse verbete, a completude da lógica de primeira ordem é resultado de Gödel (1930). Os livros de Russell e Norvig (edição brasileira, na Minha Biblioteca) e de Souza (disponibilizado gratuitamente pelo autor desde 2020) foram usados para as definições gerais; artigos foram citados nas versões de acesso aberto. A base de regras do Laboratório 3 é didática, escrita pelo autor, e simplifica a biologia: o lobo-guará pertence à ordem Carnivora, mas tem dieta onívora, com muitos frutos; o "carnívoro" da regra R5 se refere à ordem. A regra R4 tem um defeito proposital, discutido no texto. Esta versão foi revista após uma avaliação independente, que apontou riscos comuns em textos sobre o tema: foram explicitados que representação do conhecimento não se reduz à lógica (lógica, regras, frames e redes semânticas são tecnologias distintas), a escada linguagem natural → proposições → predicados → regras → base de conhecimento → ontologias, a diferença entre OWL e RDF, as hipóteses de mundo fechado e aberto e a monotonicidade da lógica clássica; duas frases que atribuíam "saber" a programas foram reescritas. A sugestão de abrir o texto com o silogismo de Sócrates não foi adotada, porque o caso do MYCIN cumpre o papel de problema concreto e um silogismo equivalente aparece na Premissa 06 e no Laboratório 2. A tradução da passagem do W3C sobre mundo aberto é livre. As ilustrações foram geradas por IA com o Gemini (Nano Banana), em estilo de animação 3D, e conferidas em alta resolução; na ilustração dos circuitos, o traçado dos fios é esquemático, e na do cerrado as anotações manuscritas do caderno foram removidas por edição.

Vocabulário

Termos em ordem alfabética. Os termos com sublinhado pontilhado no texto trazem até aqui; o botão ao lado do verbete leva de volta.

Base de conhecimento

Conjunto de fatos e regras sobre um domínio, escrito numa linguagem formal e mantido separado do programa que raciocina sobre ele. Premissa 02

Cláusula de Horn

Disjunção de literais com no máximo um literal positivo; na prática, uma regra da forma p₁ ∧ … ∧ pₙ → q ou um fato. É a forma das regras de produção e dos programas Prolog. Premissa 06

Condicional material

O "se… então…" da lógica clássica (P → Q): só é falso quando P é verdadeiro e Q é falso. Não afirma causa nem relação de sentido. Premissa 04

Conectivo

Operador que forma proposições compostas: negação (¬), conjunção (∧), disjunção (∨), condicional (→) e bicondicional (↔). Premissa 03

Consequência lógica (⊨)

Relação entre premissas e conclusão em que toda interpretação que torna as premissas verdadeiras também torna a conclusão verdadeira. Premissa 04

Correção e completude

Propriedades de um sistema de prova: correto, se tudo o que prova é consequência lógica; completo, se toda consequência lógica pode ser provada. A lógica clássica de primeira ordem tem as duas. Premissa 05

Encadeamento para frente

Estratégia de inferência dirigida por dados: aplica as regras cujas condições são satisfeitas pelos fatos conhecidos, acrescenta as conclusões e repete até nada mais disparar. Premissa 07

Encadeamento para trás

Estratégia de inferência dirigida por objetivos: parte de uma hipótese, procura regras que a concluam e transforma as condições delas em submetas. Usada pelo MYCIN e pelo Prolog. Premissa 07

Falácia formal

Argumento com forma inválida, que pode ter premissas verdadeiras e conclusão falsa, como a afirmação do consequente e a negação do antecedente. Premissa 05

Fator de certeza

Número associado às regras e conclusões do MYCIN (por exemplo, 0,6) para indicar o grau de confiança na conclusão, numa forma de raciocínio sob incerteza. Premissa 07

Fórmula bem formada

Sequência de símbolos que obedece às regras de sintaxe de uma lógica, definidas de forma recursiva a partir das proposições atômicas e dos conectivos. Premissa 03

IA neurossimbólica

Abordagem que combina redes neurais (aprendizado a partir de dados, linguagem natural) com representações e inferência simbólicas (lógica, regras, resolvedores). Premissa 08

Interpretação e modelo

Interpretação é uma atribuição de significado aos símbolos: V ou F a cada letra, na lógica proposicional; um domínio de objetos e o sentido de constantes, funções e predicados, na de primeira ordem. Modelo de uma fórmula é uma interpretação que a torna verdadeira. Premissas 04 e 06

Lógica de predicados (primeira ordem)

Lógica que representa objetos, propriedades e relações, com variáveis e os quantificadores ∀ e ∃. É completa, mas semidecidível. Premissa 06

Lógica proposicional

Lógica cujas unidades são proposições inteiras, verdadeiras ou falsas, combinadas por conectivos. É decidível por tabela-verdade. Premissa 03

Lógica paraconsistente

Lógica em que uma contradição não implica qualquer conclusão (rejeita o princípio da explosão), útil para bases de conhecimento com inconsistências. O brasileiro Newton da Costa é um de seus fundadores. Premissa 06

Memória de trabalho

Em um sistema de produção, a coleção de fatos conhecidos no momento, contra a qual as condições das regras são comparadas a cada ciclo. Premissa 07

Monotonicidade

Propriedade da lógica clássica: acrescentar premissas nunca elimina conclusões já obtidas. Lógicas não monotônicas, usadas para regras com exceções, abrem mão dela. Premissa 08

Mundo fechado e mundo aberto

Na hipótese do mundo fechado (bancos de dados, Prolog), o que não está registrado ou não se prova é tratado como falso. Na do mundo aberto (OWL), é apenas desconhecido. Premissa 08

Modus ponens

Regra de inferência: de P → Q e P, conclui-se Q. É o que acontece quando uma regra de produção dispara. Premissa 05

Motor de inferência

Programa que aplica regras de inferência a uma base de conhecimento para derivar conclusões, independente do domínio da base. Premissa 02

Ontologia

Em computação, especificação formal de classes, propriedades e relações de um domínio, com semântica lógica que permite verificar consistência e inferir conhecimento implícito. Na Web Semântica, é escrita em OWL. Premissas 02 e 08

Predicado

Símbolo que expressa uma propriedade ou relação de objetos e que, aplicado a eles, forma uma afirmação verdadeira ou falsa, como Mamífero(x) ou Orienta(x, y). Premissa 06

Proposição atômica

Afirmação indivisível, representada por uma letra (P, Q, R), que recebe diretamente o valor verdadeiro ou falso. Premissa 03

Quantificador

Operador que indica de quantos objetos se fala: o universal ∀ ("para todo") e o existencial ∃ ("existe pelo menos um"). Premissa 06

Regra de produção

Par condição–ação do tipo "SE condições ENTÃO conclusão", que dispara quando todas as condições são satisfeitas pela memória de trabalho. Premissa 07

Representação do conhecimento

Área da IA que estuda como descrever o mundo em estruturas formais que uma máquina possa armazenar e sobre as quais possa raciocinar. Premissa 01

Resolução

Regra de inferência que, de A ∨ B e ¬A ∨ C, conclui B ∨ C. Combinada com a unificação, é a base dos provadores automáticos de teoremas. Premissa 06

Resolução de conflitos

Estratégia que escolhe qual regra disparar quando várias estão prontas: pela ordem, pela especificidade, pela recência dos fatos, entre outras. Premissa 07

Satisfatibilidade (SAT)

Propriedade de uma fórmula que tem pelo menos um modelo. Decidir se uma fórmula proposicional é satisfatível é o problema SAT, o primeiro provado NP-completo. Premissa 04

Semântica

Parte de uma lógica que define quando cada sentença é verdadeira, relacionando os símbolos a interpretações do mundo. Premissa 02

Sintaxe

Parte de uma lógica que define quais sequências de símbolos são sentenças bem formadas, sem considerar o que significam. Premissa 02

Sistema especialista

Programa que reproduz o desempenho de especialistas humanos num domínio restrito, em geral com uma base de regras e um motor de inferência, como o MYCIN. Premissa 07

Tautologia

Fórmula verdadeira em todas as interpretações, como P ∨ ¬P. Seu oposto, falsa em todas, é a contradição. Premissa 04

Unificação

Procedimento que encontra uma substituição de variáveis capaz de tornar duas expressões idênticas, como {x/ana, y/joão} para Orienta(x, joão) e Orienta(ana, y). Premissa 06

Validade

Propriedade de um argumento em que é impossível ter premissas verdadeiras e conclusão falsa. Depende da forma, não da verdade das premissas. Premissa 05

Variável livre e ligada

Ligada é a variável que está no alcance de um quantificador; livre, a que não está. Uma fórmula com variável livre só tem valor quando se diz a que objeto a variável se refere. Premissa 06

Referências

1. ANTONELLI, G. Aldo. Non-monotonic logic. In: ZALTA, Edward N.; NODELMAN, Uri (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Stanford University, 2001. Revisão de 23 nov. 2024. Disponível em: https://plato.stanford.edu/entries/logic-nonmonotonic/. Acesso em: 28 set. 2026.
2. BOOLE, George. An investigation of the laws of thought: on which are founded the mathematical theories of logic and probabilities. London: Walton and Maberly, 1854. E-book. Salt Lake City: Project Gutenberg, 2005. Disponível em: https://www.gutenberg.org/ebooks/15114. Acesso em: 27 set. 2026.
3. BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/MYCIN%20Book.htm. Acesso em: 27 set. 2026.
4. CLIPS: a tool for building expert systems. [S. l.]: CLIPS, 2026. Disponível em: https://www.clipsrules.net/. Acesso em: 27 set. 2026.
5. COOK, Stephen A. The complexity of theorem-proving procedures. In: ANNUAL ACM SYMPOSIUM ON THEORY OF COMPUTING, 3., 1971, Shaker Heights. Proceedings […]. New York: ACM, 1971. p. 151-158. Disponível em: https://www.cs.toronto.edu/~sacook/homepage/1971.pdf. Acesso em: 27 set. 2026.
6. DAVIS, Randall; KING, Jonathan J. The origin of rule-based systems in AI. In: BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. p. 21-52. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-02.pdf. Acesso em: 27 set. 2026.
7. DAVIS, Randall; SHROBE, Howard; SZOLOVITS, Peter. What is a knowledge representation? AI Magazine, [s. l.], v. 14, n. 1, p. 17-33, 1993. Disponível em: https://groups.csail.mit.edu/medg/ftp/psz/k-rep.html. Acesso em: 27 set. 2026.
8. KOURI KISSEL, Teresa. Classical logic. In: ZALTA, Edward N.; NODELMAN, Uri (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Stanford University, 2000. Revisão de 17 jun. 2026. Disponível em: https://plato.stanford.edu/entries/logic-classical/. Acesso em: 27 set. 2026.
9. KOWALSKI, Robert. Predicate logic as programming language. In: IFIP CONGRESS, 1974, Stockholm. Information Processing 74. Amsterdam: North-Holland, 1974. p. 569-574. Disponível em: https://www.doc.ic.ac.uk/~rak/papers/IFIP%2074.pdf. Acesso em: 27 set. 2026.
10. MIRZADEH, Iman et al. GSM-Symbolic: understanding the limitations of mathematical reasoning in large language models. [S. l.]: arXiv, 2024. Pré-publicação arXiv:2410.05229. Disponível em: https://arxiv.org/abs/2410.05229. Acesso em: 27 set. 2026.
11. PAN, Liangming; ALBALAK, Alon; WANG, Xinyi; WANG, William Yang. Logic-LM: empowering large language models with symbolic solvers for faithful logical reasoning. [S. l.]: arXiv, 2023. Pré-publicação arXiv:2305.12295. Disponível em: https://arxiv.org/abs/2305.12295. Acesso em: 27 set. 2026.
12. PRIEST, Graham; TANAKA, Koji; WEBER, Zach. Paraconsistent logic. In: ZALTA, Edward N.; NODELMAN, Uri (ed.). The Stanford Encyclopedia of Philosophy. Stanford: Stanford University, 1996. Revisão de 17 abr. 2026. Disponível em: https://plato.stanford.edu/entries/logic-paraconsistent/. Acesso em: 27 set. 2026.
13. RUSSELL, Stuart J.; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
14. SHANNON, Claude Elwood. A symbolic analysis of relay and switching circuits. 1940. Dissertação (Mestrado em Engenharia Elétrica) – Massachusetts Institute of Technology, Cambridge, 1940. Disponível em: http://hdl.handle.net/1721.1/11173. Acesso em: 27 set. 2026.
15. SOUZA, João Nunes de. Lógica para ciência da computação e áreas afins: uma introdução concisa. 3. ed. Rio de Janeiro: Elsevier, 2015. Disponível em: https://facom.ufu.br/system/files/conteudo/logicajoaonunes.pdf. Acesso em: 27 set. 2026.
16. VAN MELLE, William. The structure of the MYCIN system. In: BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. p. 67-77. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-04.pdf. Acesso em: 27 set. 2026.
17. W3C. OWL 2 Web Ontology Language primer. 2. ed. Editado por Pascal Hitzler et al. [S. l.]: W3C, 2012. Recomendação W3C de 11 dez. 2012. Disponível em: https://www.w3.org/TR/owl2-primer/. Acesso em: 28 set. 2026.
18. YU, Victor L. et al. An evaluation of MYCIN's advice. In: BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley, 1984. p. 589-596. Disponível em: https://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-31.pdf. Acesso em: 27 set. 2026.