Mitologia, autômatos e a origem da pergunta: o início da história da IA, de Turing ao primeiro inverno

Muito antes de alguém poder escrever um programa, as pessoas já contavam histórias sobre seres artificiais que se moviam, guardavam, serviam e pareciam pensar. Isso não é uma curiosidade da pré-história da computação; é a origem da pergunta que a inteligência artificial ainda tenta responder. Este artigo acompanha a pergunta dos mitos e autômatos da Antiguidade até o momento em que ela virou ciência — a reformulação de Turing em 1950, a Conferência de Dartmouth de 1956, o perceptron e os sistemas baseados em regras dos anos 1960 — e até a primeira vez em que a área prometeu mais do que conseguia entregar.^[10]

1. Mitologia, autômatos e a origem da pergunta

A ideia de construir entidades artificiais capazes de agir por conta própria é muito mais antiga que a computação digital. Na Antiguidade, especialmente na mitologia grega, já apareciam narrativas sobre seres artificiais criados por humanos ou deuses, com comportamento autônomo e aparência de inteligência.^[8] Talos, o gigante de bronze que, segundo o mito, circundava a ilha de Creta três vezes por dia e arremessava rochas contra os navios que se aproximavam, é um guardião com rotina de patrulha e gatilho; as servas de ouro que Homero coloca na oficina de Hefesto são descritas como dotadas de senso, voz e capacidade de aprender o ofício. Mais tarde, engenheiros construíram as primeiras versões físicas: Herão de Alexandria descreveu teatros automáticos e portas de templo movidas por água e contrapesos no século I, e relojoeiros do século XVIII produziram autômatos que escreviam frases com uma pena ou tocavam um órgão.

Isso importa porque a IA não nasce apenas como problema técnico: nasce como uma pergunta persistente sobre simular capacidades humanas em artefatos. Os mitos perguntam o que significaria uma coisa fabricada guardar, servir ou julgar; os autômatos mostram quanto de um comportamento pode ser reproduzido só por mecanismo. O computador não criou a pergunta. Deu a ela um novo meio.

2. Por que a história importa para a IA atual

Entender a origem da IA ajuda a interpretar os conflitos éticos, econômicos e profissionais que reaparecem a cada nova onda tecnológica. A discussão sobre trabalho, autonomia da máquina e limites da simulação não começou com os modelos generativos recentes; ela acompanha a área desde suas formulações iniciais. O autômato do século XVIII que escrevia cartas já levantava a pergunta sobre o que acontece com o escriba; o programa dos anos 1960 que sustentava uma conversa já fazia as pessoas se abrirem com ele mais do que seu autor esperava.^[9]

Esse contexto histórico evita tratar a IA generativa como fenômeno isolado e mostra que cada avanço responde a perguntas antigas com ferramentas novas. Ele também explica um padrão que se repete: uma ideia promissora aparece cedo, a infraestrutura da época não a sustenta, uma abordagem mais limitada mas viável ocupa o palco, as expectativas ultrapassam os resultados e o interesse desaba até a infraestrutura alcançar a ideia. O primeiro ciclo desse padrão é o assunto deste artigo.

3. Alan Turing e a pergunta central

Em 1950, Alan Turing desloca o debate para uma formulação decisiva: máquinas podem pensar?^[1] A força dessa pergunta está em trocar o foco da automação mecânica pela simulação de processos cognitivos, aproximando computação e inteligência como objetos do mesmo problema. A partir daí, a IA passa a ser pensada menos como mecanismo que executa movimentos e mais como sistema que reproduz aspectos do raciocínio humano. Turing também sabia que "pensar" resiste a definições, e por isso trocou a pergunta por um experimento.

O teste de Turing — o jogo da imitação do artigo de 1950 — é um experimento mental que avalia se uma máquina consegue sustentar uma interação indistinguível da de um humano. Um interrogador troca mensagens escritas com dois participantes escondidos, um humano e uma máquina, e precisa dizer qual é qual; se o interrogador errar com frequência suficiente, a máquina passou. O teste não mede consciência nem prova inteligência no sentido filosófico; mede a capacidade de imitar comportamento linguístico ou conversacional de forma convincente. Sua importância histórica está em oferecer um critério operacional para discutir inteligência sem depender de uma definição fechada de "pensar".

Pratique: abrir no Lab: Exercício 1, O que o teste mede

4. Da simulação mecânica à simulação cognitiva

A mudança proposta por Turing reorganiza o objetivo técnico da área. Em vez de apenas construir máquinas que executam ações automáticas, o foco passa a ser construir sistemas que simulem processos cognitivos por meio de algoritmos. O autômato que escrevia com uma pena reproduzia o movimento de escrever; os programas que vieram depois tentaram reproduzir a escolha do que escrever. Essa virada prepara o terreno para as abordagens posteriores que tentam representar decisão, aprendizado e adaptação, cada uma com limitações próprias.

Tabela 1 — A reformulação de Turing move o objetivo da coluna da esquerda para a da direita. O resto do artigo é sobre as duas maneiras pelas quais esse objetivo foi perseguido.

5. A Conferência de Dartmouth

A Conferência de Dartmouth, em 1956, marca a consolidação da IA como campo de pesquisa identificável. Nela, nomes como John McCarthy, Marvin Minsky e Herbert Simon ajudam a transformar uma provocação intelectual em agenda científica, com a hipótese de que aspectos da inteligência humana poderiam ser simulados computacionalmente.^[2] A proposta de 1955 que convocou o workshop de verão foi escrita por McCarthy, Minsky, Nathaniel Rochester e Claude Shannon, e é o documento em que o termo inteligência artificial foi escolhido. Sua conjectura central é que todo aspecto do aprendizado ou qualquer outra característica da inteligência pode, em princípio, ser descrito com precisão suficiente para que uma máquina o simule.

O evento importa menos pelo tamanho e mais por estabelecer um programa de trabalho que orientou pesquisas nas décadas seguintes: linguagem, redes neurais, teoria da computação, abstração e criatividade estavam todas na lista. Allen Newell e Herbert Simon levaram o Logic Theorist, um programa que provava teoremas de lógica simbólica, e ele virou o modelo do que um sistema de IA que funciona parecia ser: conhecimento e raciocínio escritos explicitamente.

Pratique: abrir no Lab: Exercício 2, O ano de Dartmouth

6. Perceptrons: aprender a partir de exemplos

Retomando a busca por máquinas que não dependessem apenas de regras explícitas, os perceptrons introduzem a ideia de aprender a partir de exemplos. Inspirados, de forma simplificada, em neurônios biológicos — a abstração proposta por McCulloch e Pitts em 1943^[4] — eles representam uma das primeiras tentativas de construir redes neurais capazes de ajustar seu comportamento com base em dados observados. O perceptron de Frank Rosenblatt, de 1958, calcula uma soma ponderada das entradas e dispara quando a soma ultrapassa um limiar:^[3]

A equação (2) é toda a novidade. Ninguém escreve os pesos: depois de cada exemplo, a diferença entre a resposta esperada t e a resposta produzida y empurra os pesos na direção que teria reduzido o erro, num passo η. Repita sobre os exemplos e, quando uma reta consegue separar as duas classes, o procedimento tem garantia de encontrá-la. A Figura 3 mostra a unidade e a Tabela 2 o traço exato do aprendizado da função E, produzido pelo código abaixo.

# um único perceptron aprendendo a função E a partir dos seus quatro exemplos
EXEMPLOS = [((0, 0), 0), ((0, 1), 0), ((1, 0), 0), ((1, 1), 1)]

def prever(w, b, x):
    # equação (1): soma ponderada, depois o limiar
    s = w[0] * x[0] + w[1] * x[1] + b
    return 1 if s > 0 else 0

def treinar(exemplos, eta=1, max_epocas=50):
    w, b = [0, 0], 0                          # ninguém escolhe os pesos: começam em zero
    for epoca in range(1, max_epocas + 1):
        erros = 0
        for x, t in exemplos:
            y = prever(w, b, x)
            e = t - y                             # +1: disparou de menos, -1: disparou demais, 0: certo
            if e != 0:
                erros += 1
                w[0] += eta * e * x[0]              # equação (2): cada peso se move na proporção da sua entrada
                w[1] += eta * e * x[1]
                b += eta * e
        if erros == 0:                           # uma passagem inteira sem erro: convergiu
            return w, b, epoca
    return w, b, None

w, b, epoca = treinar(EXEMPLOS)
print(w, b, epoca)                            # [2, 1] -2 6: correto nos quatro exemplos a partir da época 6
print([prever(w, b, x) for x, _ in EXEMPLOS])   # [0, 0, 0, 1]

Tabela 2 — Traço exato do código acima com η = 1. Os três primeiros exemplos da época 1 não produzem erro porque a soma é 0 e o limiar é estrito; o quarto dispara a primeira correção. A partir da época 6 o perceptron acerta os quatro exemplos: 2x₁ + x₂ − 2 > 0 só quando as duas entradas são 1.

Os primeiros modelos neurais esbarraram em restrições severas de hardware, capacidade de processamento e disponibilidade de dados. O perceptron Mark I de Rosenblatt era um armário de potenciômetros ajustados por motores, aprendendo a partir de uma grade de 20 por 20 fotocélulas. Isso não era um detalhe operacional, mas um limitador estrutural: sem escala computacional e sem volume suficiente de exemplos, o aprendizado ficava rudimentar e difícil de expandir. A consequência foi que ideias promissoras surgiram cedo, mas não conseguiam amadurecer tecnicamente naquele momento histórico. O golpe teórico veio em 1969, quando Minsky e Papert provaram o que um perceptron de uma camada não consegue aprender.^[5]

Pratique: abrir no Lab: Exercício 3, Um passo de aprendizado

7. IA baseada em regras e árvores de decisão

Nos anos 1960, ganha força a IA baseada em regras, estruturada em lógicas do tipo "se… então" e frequentemente organizada como árvores de decisão. Essa abordagem funciona bem quando o domínio pode ser explicitado por especialistas: o DENDRAL, iniciado em 1965, inferia a estrutura de uma molécula orgânica a partir do seu espectro de massa usando regras escritas com químicos, e os sistemas que o seguiram codificaram o julgamento de especialistas em campos que vão da geologia à configuração de computadores.^[7] O mecanismo é transparente: uma cadeia de testes sobre atributos conhecidos leva a uma conclusão, e toda conclusão pode ser explicada listando as regras que dispararam.

# a árvore da Figura 4 como código: o conhecimento está nas condições, escritas por uma pessoa
def decidir(umidade, temperatura):
    if umidade < 40:                        # regra 1: solo seco vem primeiro
        return "regar por 10 minutos"
    if temperatura > 30:                    # regra 2: só é verificada quando o solo está bem
        return "abrir a ventilação"
    return "nenhuma ação"                  # tudo o que não foi previsto termina aqui, certo ou errado

print(decidir(35, 24))    # regar por 10 minutos
print(decidir(55, 33))    # abrir a ventilação
print(decidir(60, -4))    # nenhuma ação: uma geada não está na árvore, então a árvore não faz nada

O problema é que a abordagem depende de codificação manual do conhecimento, o que limita a adaptação do sistema a situações não previstas. A última linha acima é a limitação inteira num exemplo: uma geada não está na árvore, então a árvore não faz nada, e faz isso com total confiança. Acrescentar o caso significa encontrar um especialista, escrever a regra e conferir que ela não contradiz as outras — para cada caso novo, para sempre.

Pratique: abrir no Lab: Exercício 4, Por que as regras venceram os anos 1960

8. Codificar ou aprender: o conflito, e o caminho até o inverno

A tensão central desse período está entre duas estratégias: programar explicitamente o raciocínio ou permitir que a máquina aprenda com exemplos. Sistemas baseados em regras eram mais viáveis com a infraestrutura da época, e por isso ganharam notoriedade, mas carregavam o limite de só operar dentro do que havia sido previamente especificado. Já a linha das redes neurais apontava para uma IA menos rígida, porém ainda bloqueada por restrições técnicas que só seriam enfrentadas muito depois.

Tabela 3 — As duas estratégias como estavam no fim dos anos 1960. Nenhuma conseguia entregar o que havia sido prometido: uma por ser rígida demais, a outra por ter chegado cedo demais.

Esse início da história produz um ciclo clássico de entusiasmo seguido por frustração. A crença de que a inteligência humana seria rapidamente simulada gerou expectativas maiores do que a tecnologia conseguia sustentar — tradução automática que seria resolvida em poucos anos, programas que logo enfrentariam um campeão de xadrez — especialmente quando os métodos mais promissores ainda eram imaturos e os métodos mais viáveis eram rígidos demais. Em 1973, o relatório Lighthill, encomendado pelo conselho de pesquisa britânico, concluiu que a área não havia cumprido suas promessas centrais fora de problemas de brinquedo, e o financiamento foi cortado na Grã-Bretanha e, por razões parecidas, nos Estados Unidos.^[6] Esse descompasso prepara diretamente o cenário do inverno da IA, quando o avanço da área passa a desacelerar.

Pratique: abrir no Lab: Exercício 5, Preparando o inverno

9. Conclusão

A pergunta veio primeiro e a máquina veio depois. Mitos e autômatos perguntaram o que seria preciso para uma coisa fabricada agir por conta própria; Turing transformou a pergunta num experimento sobre comportamento; Dartmouth transformou o experimento num programa de pesquisa. O programa então se dividiu em duas maneiras de responder: escrever o conhecimento ou deixar a máquina aprendê-lo. A primeira produziu os sistemas que funcionavam nos anos 1960 e a sua rigidez; a segunda produziu o perceptron e travou em hardware, dados e um teorema. O que encerrou o primeiro período não foi uma falha de ideias, mas a distância entre o que foi prometido e o que dava para construir. Guarde essa distância: ela é a forma recorrente da área, e a razão de sua história ser útil toda vez que uma nova onda promete fechá-la de vez.