Olá amigos e leitores dessa coisa aqui!!!
Em dois artigos recentes, já passamos pela inteligência artificial por caminhos diferentes.
Em Por que a “bolha” da IA ainda não estourou?, falei sobre o exagero publicitário, as montanhas de dinheiro, as promessas de máquinas que resolveriam tudo antes do almoço e a diferença entre uma possível bolha financeira e uma tecnologia que veio para ficar.
Ontem publiquei Da máquina a vapor ao colega de silício: os empregos que a IA vai transformar, os que vai criar e os que não vai conseguir eliminar. Ali, a pergunta era o que acontecerá com o trabalho: quais tarefas serão automatizadas, quais profissões mudarão, quais poderão crescer e por que o maior problema não é apenas o número final de empregos, mas a travessia de quem precisará se adaptar.
Nos dois textos apareceu uma ideia importante: a inteligência artificial não nasceu quando alguém abriu o ChatGPT e pediu:
— Faça um texto sobre a história da inteligência artificial, mas escreva como se fosse Fernando Zamboni depois de três cafés.
Aliás, não tentem. Dependendo do café, nem eu consigo escrever como eu mesmo.
Mas ficou faltando contar a aventura inteira. De onde saiu essa ideia de fazer uma máquina “pensar”? Quem foram os sujeitos que imaginaram isso quando os computadores ainda ocupavam salas inteiras? Por que a inteligência artificial já morreu e ressuscitou várias vezes? Como chegamos da ELIZA e da nossa velha Cybelle, que nos deixava empolgados nos anos 2000, a um tal de ChatGPT que eu quase não conheço,aaa, ao Gemini, ao Claude, ao Copilot, ao Grok, ao DeepSeek e a uma quantidade de concorrentes que parece aumentar toda vez que alguém reinicia o roteador?
Pois acomodem-se. Vamos voltar a uma época em que ninguém falava em prompts, modelos de linguagem ou placas de vídeo custando o valor de um automóvel. E, claro, precisamos começar com nosso velho e bom Alan Turing.
Antes da inteligência artificial ter nome
O desejo de construir seres artificiais é muito mais antigo que o computador. A mitologia grega já falava de Talos, um gigante de bronze que protegia a ilha de Creta. Ao longo dos séculos apareceram autômatos mecânicos, bonecos que escreviam, tocavam instrumentos ou movimentavam peças de xadrez.
Alguns eram mecanismos engenhosos. Outros continham um ser humano escondido dentro da máquina, o que sempre ajuda bastante uma tecnologia a parecer inteligente.
No século XIX, Charles Babbage projetou sua Máquina Analítica e Ada Lovelace percebeu algo que muita gente ainda não havia entendido: uma máquina capaz de manipular símbolos poderia fazer mais do que contas. Em teoria, poderia lidar com música, textos e outros tipos de informação, desde que tudo fosse representado por regras e números.
A máquina de Babbage nunca foi concluída em sua época, mas a ideia estava lançada. Ainda faltava explicar o que era computável, construir computadores eletrônicos e aparecer um matemático britânico com uma cabeça extraordinária e uma vida tragicamente curta.
Alan Turing: o homem que perguntou se as máquinas poderiam pensar
Alan Mathison Turing nasceu em Londres, em 23 de junho de 1912. Desde cedo demonstrou enorme talento para matemática e ciência, embora nem sempre se encaixasse no modelo educacional britânico da época. Em outras palavras, era brilhante demais para certos formulários e esquisito demais para certas salas, uma combinação que o mundo costuma compreender só depois que a pessoa já fez alguma coisa extraordinária.
Em 1936, Turing publicou um trabalho sobre números computáveis e descreveu uma máquina matemática abstrata, hoje conhecida como Máquina de Turing. Não era um computador de metal sobre uma mesa. Era um modelo teórico extremamente simples, capaz de ler símbolos, seguir instruções e mostrar quais problemas poderiam ser resolvidos por um procedimento mecânico.
A ideia da máquina universal foi ainda mais importante: em vez de construir uma máquina diferente para cada tarefa, seria possível criar uma única máquina capaz de executar qualquer programa que pudesse ser descrito formalmente. O computador moderno mora, em boa parte, dentro dessa ideia.
A guerra, a Enigma e a máquina Bombe
Durante a Segunda Guerra Mundial, Turing trabalhou em Bletchley Park, o centro britânico de decifração de códigos. Ele e uma enorme equipe de matemáticos, linguistas, operadores e engenheiros ajudaram a quebrar mensagens protegidas pela máquina Enigma, usada pelas forças alemãs.
É importante não transformar essa história no mito de um gênio solitário que ganhou a guerra com uma chave de fenda. Criptógrafos poloneses já haviam realizado avanços fundamentais antes do conflito, e Gordon Welchman, Harold Keen e muita gente contribuíram para o desenvolvimento e a operação da Bombe britânica. Turing teve um papel central, mas aquilo foi uma realização coletiva.
A Bombe testava rapidamente configurações possíveis da Enigma e ajudava os analistas a encontrar as chaves do dia. Informações obtidas desse trabalho permitiram localizar submarinos, proteger comboios e antecipar operações militares. Historiadores atribuem à decifração uma redução significativa na duração da guerra e a preservação de incontáveis vidas.
Terminada a guerra, Turing continuou trabalhando com computadores. Participou do projeto do ACE, uma das primeiras propostas detalhadas de computador eletrônico com programa armazenado, trabalhou em Manchester e ainda se aventurou pela biologia matemática, estudando como padrões como listras e manchas poderiam surgir nos seres vivos.
O sujeito não tinha muita consideração pelos limites entre as áreas. Se o problema era interessante, ele entrava.
O jogo da imitação
Em 1950, Turing publicou o artigo Computing Machinery and Intelligence. Em vez de ficar preso à pergunta filosófica “as máquinas podem pensar?”, ele propôs um experimento prático, chamado jogo da imitação.
Uma pessoa manteria conversas por texto com interlocutores que não poderia ver. Um deles seria humano; o outro, máquina. Se o avaliador não conseguisse distinguir com segurança um do outro pelas respostas, teríamos um critério operacional para falar em comportamento inteligente.
Esse experimento ficou conhecido como Teste de Turing. Ele não mede consciência, alma, sentimentos ou vontade própria. Mede a capacidade de uma máquina sustentar uma conversa que pareça humana. Ainda assim, a pergunta lançada por Turing continua rondando cada chatbot moderno.
Quando uma pessoa conversa por meia hora com uma IA, agradece, briga, faz piada e depois pergunta se ela “realmente entendeu”, está repetindo, com uma interface mais bonita e uma conta mensal, a inquietação de 1950.
O crime era existir
A história de Turing também precisa ser contada fora da computação.
Em 1952, ele foi processado no Reino Unido por manter uma relação consensual com outro homem. A homossexualidade masculina era tratada como crime. Turing foi condenado por “indecência grave” e, para evitar a prisão, aceitou um tratamento hormonal que hoje é reconhecido como uma forma de castração química e abuso médico. Também perdeu sua autorização de segurança e foi afastado de trabalhos governamentais.
Vale repetir devagar: o país que se beneficiou de sua inteligência para combater o nazismo decidiu puni-lo por ser gay.
Em 7 de junho de 1954, Alan Turing morreu aos 41 anos por envenenamento com cianeto. A conclusão oficial foi suicídio, embora detalhes das circunstâncias ainda sejam discutidos por historiadores. O famoso relato da maçã envenenada nunca foi comprovado: a fruta encontrada perto dele nem sequer foi analisada.
O governo britânico apresentou um pedido formal de desculpas em 2009. Turing recebeu perdão real póstumo em 2013. Em 2017, a chamada Lei de Turing estendeu o perdão a milhares de homens condenados por antigas leis que criminalizavam relações consensuais entre pessoas do mesmo sexo.
Desde 2021, Turing aparece na nota britânica de 50 libras. É uma homenagem importante, embora tenha chegado umas sete décadas atrasada. A sociedade tem dessas: primeiro destrói a pessoa, depois imprime seu rosto no dinheiro.
Neurônios de papel e as primeiras máquinas que aprendiam
Enquanto Turing pensava em computação e inteligência, outros pesquisadores tentavam representar o cérebro com matemática.
Em 1943, Warren McCulloch e Walter Pitts publicaram um modelo simplificado de neurônio artificial. Cada unidade receberia sinais, faria uma soma e produziria uma saída se determinado limite fosse alcançado. Aquilo estava muito longe de um cérebro real, mas plantou uma semente importante: talvez comportamentos complexos pudessem surgir de muitas unidades simples conectadas.
Em 1949, Donald Hebb popularizou a ideia de que conexões entre neurônios poderiam se fortalecer quando fossem ativadas em conjunto. Em linguagem quase de boteco científico: neurônios que trabalham juntos tendem a ficar mais amigos.
Em 1957, Frank Rosenblatt criou o perceptron, um modelo que conseguia ajustar seus próprios pesos para aprender classificações simples. Em 1958, uma implementação foi demonstrada em um computador IBM 704. A imprensa se empolgou e começou a prever máquinas que caminhariam, falariam e teriam consciência.
A humanidade mal havia ensinado um computador a diferenciar cartões marcados de um lado ou de outro e já estava reservando apartamento para o robô consciente e cheio de opiniões — ou, para usar o termo técnico, senciente. Certas tradições do jornalismo tecnológico nasceram cedo.
Dartmouth, 1956: alguém finalmente batiza o bicho
No verão de 1956, um pequeno grupo de pesquisadores se reuniu no Dartmouth College, nos Estados Unidos, para um projeto de oito semanas. Entre eles estavam John McCarthy, Marvin Minsky, Claude Shannon, Nathaniel Rochester, Allen Newell e Herbert Simon.
Na proposta escrita em 1955, McCarthy e seus colegas partiram de uma aposta ousada: todo aspecto da aprendizagem e da inteligência poderia, em princípio, ser descrito com tanta precisão que uma máquina conseguiria simulá-lo.
Foi ali que o termo “inteligência artificial” ganhou nome e identidade como campo de pesquisa.
O encontro não construiu uma mente artificial durante as férias. Aliás, nem todos ficaram as oito semanas e boa parte das ideias demoraria décadas para amadurecer. Mas Dartmouth reuniu pesquisadores que passaram a tratar linguagem, raciocínio, aprendizagem e percepção como problemas que poderiam ser atacados por computadores.
Dar nome a uma área ajuda. Também ajuda a conseguir verba, criar laboratórios e prometer aos financiadores que o problema estará resolvido em poucos anos. Essa última parte causaria alguns revertérios.
A primeira primavera da IA
Os anos 1950 e 1960 foram cheios de entusiasmo.
Allen Newell, Herbert Simon e Cliff Shaw criaram o Logic Theorist, capaz de demonstrar teoremas matemáticos. Arthur Samuel desenvolveu um programa de damas que melhorava jogando e ajudou a popularizar a expressão machine learning. Pesquisadores criaram programas para resolver problemas, reconhecer formas e manipular linguagem.
Em 1966 começou o projeto Shakey, no Stanford Research Institute. Era um robô sobre rodas com câmera, sensores e capacidade de planejar ações simples. Para entrar numa sala, precisava perceber o ambiente, formar uma representação e decidir como chegar até lá.
Hoje um aspirador robô esbarra no pé da mesa, pede socorro por Wi-Fi e nós reclamamos. Na década de 1960, fazer uma máquina perceber que havia uma sala já era motivo para abrir o champanhe.
Havia duas grandes famílias de ideias. A IA simbólica tentava representar conhecimento com símbolos, regras e lógica. As redes neurais tentavam aprender padrões ajustando conexões numéricas. Durante muito tempo, a abordagem simbólica dominou porque os computadores eram fracos, havia poucos dados e as redes disponíveis tinham limitações sérias.
ELIZA: a bisavó do ChatGPT já fazia gente se abrir
Em 1966, Joseph Weizenbaum, do MIT, apresentou a ELIZA. Um de seus roteiros mais famosos, chamado DOCTOR, imitava um psicoterapeuta de orientação rogeriana.
A técnica era simples. A ELIZA procurava palavras ou estruturas nas frases e devolvia respostas transformadas em perguntas.
Se alguém escrevesse:
— Minha mãe não me entende.
Ela poderia responder:
— Conte mais sobre sua mãe.
Se a pessoa dissesse:
— Estou triste.
Ela talvez perguntasse:
— Por que você está triste?
Não havia compreensão profunda. Era reconhecimento de padrões, substituição de palavras e um roteiro muito bem escolhido. Um terapeuta que devolve perguntas parece plausível mesmo quando o programa não sabe o que uma mãe, uma tristeza ou uma terça-feira representam.
O mais curioso foi a reação humana. Pessoas começaram a atribuir compreensão e sentimentos ao programa. Algumas queriam conversar com privacidade. O próprio Weizenbaum ficou alarmado ao perceber a facilidade com que projetamos humanidade numa máquina.
Esse fenômeno passou a ser chamado de efeito ELIZA. Ele continua vivíssimo. Basta uma IA responder “entendo como isso deve ser difícil” e já há quem imagine uma pequena alma digital chorando dentro do servidor.
Em 1972 surgiu o PARRY, criado por Kenneth Colby para simular uma pessoa com paranoia. Num experimento famoso, psiquiatras tiveram dificuldade para distinguir transcrições de pacientes reais das respostas do programa. ELIZA e PARRY chegaram até a “conversar” entre si. Foi provavelmente uma das primeiras reuniões em que ninguém entendeu ninguém, tradição depois aperfeiçoada por muitos grupos de mensagens.
Os sistemas especialistas e o primeiro invvvééérno
O entusiasmo inicial bateu num problema desagradável: o mundo real.
Programas que funcionavam em demonstrações cuidadosamente preparadas se perdiam fora delas. Computadores tinham pouca memória e processamento. Os pesquisadores subestimaram a quantidade de conhecimento cotidiano necessária para entender uma frase, reconhecer um objeto ou atravessar uma sala sem transformar a parede em parte do trajeto.
Promessas não cumpridas levaram governos e empresas a reduzir investimentos. A área entrou no que ficou conhecido como inverno da inteligência artificial.
Depois veio uma nova primavera. Nos anos 1970 e 1980, ganharam força os sistemas especialistas. Em vez de tentar construir uma inteligência geral, eles concentravam regras de especialistas humanos num domínio específico.
O DENDRAL analisava estruturas químicas. O MYCIN ajudava a identificar infecções bacterianas e sugerir antibióticos. Empresas adotaram sistemas para diagnóstico, configuração de equipamentos e decisões de negócio.
O coração deles era uma grande coleção de regras:
— Se acontecer A e o exame mostrar B, então considere C.
Funcionavam razoavelmente bem dentro do território previsto. O problema era manter milhares de regras, resolver contradições e lidar com situações que ninguém havia programado. Eles sabiam muito sobre um pedacinho do mundo e absolutamente nada sobre o resto.
No fim dos anos 1980, o mercado de máquinas especializadas para IA desabou, os custos ficaram difíceis de justificar e chegou outro inverno. Pela segunda vez, muita gente anunciou que a inteligência artificial era uma promessa fracassada.
Ela não havia morrido. Só estava no porão, usando casaco, esperando dados e computadores melhores.
Deep Blue, Watson e as máquinas que venciam campeões
Em 1997, o supercomputador Deep Blue, da IBM, derrotou o campeão mundial Garry Kasparov numa série de seis partidas de xadrez.
O evento virou símbolo de uma máquina superando o intelecto humano. Mas o Deep Blue não era uma inteligência geral e provavelmente não tinha opinião sobre cavalos, peões ou o lanche do intervalo. Ele combinava enorme capacidade de busca, avaliação de posições e conhecimento enxadrístico preparado por especialistas.
Era extraordinário no xadrez e inútil para preparar um café.
Em 2011, outro sistema da IBM, o Watson, venceu os campeões Ken Jennings e Brad Rutter no programa de perguntas Jeopardy!. O desafio envolvia compreender pistas cheias de ambiguidades, trocadilhos e referências culturais, procurar respostas e estimar a confiança de cada alternativa.
Deep Blue e Watson mostraram duas coisas. Primeiro, problemas considerados sinais de inteligência humana podiam cair diante de máquinas especializadas. Segundo, vencer uma pessoa numa tarefa não transforma automaticamente o programa numa pessoa de silício.
A IA já estava em todo lugar, só não fazia propaganda
Nos anos 1990 e 2000, a expressão inteligência artificial às vezes saiu de moda, mas as técnicas continuaram avançando com nomes mais discretos: mineração de dados, reconhecimento de padrões, aprendizado estatístico, processamento de linguagem e sistemas de recomendação.
A IA filtrava spam, detectava fraudes bancárias, reconhecia voz, sugeria produtos, corrigia textos, calculava rotas, organizava resultados de busca e escolhia o que aparecia nas redes sociais. Nos videogames, comandava inimigos que sabiam exatamente onde o jogador estava, mas fingiam procurar para não estragar a brincadeira.
Para pessoas cegas, várias dessas tecnologias tiveram impacto direto. Reconhecimento óptico de caracteres transformou imagens de texto em conteúdo legível pelo leitor de telas. Sistemas de voz melhoraram a transcrição e o controle de dispositivos. Mais tarde, modelos de visão começaram a descrever fotografias, ambientes e interfaces.
Nem tudo nasceu com os modelos generativos. A IA passou décadas entrando pela porta dos fundos enquanto a gente achava que ela ainda morava nos filmes.
A velha Cybelle e a geração dos chatbots de internet movida a manivela
Quem navegou na internet no início dos anos 2000 talvez lembre de uma época em que conversar com um programa parecia uma pequena visita ao futuro.
Antes da Cybelle, houve a A.L.I.C.E., criada por Richard Wallace em 1995. Seu conhecimento era organizado com AIML, uma linguagem de marcação que relacionava padrões de perguntas a respostas. A comunidade podia acrescentar novas regras, temas e personalidades.
Em 2000 apareceu a Cybelle, ligada ao portal francês AgentLand. Ela tinha uma personagem virtual, conversava em idiomas como francês, inglês e português e funcionava como uma espécie de guia para o mundo dos agentes virtuais. Ao perguntar sobre outro chatbot, ela podia responder e abrir informações relacionadas no próprio portal.
Para os padrões atuais, as conversas eram limitadas. A gente fazia uma pergunta, recebia uma resposta surpreendentemente boa, pensava “agora vai” e, duas frases depois, descobria que a criatura havia atravessado um portal para Setealém e se perdido nele.
Mas era fascinante.
A Cybelle conseguia sustentar certos assuntos, tinha aparência e personalidade, falava nosso idioma e criava a sensação de que havia alguém do outro lado. Na internet discada, com páginas carregando aos pedaços, aquilo parecia saído de um laboratório secreto.
Na mesma geração tivemos outros personagens memoráveis:
- Jabberwacky e Cleverbot: projetos de Rollo Carpenter que aprenderam com conversas de usuários e ficaram conhecidos pelas respostas imprevisíveis.
- SmarterChild: lançado em 2001, conversava em serviços de mensagem instantânea e também fornecia notícias, previsão do tempo e outras informações.
- Robô Ed: criado em 2004 pelo Conpet, programa da Petrobras, conversava em português sobre energia, combustíveis, meio ambiente e assuntos variados.
- Akinator: lançado em 2007, fazia perguntas e tentava adivinhar a pessoa ou personagem em que o usuário estava pensando. Parecia bruxaria até a gente lembrar que uma boa árvore de decisões e uma base de dados enorme também fazem milagres.
Esses chatbots não geravam livremente cada frase como os grandes modelos de linguagem atuais. Trabalhavam principalmente com regras, padrões, respostas cadastradas e bancos de dados. Se a conversa ficasse dentro das trilhas previstas, podiam impressionar. Se saísse um pouco, começavam a responder algo digno de duas torradeiras apaixonadas discutindo filosofia.
Mesmo assim, eles ensinaram algo valioso: as pessoas gostavam de conversar com computadores. Faltava a tecnologia conseguir acompanhar a conversa sem tropeçar a cada esquina.
As redes neurais voltam do porão
As redes neurais nunca desapareceram completamente. Pesquisadores como Geoffrey Hinton, Yann LeCun, Yoshua Bengio e muitos outros continuaram desenvolvendo métodos de aprendizagem mesmo quando a área não estava na moda.
A partir dos anos 2000, três coisas começaram a se encontrar:
- quantidades gigantescas de dados produzidos pela internet;
- computadores muito mais rápidos, especialmente placas gráficas capazes de fazer cálculos em paralelo;
- melhores técnicas para treinar redes com muitas camadas.
Em 2012, uma rede chamada AlexNet, criada por Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, venceu com grande vantagem uma competição de reconhecimento de imagens baseada no conjunto ImageNet. O sistema aprendeu a distinguir mil categorias observando mais de um milhão de imagens.
Esse resultado ajudou a transformar o deep learning, ou aprendizagem profunda, na principal força da nova primavera da IA. Em vez de programar manualmente cada regra para reconhecer um gato, os pesquisadores alimentavam o sistema com muitos exemplos para que ele aprendesse características úteis.
Naturalmente, ninguém precisou perguntar aos gatos se autorizavam o uso de suas imagens. A internet sempre funcionou assim: primeiro reúne tudo, depois aparece um termo de uso com 84 páginas.
AlphaGo e a jogada que parecia erro
Durante muito tempo, o jogo Go foi considerado um desafio muito mais difícil que o xadrez para computadores. O número de posições possíveis é gigantesco, e jogadores humanos dependem bastante de intuição e reconhecimento de padrões.
Em março de 2016, o AlphaGo, da DeepMind, derrotou o campeão Lee Sedol por quatro partidas a uma. O sistema combinava redes neurais, busca e aprendizagem por reforço.
Na segunda partida, o AlphaGo fez a famosa jogada 37. Comentaristas acharam que fosse um erro. Jogadores humanos raramente escolheriam aquela posição. Muitas jogadas depois, ficou claro que ela havia sido decisiva.
O episódio mudou a percepção sobre máquinas que aprendem. O sistema não estava apenas examinando mais jogadas que uma pessoa. Havia descoberto estratégias que surpreendiam especialistas e acabariam influenciando o próprio modo humano de jogar.
2017: a atenção muda tudo
Em 2017, oito pesquisadores do Google publicaram o artigo Attention Is All You Need. O trabalho apresentou a arquitetura Transformer.
Modelos anteriores processavam sequências de palavras com mais dificuldade e dependiam bastante de mecanismos recorrentes. O Transformer usava atenção para relacionar diferentes partes de um texto e decidir quais elementos eram mais relevantes em cada contexto.
Se aparece a frase “o cachorro perseguiu o gato porque ele correu”, o sistema precisa estimar a quem “ele” se refere. A atenção ajuda a relacionar palavras distantes e a representar dependências desse tipo.
A grande vantagem era também computacional: o treinamento podia ser muito mais paralelizado. Com dados, placas de vídeo, dinheiro e uma conta de luz capaz de assustar uma pequena cidade, tornou-se possível treinar modelos cada vez maiores.
O Transformer virou a base de grande parte dos modelos modernos de linguagem e também se espalhou por imagem, áudio, vídeo, programação e outras áreas.
Como contei no artigo sobre a bolha, 2017 foi uma daquelas datas que parecem discretas no calendário, mas depois descobrimos que alguém mexeu numa peça e alterou o tabuleiro inteiro.
GPT: um sistema treinado para continuar texto
GPT significa Generative Pre-trained Transformer, ou Transformer Generativo Pré-treinado.
A primeira versão da OpenAI apareceu em 2018. O GPT-2 veio em 2019 e chamou atenção pela capacidade de produzir textos coerentes. Em 2020, o GPT-3 mostrou que aumentar muito a quantidade de dados, parâmetros e computação permitia realizar diversas tarefas a partir de instruções e exemplos escritos no próprio pedido.
A ideia central parece simples: dado um trecho de texto, prever qual é o próximo pedaço mais provável. Depois prever outro. E outro.
Mas “qual é o próximo pedaço?” exige aprender uma quantidade enorme de relações. Para continuar corretamente um texto, o modelo precisa captar gramática, estilos, fatos, associações, formatos, padrões de raciocínio e estruturas de programação presentes nos dados.
Ele não consulta necessariamente uma enciclopédia interna com gavetas organizadas. Aprendeu uma representação estatística distribuída por bilhões de números. É por isso que pode explicar um assunto muito bem e, logo depois, inventar o título de um livro, o nome do autor e até a editora com a tranquilidade de quem esteve no lançamento.
ChatGPT: quando a IA ganhou uma caixa de conversa
Em 30 de novembro de 2022, a OpenAI lançou o ChatGPT como uma versão de pesquisa baseada inicialmente na família GPT-3.5.
Modelos de linguagem já existiam. O que mudou foi a embalagem, e não digo isso de maneira depreciativa. A interface de conversa tornou uma tecnologia complexa acessível a qualquer pessoa capaz de escrever uma pergunta.
O sistema também havia sido ajustado para seguir instruções e treinado com avaliações humanas. Em vez de apenas completar qualquer texto, tentava responder ao pedido do usuário, manter o contexto da conversa e recusar certas solicitações perigosas.
De repente, milhões de pessoas puderam pedir explicações, traduções, resumos, códigos, poemas, receitas, cartas, roteiros e trabalhos escolares às duas da manhã. Algumas usaram a ferramenta como assistente. Outras descobriram um método extremamente moderno de entregar dever de casa com referências bibliográficas vindas diretamente de Setealém.
Em 2023, o GPT-4 ampliou a qualidade e passou a trabalhar também com imagens. Nos anos seguintes, os sistemas ganharam voz, geração e edição de imagens, análise de arquivos, navegação, memória, ferramentas, vídeo e capacidade de executar tarefas em várias etapas.
Quando esse texto foi escrito, em agosto de 2026, a documentação da OpenAI já listava a família GPT-5.6 entre seus modelos mais avançados. Esse número provavelmente envelhecerá antes de algum leitor terminar a seção, porque a indústria adotou a estratégia de lançar modelos como quem atualiza previsão de chuva.
E então chegamos a esse cara chamado ChatGPT, que eu quase não conheço, quase nunca uso e certamente não teve participação nenhuma nesse artigo — principalmente nas pesquisas,aaa.
Gemini, Claude e os outros malucos concorrentes
O sucesso do ChatGPT abriu uma corrida. Empresas que já pesquisavam IA havia anos perceberam que precisavam colocar seus modelos diante do público, de preferência ontem.
O Google lançou o Bard em 2023, apresentou a família de modelos Gemini no fim daquele ano e, em fevereiro de 2024, aposentou o nome Bard na interface. Tudo passou a se chamar Gemini, porque uma confusão de nomes por empresa já é o mínimo exigido pelo setor.
A Anthropic lançou o Claude publicamente em 2023, com forte ênfase em segurança, documentos longos, escrita e programação. A empresa foi fundada por antigos integrantes da OpenAI e desenvolveu uma abordagem chamada IA constitucional, na qual princípios escritos ajudam a orientar o comportamento do modelo.
A Microsoft espalhou o nome Copilot pelo Windows, pelo navegador, pelo Microsoft 365 e pelas ferramentas de programação. Em muitos desses produtos, combinou modelos da OpenAI com busca, dados empresariais e integração aos aplicativos. Em certo momento parecia que até a Calculadora ganharia um Copilot para conferir se dois mais dois ainda eram quatro.
A Meta apresentou a família Llama em 2023 e ajudou a fortalecer o ecossistema de modelos com pesos disponíveis para pesquisa, adaptação e execução em infraestrutura própria. Isso permitiu que empresas e comunidades criassem variantes sem depender apenas de uma interface fechada.
A xAI lançou o Grok, integrado ao Twitter e apresentado desde o início como um assistente com humor e personalidade mais rebelde. A chinesa DeepSeek ganhou projeção mundial com modelos de código e raciocínio, além de versões com pesos abertos. A Perplexity combinou modelos de linguagem com pesquisa e referências. Outras empresas, universidades e comunidades lançaram modelos próprios.
E a lista continua. Há IAs que escrevem, desenham, compõem, dublam, programam, pesquisam, criam vídeos e operam ferramentas. Algumas trabalham no computador do usuário. Outras vivem em centros de dados com uma quantidade de placas que faria meu velho computador olhar para os próprios discos e pedir aposentadoria.
A concorrência foi boa para acelerar recursos, reduzir custos e criar alternativas. Também intensificou a disputa por dados, energia, chips, profissionais e atenção. Na corrida para anunciar a máquina mais inteligente da semana, nem sempre sobra tempo para perguntar se ela é confiável, sustentável ou necessária.
Mas como uma IA dessas conversa?
De forma muito simplificada, um grande modelo de linguagem passa por algumas etapas.
Primeiro, textos são divididos em unidades chamadas tokens. Um token pode ser uma palavra, parte de uma palavra, pontuação ou outro fragmento.
Durante o treinamento, o modelo recebe sequências e tenta prever o próximo token. Quando erra, seus parâmetros são ajustados. Esse processo se repete uma quantidade absurda de vezes.
Depois, há etapas de ajuste para seguir instruções, conversar e se comportar de maneira mais útil. Avaliadores humanos ou outros sistemas comparam respostas, apontam preferências e ajudam a ensinar quais saídas são melhores.
Na hora da conversa, o modelo não copia simplesmente uma frase pronta. Calcula probabilidades e gera uma resposta nova com base no pedido, no contexto e nos padrões aprendidos. Recursos adicionais podem permitir que consulte a internet, pesquise arquivos, use calculadora, execute código ou controle programas.
Isso explica tanto a versatilidade quanto os defeitos.
Como foi treinado para produzir continuações plausíveis, o modelo pode gerar algo que parece correto sem ser verdadeiro. Esse problema recebeu o nome elegante de alucinação. Eu prefiro dizer que a criatura viajou para Setealém e voltou com uma fonte que nunca existiu.
Ferramentas de busca, bancos de dados e verificações reduzem o problema, mas não eliminam a necessidade de conferir informações importantes. Uma IA pode ser ótima para ajudar a pensar e péssima como oráculo infalível. Aliás, qualquer tecnologia que se apresente como oráculo infalível merece que alguém desligue da tomada por precaução.
Isso é inteligência de verdade?
Depende do significado dado à palavra inteligência.
Uma calculadora supera qualquer pessoa em contas extensas. O Deep Blue joga xadrez melhor que quase todos os seres humanos. Um modelo moderno traduz, resume, programa, reconhece imagens e conversa sobre milhares de assuntos. Em capacidade funcional, há inteligência evidente.
Mas isso não significa que a máquina tenha consciência, desejos, experiência subjetiva ou compreensão humana do mundo. Os sistemas atuais podem simular emoção e personalidade sem sentir o que descrevem. Também podem raciocinar em certas tarefas e cometer erros ridículos em outras.
A chamada inteligência artificial geral, ou AGI, seria um sistema capaz de aprender e agir com flexibilidade comparável ou superior à humana numa ampla variedade de situações. Há empresas que dizem estar caminhando nessa direção. Não existe consenso sobre a definição, o teste ou a distância que nos separa dela.
Turing provavelmente reconheceria a ironia. Setenta e seis anos depois de seu artigo, as máquinas sustentam conversas surpreendentes, mas continuamos discutindo o que significa “pensar”. O Teste de Turing ficou mais fácil de imaginar e mais difícil de interpretar.
Uma tecnologia feita por seres humanos continua carregando seres humanos
A história da IA não é apenas uma sequência de máquinas mais potentes. Também é uma história de escolhas.
Modelos aprendem com dados produzidos por pessoas e podem reproduzir preconceitos presentes nesses dados. Sistemas de reconhecimento podem errar mais com certos grupos. Algoritmos de recomendação influenciam o que vemos, compramos e acreditamos. Ferramentas generativas levantam discussões sobre direitos autorais, trabalho, privacidade, desinformação e concentração de poder.
Ao mesmo tempo, a IA ajuda a analisar proteínas, detectar doenças, tornar conteúdos acessíveis, traduzir idiomas, prever estruturas, acelerar pesquisas e automatizar tarefas cansativas.
Para uma pessoa cega, poder enviar uma imagem e perguntar o que há nela não é uma demonstração abstrata. Pode significar mais autonomia. Para alguém que perdeu a voz, síntese e clonagem responsável de fala podem devolver uma forma de comunicação. Para quem trabalha com programação, uma IA pode encontrar um erro em minutos ou criar outros três com admirável eficiência.
A tecnologia não chega separada da sociedade. Ela amplia capacidades, interesses, injustiças e possibilidades que já estavam aqui. Não é anjo nem demônio. É uma ferramenta extremamente poderosa operada por empresas, governos e pessoas que continuam perfeitamente capazes de fazer besteira sem ajuda artificial.
Da Cybelle ao presente: o futuro foi chegando aos pedaços
Olhando para trás, parece que tudo conduzia inevitavelmente ao ChatGPT. Não conduzia.
A história teve caminhos abandonados, previsões erradas, invernos, modas, falta de verba e descobertas que serviam para outra coisa. A ELIZA não virou diretamente o GPT. Os sistemas especialistas não evoluíram em linha reta para o Gemini. A Cybelle não ficou treinando escondida num Pentium até acordar multimodal.
Cada geração resolveu uma parte do problema:
- Turing ajudou a definir computação e perguntou como reconhecer inteligência;
- McCulloch, Pitts, Hebb e Rosenblatt exploraram máquinas inspiradas em neurônios;
- Dartmouth deu nome e comunidade ao campo;
- a IA simbólica mostrou o poder e os limites das regras;
- ELIZA e os chatbots antigos mostraram como uma conversa cria sensação de presença;
- os sistemas especialistas provaram o valor da inteligência aplicada a domínios estreitos;
- Deep Blue, Watson e AlphaGo derrubaram desafios considerados exclusivamente humanos;
- dados, placas gráficas e aprendizagem profunda permitiram reconhecer padrões em escala;
- o Transformer tornou possível treinar grandes modelos de linguagem com eficiência;
- as IAS generativas colocaram tudo diante do público numa caixa de texto simples.
Esse percurso também ajuda a entender por que o artigo de ontem não tratou o futuro do trabalho como uma simples disputa entre gente e robôs. Cada onda da IA eliminou tarefas, criou especialidades e mudou o valor de outras. A tecnologia não reorganiza a sociedade sozinha: empresas, governos e trabalhadores ainda decidem quem recebe os ganhos e quem paga o custo da travessia.
E, como concluí no artigo sobre a bolha, empresas, avaliações financeiras e promessas podem estourar sem levar a tecnologia junto. A IA já atravessou mais de um invvvééérno. Mudou de nome, perdeu verba, voltou com outra arquitetura e continuou se infiltrando no cotidiano.
Hoje conversamos com máquinas que escrevem, ouvem, falam, veem imagens, produzem música, criam vídeos e usam ferramentas. Elas impressionam, erram, ajudam, atrapalham e às vezes respondem uma coisa tão esquisita que a Cybelle, onde quer que seus arquivos estejam, deve sentir orgulho.
Talvez a pergunta mais útil já não seja “a inteligência artificial vai existir?”. Ela existe faz tempo.
As perguntas agora são outras: quem controla, quem se beneficia, quem paga o custo, como verificamos o que ela produz e que tipo de sociedade queremos construir com isso.
Alan Turing perguntou se uma máquina poderia pensar. Nós ainda não terminamos de responder. Mas já descobrimos que ela pode conversar, jogar, reconhecer, criar, calcular, descrever e inventar uma bibliografia inteira quando não sabe a resposta.
O futuro chegou. Só veio parcelado, passou duas vezes pelo invvvééérno e, em algum ponto do caminho, fez uma conexão em Setealém.
Um abraço e até o próximo post!
Fernando
Fontes e leituras complementares
- Bank of England — vida, obra e legado de Alan Turing
- Governo do Reino Unido — a Lei de Turing e os perdões de 2017
- Computer History Museum — Turing, o jogo da imitação e a história dos chatbots
- Dartmouth College — o nascimento oficial do campo da inteligência artificial
- Stanford AI100 — uma breve história da pesquisa em inteligência artificial
- MIT CSAIL — ELIZA e outros projetos pioneiros de inteligência artificial
- Cornell University — Frank Rosenblatt e o perceptron
- UFRJ — artigo acadêmico de 2003 que descreve a Cybelle e outros chatterbots
- IBM — a história do Deep Blue e a vitória sobre Garry Kasparov
- IBM — Watson e o desafio do Jeopardy!
- NeurIPS — o artigo original da AlexNet
- Google DeepMind — a história e as partidas do AlphaGo
- Attention Is All You Need — o artigo que apresentou o Transformer
- OpenAI Docs — catálogo e evolução das famílias de modelos
- Google — a mudança do Bard para Gemini
- Anthropic — o lançamento público do Claude
- Meta — o lançamento da família Llama
- DeepSeek — documentação e modelos do DeepSeek-R1
