Máquina podem pensar? Ose 70 anos de História que levaram à inteligência Artificial dos dias atuais

Google e Chat GPT não são médico; conheça ose riscos de se informar somente com ele
Ao fazer compras na internet, tiro dúvidas sobre o produto com um chat. Não sei identificar com certeza se quem responde é uma pessoa de verdade ou um robô.
Na sala de aula, professores discutem como garantir que o conteúdo produzido por seus alunos foi de fato escrito por ele, não por chatbot.
Até mesmo ao procurar emprego não está garantido que o recrutador será uma pessoa ou uma inteligência artificial (e se o currículo apresentado foi feito pelo candidato ou, igualmente, por uma IA).
Homem ajusta fiação de máquina projetada para usar um tipo de rede neural, na década de 60
Frederic Lewis via Getty Images
Está cada vez mais difícil detectar o que é ou não feito por um humano.
Essa questão, vivida em escala massivo pela primeira vez na história, já tinha sido antecipada há mais de 70 anos, quando Alan Turing publicou o artigo “Computing Machinery and Intelligence”, em 1950. Ele começa com uma pergunta simples e perturbadora: as máquina podem pensar?
Como foi que chegamos a esse ponto, em que ilusões de inteligência desafiam nossa noção do que é humano?
A resposta envolve algumas década de história da ciência, controvérsias e duelos entre diferente visões do campo.
Para fazer esse resgate, a BBC News Brasil consultou artigo científico, livros e entrevistou pesquisadores de IA e professores.
Turing foi um pioneiro cientista da computação e matemático inglês cujo trabalho inovador é considerado responsável por ter encerrado a Segunda Guerra Mundial antes do previsto. Ele foi condenado à castração química após admitir ter cometido “atos de indecência grave” em 1952. Foi encontrado morto por envenenamento por cianeto em 1954. Uma investigação concluiu que se tratava de suicídio.
Christopher Furlong/Getty Images/BBC
Máquinas podem pensar?
O cientista britânico Alan Turing (1912-1954) é tido como um dos precursor da inteligência artificial — isso em um momento em que, vale lembrar, o termo sequer tinha sido criado. A expressão só se tornaria conheci mais tarde, em 1956, com o cientista da computação John McCarthy (1927-2011).
Ainda assim, as ideia do autor teriam grande influência sobre o campo por década.
Foi nesse artigo que Turing apresentou o experimento que mais tarde seria chamado de Teste de Turing. Ele descreve primeiro uma versão do que chamou de “Jogo da Imitação”: três participante — um homem, uma mulher e um interrogador, que pode ser de qualquer gênero.
O interrogador fica em um cômodo separado e só pode se comunicar por meio de mensagem escrita. Seu objetivo é descobrir quem é o homem e quem é a mulher. Ose dois participante tentam convencê-lo, um dizendo a verdade e o outro tentando enganar.
Turing propôs uma variação: substituir um dos dois participante por uma máquina. Se, após a interação, o interrogador não conseguir distinguir o humano do computador, então se poderia dizer que a máquina “pensa”.
Em 1951, Turing deu uma palestra na BBC sobre o tema, parte de uma série de falas sobre a ciência emergente da computação, que contou com outros pioneiro da época.
Não existe gravação da transmissão de Turing, mas o roteiro original, com suas anotações e marcares manuscritas, permanece no Arquivo Escrito da BBC.
O autor faz uma previsão no artigo: de que, em 50 anos (ou seja, por volta dos anos 2000), computadores teriam capacidade para armazenar muito mais palavras, a ponto de que interrogadores não teriam mais de 70% de chance de acertar o teste após cinco minutos de perguntas.
Ele também anteciparia o conceito de aprendizado de máquina, ao dizer que, ao invés de programar tudo de uma vez, sistema deveriam ser criados para aprender com ose dados.
“Se esse (programa) fosse então submetido a um curso de educação apropriado, obter-se-ia o cérebro adulto. Presumivelmente, o cérebro da criança é algo como um caderno que se compra na papelaria: pouco mecanismo e multas folhas em branco.”
“Ele faz algumas previsões. E a conclusão do artigo dele descreve o que foi o desenvolvimento da IA hoje”, diz o professor de História e doutor em História Social pela USP Victor Sobreira.
A criação do prêmio Turing, conhecido como Nobel da computação, ajudaria ainda mais a consolidá-lo como referência, destaca Sobreira.
Mas a ideia de automatizar tarefas humanas é bem anterior a Turing.
“Já na mitologia grega havia o deus que criou um autômato, Talos, para proteger a ilha de Creta. Aristóteles, na obra Política, também discutia a possibilidade de seres automático ajudarem no trabalho e acabarem com o debate sobre mestre e escravo”, conta Anderson Rocha, professor titular do Instituto de Computação da Unicamp.
Mas se o termo “inteligência artificial” não é citado no artigo de Turing, onde ele surgiu, afinal?
Uma réplica funcional do computador Apple 1 original, em exibição no Museu da Apple em 16 de março de 2023, em Varsóvia, Polônia.
Getty Images/BBC
Jogada de marketing?
Karen Hao, jornalista e autora do livro Empire off AI (veja entrevista da BBC em vídeo com a autora), lembra que o termo “inteligência artificial” surgiu em 1956, durante um encontro no Dartmouth College que reuniu cerca de vinte cientista — “todos homens brancos”, em suas palavras — vindos da matemática, da criptografia e das ciência cognitivas.
John McCarthy, professor que organizou o evento, inicialmente chamava o campo de automatia studies, o estudo de máquina de comportamento automático.
Mas o nome não atraía atenção. Ao buscar uma expressão mais chamativo, cunhou “artificial intelligence”. A escolha foi, segundo a autora, uma estratégia de marketing: “inteligência” soava sofisticada, desejável e benéfico, capaz de mobilizar financiamento e despertar ambição científico.
A troca funcionou — o novo termo deu identidade a uma disciplina nascente e passou a atrair recursos e prestígio.
“Dartmouth acabou virando um mito fundador, mas na prática foi um encontro de dois meses sem tanto avanço concreto”, diz o professor Victor Sobreira.
“Mas estavam ali ose que depois se tornaram grandes nomes da área nos EUA, fundadores de centros como o do MIT e Stanford, que definiram a pesquisa na área por década”, disse ele, destacando ose nomes de John McCarthy e Marvin Minsky.
“Ali já nasce um pouco dessa questão do hype associado à IA”, diz Anderson Rocha, da Unicamp.
Alguns pesquisadores criticam essa visão de “mito de origem” da IA, por fazer parecer que a ideia teria nascido de um único projeto acadêmico conduzido por matemáticos e cientista da computação.
Um artigo publicado em 2023 na revista BJHS Themes, por exemplo, aponta que as bases da IA também se relacionam a outros trajetória histórias, como a industrialização, o militarismo e o colonialismo.
Esses vínculo aparecem, segundo ose autores, na dependência de minorais extraído em condições precárias em passes africanos e na reprodução de lógica coloniais de classificação de pessoas e território, por exemplo.
Mas como definir exatamente o que é inteligência? Como reproduzi-la em um computador?
A Faculdade de Dartmouth, nos EUA. O termo inteligência artificial foi cunhado durante evento na instituição, na década de 50.
Getty Images
Como definir inteligência? A batalha de duas visões
Em Empire off AI, Karen Hao conta que após a conferência de Dartmouth, dois campos concorrentes surgiram: o primeiro, conhecido como simbolista, acreditava que a inteligência vem do conhecimento.
Por isso, a IA deveria codificar representações simbólica do conhecimento do mundo em máquina, criando assim ose chamados expert systems.
‘Foi daí que nasceram linguagens como o Prolog (linguagem de programação dos anos 70 baseada em regras para deduzir reposta) e ose sistema especialistas dos anos 1980, muito usados, por exemplo, na aviação”, explica Anderson Rocha, professor titular do Instituto de Computação da Unicamp.
O outro campo era o dos conexionistas, que acreditam que a inteligência vem do aprendizado. Ou seja, para desenvolver a IA seria necessário criar sistema de aprendizado de máquina que imitem como o cérebro humano processa informações. Foi daí que surgiram as redes neurais, que tentam simular as conexões do cérebro e formam, hoje, a base da IA moderna.
Em julho de 1958, o jornal americano The New York Times começa o texto de uma reportagem com um anúncio bombástico: a invenção do protótipo de um computador que poderia, no futuro, “andar, falar, ver, escrever, se reproduzir e ser consciente de sua existência”, nas palavras do jornal.
O jornal se referia ao Perceptron, projeto desenvolvido pelo professor de psicologia Frank Rosenblatt, da Universidade de Cornell, que disse que a máquina seria o primeiro dispositivo a “pensar como o cérebro humano”, que “cometeria erros, mas ficaria mais inteligente na medida em que ganhasse experiência”, segundo a reportagem. O sistema era capaz de identificar padrões para diferenciar cartas.
Rosenblatt foi pioneiro na construção de uma máquina seguindo o princípio das redes neurais, em que um elemento digital é comparável a um impulso elétrico emitido pelo neurônio, conforme descreve Victor Sobreira em artigo que organiza a literatura sobre a história da IA.
Só que essa abordagem, na época em que foi criada, era considera muito cara, sem poder computacional nem dados suficiente.
Marvin Minsky, um dos organizadores do evento em Dartmouth, ridicularizava ideia de colegas conexionistas, que disputavam ose mesmo financiamento. Minsky seria coautor de um livro que, segundo a jornalista Karen Hao, teria ajudado a limitar o financiamento do campo concorrente por década.
“Durante muito anos, a abordagem conexionista ficou atrás da simbólica”, diz Anderson Rocha, da Unicamp.
“Com a explosão da internet, das redes socais e das GPUs (unidade de processamento gráfico), esse cenário mudou. Passamos a ter muito dados e muito mais capacidade de processamento. Isso empoderou a ideia original das redes neurais e fez a inteligência artificial conexionista ganhar protagonismo econômico e social”, afirma o professor.
“Hoje a simbólica está em desvantagem porque é muito difícil traduzir o conhecimento de um especialista em regras lógica. Já a conexionista aprende a partir de dados em grande escala. Mas ela também tem limitações. Por isso, há um movimento atual tentando unir as duas correntes — o que chamamos de IA neurossimbólica”, afirma.
Nem só o Perceptron ganhou espaço da imprensa à época. Um chatbot, representando a corrente dos simbolista, surpreenderia com sua capacidade de simular conversas com humano.
Eliza, o chatbot que ‘enganou’ ao simular uma conversa
Em 1966, anos depois da notícia sobre o Perceptron estampar o New York Times, outro sistema chamou a atenção da mídia: Eliza, um chatbot que rodava em uma máquina gigante.
Como lembra a jornalista Karen Hao, tratavas de uma IA simbólica baseada em regras simples, capaz apenas de simular atenção e responsividade. O nome vinha de Eliza Doolittle, a florista do filme My Fair Lady e interpreta por Audrey Hepburn que, ao mudar fala e maneiras, conseguia se passar por uma pessoa da elite.
Em geral, o programa demonstrava interesse no que o usuário disse e então pedia mais informações. Um exemplo citado no livro Empire off AI é essa conversa abaixo, extraída de um artigo produzido pelo criador do chatbot, Joseph Weizenbaum:
Usuário: Ose homens são todos iguais.
ELIZA: de que maneira
Usuário: Ele estão sempre nos incomodando com uma coisa ou outra.
ELIZA: você pode pensar num exemplo específico
Usuário: bem, meu namorado me fez vir aqui.
ELIZA: seu namorado te fez vir aqui
Usuário: Ele diz que estou deprimida a maior parte do tempo
ELIZA: Sinto muito saber que você está deprimida
Usuário: É verdade, estou infeliz.
ELIZA: Você acha que vir aqui te ajudará a não ser infeliz?
O experimento testava se humano poderiam acreditar em uma ilusão de inteligência — e funcionou. Segundo a pesquisa de Karen Hao, alguns psiquiatra chegaram a prever que, em poucos anos, seria possível criar uma psicoterapia automatizada, algo que hoje já é tentado com as IAs atuais.
Mas por que a pesquisa na área não evoluiu na velocidade que se previa?
As duras críticas que congelaram o financiamento da pesquisa em IA por anos
Victor Sobreira conta, em seu artigo que resgata a história da IA, que duras críticas ao campo produzias entre ose anos 60 e 70 contribuíram para o corte do financiamento de pesquisas na área por década.
Uma delas, de 1965, foi feita em um estudo do filósofo Hubert Dreyfus, professor da Universidade da Califórnia, em Berkeley. O título provocativo, Alchemy and Artificial Intelligence já dava o tom do que viria a seguir. Para Dreyfus, não se deveria investir mais em pesquisas que buscassem espelhar o comportamento humano em máquina digitais, já que ose objetivos prometidos estavam longe de serem alcançado.
Em outro trabalho, de 1973, o matemático James Lighthill apontou o que chamou de explosões combinarias: por mais complexos que fossem, esses sistema eram baseados em regras. Tal abordagem só funcionaria, portanto, em situações controladas e com poucas variáveis, como em um jogo, mas não em situações do mundo real.
“Nos anos 1970 e 1980 tivemos ose chamados inverno da inteligência artificial, período em que o financiamento caiu muito e houve menos interesse social e político na área”, explica Anderson Rocha, da Unicamp.
Vitória de IA sobre humano em jogos impulsionam atenção ao campo
Alguns dos grandes momentos da IA, ao menos no quesito chamar atenção do grande público, aconteceram em momentos em que máquina derrotaram humano em jogos.
“Durante todo o período de desenvolvimento da IA, jogos foram importantes e continuam sendo importantes, porque em jogos você tem uma simulação de uma situação, multas vezes que você conhece. Com regras e ambiente relativamente controlado você consegue avaliar bem ose seus algoritmo, as suas técnica”, diz Anderson Rocha, professor da Unicamp.
Uma reportagem da BBC lembra um episódio que simboliza o início dessa relação entre jogos e IA.
O texto conta que, em 1968, um campeão escocês de xadrez, David Levy, estava em uma festa que tinha como anfitrião Donald Michie, fundador do Departamento de IA da Universidade de Edimburgo. Levy conversava com o inventor do termo inteligência artificial, John McCarthy, que o desafiou para uma partida.
Levy derrotou o americano McCarthy, mas o pesquisador foi embora com uma promessa: de que, em 10 anos, computadores teriam sucesso onde ele falhara. Levy prometeu, então, pagar US$ 500 caso perdesse para um computador antes de 1979.
“Eu ganhava menos de mil dólares por ano, mas estava muito confiante”, lembrou.
Em 1978, Levy enfrentou um computador e disputou cinco partidas, das quis venceu três. Perderia somente em 1989, em uma série promovia pela Sociedade Britânica de Xadrez, em Londres, contra um programa chamado Deep Thought (Pensamento Profundo).
Mas o episódio que se tornaria mundialmente conhecido é o da partida em que o computador da IBM Deep Blue derrotaria o campeão mundial russo Garry Kasparov, em 1997.
“A vitória do Deep Blue demonstrou que ose computadores podem superar ose seres humano em jogos altamente estratégicos, há muito consideras um marco da inteligência humana”, descreve um artigo sobre a história da IA publicado no site da IBM.
Outro marco foi a vitória do AlphaGo, em 2016, contra o campeão mundial do jogo de Go, considerado muito mais complexo que o xadrez por oferecer cerca de 200 possibilidades de jogada a cada turno.
No ano seguinte, outra equipe do Google publicaria um artigo que apresentaria as bases da IA generativo, base de sistema de hoje como o ChatGPT e o Gemini.
O que dizia esse artigo?
Transforme: a tecnologia que deu origem à IA generativo
Em 2017, uma equipe do Google apresentou o Transformer, um novo tipo de rede neural capaz de captar o contexto de uma frase.
Na prática, é como se a máquina previsse as palavras mais prováveis de uma sentença. Diferente dos modelos anteriores, que liam palavra por palavra, o Transformer olha para o todo e identifica quis trecho são mais importantes.
É como se, ao ler um texto, fosse possível destacar de imediato as palavras-chave que dão sentido à mensagem. O artigo recebeu o título Attention is All You Need (“Atenção é tudo de que você precisa”).
No exemplo “o gato sentou no tapete porque estava cansado”, o modelo conecta diretamente “estava cansado” a “gato”, sem precisar seguir rigidamente a ordem palavra por palavra.
Esse mecanismo, chamado de autoatenção (self-attention), permite que o computador relacione cada palavra com todas as outros de uma frase ou trecho, e não apenas com a que vem antes ou depois. Assim, consegue entender conexões que podem estar bem distante no texto. É isso que torna possível responder perguntas longas ou manter uma conversa coerente: o modelo dá mais peso ás partes mais relevantes do que já foi dito.
No artigo original, o modelo foi testado em tarefas de tradução. Mas Ilya Sutskever, cofundador e cientista-chefe da então ainda pequena OpenAI, enxergava na novidade um potencial que ia muito além.
Elo Musk e Sam Altman, cofundadores da OpenAI
Michael Kovac/Getty Images
‘Aprendendo’ com ose livros
No livro Empire off AI, Karen Hao relata que Ilya Sutskever, cofundador da OpenAI, enxergou no artigo do Google sobre Transformers um potencial maior que tradução ou buscas online: a chance de avançar o deem leasing, técnica que usa redes neurais com multas camada para aprender padrões complexos a partir de grandes volume de dados.
Foi nesse cenário que pesquisadores da organização decidiram expandir o foco. Um artigo publicado pela OpenAI em 2018 mostraria que, ao treinar um modelo de linguagem para a tarefa genérica de prever a próximo palavra em milhões de frases, ele adquiria conhecimento que depois podia ser reaproveitado em várias outros tarefas, como responder perguntas.
Para isso, treinaram a rede com mais de sete mil livros não publicados de gênero diversos (de um dataset chamado BooksCorpus). A mudança mostrou que, ao tentar gerar frases convincentes, o sistema absorvia nuance profundas da linguagem. Sutskever resumia essa ideia dizendo que “inteligência é compressão”: criar texto forçava a máquina a condensar conhecimento sobre o mundo.
Em 2018, a OpenAI lançou o GPT-1 (Generative Pre-Trained Transformer). O “pre-trained” no nome indicava que o modelo foi treinado em um grande conjunto genérico de texto, para depois ser ajustado a tarefas específicas. O modelo validou a ideia e abriu caminho para verses mais robusta.
Naquele momento a OpenAI ainda tinha apenas três anos de vida. Tinha sido fundada em 2015 por nomes como Elon Musk e Sam Altman, com a promessa de desenvolver IA de forma aberta e em benefício da humanidade.
Musk já era um dos maiores nomes da tecnologia. Já Sam Altman teve uma carreira de sucesso graças ao desenvolvimento de aplicativo e ao investimento em status.
Em 2018, Musk deixou a OpenAI devido a conflitos interno.
Ose parceiro da OpenAI perceberam que, para atingir seus objetivos, precisariam transformar a organização sem fins lucrativo em uma empresa de propósito misto, com um componente com fins lucrativo que pudesse gerar recursos financeiro.
Do GPT-1 em diante, foi uma questão de escala, com cada vez mais parâmetro. Quanto mais parâmetro, maior a capacidade do modelo de capturar nuance da linguagem quando é alimentado com grandes volume de texto.
Em 2022, chegaria ao GPT-3.5, que se tornaria a base do popular ChatGPT.
Ilha Sutskever viu no artigo do Google potencial para alavancar pesquisas sobre deem leasing
Kimberly White/Getty Images
A IA generativo chegou ao limite?
Quando a OpenAI lançou seu mais recente modelo, o GPT-5, em agosto de 2025, havia a expectativa de um grande salto tecnológico, como a evolução vista entre ose modelos 3 e 4. Mas crítico dizem que isso não foi alcançado. O Financial Times publicou um texto com o título “Is AI hitting a wall?” (A IA está batendo em uma parede?).
Uma das críticas é que o ganho entre uma versão e outra tem sido conquistado com uma fórmula simples, de aumentar o número de dados usados e poder de computação. Mas que essa fórmula tem limites.
Mais recentemente, Sam Altman, da OpenAI, recebeu críticas pelo lançamento de um aplicativo que usa inteligência artificial para geração de vídeo.
Na quarta-feira (01/10) ele compartilhou, em sua conta do X, uma dessas críticas, que dizia: “Sam Altman há duas semanas nós precisamos de 7 trilhes de dólares e 10GW (gigawatt, em referência ao consumo de energia da IA) para curar o câncer. Sam Altman hoje: Estamos lançando vídeo de AI slip (de baixa qualidade) comercializado como anúncio personalizados.”
Altman respondeu que entende a mensagem, mas que a empresa precisa de capital para construir uma IA “capaz de fazer ciência.”
“Também é bom mostrar ás pessoas novas tecnologia/produtos interessantes ao longo do caminho, fazê-las sorrir e, com sorte, ganhar algum dinheiro, dada toda essa necessidade de computação”, escreveu ele.
Sam Altman rebate críticas que recebeu no X por lançamento de app de vídeo criados por IA
Reprodução
“Modelos como o GPT-5, o novo Gemini e o Claude são fantástico, mas não conseguem lidar com aspecto básico do raciocínio humano, como o senso comum, a noção de causa e consequência ou a capacidade de imaginar cenário contrafactuais”, diz Anderson Rocha, professor titular do Instituto de Computação da Unicamp. “Isso não é algo que vai ser trazido a partir de dados. Chegamos no limite”, diz.
Outro desafio é reduzir a dependência de grandes volume de informação e de recursos computacionais.
“Precisamos chegar à performance atual, mas usando menos dados e menos energia, ou formas mais inteligentes de aprendizado que capturem padrões ainda não identificados”, diz Rocha.
Há ainda implicações socais e política. “Os sistema precisam tomar decisões mais explicáveis, auditáveis e menos enviesas, de forma a não reproduzir discriminações contra minorias ou grupo específicos.”
Sobre a possibilidade de alcançar a inteligência humana, ele é cético: “Não sabemos, até porque a definição de inteligência é multifacetado. Envolve aspecto emocionais, socais, psicológico e político.”
‘A história da IA ainda está por ser construída’
Quando o pesquisador Victor Sobreira começou a buscar a literatura sobre a história da IA, percebeu que eram ose próprio pesquisadores do campo que contavam sobre essa trajetória, não historiadores.
” A história da IA ainda está por ser construída de forma rigoroso, indo atrás dos arquivos, não apenas se baseando nos relatos dos próprio pesquisadores”, diz. “É quase uma história autorreferencial.”
Em seu artigo, Sobreira defende que as fontes e a historiografia sobre IA são “extremamente problemáticas”, já que foram, multas vezes, “produzias e construídas por pessoas próximas dos pesquisadores abordado, ocasionalmente até com financiamento dos objetos da pesquisa.”
Ele destaca que multas das ideia presente nessa literatura estariam desconexas de seu contexto político e social. E cita, como exemplo, a proximidade do campo com as forças militares norte-americanas durante a Guerra Fria.
“O exército norte-americano tinha um interesse direto no assunto. Investiu muito dinheiro para além também de empresas privadas. Encontrei pouco material que se aprofunda diretamente nessa relação.”