theinsider.pt · Inteligência Artificial · História
A corrida
da IA
75 anos de uma ideia que começou numa sala de conferências em Dartmouth e acabou a reescrever o mundo. Marco a marco, o que aconteceu, porque importou — e o que ficou por dizer.
Scroll para começar
Pioneiros
Alan Turing publica “Computing Machinery and Intelligence” e faz a pergunta que ainda hoje não tem resposta: Can machines think? Propõe o Jogo da Imitação como forma de operacionalizar a questão.
Estabelece o enquadramento filosófico de toda a IA para as décadas seguintes. A pergunta “pode uma máquina pensar?” molda investigação, financiamento e ética até hoje.
Turing é perseguido pelo governo britânico pelo seu homossexualismo e suicida-se em 1954. O pai da IA moderna morre como criminoso no país que ajudou a salvar durante a guerra.
John McCarthy, Marvin Minsky, Claude Shannon e outros reúnem-se durante o verão e cunham oficialmente o termo “Inteligência Artificial”. O campo nasce com uma promessa excessiva.
Consolida a IA como disciplina académica independente e atrai o primeiro grande financiamento público norte-americano. É o big bang institucional do campo.
A proposta original prometia “resolver” a IA em dez semanas de trabalho de grupo. Esta cultura de promessas exageradas vai assombrar o campo por décadas.
Frank Rosenblatt apresenta o perceptrão, a primeira rede neuronal artificial capaz de aprender. O New York Times escreve que a marinha americana criou “o embrião de um computador que irá andar, falar, ver e escrever”.
Estabelece a fundação matemática das redes neuronais modernas. O gradiente descendente que treina o ChatGPT é um descendente directo do trabalho de Rosenblatt.
Minsky e Papert publicam em 1969 “Perceptrons”, demonstrando matematicamente as limitações do modelo. O livro quase mata o campo das redes neuronais por uma década.
Joseph Weizenbaum cria ELIZA no MIT, um programa que simula um psicoterapeuta usando simples substituição de padrões. As pessoas emocionam-se genuinamente ao “conversar” com ele.
Revela que os humanos projectam intenção e empatia em sistemas que não as têm. O “efeito ELIZA” documenta pela primeira vez a tendência humana de antropomorfizar a IA.
Weizenbaum fica perturbado com a reacção das pessoas — incluindo a sua secretária, que pede para ficar sozinha a “falar” com o programa. Passa o resto da vida a criticar a IA.
Inverno
O matemático James Lighthill publica um relatório devastador para o governo britânico concluindo que a IA falhou em cumprir as suas promessas fundamentais. O financiamento colapsa em toda a Europa.
O Reino Unido corta quase todo o financiamento à IA. O primeiro “inverno da IA” começa — um período de descrença, saída de talentos e abandono de projectos prometedores.
O relatório é transmitido pela BBC sob o formato de debate — Lighthill contra os defensores da IA. É a primeira vez que o público britânico debate o futuro da IA em televisão.
Stanford desenvolve MYCIN, um sistema que diagnostica infecções bacterianas com precisão comparável a especialistas humanos usando 600 regras “se-então”. É o primeiro sistema de IA a ter desempenho médico credível.
Prova que IA especializada pode superar humanos em domínios estreitos. Abre o caminho para a era dos sistemas periciais nos anos 80 e para a IA médica moderna.
Nunca foi utilizado clinicamente por razões de responsabilidade legal e de integração com sistemas hospitalares. O fosso entre desempenho em laboratório e uso real começa aqui.
Periciais
Empresas como DEC e IBM investem centenas de milhões em sistemas periciais. R1/XCON da DEC poupa à empresa 40 milhões de dólares por ano a configurar pedidos de computadores. O sector de IA atinge 1 bilião de dólares.
Primeira adopção industrial massiva de IA. Centenas de empresas criam departamentos de “knowledge engineering”. O Japão lança o ambicioso Projecto de Quinta Geração, com 850 milhões de dólares.
Os sistemas eram frágeis — funcionavam bem em domínios ultra-restritos mas falhavam catastroficamente fora deles. A manutenção das bases de conhecimento era cara e difícil de escalar.
Rumelhart, Hinton e Williams popularizam o algoritmo de retropropagação, tornando possível treinar redes neuronais com múltiplas camadas. As redes neuronais voltam a ser respeitáveis.
O algoritmo que treina praticamente todas as redes neuronais modernas é (re)descoberto. Geoffrey Hinton torna-se a figura central de uma segunda vaga de investigação em redes neuronais.
O algoritmo tinha sido descoberto independentemente antes — a questão de prioridade é complexa. A versão de 1986 é a que chega ao mainstream académico e transforma o campo.
Inverno
O mercado de hardware LISP — construído especificamente para IA — colapsa. A Apple e a IBM abandonam projectos de IA. O financiamento norte-americano do governo DARPA é cortado drasticamente.
Centenas de empresas de IA fecham. Muitos investigadores abandonam o campo ou mudam de nome para as suas investigações evitar o estigma da palavra “inteligência artificial”.
O segundo inverno instala desconfiança duradoura no investimento em IA. Quando a próxima vaga chega, os investidores serão inicialmente cépticos — o que paradoxalmente torna a explosão mais sustentada.
O supercomputador da IBM vence o campeão mundial de xadrez Garry Kasparov por 3,5-2,5 numa revanche histórica. A primeira derrota humana numa competição de xadrez de alto nível é transmitida mundialmente.
Primeiro evento de IA a capturar genuinamente a imaginação pública global. Coloca pela primeira vez a questão da superioridade da máquina no mainstream cultural, não só académico.
Kasparov acusa a IBM de trapaça — suspeita que humanos ajudaram o computador em alguns lances. A IBM recusa-se a disponibilizar os logs do jogo. A questão nunca foi completamente resolvida.
Renascimento
Os filtros de spam baseados em Naive Bayes e depois em aprendizagem automática tornam-se o primeiro sistema de ML a chegar ao utilizador comum sem que este saiba. Centenas de milhões de pessoas usam IA pela primeira vez.
Prova que ML pode funcionar em escala real com dados reais e imperfeitos. Abre o caminho para aplicar a mesma lógica a recomendações, pesquisa e publicidade — o motor económico da internet.
Os falsos positivos — emails legítimos classificados como spam — estabelecem desde cedo a questão dos erros de IA com consequências reais. Quem é responsável quando o algoritmo falha?
Geoffrey Hinton e colaboradores publicam técnicas de pré-treino que tornam viável treinar redes neuronais com muitas camadas. O termo “deep learning” começa a circular. É o início de tudo o que se seguiu.
O paper de Hinton de 2006 é o catalisador directo da revolução que domina a IA hoje. Sem ele, não há AlexNet, não há GPT, não há ChatGPT. É o momento onde o campo muda de direcção irreversivelmente.
Hinton passa anos a tentar convencer uma comunidade céptica. Muitos investigadores estabelecidos rejeitam as redes neuronais como “biologically implausible”. O dogma dos SVMs domina durante anos.
O sistema da IBM derrota os dois maiores campeões da história do Jeopardy! em directo na televisão americana. O mundo percebe que a IA consegue processar linguagem natural com profundidade surpreendente.
Momento cultural que recoloca a IA no imaginário público positivo. A IBM usa Watson como plataforma comercial, abrindo um mercado de “IA como serviço” antes do termo existir.
Watson era um sistema de recuperação de informação sofisticado, não “inteligência” real. A IBM vende Watson como produto médico e empresarial durante anos com resultados muito abaixo do prometido.
Explosão
A rede neuronal de Hinton, Krizhevsky e Sutskever vence o ImageNet com uma margem de erro 10 pontos percentuais abaixo do segundo classificado. É a maior melhoria na história da competição. O mundo da IA para e ouve.
AlexNet é o momento onde toda a indústria tecnológica percebe que deep learning funciona. Google, Facebook, Baidu e Microsoft lançam corridas para recrutar os poucos especialistas existentes.
Hinton e os seus alunos são imediatamente assediados pelas tech giants. Criam uma empresa só para realizar um leilão dos seus talentos — Hinton vai para o Google, Sutskever para a OpenAI.
Ian Goodfellow inventa as Redes Adversariais Generativas numa noite, depois de uma discussão num bar. Duas redes em competição: uma gera, outra discrimina. O resultado: máquinas que criam imagens realistas do zero.
Abre o caminho para deepfakes, geração de imagem (DALL-E, Midjourney, Stable Diffusion) e síntese de voz. A IA deixa de só reconhecer — passa a criar. É uma inflexão conceptual enorme.
Goodfellow é recrutado pelo Google e mais tarde pela Apple. As GANs tornam-se a tecnologia base dos deepfakes mais preocupantes — pornografia não consensual, desinformação política.
O sistema da DeepMind vence o campeão mundial de Go — um jogo considerado 100 vezes mais complexo que xadrez — por 4-1. A jogada 37 do segundo jogo choca os mestres de Go: nunca um humano a teria feito.
Destrói o argumento de que o Go era demasiado intuitivo e criativo para ser dominado por IA. Demonstra que aprendizagem por reforço pode produzir estratégias genuinamente novas — não apenas imitar humanos.
Lee Sedol retira-se do Go profissional em 2019. Declara: “Há uma entidade que não pode ser vencida.” É a primeira vez que um campeão abandona o jogo por causa da IA. E não será a última.
Oito investigadores do Google publicam o paper que inventa os Transformers. O mecanismo de atenção que propõem torna-se a arquitectura de praticamente todos os modelos de linguagem modernos — incluindo o GPT.
É literalmente o paper que torna o ChatGPT possível. Todos os grandes modelos de linguagem — GPT, BERT, Claude, Gemini, LLaMA — são Transformers. O título tornou-se um meme técnico.
Seis dos oito autores deixaram o Google nos anos seguintes. A ironia: a empresa que inventou os Transformers foi ultrapassada na sua implementação comercial por uma startup fundada por ex-funcionários seus.
OpenAI lança GPT-1 e o Google lança BERT. Ambos demonstram que pré-treinar modelos em enormes quantidades de texto — sem supervisão humana — e depois afinar para tarefas específicas produz resultados notáveis.
Estabelece o paradigma “pré-treinar e afinar” que domina a IA actual. A escala passa a ser uma estratégia deliberada — mais dados e mais parâmetros produzem resultados melhores de forma previsível.
GPT-2 (2019) é parcialmente retido pela OpenAI por receios de uso malicioso. É a primeira vez que um laboratório de IA retém deliberadamente um modelo por razões de segurança. O debate de “não publicar” começa aqui.
e Depois?
A OpenAI lança GPT-3 com 175 mil milhões de parâmetros — 100 vezes maior que o GPT-2. O modelo demonstra capacidades emergentes não previstas: escreve código, traduz, raciocina. Ninguém o programou para isso.
GPT-3 via API desencadeia uma vaga de startups de IA. Pela primeira vez, qualquer programador pode construir aplicações com capacidades de linguagem avançadas sem treinar um modelo próprio.
O modelo reproduz preconceitos dos dados de treino — racismo, sexismo, estereótipos. A questão do “alinhamento” torna-se urgente: um sistema que é bom a linguagem pode ser mau em valores.
A OpenAI lança DALL-E (imagem a partir de texto) e Codex (código a partir de linguagem natural). Em poucos meses, a IA passa de “analisa” para “cria” em dois dos domínios mais valorizados: arte e programação.
Codex torna-se a base do GitHub Copilot, adoptado por milhões de programadores. DALL-E abre a questão da IA criativa ao grande público. A fronteira entre ferramenta e criador começa a esbater-se.
Artistas e escritores processam a OpenAI por treinar em obras protegidas por direitos de autor sem compensação. O debate legal sobre dados de treino está ainda hoje por resolver nos tribunais.
A OpenAI lança ChatGPT a 30 de Novembro. Em dois meses, chega a 100 milhões de utilizadores — o produto de consumo de crescimento mais rápido da história. O mundo muda de conversa.
ChatGPT não é tecnicamente mais avançado que o GPT-3 — é a interface. A conversa em linguagem natural remove a barreira técnica e coloca IA nas mãos de quem nunca ouviu falar de machine learning.
Universidades declaram crise de integridade académica. Empresas proibem o uso interno. Governos convocam audiências de emergência. Em semanas, a IA passa de assunto académico a questão política urgente.
OpenAI, Anthropic e Google lançam os seus modelos mais avançados em meses. GPT-4 passa no exame de advogados no percentil 90. A IA multimodal — texto, imagem, código — torna-se standard.
Os três maiores laboratórios do mundo investem centenas de milhares de milhões. Surgem mais de 4.000 startups de IA. O mercado de trabalho para especialistas em IA regista os salários mais altos da história da tecnologia.
Geoffrey Hinton demite-se do Google para poder falar livremente sobre os riscos da IA. Carta aberta de Musk e outros pede pausa no desenvolvimento. A OpenAI despede e reintegra o seu CEO em 72 horas num drama público.
Os modelos “thinking” chegam — sistemas que raciocinam passo a passo antes de responder, em vez de gerar directamente. O o3 da OpenAI resolve 25% dos problemas do FrontierMath, que antes registava 2%.
A fronteira entre “completar texto” e “resolver problemas” começa a esbater-se. Pela primeira vez, os modelos ultrapassam consistentemente humanos especializados em benchmarks de matemática e programação avançadas.
A UE aprova o AI Act — o primeiro quadro regulatório abrangente do mundo. Os EUA dividem-se entre regular e liderar. A China acelera investimentos. A geopolítica da IA torna-se inseparável da geopolítica tout court.
Os modelos deixam de só responder — começam a agir. Navegam na internet, executam código, gerem ficheiros, interagem com APIs. A IA passa de oráculo a agente. O que isso significa, ainda ninguém sabe completamente.
Empresas começam a substituir equipas inteiras de trabalho rotineiro por agentes de IA. O debate sobre o emprego deixa de ser teórico. Os primeiros “AI workers” com salários pagos a modelos são reportados.
A corrida entre os EUA e a China intensifica-se com restrições às exportações de chips. A DeepSeek chinesa publica um modelo competitivo a uma fracção do custo americano. A narrativa de “só o ocidente pode fazer IA segura” vacila.
E ainda no início.
A história da IA é uma história de promessas exageradas seguidas de desilusão, seguidas de avanços reais que ninguém previu da forma como aconteceram. O padrão repete-se. A diferença hoje é que os avanços reais chegaram — e não há terceiro inverno à vista. O que vem a seguir não está neste artigo. Está a ser escrito agora, em laboratórios, em startups, em decisões políticas que ainda não foram tomadas.
