Série Inteligência Artificial, parte 1 de 4. Este ensaio abre a série com a história da inteligência artificial e as definições que ainda orientam a pesquisa na área.
Quem estuda a história da inteligência artificial descobre logo que o campo nasceu de uma pergunta filosófica e de uma aposta de engenharia. A pergunta é antiga: uma máquina pode pensar? A aposta é dos anos 1950: se a inteligência puder ser descrita com precisão suficiente, ela poderá ser simulada por um computador. Entre essas duas pontas, o campo viveu ciclos de euforia e desânimo e trocou de métodos mais de uma vez até chegar aos sistemas generativos atuais.
Para o estudante de marketing, comunicação ou tecnologia, conhecer esse percurso não é erudição gratuita. Boa parte das promessas e dos medos atuais sobre IA já apareceu antes, com outros nomes, e entender por que expectativas exageradas levaram a cortes de financiamento ajuda a ler com mais cuidado os anúncios do presente. Também ajuda a escolher o vocabulário de um TCC: “IA”, “aprendizado de máquina” e “IA generativa” não são sinônimos.
Este texto percorre as definições de IA, os marcos fundadores, as escolas simbólica e conexionista, os invernos da IA e as críticas filosóficas, terminando com o que isso significa para quem trabalha com conteúdo e negócios digitais.
O que é inteligência artificial: um conceito disputado
Não existe uma definição única de inteligência artificial, e isso não é defeito do campo, mas parte da sua história. A proposta da conferência de Dartmouth, redigida em 1955, já trazia a ideia central: tratar cada aspecto da aprendizagem ou de qualquer outra característica da inteligência como algo que, em princípio, pode ser descrito de forma tão precisa que uma máquina consiga simulá-lo (McCarthy et al., 2006). O próprio termo “inteligência artificial” aparece nesse documento.
Russell e Norvig (2013), no manual mais adotado em cursos de computação, organizam as definições em uma matriz de duas dimensões. A primeira distingue sistemas que pensam de sistemas que agem. A segunda distingue o padrão de comparação: o desempenho humano ou um ideal de racionalidade. O cruzamento gera quatro abordagens:
- Pensar como humanos: a via da modelagem cognitiva, que busca reproduzir os processos mentais das pessoas.
- Agir como humanos: a via do teste de Turing, em que o critério é o comportamento indistinguível do humano.
- Pensar racionalmente: a tradição da lógica formal como modelo do raciocínio correto.
- Agir racionalmente: a via do agente racional, que escolhe a ação com o melhor resultado esperado diante do que sabe.
Os autores adotam a quarta abordagem como fio condutor: a IA é o estudo de agentes que percebem o ambiente e agem sobre ele. Essa escolha é a base da discussão sobre agentes de IA, que voltou ao centro do debate com os sistemas baseados em modelos de linguagem.
No Brasil, a coletânea organizada por Cozman, Plonski e Neri (2021) no Instituto de Estudos Avançados da USP mostra como o conceito circula em áreas muito diferentes, do direito à saúde. Kaufman (2022), por sua vez, insiste em separar o que as técnicas atuais de fato fazem da imagem de máquina pensante que o termo sugere.
Antes e durante Dartmouth: os marcos fundadores
O neurônio lógico e a pergunta de Turing
Dois trabalhos anteriores ao termo “inteligência artificial” costumam ser apontados como fundadores. McCulloch e Pitts (1943) propuseram um modelo matemático simplificado do neurônio. Nele, cada unidade dispara ou não conforme a soma das entradas, e redes dessas unidades podem calcular funções lógicas: a semente distante das redes neurais atuais.
Sete anos depois, Turing (1950) publicou na revista Mind o artigo que propõe o jogo da imitação. Em vez de discutir em abstrato se máquinas podem pensar, Turing sugere um teste operacional: um interrogador conversa por escrito com um humano e com uma máquina e tenta descobrir quem é quem. Se a máquina não puder ser distinguida de forma confiável, teríamos razões para lhe atribuir algo como pensamento. O artigo também antecipa objeções (teológicas, matemáticas, da consciência) e sugere que, em vez de programar uma mente adulta, talvez fosse melhor criar uma máquina que aprendesse como uma criança, um prenúncio do aprendizado de máquina.
A conferência de Dartmouth
Em 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon redigiram a proposta de um projeto de pesquisa de verão a ser realizado no Dartmouth College em 1956 (McCarthy et al., 2006). O documento listava temas como linguagem, abstração, redes neurais e criatividade, e apostava em avanços significativos obtidos por um grupo pequeno em um único verão. A aposta se revelou otimista demais, mas o encontro deu nome ao campo e reuniu pesquisadores que o liderariam por décadas.
Nessa mesma época, Newell e Simon apresentaram programas capazes de provar teoremas lógicos e resolver problemas por busca heurística. Duas décadas depois, eles formalizariam a hipótese do sistema de símbolos físicos: um sistema que manipula símbolos segundo regras teria os meios necessários e suficientes para a ação inteligente geral (Newell; Simon, 1976). Essa hipótese é o coração da primeira grande escola da IA.
Duas escolas de pensamento: simbólica e conexionista
A IA simbólica
A IA simbólica, às vezes chamada de GOFAI (sigla em inglês para a boa e velha IA), parte do pressuposto de que o conhecimento pode ser representado explicitamente, com símbolos, regras e estruturas lógicas. Raciocinar seria manipular essas representações. Seus maiores sucessos vieram em domínios bem delimitados: jogos, prova de teoremas, planejamento e, a partir dos anos 1970, os sistemas especialistas. Esses programas codificavam o conhecimento de especialistas humanos em regras condicionais para diagnosticar doenças, configurar equipamentos ou interpretar dados químicos (Nilsson, 2010).
A força dessa abordagem é a transparência: é possível inspecionar as regras e explicar cada conclusão. Sua fraqueza é a fragilidade diante de situações não previstas, além do custo de extrair e manter milhares de regras, o chamado gargalo da aquisição de conhecimento.
A IA conexionista
A escola conexionista se inspira, de forma livre, no cérebro. Em vez de regras escritas por humanos, ela usa redes de unidades simples interligadas, cujos pesos são ajustados a partir de exemplos. O conhecimento não fica em um lugar específico; ele está distribuído nas conexões. A linhagem vem de McCulloch e Pitts (1943) e ganhou forma prática com o perceptron, no fim dos anos 1950, tema da próxima parte desta série.
Em 1969, Minsky e Papert publicaram Perceptrons, uma análise matemática rigorosa das limitações das redes de uma única camada. Eles mostraram, por exemplo, que esse tipo de rede não consegue representar certas funções simples, como o ou exclusivo (Minsky; Papert, 1969). A obra é frequentemente apontada como um dos fatores que esvaziaram o interesse e o financiamento da pesquisa conexionista por mais de uma década. Historiadores do campo, porém, lembram que o declínio teve várias causas, e que as limitações demonstradas valiam para redes simples, não para redes com várias camadas (Nilsson, 2010).
Os invernos da IA: quando as promessas não se cumprem
Inverno da IA é o nome dado aos períodos de corte de financiamento e descrédito que se seguiram a promessas não cumpridas. A literatura costuma identificar dois grandes invernos (Russell; Norvig, 2013; Nilsson, 2010).
O primeiro, em meados dos anos 1970, teve como marco o relatório de James Lighthill ao Science Research Council britânico. Lighthill (1973) avaliou que a pesquisa em IA não havia entregado os resultados prometidos fora de problemas de brinquedo. Apontou ainda a explosão combinatória, isto é, o crescimento explosivo do número de possibilidades quando os problemas aumentam de tamanho, como um obstáculo que os métodos da época não superavam. O relatório contribuiu para cortes no Reino Unido, e movimentos semelhantes ocorreram nos Estados Unidos.
O segundo inverno veio no fim dos anos 1980, depois do boom comercial dos sistemas especialistas. As empresas investiram pesado, mas os sistemas eram caros de manter, difíceis de atualizar e frágeis fora do domínio original. O mercado de hardware especializado entrou em colapso e o próprio rótulo de IA passou a ser evitado em propostas de pesquisa (Nilsson, 2010).
A recuperação veio por caminhos mais modestos e estatísticos: métodos probabilísticos, aprendizado de máquina e, depois de 2010, o aprendizado profundo.
Debate e críticas: a IA pode entender alguma coisa?
Ao lado da história técnica, corre uma história de críticas filosóficas que continua atual. Dreyfus (1972) argumentou que a inteligência humana depende de um saber tácito, corporificado e situado, que não se reduz a regras explícitas. Para ele, o programa da IA simbólica estava condenado a esbarrar nesse limite. A crítica ganhou força com o declínio dos sistemas especialistas, mas foi formulada contra a IA de regras e não antecipava métodos que aprendem padrões a partir de dados.
Searle (1980) propôs o experimento mental do quarto chinês. Uma pessoa que não sabe chinês, trancada em um quarto com um manual de regras, consegue responder a perguntas em chinês manipulando símbolos que não compreende. Para Searle, isso mostraria que executar um programa não basta para haver compreensão. Ele distingue a IA fraca, que usa computadores como ferramentas para estudar a mente, da IA forte, segundo a qual um programa adequado de fato teria uma mente. O argumento recebeu muitas réplicas e segue sem consenso, mas voltou com força diante de modelos que produzem textos fluentes.
Vale notar que essas críticas são argumentos conceituais, não resultados empíricos: servem para questionar afirmações, não para medi-las. Na mesma linha, Kaufman (2022) alerta para o risco de antropomorfizar sistemas estatísticos, atribuindo a eles intenções que não têm.
Aplicação: o que essa história ensina a quem trabalha com marketing e conteúdo
A primeira lição é desconfiar de prazos. Os pesquisadores de Dartmouth eram brilhantes e, ainda assim, subestimaram a dificuldade dos problemas. Quando uma ferramenta promete substituir uma equipe inteira de criação, vale lembrar os dois invernos: o avanço real é enorme, mas demonstrações não são resultados consistentes no dia a dia do negócio.
A segunda lição é escolher a ferramenta pelo tipo de problema. Regras explícitas ainda funcionam muito bem: um fluxo de atendimento automático no WhatsApp, com respostas fixas para perguntas frequentes, é essencialmente IA simbólica em versão simples. Já tarefas com muita variação, como classificar comentários ou gerar rascunhos de legenda, se beneficiam de modelos que aprendem com dados. No post prático como usar inteligência artificial no seu negócio há exemplos dos dois tipos.
A terceira lição é vocabulário preciso. Em um texto para clientes ou em um TCC, “IA” pode significar muita coisa. O texto o que é inteligência artificial generativa mostra por que a IA generativa é apenas uma parte do campo. Por fim, vale o ceticismo saudável: a capacidade de gerar conteúdo convincente, critério de Turing para a inteligência, hoje também serve para enganar, como mostra o post sobre golpes com inteligência artificial.
Para pesquisar: questões e caminhos para TCC
Algumas perguntas de pesquisa que partem deste ensaio:
- Como a imprensa brasileira enquadrou a inteligência artificial em diferentes períodos, e há sinais de ciclos de euforia e desencanto semelhantes aos invernos da IA? Método sugerido: análise de conteúdo de reportagens em jornais e portais, com recorte temporal.
- Como pequenos empreendedores de uma cidade do interior definem “inteligência artificial”, e essa definição se aproxima de qual das quatro abordagens de Russell e Norvig? Método: entrevistas semiestruturadas e análise temática.
- Que promessas sobre IA aparecem em anúncios de ferramentas de marketing, e quais delas são verificáveis? Método: análise documental de páginas de venda, com categorias definidas a partir da literatura.
- Estudantes de graduação distinguem IA simbólica de aprendizado de máquina ao usar chatbots? Método: questionário com escalas e perguntas abertas.
Palavras-chave de busca para Google Acadêmico, SciELO e Portal de Periódicos da CAPES: “história da inteligência artificial”, “inteligência artificial simbólica”, “conexionismo”, “teste de Turing”, “inverno da IA”, “quarto chinês”; em inglês, “history of artificial intelligence”, “symbolic AI”, “connectionism”, “AI winter”, “Turing test”, “Chinese room argument”, “physical symbol system hypothesis”.
Considerações finais
A trajetória da IA é menos linear do que as manchetes sugerem. Ela é feita de escolas rivais, apostas otimistas, críticas filosóficas e longos períodos de descrédito, seguidos de retomadas por caminhos inesperados. A distinção entre a abordagem simbólica, baseada em regras explícitas, e a conexionista, baseada em aprendizado a partir de dados, continua sendo uma chave útil para entender as ferramentas atuais e seus limites. Também continua útil a definição de IA como estudo de agentes racionais, que voltará a aparecer quando esta coleção de ensaios tratar dos agentes de IA.
Na parte 2 desta série, o foco passa à virada que tirou o campo do segundo inverno: o aprendizado de máquina e as redes neurais, do perceptron ao aprendizado profundo.
Referências
COZMAN, Fabio G.; PLONSKI, Guilherme Ary; NERI, Hugo (org.). Inteligência artificial: avanços e tendências. São Paulo: Instituto de Estudos Avançados, 2021.
DREYFUS, Hubert L. What computers can’t do: a critique of artificial reason. New York: Harper & Row, 1972.
KAUFMAN, Dora. Desmistificando a inteligência artificial. Belo Horizonte: Autêntica, 2022.
LIGHTHILL, James. Artificial intelligence: a general survey. In: SCIENCE RESEARCH COUNCIL. Artificial intelligence: a paper symposium. [S. l.]: Science Research Council, 1973.
MCCARTHY, John et al. A proposal for the Dartmouth summer research project on artificial intelligence, August 31, 1955. AI Magazine, v. 27, n. 4, p. 12-14, 2006.
MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943.
MINSKY, Marvin; PAPERT, Seymour. Perceptrons: an introduction to computational geometry. Cambridge, MA: MIT Press, 1969.
NEWELL, Allen; SIMON, Herbert A. Computer science as empirical inquiry: symbols and search. Communications of the ACM, v. 19, n. 3, p. 113-126, 1976.
NILSSON, Nils J. The quest for artificial intelligence: a history of ideas and achievements. Cambridge: Cambridge University Press, 2010.
RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial. 3. ed. Rio de Janeiro: Elsevier, 2013.
SEARLE, John R. Minds, brains, and programs. Behavioral and Brain Sciences, v. 3, n. 3, p. 417-424, 1980.
TURING, Alan M. Computing machinery and intelligence. Mind, v. 59, n. 236, p. 433-460, 1950.
Como citar este texto
RÚBIO, Mélker. História da inteligência artificial: definições, escolas de pensamento e invernos. MR Academy, Novo Progresso, 10 out. 2026. Disponível em: https://melkerrubio.com/inteligencia-artificial-historia-e-definicoes/. Acesso em: [data do seu acesso].
Quer aprofundar com aulas práticas? Conheça os cursos da MR Academy.
