História · Inteligência artificial

Como a inteligência artificial chegou até aqui

A história da IA reúne propostas de raciocínio, sistemas baseados em conhecimento e aprendizado com dados. Projetos e trabalhos entre 1955 e 2017 mostram avanços, limites e mudanças de expectativa.

Período desta leitura: 1955–2017.

Caminhos que se cruzam

1. Regras e planos
2. Conhecimento
3. Aprendizado

Uma pergunta antiga, várias maneiras de trabalhar

A inteligência artificial não surgiu com uma única técnica nem com uma interface recente. Pesquisadores tentaram representar problemas, escolher ações, usar conhecimento especializado e aprender relações em dados. Esses caminhos se cruzaram, e nenhum experimento isolado resume o campo.

O recorte deste artigo acompanha projetos e documentos de pesquisa, sobretudo dos Estados Unidos e do Reino Unido, entre 1955 e 2017. Ele explica mudanças de abordagem sem pretender cobrir todas as contribuições ou a história da IA no Brasil.

1955–1956: uma proposta, não uma promessa cumprida

A proposta de Dartmouth, datada de 31 de agosto de 1955 e assinada por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, planejava um projeto de verão em 1956. O documento usa a expressão “inteligência artificial” e apresenta questões sobre linguagem, abstração, redes de neurônios e aperfeiçoamento de máquinas.

A proposta é uma fonte de época sobre objetivos e expectativas. Suas hipóteses não são demonstrações de que cada capacidade tenha sido alcançada. O próprio texto cita pesquisas anteriores: o encontro não apaga o trabalho que já existia sobre máquinas, lógica e aprendizagem.

Esse conjunto de questões também mostra que o campo não começou com um único método. Sistemas baseados em regras e pesquisas sobre aprendizado não precisam ser tratados como capítulos que nunca se sobrepõem.

1966–1972: fazer planos num ambiente limitado

O projeto Shakey, do Stanford Research Institute, reuniu percepção, planejamento e ação num robô móvel. Câmeras e sensores forneciam informações a computadores que participavam do controle. A síntese do Computer History Museum descreve o projeto entre 1966 e 1972.

O ambiente de teste tinha salas, blocos e rampas. Planejar uma ação nesse espaço era uma realização técnica específica; não equivalia a lidar com toda situação de um ambiente doméstico ou urbano.

A contribuição ajuda a entender uma abordagem simbólica: representar objetos, condições e objetivos e procurar uma sequência de ações. O trabalho com um problema delimitado permite medir resultados, mas limita o que pode ser generalizado.

Conhecimento especializado, utilidade e manutenção

Sistemas especialistas organizaram conhecimento de um domínio para apoiar inferências. Em vez de resolver qualquer problema, buscavam trabalhar numa área delimitada. Regras que relacionavam uma situação a uma ação eram uma forma de representar esse conhecimento.

No painel de história oral sobre sistemas especialistas, registrado pelo museu em 2017, participantes como Edward Feigenbaum e Bruce Buchanan discutem a extração e a representação de conhecimento. O relato é uma fonte primária sobre suas experiências, registrada décadas depois dos projetos.

O museu também descreve dificuldades para ampliar e manter esses sistemas. Uma solução útil num domínio pode exigir muito trabalho para incorporar exceções, revisar regras e acompanhar mudanças.

Períodos de frustração e retração de expectativas ficaram associados à expressão “inverno da IA”. As datas e causas variam conforme o recorte; o painel registra pesquisa que continuou em períodos chamados de inverno. Por isso, a expressão não deve sugerir que todo trabalho desapareceu de uma vez.

1986: ajustar representações a partir de erros

O artigo de David Rumelhart, Geoffrey Hinton e Ronald Williams, publicado em 1986, descreve o aprendizado de representações com propagação de erros em redes com camadas internas. O procedimento ajusta pesos para reduzir diferenças entre saídas produzidas e esperadas.

Isso ajuda a explicar uma mudança de foco: além de escrever regras de um domínio, pesquisadores podem ajustar parâmetros a partir de exemplos. O artigo não é a origem exclusiva de redes neurais nem prova que uma rede compreenda o mundo como uma pessoa.

Uma rede neural é um modelo computacional. O nome faz referência a uma inspiração biológica, mas seus elementos e seu treinamento não são uma reprodução completa do cérebro.

2012: dados, processamento e um teste de imagens

Krizhevsky, Sutskever e Hinton apresentaram em 2012 uma rede convolucional profunda para classificação de imagens no conjunto ImageNet. O trabalho descreve treinamento com grande quantidade de imagens, uso de GPUs e técnicas para reduzir sobreajuste.

Uma GPU é um processador capaz de realizar muitas operações em paralelo. Sua participação nesse experimento mostra que modelos, dados e capacidade de cálculo importam juntos.

O resultado foi medido numa tarefa de classificação com critérios próprios. Reconhecer classes de imagens num conjunto de avaliação não equivale a entender qualquer fotografia nem a demonstrar todas as capacidades reunidas sob o nome IA.

2017: uma arquitetura baseada em atenção

O trabalho Attention Is All You Need, de Vaswani e colaboradores, teve sua primeira submissão ao arXiv em 12 de junho de 2017. Ele apresenta a arquitetura Transformer com resultados em tradução.

A atenção é um mecanismo que relaciona representações de partes de uma sequência para produzir outras representações. É uma operação do modelo; não significa atenção consciente. A arquitetura apresentada oferece uma forma de organizar o processamento de sequências, com diferenças em relação aos modelos comparados no artigo.

A data de submissão, as revisões e a publicação em conferência são acontecimentos distintos. Também é preciso separar a arquitetura de um produto completo: interface, dados de treinamento, avaliação e distribuição acrescentam outras decisões.

Como ler essa trajetória

Esta seleção não descreve uma marcha inevitável até os sistemas atuais. Uma abordagem não elimina automaticamente as anteriores, e resultados dependem das tarefas e condições de teste.

Pergunte o que cada projeto tentou fazer, qual evidência foi apresentada e o que ficou fora do experimento. Esse cuidado ajuda a reconhecer avanços sem transformar demonstrações delimitadas em promessas universais.

Próxima leitura

Acompanhe como uma IA aprende com dados para ver treino e avaliação num exemplo numérico. A linha do tempo situa a seleção junto à história das máquinas e das redes.