{"id":14677,"date":"2026-08-26T18:01:22","date_gmt":"2026-08-26T21:01:22","guid":{"rendered":"https:\/\/ilheusnews.com.br\/?p=14677"},"modified":"2026-08-26T18:01:22","modified_gmt":"2026-08-26T21:01:22","slug":"como-a-inteligencia-artificial-foi-descoberta-a-historia-real","status":"publish","type":"post","link":"https:\/\/ilheusnews.com.br\/?p=14677","title":{"rendered":"Como a intelig\u00eancia artificial foi \u201cdescoberta\u201d: a hist\u00f3ria real"},"content":{"rendered":"
\n

A intelig\u00eancia artificial<\/strong> n\u00e3o foi descoberta em um \u00fanico dia, nem por um \u00fanico cientista<\/strong>. Sua hist\u00f3ria<\/strong> \u00e9 feita de promessas exageradas, previs\u00f5es furadas e d\u00e9cadas de descr\u00e9dito. E \u00e9 justamente por isso que ela \u00e9 t\u00e3o interessante.<\/p>\n

O ponto de partida: uma pergunta inc\u00f4moda<\/h2>\n

Em 1950<\/strong>, o matem\u00e1tico brit\u00e2nico Alan Turing publicou um artigo com uma pergunta simples: m\u00e1quinas podem pensar? Ele prop\u00f4s um teste pr\u00e1tico \u2014 se um humano n\u00e3o consegue distinguir a m\u00e1quina de outra pessoa numa conversa, o que muda?<\/p>\n

O termo \u201cintelig\u00eancia artificial\u201d s\u00f3 apareceria seis anos depois. Foi cunhado por John McCarthy em um encontro de ver\u00e3o no Dartmouth College, em 1956<\/strong>. Estavam ali nomes como Marvin Minsky, Claude Shannon e Nathaniel Rochester.<\/p>\n

A proposta do evento era ousada: um grupo pequeno de pesquisadores poderia avan\u00e7ar significativamente no problema em dois meses<\/em>. N\u00e3o foi bem assim.<\/p>\n

O erro inicial: apostar tudo nas regras<\/h2>\n

Os primeiros pesquisadores acreditavam que intelig\u00eancia era manipula\u00e7\u00e3o de s\u00edmbolos e regras l\u00f3gicas. Bastaria escrever regras suficientes e a m\u00e1quina raciocinaria. Programas como o Logic Theorist<\/em> e o General Problem Solver<\/em> refor\u00e7aram esse otimismo.<\/p>\n

Em paralelo, surgiu uma linha rival. Em 1958<\/strong>, Frank Rosenblatt apresentou o Perceptron, uma rede que aprendia com exemplos em vez de seguir regras . A imprensa da \u00e9poca tratou o invento como o embri\u00e3o de uma m\u00e1quina consciente.<\/p>\n

A euforia durou pouco. Em 1969<\/strong>, Minsky e Seymour Papert publicaram um livro mostrando limita\u00e7\u00f5es matem\u00e1ticas do perceptron simples. O financiamento secou. Come\u00e7ava o primeiro \u201cinverno da IA\u201d.<\/p>\n

Duas d\u00e9cadas de desconfian\u00e7a<\/h2>\n

Nos anos 1980, os \u201csistemas especialistas\u201d trouxeram algum f\u00f4lego comercial. Empresas compraram a ideia de m\u00e1quinas que replicavam o conhecimento de profissionais. Mas os sistemas eram caros, fr\u00e1geis e dif\u00edceis de atualizar. Veio o segundo inverno.<\/p>\n

Enquanto isso, uma minoria teimosa seguia trabalhando com redes neurais. A populariza\u00e7\u00e3o do algoritmo de retropropaga\u00e7\u00e3o, em 1986<\/strong>, foi decisiva. Ainda faltavam dados e poder de c\u00e1lculo.<\/p>\n

A virada: quando o consenso mudou<\/h2>\n

O ponto de inflex\u00e3o veio em 2012<\/strong>. Uma rede neural profunda venceu a competi\u00e7\u00e3o de reconhecimento de imagens ImageNet com margem grande sobre os concorrentes. O segredo n\u00e3o era uma teoria nova, mas a combina\u00e7\u00e3o de tr\u00eas fatores:<\/p>\n