História e fundamentos da IA

Hoje muita gente encontra IA pela primeira vez em forma de conversa: um chatbot que responde perguntas, escreve textos, resume documentos e ajuda a programar. Isso dá a impressão de que inteligência artificial sempre foi linguagem natural fluida. Não foi.

Durante boa parte da história da IA, o sonho era outro: fazer máquinas resolverem problemas, seguirem regras, provarem teoremas, planejarem ações, jogarem xadrez, reconhecerem padrões ou imitarem especialistas humanos em domínios específicos.

Uma das primeiras apostas fortes foi a IA simbólica. A ideia era representar conhecimento usando símbolos, regras e lógica. Em vez de aprender com milhões de exemplos, a máquina receberia regras explícitas sobre o mundo.

Esse tipo de abordagem combina com frases como: se uma pessoa é humana, então ela é mortal; Sócrates é humano; portanto, Sócrates é mortal. A máquina manipula símbolos conforme regras formais. Parece elegante — e é. Mas o mundo real costuma ser muito mais bagunçado que um exercício de lógica.

Depois vieram sistemas especialistas: programas que tentavam capturar o conhecimento de médicos, engenheiros, analistas ou outros especialistas em uma grande coleção de regras.

Eles podiam funcionar bem em domínios estreitos, quando as regras eram claras. Mas sofriam para lidar com exceções, ambiguidade, senso comum e situações novas. Era como tentar colocar o mundo inteiro dentro de um fichário de regras. Corajoso, mas levemente insano — no melhor sentido acadêmico.

Outra tradição importante da IA é a busca. Imagine um jogo, um labirinto ou um problema de planejamento. A máquina precisa explorar caminhos possíveis até encontrar uma solução boa.

Em vez de ‘entender’ o mundo como uma pessoa, ela pode testar estados: se eu fizer isso, chego ali; se eu escolher outro caminho, talvez chegue melhor. Essa visão foi muito importante em jogos, planejamento e resolução de problemas.

Grafos aparecem naturalmente quando queremos representar relações: uma coisa ligada a outra. Pessoas conectadas em uma rede social, cidades conectadas por estradas, conceitos conectados por significado, páginas conectadas por links.

Em IA, grafos ajudam a representar conhecimento e busca. Se ‘café’ está ligado a ‘bebida’, ‘cafeína’ e ‘xícara’, a máquina pode navegar por essas relações. Isso é poderoso para conhecimento explícito, mas ainda não resolve sozinho a complexidade da linguagem humana.

Com o tempo, uma ideia ganhou força: em vez de escrever todas as regras manualmente, podemos dar exemplos para a máquina e deixar que ela aprenda padrões.

Essa virada estatística muda o centro da IA. A pergunta deixa de ser apenas ‘quais regras devemos escrever?’ e passa a ser ‘quais padrões aparecem nos dados?’. Isso abre caminho para classificação, previsão, reconhecimento de fala, tradução automática e, mais tarde, modelos de linguagem modernos.

Redes neurais entram nessa história como sistemas com muitas conexões ajustáveis. Elas recebem uma entrada, transformam essa entrada por camadas e produzem uma saída. Durante o treinamento, os pesos dessas conexões são ajustados para reduzir erros.

É tentador dizer que elas ‘imitam o cérebro’, mas essa metáfora deve ser usada com cuidado. Para nosso curso, é melhor pensar nelas como máquinas matemáticas flexíveis que aprendem transformações a partir de exemplos.

Modelos de linguagem grandes não surgiram do nada. Eles combinam várias linhas históricas: estatística para prever padrões, redes neurais para aprender representações, tokens para transformar texto em unidades manipuláveis, atenção para conectar partes do contexto e hardware poderoso para fazer tudo isso em escala.

Quando olhamos para uma LLM, estamos vendo um capítulo recente de uma história maior. Ela não substitui toda a IA anterior; ela herda ideias, resolve alguns problemas antigos e cria problemas novos. Um pacote completo: brilhante, caro e ocasionalmente dramático.