História e evolução da IA: do simbólico à IA generativa

1956–1974: Era da IA simbólica e o primeiro inverno

A história começa em 1956 na Conferência de Dartmouth, quando McCarthy, Minsky e outros cientistas formalizaram o campo. Otimismo era absoluto: previsão era que em 20 anos, máquina teria inteligência geral humana. Por quê? Porque computadores acabavam de ser inventados; parecia apenas questão de escalar.

A abordagem era "IA simbólica" — você codifica conhecimento em regras: "se paciente tem febre e tosse, suspeita pneumonia". O sistema aplicava regras para deduzir resposta. Funcionou em nichos: programas para diagnóstico, resolução de xadrez por força bruta. Mas fracassou em escala: o mundo real tem exceções infinitas, contexto que não cabe em regra fixa. E dados não ajudavam; máquina não aprendia com experiência.

Resultado: 1974 marcou o fim do otimismo. Funding secou. Período chamado "primeiro inverno de IA" durou até 1980.

1980–1993: Sistemas especialistas e o segundo inverno

Nos anos 80, surgiu nova esperança: sistemas especialistas. Ideia era capturar conhecimento de humano especialista em regras. Um especialista em diagnóstico médico ajudava a codificar suas regras; máquina replicava. Funcionou em nichos muito focados: diagnóstico de doenças raras, apoio a decisão em engenharia.

Mas problema persistia: quando dados do mundo mudavam (novo medicamento, novo padrão de doença), regras ficavam obsoletas. Sistema quebrava. Manutenção era cara. Era escalável apenas se cada novo domínio tinha especialista disposto a codificar regras — impraticável para maioria dos problemas reais.

1987–1993: segundo inverno. Comunidade reconheceu que "codificar conhecimento" era abordagem errada. Máquina precisa aprender, não executar regras fixas.

1997–2011: Sinais de que aprendizado funcionava

Dois marcos mostraram que mudança de abordagem era caminho certo.

1997 — Deep Blue derrota Kasparov no xadrez: Máquina conseguiu vencer melhor jogador humano de xadrez. Mas foi "força bruta" pura, não inteligência — avaliou bilhões de posições de xadrez por segundo. Tecnicamente era automação, não IA. Ainda assim, virou ponto de inflexão no discurso público: "IA consegue vencer humano em tarefa complexa".

2011 — IBM Watson vence Jeopardy: Diferente de xadrez, Jeopardy exige entender linguagem natural, duplo sentido, contexto. Watson não apenas calculava; tentava interpretar. Primeira vez que público viu máquina entender (de forma primitiva) linguagem humana. Pesquisa em redes neurais profundas (Deep Learning) estava acelerando.

2012 onwards: Deep Learning revoluciona tudo

O ponto de virada foi 2012. Competição de reconhecimento de imagem chamada ImageNet desafiava algoritmos a identificar objetos em fotos. Historicamente, abordagem simbólica perdia constantemente. Em 2012, equipe de Geoffrey Hinton apresentou rede neural profunda chamada AlexNet — e venceu por margem gigantesca, reduzindo erro em 50%.

O que mudou? Três coisas: (1) GPUs (processadores gráficos) ficaram acessíveis — permitem treinar redes neurais 10x mais rápido; (2) volume de dados explodiu — internet, redes sociais, câmeras, sensores geravam dados em escala antes impossível; (3) técnicas matemáticas melhoraram, especialmente a compreensão de "backpropagation" — como treinar redes neurais profundas.

2012–2020 foi boom de Deep Learning: reconhecimento de voz melhorou radicalmente, tradução automática ficou prática, visão computacional funcionou. Empresas construíram produtos reais: Uber usava IA para matching, Netflix para recomendação, Google para busca e tradução.

Mas ainda tinha limite: IA era "estreita" — modelo treinado para reconhecer gatos funcionava só para gatos; se você mudava tarefa, tinha que reentreinar do zero.

2017: Transformers abrem porta para IA generativa

Em 2017, pesquisadores do Google publicaram paper chamado "Attention is All You Need" descrevendo nova arquitetura chamada Transformer. Para IA, isso foi revolucionário — permitiu processar linguagem em escala sem que quebra-se com frases longas ou complexas.

Transformers funcionam como se estivessem "prestando atenção" a diferentes partes da frase simultaneamente, entendendo contexto. Tecnicamente, mudança parecia incremental; na prática, foi o alicerce que permitiu tudo que veio depois: BERT, GPT, Claude, Gemini.

A partir de 2017, pesquisa acelerou: modelos ficaram maiores, treinados com mais dados, e começaram a funcionar para múltiplas tarefas com o mesmo modelo. Em vez de treinar modelo novo para cada tarefa, você toma modelo general e "pede" que faça coisa nova. Isso é IA generativa.

2018–2022: Modelos pré-treinados escalam

2018 trouxe BERT (Google), capaz de entender linguagem. 2020 trouxe GPT-3 (OpenAI), com 175 bilhões de parâmetros — 10x maior que modelos anteriores. Para primeira vez, modelo conseguia fazer múltiplas tarefas razoavelmente bem (tradução, resumo, responder pergunta, escrever código) sem retraining específico.

Mas GPT-3 era caríssimo, acessível apenas via API. Poucas empresas conseguiam usar. Ainda era "coisa de research", não de operação.

Novembro 2022: ChatGPT muda tudo

ChatGPT saiu em novembro 2022, gratuito, acessível a qualquer pessoa. Atingiu 1 milhão de usuários em 5 dias. O que mudou? Não era tecnologia radicalmente nova — era GPT-3.5 com fine-tuning. O que mudou era acessibilidade: interface simples (chat), resultado imediato, funcionava bem para a maioria das tarefas de texto.

ChatGPT saiu do laboratório de pesquisa para sala de estar, sala de diretoria, operação de empresa. De repente, IA não era "futuro"; era "hoje".

Consequência: todas as empresas tech tiveram que lançar alternativa. Google lançou Gemini (fevereiro 2024, corrigindo fracasso do Bard). Meta lançou LLaMA (aberto, qualquer um pode usar). Anthropic (ex-pesquisadores da OpenAI) lançou Claude. Xai lançou Grok. Mercado inteiro reacelerou.

2023 onwards: Era da IA generativa operacional

Hoje estamos em era onde IA generativa não é pesquisa; é infraestrutura de negócio. Empresas usam para: gerar relatórios, responder email automaticamente, analisar documentos, escrever código, otimizar processos. Governos e reguladores entraram na conversa — EU aprovou AI Act historicamente, exigindo governança e transparência.

Mudou também o custo. Chamar GPT-4 custa centavos por requisição. Qualquer empresa, até pequena, consegue usar via API. Isso democratizou IA de forma que nunca foi vista antes.

Paralelo: enquanto modelos gigantes (GPT-4, Claude 3 Opus) dominam tarefas complexas, apareceram modelos menores, mais baratos, rodáveis localmente (LLaMA 2, Mistral, Deepseek). Oferece tradeoff entre custo e performance.

O que essa história explica sobre o presente

Entender história é crítico para três decisões corporativas.

1 — Por que agora: IA não é nova. É combinação de tecnologia madura (Transformers, Deep Learning) com três ingredientes que faltavam antes: dados em volume gigantesco, poder computacional acessível (GPUs, cloud), modelos pré-treinados abertos. Não é "descoberta nova"; é "convergência de condições".

2 — Por que é diferente dessa vez: Tentativas anteriores (sistemas especialistas, redes neurais primitivas) falharam por limitações técnicas fundamentais. Elas foram superadas. Transformer e Deep Learning resolvem problemas que eram intratáveis. Não é hype; é tecnologia que funciona.

3 — Por que confiança: IA teve dois "invernos" onde investimento foi perdido. Empresas ficaram com medo. Histórico mostra que ciclos anteriores eram fundamentais — permitiram aprender o que não funciona, pavimentaram caminho para o que funciona hoje. Inverno não foi desperdício; foi aprendizado^[2].

Timeline visual: marcos principais

1956: Conferência de Dartmouth formaliza IA. Otimismo: "IA em 20 anos".
1974: Primeiro inverno começa. Funding seca. Espera: 6 anos.
1980–1987: Era dos sistemas especialistas. Bom em nichos, frágil em escala.
1987: Segundo inverno começa. Comunidade reconhece: regras fixas não funcionam.
1997: Deep Blue vence Kasparov no xadrez. Público vê IA "inteligente".
2011: Watson vence Jeopardy. Linguagem natural funciona (primitivamente).
2012: AlexNet revoluciona visão computacional via Deep Learning. GPUs tornam treino viável. Boom começa.
2017: Transformers (Attention is All You Need). Alicerce para tudo que vem depois.
2018–2020: BERT, GPT-2, GPT-3. Modelos cada vez maiores, genéricos, funcionam para múltiplas tarefas.
Nov 2022: ChatGPT sai público. Viral. IA sai do lab para operação do dia a dia.
2023 onwards: Era da IA generativa operacional. Regulação entra. IA é infraestrutura, não futuro.