Em 1956, dez pesquisadores passaram um verão em uma faculdade americana com uma aposta ousada: a de que toda faceta da inteligência poderia ...
No verão de 1956, o campus do Dartmouth College, nos Estados Unidos, recebeu um grupo de jovens pesquisadores para dois meses de conversas sobre um assunto que ainda nem tinha nome direito. A proposta do encontro, redigida um ano antes por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, pedia financiamento com uma frase de autoconfiança impressionante: o estudo partiria da conjectura de que cada aspecto do aprendizado ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina pode ser feita para simulá-lo (McCARTHY et al., 2006). Foi nesse documento que a expressão artificial intelligence apareceu pela primeira vez como nome de um campo de pesquisa. Os autores estimavam avanços significativos em um verão. Levou-se um pouco mais: setenta anos, duas grandes decepções coletivas e algumas revoluções de hardware. Mas a aposta de Dartmouth segue de pé — e hoje mora no seu bolso.
Este post abre nossa série sobre inteligência artificial fazendo o serviço de fundação: definir os termos, contar a história e apresentar o vocabulário que os próximos textos vão usar. Se você é da comunidade acadêmica — de qualquer área, não só computação —, este é o mapa para não se perder nas próximas paradas.
Época 01
Inteligência é difícil de definir. IA, nem tanto
Eis uma ironia fundadora: o campo que promete reproduzir a inteligência nunca chegou a um consenso sobre o que ela é. Psicólogos falam em capacidade de aprender e se adaptar; filósofos, em consciência e intencionalidade; biólogos, em resolver problemas para sobreviver. A engenharia da IA contornou o impasse com pragmatismo. O manual mais adotado da área, de Stuart Russell e Peter Norvig, organiza as definições históricas de IA em quatro abordagens, cruzando dois eixos: o que se reproduz (o pensar ou o agir) e o padrão de comparação (o humano ou o racional) (RUSSELL; NORVIG, 2022).
Quadro 1 — Quatro abordagens para definir inteligência artificial
| Abordagem | Pergunta-guia | Área de apoio | Exemplo de critério |
|---|---|---|---|
| Agir como humanos | A máquina se comporta de modo indistinguível de uma pessoa? | Ciência cognitiva aplicada | Teste de Turing |
| Pensar como humanos | Os processos internos imitam a mente humana? | Psicologia cognitiva, neurociência | Modelagem cognitiva |
| Pensar racionalmente | O raciocínio segue as leis da lógica? | Lógica, filosofia | Silogismos, provadores de teoremas |
| Agir racionalmente | O sistema faz a melhor ação possível com o que sabe? | Economia, teoria da decisão | Agente racional |
Fonte: elaborado pelo autor com base em Russell e Norvig (2022).
A abordagem que venceu — e que estrutura a IA contemporânea — é a última: o agente racional. Na prática da IA, inteligência é menos "pensar como nós" e mais "agir bem": escolher, a cada momento, a ação que maximiza a chance de atingir um objetivo (RUSSELL; NORVIG, 2022). Essa escolha de projeto explica muita coisa: um sistema de navegação não precisa "entender" trânsito como um taxista entende; precisa achar rotas boas, rápido.
Época 02
IA fraca, IA forte e o jogo da imitação
Antes mesmo de Dartmouth, Alan Turing já havia atacado o problema por outro ângulo. Em um artigo de 1950 na revista Mind, ele propôs substituir a pergunta "máquinas podem pensar?" — que considerava mal formulada — por um experimento operacional, o jogo da imitação: um interrogador conversa por escrito com dois interlocutores ocultos, um humano e uma máquina; se não conseguir distinguir quem é quem, a máquina passa no teste (TURING, 1950). O hoje chamado Teste de Turing não mede consciência nem compreensão: mede comportamento verbal indistinguível — e é por isso que segue sendo, ao mesmo tempo, célebre e criticado.
A crítica mais famosa veio do filósofo John Searle, em 1980, com o experimento mental do quarto chinês: uma pessoa trancada em um quarto, munida de um manual de regras, responde por escrito a perguntas em chinês sem saber uma palavra do idioma — e, vista de fora, parece fluente. Manipular símbolos conforme regras, argumenta Searle, não é o mesmo que compreender (SEARLE, 1980). Foi nesse debate que se consolidou a distinção entre IA fraca — sistemas que simulam capacidades inteligentes para tarefas específicas, sem qualquer pretensão de mente — e IA forte, a hipótese de uma máquina que genuinamente compreende e tem estados mentais, com capacidade cognitiva geral comparável à humana.
IA fraca não é IA de segunda categoria: é a única que existe até hoje. Todo sistema em operação — do corretor ortográfico ao chatbot mais sofisticado — é IA fraca no sentido técnico: excelente em seu domínio, sem evidência de compreensão genuína. A IA forte (ou IAG, inteligência artificial geral, ou ainda AGI, na sigla em inglês) permanece um horizonte de pesquisa e especulação, não um produto. Convém guardar essa régua para a próxima manchete apocalíptica ou messiânica que cruzar seu feed.
Época 03
Setenta anos em uma linha do tempo (interativa)
A história da IA não é uma subida contínua: é uma alternância de verões de entusiasmo (e financiamento) com invernos de descrença (e cortes). Navegue pelos marcos abaixo — toque ou clique em cada ano; as cores indicam a temperatura da época: tons quentes para os booms, azul-gelo para os invernos.
Selecione um marco na linha acima.
Dica: use as setas do teclado (Tab) para navegar pelos anos.
Duas lições saltam da linha. Primeira: os invernos da IA não mataram a pesquisa — mataram promessas exageradas; foi o diagnóstico de entregas aquém do prometido, como o do relatório britânico de 1973, que congelou os financiamentos (LIGHTHILL, 1973), enquanto o trabalho de base continuou e floresceu quando dados e hardware alcançaram as ideias. Segunda: o que hoje chamamos de revolução (deep learning, IA generativa) são ideias dos anos 1940-80 que esperaram meio século pelas condições materiais — espera reconhecida, em 2024, com o Nobel de Física concedido a John Hopfield e Geoffrey Hinton pelos fundamentos das redes neurais artificiais (NOBEL PRIZE, 2024). Guarde essa humildade histórica para calibrar tanto o entusiasmo quanto o ceticismo do presente.
Época 04
Quatro maneiras de fazer uma máquina "pensar"
Por trás da cronologia há uma disputa de famílias intelectuais — os paradigmas da IA. O simbólico aposta que inteligência é manipulação de símbolos e regras explícitas: lógica, conhecimento representado, inferência — a alma dos sistemas especialistas. O conexionista aposta que inteligência emerge de muitas unidades simples conectadas, como neurônios: conhecimento fica distribuído nos pesos da rede e aprende-se por exemplos — a alma do deep learning. O evolucionário se inspira em Darwin: populações de soluções candidatas competem, cruzam e sofrem mutações, e a seleção faz o projeto — algoritmos genéticos que desenham antenas, horários e circuitos. E o estatístico trata a incerteza como cidadã de primeira classe: probabilidade, inferência bayesiana e aprendizado de máquina sobre dados — a ponte que conectou a IA à ciência de dados (RUSSELL; NORVIG, 2022).
Quadro 2 — Paradigmas da inteligência artificial
| Paradigma | Ideia central | Unidade básica | Exemplos típicos | Auge histórico |
|---|---|---|---|---|
| Simbólico | Inteligência é manipular símbolos por regras explícitas | Símbolo e regra (SE-ENTÃO) | Sistemas especialistas, provadores de teoremas | Décadas de 1950-80 |
| Conexionista | Inteligência emerge de redes de unidades simples | Neurônio artificial e peso | Redes neurais, deep learning, Transformers | 2012 em diante |
| Evolucionário | Soluções evoluem por seleção, cruzamento e mutação | Indivíduo em uma população | Algoritmos genéticos, programação genética | Décadas de 1990-2000 |
| Estatístico | Decidir bem sob incerteza, aprendendo de dados | Variável aleatória e probabilidade | Redes bayesianas, aprendizado de máquina | 1990 em diante |
Fonte: elaborado pelo autor com base em Russell e Norvig (2022).Nota: os períodos de auge são aproximados e se sobrepõem; os sistemas atuais combinam paradigmas (ex.: AlphaGo une redes neurais, busca simbólica e aprendizado por reforço).
Época 05
Agentes inteligentes: PEAS, tipos e ambientes
Se a definição vencedora de IA é "agir racionalmente", a unidade de projeto do campo é o agente: qualquer entidade que percebe seu ambiente por meio de sensores e age sobre ele por meio de atuadores. Um termostato é um agente rudimentar; um robô aspirador, um filtro de spam e um carro autônomo são agentes de sofisticação crescente. Todo agente é, no fundo, uma resposta contínua à mesma pergunta: dado o que percebo e o que sei, o que fazer agora? (RUSSELL; NORVIG, 2022).
Antes de programar um agente, especifica-se sua tarefa com a descrição PEAS — sigla em inglês para desempenho (Performance), ambiente (Environment), atuadores (Actuators) e sensores (Sensors). É o "contrato" do agente: como será avaliado, onde vai operar, com o que age e com o que percebe.
Quadro 3 — Descrição PEAS de três agentes inteligentes
| Elemento | Táxi autônomo | Filtro de spam | Tutor virtual de matemática |
|---|---|---|---|
| Medida de desempenho | Segurança, rapidez, conforto, respeito às leis, lucro | Spams bloqueados; e-mails legítimos preservados | Aprendizado do estudante; engajamento; acertos em avaliações |
| Ambiente | Vias, tráfego, pedestres, clima, passageiros | Servidor de e-mail, fluxo de mensagens, remetentes | Plataforma de ensino, estudantes, currículo, calendário |
| Atuadores | Direção, acelerador, freio, setas, buzina, tela | Marcar como spam, mover pastas, sinalizar suspeita | Exibir explicações, propor exercícios, dar feedback, alertar docente |
| Sensores | Câmeras, lidar, GPS, sonar, velocímetro, odômetro | Conteúdo, cabeçalhos, metadados, histórico do usuário | Respostas, tempo por questão, trilha de cliques, autoavaliações |
Fonte: elaborado pelo autor com base na metodologia PEAS de Russell e Norvig (2022); exemplos do filtro de spam e do tutor virtual formulados pelo autor.
Os agentes também formam uma escada de sofisticação. O reativo simples responde apenas à percepção atual, por regras condição-ação (o termostato). O baseado em modelo mantém um estado interno do mundo que não está vendo (o aspirador que lembra onde já limpou). O baseado em objetivos escolhe ações que o aproximam de uma meta (o GPS planejando rota). O baseado em utilidade pondera entre objetivos conflitantes buscando o melhor resultado esperado (o táxi que equilibra rapidez e segurança). E o agente com aprendizado melhora o próprio desempenho com a experiência — camada que hoje se sobrepõe a todas as outras.
Por fim, o ambiente de tarefa define a dificuldade do problema. Ele pode ser totalmente ou parcialmente observável (xadrez expõe o tabuleiro inteiro; o pôquer esconde cartas); determinístico ou estocástico (o resultado da ação é certo ou sujeito ao acaso); episódico ou sequencial (cada decisão é isolada, como classificar uma imagem, ou compromete o futuro, como um lance de xadrez); estático ou dinâmico (o mundo espera sua decisão ou muda enquanto você pensa, como no trânsito); discreto ou contínuo; e monoagente ou multiagente. O caso mais difícil — parcialmente observável, estocástico, sequencial, dinâmico, contínuo e multiagente — é exatamente o mundo real. Por isso dirigir um carro é mais difícil para uma IA do que vencer no xadrez.
Época 06
Subáreas, profissões e o retrato brasileiro
A IA de hoje é um arquipélago de subáreas: aprendizado de máquina (sistemas que melhoram com dados), processamento de linguagem natural (texto e fala — dos tradutores aos chatbots, hoje movidos pela arquitetura Transformer (VASWANI et al., 2017)), visão computacional (interpretar imagens e vídeo), robótica (percepção e ação no mundo físico), representação de conhecimento e raciocínio (herdeira do paradigma simbólico), planejamento e otimização e sistemas multiagente. Cada uma alimenta aplicações profissionais concretas: na saúde, apoio a diagnóstico por imagem e triagem; no direito, análise de contratos e jurisprudência; na engenharia e na indústria, manutenção preditiva e controle de qualidade; na administração e no marketing, previsão de demanda e segmentação; na educação, tutores adaptativos e detecção precoce de evasão; no jornalismo, apuração assistida e checagem.
E isso não é futurologia importada: é estatística oficial brasileira. Segundo a PINTEC Semestral 2024 do IBGE, o percentual de empresas industriais com 100 ou mais pessoas ocupadas que utilizam inteligência artificial saltou de 16,9% em 2022 para 41,9% em 2024 — mais que o dobro em dois anos. Entre as usuárias, as finalidades mais comuns são atividades administrativas (87,9%), comercialização (75,2%) e desenvolvimento de produtos e serviços (73,1%); os principais obstáculos são os altos custos (74,3%) e a falta de pessoal qualificado (60,6%) (IBGE, 2025). Anote este último número: ele é, literalmente, uma vaga com o seu nome. No plano público, a resposta veio na forma do Plano Brasileiro de Inteligência Artificial (PBIA) 2024-2028, que prevê R$ 23 bilhões em investimentos em infraestrutura, formação e aplicações de IA (BRASIL, 2024).
Tabela 1 — Percentual de empresas industriais com 100 ou mais pessoas ocupadas que utilizam tecnologias digitais avançadas, por tecnologia — Brasil — 2024
| Tecnologia | Empresas que utilizam (%) |
|---|---|
| Computação em nuvem | 77,2 |
| Internet das Coisas (IoT) | 50,3 |
| Inteligência artificial | 41,9 |
| Robótica | 30,5 |
| Big data (análise de grandes volumes de dados) | 27,8 |
| Manufatura aditiva (impressão 3D) | 20,3 |
Fonte: elaborado pelo autor com base em IBGE (2025).Nota: os termos "big data" e "Internet das Coisas" foram mantidos conforme a divulgação oficial da pesquisa.
A adoção em barras
Época 07
Perguntas para o seu contexto
Do vocabulário à prática: marque o que você já consegue responder sobre a sua área — cada item usa um conceito deste post.
Inferência
O verão que não pode se repetir (do jeito errado)
Os dez pesquisadores de Dartmouth erraram o prazo, mas acertaram a direção — e pagaram o preço de prometer demais: cada inverno da IA começou, invariavelmente, num verão de promessas infladas. Hoje vivemos o verão mais quente da história do campo, e a lição de 1973 continua valendo para o estudante que jura que a IA fará seu TCC, para o gestor que jura que ela substituirá sua equipe e para o influencer que jura que ela acabará com o mundo na terça-feira. Entre o deslumbre e o pânico, a posição academicamente honesta é a curiosidade informada — saber o que a máquina faz, como faz e o que ainda não faz.
Nos próximos posts da série, desceremos a montanha: aprendizado de máquina na prática, redes neurais por dentro e o uso responsável de IA generativa na vida acadêmica. Por ora, fica a pergunta-síntese, no espírito PEAS: no seu ambiente, com os sensores e atuadores que você tem, qual é a próxima ação racional?
Nota do autor: as datas dos "invernos da IA" variam conforme o autor consultado; adotamos os intervalos aproximados de 1973-1980 e 1987-1993, os mais recorrentes na literatura. A proposta de Dartmouth foi redigida em 1955 e o seminário realizado em 1956; a citação aqui segue a reimpressão de 2006 na AI Magazine. No Quadro 3, os exemplos do filtro de spam e do tutor virtual são elaborações do autor seguindo a metodologia PEAS — o táxi autônomo é o exemplo clássico do manual. Os dados da PINTEC referem-se a empresas industriais com 100 ou mais pessoas ocupadas, não ao conjunto das empresas brasileiras.
Referências
- BRASIL. Ministério da Ciência, Tecnologia e Inovação. Plano Brasileiro de Inteligência Artificial (PBIA) 2024-2028. Brasília, DF: MCTI, 2024. Disponível em: https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/plano-brasileiro-de-inteligencia-artificial. Acesso em: 5 ago. 2026.
- IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. De 2022 a 2024, percentual de empresas industriais utilizando inteligência artificial subiu de 16,9% para 41,9%. Agência IBGE Notícias, Rio de Janeiro, set. 2025. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/44551-de-2022-a-2024-percentual-de-empresas-industriais-utilizando-inteligencia-artificial-subiu-de-16-9-para-41-9. Acesso em: 5 ago. 2026.
- LIGHTHILL, J. Artificial intelligence: a general survey. In: SCIENCE RESEARCH COUNCIL. Artificial intelligence: a paper symposium. Londres: SRC, 1973. Disponível em: http://www.chilton-computing.org.uk/inf/literature/reports/lighthill_report/p001.htm. Acesso em: 5 ago. 2026.
- McCARTHY, J.; MINSKY, M. L.; ROCHESTER, N.; SHANNON, C. E. A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, august 31, 1955. AI Magazine, v. 27, n. 4, p. 12-14, 2006. DOI: 10.1609/aimag.v27i4.1904. Disponível em: https://doi.org/10.1609/aimag.v27i4.1904. Acesso em: 5 ago. 2026.
- NOBEL PRIZE. The Nobel Prize in Physics 2024. Estocolmo: Nobel Prize Outreach, 2024. Disponível em: https://www.nobelprize.org/prizes/physics/2024/summary/. Acesso em: 5 ago. 2026.
- RUSSELL, S.; NORVIG, P. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
- SEARLE, J. R. Minds, brains, and programs. Behavioral and Brain Sciences, Cambridge, v. 3, n. 3, p. 417-424, 1980. DOI: 10.1017/S0140525X00005756. Disponível em: https://doi.org/10.1017/S0140525X00005756. Acesso em: 5 ago. 2026.
- TURING, A. M. Computing machinery and intelligence. Mind, Oxford, v. LIX, n. 236, p. 433-460, out. 1950. DOI: 10.1093/mind/LIX.236.433. Disponível em: https://doi.org/10.1093/mind/LIX.236.433. Acesso em: 5 ago. 2026.
- VASWANI, A. et al. Attention is all you need. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 31., 2017, Long Beach. Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 5 ago. 2026.
Comentários