Resumo

Esta é a Parte 1 de 6 da série História Completa da IA: Das Máquinas de Turing aos Modelos Generativos. O período entre 1940 e 1974 estabeleceu os fundamentos teóricos da inteligência artificial, produziu as primeiras máquinas que aprendiam com a experiência, e culminou num colapso de financiamento que quase encerrou o campo antes que ele amadurecesse. Entender este período não é exercício nostálgico — é entender por que os ciclos de hype e decepção da IA têm raízes mais profundas do que qualquer lançamento de produto.

Contexto

O contexto que tornou a IA possível não foi tecnológico — foi o da Segunda Guerra Mundial. A necessidade urgente de processar informação em escala e velocidade impossíveis para humanos criou os primeiros laboratórios de computação sérios no mundo. Em Bletchley Park, Inglaterra, matemáticos e linguistas trabalhavam sob pressão de vida ou morte para decifrar comunicações inimigas. Foi nesse ambiente que Alan Turing desenvolveu não apenas máquinas práticas, mas as perguntas teóricas que definiriam o campo por décadas. Em 1943, paralelamente, Warren McCulloch e Walter Pitts publicavam o primeiro modelo matemático de neurônios artificiais — demonstrando que redes de elementos simples ligado/desligado poderiam, em teoria, computar qualquer função lógica. Dois trabalhos independentes, em países diferentes, sobre a mesma questão fundamental: máquinas podem pensar?

— 1950-1956: A Pergunta e a Fundação

Em outubro de 1950, Turing publicou "Computing Machinery and Intelligence" na revista Mind, propondo o que ficaria conhecido como Teste de Turing: em vez de definir o que é pensar — questão filosoficamente espinhosa — propôs um teste operacional. Se um interrogador humano não conseguisse distinguir as respostas de uma máquina das de um humano em conversa por texto, seria razoável atribuir à máquina a capacidade de pensar. A formulação foi deliberadamente pragmática: desviou o debate de metafísica para engenharia, estabelecendo um objetivo mensurável. Em 1949, o psicólogo canadense Donald Hebb havia publicado "The Organization of Behavior", onde propôs que neurônios que disparam juntos fortalecem suas conexões — princípio que décadas depois se tornaria central para algoritmos de aprendizado. O campo ainda não tinha nome. Isso mudou no verão de 1956, quando John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon organizaram o workshop de Dartmouth College em Hanover, New Hampshire. Foi McCarthy quem cunhou o termo "artificial intelligence" durante o evento, substituindo terminologias anteriores como "automação completa" ou "máquinas pensantes". A proposta central era audaciosa: "todo aspecto da aprendizagem ou qualquer característica da inteligência pode, em princípio, ser descrito de forma tão precisa que uma máquina pode ser feita para simulá-lo." O otimismo era imenso. Muitos dos presentes acreditavam que máquinas com inteligência humana seriam desenvolvidas em uma geração.

— 1957-1969: Primeiras Máquinas que Aprendem

Em 1958, dois marcos definiram a direção do campo. McCarthy, agora no MIT, desenvolveu a linguagem de programação LISP — projetada não para cálculo numérico mas para manipulação simbólica, processamento de listas e representação de conhecimento. LISP dominaria a pesquisa em IA por décadas, introduzindo conceitos como recursão e funções de primeira classe. No mesmo ano, Frank Rosenblatt, psicólogo no Cornell Aeronautical Laboratory em Buffalo, Nova York, desenvolveu o Perceptron — financiado pela Marinha dos EUA. O Perceptron Mark I aprendia a reconhecer padrões visuais através de fotocélulas conectadas a pesos ajustáveis. Rosenblatt demonstrou publicamente ensinando-o a distinguir cartões perfurados marcados à esquerda dos marcados à direita, proclamando ser "a primeira máquina capaz de ter uma ideia original." A imprensa comparou-a a um cérebro eletrônico embrionário. Em 1961, o Unimate, desenvolvido por George Devol e Joseph Engelberger, foi instalado na linha de montagem da General Motors em New Jersey — o primeiro robô industrial do mundo. Pesando 1.800 kg, executava tarefas perigosas com metal fundido. Não aprendia, mas automatizava. Em 1964-1966, Joseph Weizenbaum no MIT criou ELIZA, programa que simulava um psicoterapeuta através de correspondência de padrões simples. O efeito foi surpreendente: usuários atribuíam compreensão genuína ao programa e compartilhavam pensamentos profundos com ele. Weizenbaum chamou isso de "efeito ELIZA" — a facilidade com que humanos projetam inteligência em sistemas computacionais. Em 1969, o Stanford Research Institute apresentou Shakey — primeiro robô móvel capaz de raciocinar sobre suas próprias ações, navegando em salas, identificando objetos e planejando sequências de tarefas.

— 1969-1974: Os Limites se Tornam Visíveis

Em 1969, Marvin Minsky e Seymour Papert publicaram "Perceptrons", demonstrando matematicamente que redes neurais de camada única eram incapazes de aprender funções lógicas simples como XOR sem camadas adicionais. O trabalho foi devastador para o entusiasmo em redes neurais — e foi amplamente interpretado, erroneamente, como uma condenação a todo o paradigma conexionista. O que era uma limitação de arquitetura específica foi lido como limitação fundamental. Paralelamente, os sistemas da época enfrentavam barreiras reais: computadores lentos demais, memória insuficiente, processamento de linguagem natural que travava diante das ambiguidades do idioma humano. Robôs como Shakey funcionavam apenas em ambientes perfeitamente estruturados e controlados. Em 1973, o matemático britânico Sir James Lighthill entregou ao governo britânico um relatório que seria lido como sentença. O documento criticava duramente o progresso da IA, argumentando que a pesquisa não havia produzido as aplicações práticas prometidas em nenhum dos três domínios que havia prometido cobrir. O Relatório Lighthill levou ao corte imediato de financiamento para pesquisa em IA no Reino Unido. A DARPA nos EUA fez o mesmo. Pesquisadores abandonaram o campo. Universidades fecharam laboratórios. O que ficou conhecido como Primeiro Inverno da IA havia começado.

Análise Comparativa

A tensão central do período 1940-1974 é entre a profundidade dos fundamentos teóricos estabelecidos e a superficialidade das implementações práticas que os seguiram. Turing e McCulloch construíram arcabouços conceituais corretos — redes neurais artificiais, computação universal, aprendizado por ajuste de pesos. Mas o hardware disponível era décadas à frente do necessário para que essas ideias funcionassem em escala. O resultado foi uma geração de pesquisadores fazendo promessas genuinamente acreditadas, mas impossíveis de cumprir com os recursos disponíveis. O Relatório Lighthill não estava errado nos fatos — estava errado na conclusão. O problema não era que IA era impossível. Era que as promessas haviam superado a infraestrutura por uma margem que o financiamento da época não conseguia cobrir.

Análise

Três padrões do período 1940-1974 persistem em todos os ciclos subsequentes de IA. Primeiro: avanços teóricos genuínos geram expectativas de aplicação prática mais rápidas do que a infraestrutura suporta. O Perceptron de Rosenblatt era matematicamente correto — faltava poder computacional para treiná-lo em escala útil. Segundo: a comunidade científica tende a interpretar limitações de implementação como limitações fundamentais — o erro de Minsky e Papert com o Perceptron foi lido como condenação de redes neurais em geral, quando era uma crítica a uma arquitetura específica. Terceiro: ciclos de financiamento seguem ciclos de promessa, não de progresso real — quando as promessas não se cumprem no prazo esperado, o corte é abrupto independentemente do valor acumulado da pesquisa de base.

Síntese

O Primeiro Inverno da IA não encerrou o campo — redistribuiu quem nele permanecia. Os pesquisadores que sobreviveram ao corte de 1974 eram os que acreditavam nos fundamentos, não nas promessas de curto prazo. Geoffrey Hinton, que chegaria a ser chamado de "padrinho do deep learning", era um estudante de psicologia em Cambridge quando o inverno chegou — e continuou trabalhando em redes neurais quando quase ninguém mais o fazia. Essa persistência, multiplicada por poucos pesquisadores em diferentes laboratórios, produziria a próxima revolução. A lição que o período 1940-1974 oferece para 2026 é precisa: os fundamentos estabelecidos por Turing, McCulloch, Pitts e Rosenblatt levaram 30 anos para encontrar a infraestrutura que os tornaria práticos. Os fundamentos estabelecidos pelo transformer de 2017 podem levar menos — mas a distância entre o que é teoricamente possível e o que é praticamente realizável permanece maior do que qualquer previsão otimista sugere. Próxima parte: Parte 2 — Invernos e Renascimento (1974–1993)