Resumo

Esta é a Parte 2 de 6 da série História Completa da IA: Das Máquinas de Turing aos Modelos Generativos. O período entre 1974 e 1993 é o mais dramático da história do campo: inclui um renascimento comercial genuíno, um boom de mercado de US$ 2 bilhões, e um segundo colapso mais brutal que o primeiro — desta vez causado não por promessas não cumpridas mas por mudança de plataforma. Ao mesmo tempo, na periferia do campo, um punhado de pesquisadores mantinha vivo o paradigma das redes neurais que o mundo redescobriria décadas depois.

Contexto

O Primeiro Inverno da IA (1974-1980) não foi morte — foi hibernação seletiva. O financiamento para pesquisa especulativa de IA geral secou, mas pesquisadores que trabalhavam em aplicações específicas e verificáveis continuaram. O contexto que permitiu o renascimento não foi um novo breakthrough teórico — foi uma mudança de pergunta. Em vez de "como fazer máquinas pensarem em geral", pesquisadores passaram a perguntar "como capturar o conhecimento de um especialista humano em um domínio estreito e torná-lo acessível via computador." Essa pergunta tinha resposta viável com a tecnologia de 1980. E tinha mercado imediato: empresas que precisavam de decisões especializadas consistentes, rápidas e escaláveis em domínios como diagnóstico médico, configuração de equipamentos e análise financeira.

— 1980-1987: O Boom dos Sistemas Especialistas

A primeira Conferência Nacional de Inteligência Artificial (AAAI) em Stanford, agosto de 1980, reuniu cerca de 300 pesquisadores e sinalizou que o campo estava encontrando aplicações práticas focadas. O que emergiu dessa conferência como paradigma dominante foram os sistemas especialistas — programas que codificavam o conhecimento de especialistas humanos em bases de regras e usavam mecanismos de inferência para resolver problemas em domínios específicos. O MYCIN, desenvolvido na Universidade de Stanford na década de 1970, havia demonstrado a prova de conceito: diagnosticava infecções bacterianas do sangue com precisão comparável a médicos especialistas. O XCON, desenvolvido pela Digital Equipment Corporation em 1980, configurava automaticamente sistemas de computador VAX, economizando dezenas de milhões de dólares anuais para a empresa. Esses dois casos eram convincentes o suficiente para desencadear um boom. Empresas como DuPont, IBM e General Electric criaram departamentos dedicados a sistemas especialistas. No Japão, o governo lançou o ambicioso Projeto de Quinta Geração de Computadores (1982-1992), investindo bilhões de ienes no desenvolvimento de computadores baseados em IA e lógica usando PROLOG. Isso desencadeou resposta competitiva nos EUA e Europa — governos temendo ficar para trás na corrida da IA. O mercado global de sistemas especialistas cresceu de praticamente nada em 1980 para US$ 2 bilhões em 1988. Empresas como Symbolics e Lisp Machines Inc. construíram hardware especializado para rodar programas de IA — as Lisp Machines custavam dez vezes mais que workstations convencionais mas eram o estado da arte para sistemas especialistas.

— 1986-1987: Hinton e o Ressurgimento das Redes Neurais

Enquanto sistemas especialistas dominavam aplicações comerciais, uma revolução silenciosa ocorria na pesquisa acadêmica. David Rumelhart, Geoffrey Hinton e Ronald Williams, trabalhando em diferentes instituições nos EUA e Canadá, publicaram em 1986 trabalhos seminais sobre retropropagação — o algoritmo de treinamento de redes neurais multicamadas. A ideia básica de backpropagation havia sido desenvolvida independentemente por várias pessoas nas décadas anteriores, mas esses pesquisadores demonstraram sua eficácia prática e a popularizaram. O algoritmo funcionava propagando erros de volta através da rede, ajustando os pesos das conexões para minimizar a diferença entre saídas previstas e desejadas. Isso resolvia o problema fundamental que Minsky e Papert haviam identificado em 1969: redes de múltiplas camadas podiam agora aprender representações hierárquicas complexas de dados, superando as limitações do Perceptron de camada única. Hinton havia passado os anos do primeiro inverno estudando psicologia cognitiva e neurociência em Cambridge, convencido de que o caminho para a inteligência artificial estava em entender como o cérebro biológico aprende — não em codificar regras explícitas. Sua persistência durante anos de ceticismo do mainstream produziu o algoritmo que, combinado com hardware suficiente décadas depois, tornaria o deep learning possível. Em 1987, Hinton participou do primeiro workshop moderno sobre redes neurais — um campo que havia sido considerado morto uma década antes.

— 1987-1993: O Segundo Colapso

O segundo inverno da IA chegou não por falta de progresso técnico mas por mudança de plataforma — um padrão que a história da tecnologia repetiria com microcomputadores, smartphones e computação em nuvem. Em 1987, o mercado de hardware especializado para IA colapsou em menos de dois anos. A causa foi simples e brutal: workstations convencionais da Apple e Sun Microsystems tornaram-se suficientemente poderosas e dramaticamente mais baratas que as Lisp Machines. O hardware especializado que havia custado fortunas perdeu sua razão de existir da noite para o dia. A Symbolics, que havia sido considerada o futuro da computação em 1985, entrou em colapso. O mercado de sistemas especialistas encolheu dramaticamente. DARPA cortou novamente o financiamento em IA. O Projeto de Quinta Geração japonês encerrou sem cumprir suas metas mais ambiciosas. O segundo inverno foi mais psicologicamente devastador que o primeiro porque atingiu um campo que havia experimentado sucesso comercial real — não apenas promessas não cumpridas. Pesquisadores que haviam construído carreiras em sistemas especialistas viram seus domínios de expertise tornarem-se obsoletos. O problema estrutural dos sistemas especialistas ficou claro em retrospecto: o knowledge engineering — o processo de extrair conhecimento especializado e codificá-lo em regras — era caro, lento e não escalava. Cada novo domínio exigia anos de trabalho manual. A promessa de que poderia escalar para toda forma de conhecimento humano nunca foi verificada.

Análise Comparativa

O segundo inverno ilumina uma distinção fundamental que a história da IA continuaria a ensinar: a diferença entre IA que funciona porque alguém codificou conhecimento explícito, e IA que funciona porque aprendeu padrões de dados. Os sistemas especialistas eram da primeira categoria — impressionantes dentro de domínios onde o conhecimento podia ser articulado em regras, frágeis em qualquer situação não prevista pelo knowledge engineer. As redes neurais de Hinton eram da segunda — lentas demais para serem práticas na época, mas fundamentalmente escaláveis de uma forma que sistemas especialistas nunca seriam. A ironia histórica é que enquanto o mainstream do campo apostava no paradigma que colapsaria, Hinton e seus colaboradores desenvolviam silenciosamente o paradigma que dominaria. Em 1989, Yann LeCun, então no Bell Labs, demonstrou redes neurais convolucionais reconhecendo dígitos manuscritos com precisão suficiente para uso comercial — um dos primeiros sistemas de deep learning em produção real. Era uma semente plantada no meio do inverno.

Análise

O período 1974-1993 estabelece dois padrões críticos para entender a IA de 2026. Primeiro: paradigmas de IA que dependem de conhecimento codificado manualmente têm teto de escala baixo — funcionam bem em domínios estreitos e controlados, mas o custo de expansão cresce linearmente com o escopo, tornando-os economicamente inviáveis para conhecimento geral. Segundo: mudanças de plataforma de hardware destroem ecossistemas de software especializado mais rapidamente do que qualquer fracasso técnico — a Symbolics não foi derrotada por um sistema especialista melhor, foi derrotada por hardware de propósito geral que ficou bom o suficiente. Em 2026, com chips de IA especializados (GPUs, TPUs, Huawei Ascend) criando ecossistemas similares às Lisp Machines de 1985, o padrão histórico merece atenção.

Síntese

O legado mais importante do período 1974-1993 não é o boom e colapso dos sistemas especialistas — é a sobrevivência do paradigma conexionista durante dois invernos consecutivos. Hinton, LeCun e seus colaboradores mantiveram vivo um paradigma que o mainstream considerava morto duas vezes. O que os sustentou não foi financiamento institucional — foi a convicção de que aprender de dados era fundamentalmente mais poderoso do que codificar regras. Essa convicção seria validada décadas depois com hardware que eles não podiam imaginar. A lição para 2026 é para quem avalia paradigmas de IA hoje: o que parece impraticável por falta de infraestrutura pode tornar-se dominante quando a infraestrutura chega. A questão não é se o paradigma funciona em teoria — é se a infraestrutura necessária para que ele funcione na prática está a caminho. Em 1987, estava. Em 2026, a questão relevante é qual paradigma atual está esperando pela infraestrutura que ainda não existe. Próxima parte: Parte 3 — O Silêncio Produtivo (1993–2011)