Os Invernos que Moldaram o Presente
A IA já prometeu resolver tudo antes. Nos anos 60, prometeu tradução automática universal. Nos anos 80, prometeu inteligência especialista ilimitada. Ambos os ciclos colapsaram — e cada colapso ensinou lições que só foram absorvidas décadas depois. Entender os invernos é o melhor antídoto contra o hype do presente.
O Padrão que se Repete — e Por Que Este Ciclo Pode Ser Diferente
O campo da inteligência artificial tem um padrão recorrente que qualquer historiador da tecnologia reconhece: avanço técnico genuíno → exagero nas promessas → investimento excessivo → frustração com resultados → colapso de financiamento → período de hibernação. O ciclo se completou pelo menos duas vezes de forma dramática — e há evidências de que um terceiro inverno parcial ocorreu nos anos 2010 antes do ressurgimento do deep learning.
O primeiro inverno (1974-1980) foi precipitado pelo relatório Lighthill ao governo britânico, que criticou brutalmente as promessas não cumpridas da IA simbólica. O financiamento governamental secou em todo o mundo ocidental. O que havia sido prometido — tradução automática confiável, robôs domésticos autônomos, diagnóstico médico por computador — simplesmente não funcionava fora de exemplos cuidadosamente construídos em laboratório.
O segundo inverno (1987-1993) foi causado pelo colapso do mercado de sistemas especialistas. Empresas como Symbolics e Lisp Machines Inc. haviam construído hardware especializado para IA simbólica — e quando ficou claro que workstations convencionais da Apple e da Sun eram mais baratas e suficientemente poderosas, o mercado de hardware de IA colapsou em dois anos. O que parecia ser o futuro da computação corporativa tornou-se overnight uma tecnologia obsoleta.
15 Termos que Definem Retrospectiva
Terminologia histórico-crítica para o Pointy Retrospectiva. Termos que contextualizam os ciclos de hype e colapso com precisão epistemológica.
| Termo | Definição Editorial | Nível |
|---|---|---|
| Inverno da IA | Período de desinvestimento causado por expectativas não cumpridas — dois ciclos maiores: 1974-80 e 1987-93 | Ouro |
| Relatório Lighthill | 1973 — análise crítica do governo britânico que precipitou corte de financiamento e primeiro inverno | Ouro |
| Sistemas Especialistas | MYCIN, XCON, DENDRAL — programas com conhecimento codificado por especialistas; brillhantes e frágeis | Ouro |
| Frame Problem | Problema filosófico: como sistemas de IA atualizam crenças quando o mundo muda — não resolvido em IA simbólica | Ouro |
| Brittleness | Fragilidade dos sistemas de IA fora de seus domínios de treinamento — característica endêmica da IA simbólica | Diamante |
| Overfitting | Quando modelo aprende o dado de treino mas falha a generalizar — analogia técnica para o problema mais amplo de hype | Diamante |
| AI Spring | Período de renovado otimismo e investimento — o atual ciclo é o maior AI Spring já documentado | Prata |
| Benchmarking | Avaliação em testes padronizados — ausência de benchmarks robustos contribuiu para promessas exageradas nos anos 60-80 | Ouro |
| Limiar de Turing | Ponto em que sistema passa no Teste de Turing — alcançado de forma limitada em 2014, mas critérios foram redefinidos | Ouro |
| Transfer Learning | Capacidade de aplicar aprendizado de um domínio a outro — grande diferencial dos LLMs modernos vs. sistemas anteriores | Diamante |
| Symbolic AI | Paradigma baseado em manipulação de símbolos e lógica formal — dominante 1956-1987, substituído pelo conexionismo | Ouro |
| Hype Cycle | Curva de Gartner: inflação de expectativas → desencanto → planalto de produtividade — aplicável a todos os ciclos de IA | Prata |
| GOFAI | Good Old-Fashioned AI — termo pejorativo para IA simbólica dos anos 60-80, cunhado por Haugeland (1985) | Ouro |
| Common Sense Problem | Dificuldade de sistemas de IA em raciocinar com conhecimento implícito do cotidiano — não resolvido até os LLMs | Ouro |
| Scaling | Comportamento de melhora com aumento de dados/parâmetros — ausente em sistemas anteriores, central nos LLMs | Diamante |
O que os Fracassos dos Anos 80 Ensinam sobre a Bolha de Hardware Atual
Em 1985, a empresa Symbolics era considerada o futuro da computação. Seu hardware Lisp Machine era o estado da arte para rodar sistemas de IA especialistas — e custava dez vezes mais que workstations convencionais. Em 1992, a empresa tinha falido. Essa história importa agora porque o ecossistema de chips de IA em 2026 tem paralelos perturbadores com o ecossistema de hardware especializado de 1985.
O Colapso dos Sistemas Especialistas
Os sistemas especialistas dos anos 80 eram genuinamente impressionantes dentro de seus domínios. O MYCIN diagnosticava doenças infecciosas com precisão comparável a especialistas humanos. O XCON configurava computadores VAX da DEC com 95% de precisão, economizando milhões de dólares por ano. O problema não era que não funcionavam — era que funcionavam apenas em condições perfeitamente controladas e quebravam espetacularmente fora delas.
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 — e quando ficou claro que não poderia, o investimento evaporou.
Os Paralelos com 2026
A NVIDIA em 2026 tem uma posição de mercado análoga à Symbolics em 1985 — hardware especializado com margens extraordinárias para uma aplicação específica. A diferença crucial: os chips NVIDIA rodam em infraestrutura de commodities e são comprados por empresas com balanços sólidos, não por startups de IA simbólica. Mas o risco de sobrecapacidade e queda de margens quando alternativas aparecem é real — AMD, Intel, chips customizados da Google, Huawei Ascend.
"A história não se repete, mas frequentemente rima." — Atribuído a Mark Twain; aplicável à história da IA com precisão perturbadora
O Que É Genuinamente Diferente
Os LLMs modernos não sofrem do problema de brittleness que destruiu a IA simbólica. Eles generalizam — imperfeitamente, com alucinações, mas genuinamente — para domínios e problemas que nunca viram. O transfer learning em escala é o avanço técnico fundamental que separa este ciclo dos anteriores. Mas a vigilância histórica permanece necessária: as promessas de agentes autônomos totalmente confiáveis de 2024 têm o mesmo odor das promessas de sistemas especialistas universais de 1982.
