Quando o corretor do seu telefone adivinha a palavra que você ia escrever, ali está a inteligência artificial. Quando a Netflix sugere a próxima série, ali também. Não há uma mente presa dentro do aparelho nem um robô com consciência: há um programa que aprendeu a reconhecer um padrão e a apostar na resposta mais provável. Essa é a parte chata e verdadeira. A parte espetacular (máquinas que sentem, que se rebelam, que sonham) é cinema.
Então vamos começar separando as duas coisas. Porque a maior parte do que você acha que sabe sobre o que é a inteligência artificial você aprendeu numa sala de cinema, não num laboratório. E essa confusão custa caro: faz você temer o que ela não é e confiar no que não deveria.
01 · a definiçãoO que é a inteligência artificial, numa frase
Vamos com uma definição operacional, dessas que servem para trabalhar e não só para se exibir: a inteligência artificial é a disciplina que constrói sistemas capazes de realizar tarefas que, feitas por uma pessoa, você diria que exigem inteligência. Reconhecer um rosto. Traduzir um texto. Ganhar no xadrez. Dirigir. Escrever um parágrafo com sentido.
Repare no que a definição evita de propósito. Ela não diz que a máquina "pensa" nem que "entende". Diz que ela faz. É uma definição por comportamento, não por consciência. E isso não é uma armadilha moderna: é a velha ideia de fundo. Em 1950, Alan Turing propôs deixar de perguntar "as máquinas podem pensar?" (uma pergunta que considerava vaga demais) e trocá-la por outra que dá para medir: pode uma máquina conversar de forma indistinguível de uma pessoa? [1] Ele deslocou a pergunta da alma para o comportamento. E é aí que ela continua.
A IA não se mede pelo que a máquina sente. Mede-se pelo que a máquina consegue fazer.
O nome em si é jovem. Foi cunhado pelo matemático John McCarthy em 1955, na proposta de um workshop de verão no Dartmouth College planejado para 1956, onde reuniu um punhado de pesquisadores para conjecturar que "cada aspecto do aprendizado pode ser descrito com tanta precisão que uma máquina poderia simulá-lo". [2] Aquele otimismo fundou o campo. Fundou também, de passagem, meio século de promessas não cumpridas. Mas a definição prática que usamos hoje continua sendo a dele: fazer com que as máquinas resolvam problemas que hoje só as pessoas resolvem.
02 · o motorComo uma máquina aprende (sem que ninguém lhe dite as regras)
Aqui está a virada que explica quase tudo. Durante décadas, programar uma máquina significava escrever as regras à mão: "se o e-mail diz GRÁTIS e VIAGRA, é spam". O problema é óbvio: a vida tem exceções demais para escrever todas. Ninguém termina essa lista.
A IA moderna virou o jogo. Em vez de dar as regras, você dá exemplos. Milhares, milhões. "Estes mil e-mails são spam; estes mil, não. Descubra você a diferença." A máquina ajusta seus cálculos até acertar, e no fim tem uma regra que ninguém escreveu: ela deduziu sozinha a partir dos exemplos. Isso é o aprendizado de máquina, o coração de quase toda a IA que você usa hoje.
Pense nisso como ensinar a uma criança o que é um cachorro. Você não recita uma definição com número de patas e formato de orelhas. Você aponta para cachorros. Muitos. Grandes, pequenos, peludos, pelados. Em algum momento ela vê um que nunca tinha visto e diz "cachorro". Não memorizou uma lista: captou o padrão. A máquina faz o mesmo, só que com aritmética no lugar da intuição.
Como a máquina aprende de exemplos e não de regras explícitas, herda o que havia nesses exemplos: suas lacunas e seus vieses. Se nunca viu um cachorro sem pelo, vai hesitar diante de um. Se os dados vinham tortos, a resposta sairá torta. Não é maldade nem capricho: é o reflexo do que você deu para ela ler.
03 · o mapaEstreita, geral e a linha que não cruzamos
Agora a distinção que organiza todo o panorama e esvazia quase todo o pânico. Há duas ideias muito diferentes enfiadas sob a mesma sigla.
A IA estreita é a única que existe hoje. Faz uma coisa, e só uma, às vezes melhor do que qualquer humano. O programa que joga Go como ninguém não sabe pedir uma pizza. O que detecta tumores em radiografias não sabe dirigir. É um especialista genial e absoluto, cego para todo o resto. Toda a IA que você tocou na vida (o seu buscador, o seu tradutor, o seu assistente de voz) é IA estreita.
A IA geral seria uma máquina com a flexibilidade de uma pessoa: aprender qualquer tarefa, transferir o que aprendeu de um campo para outro, entender o mundo de forma ampla. Não existe. Não sabemos se existirá, nem quando. É uma hipótese de pesquisa, não um produto. Quando um filme mostra um robô que ama, conspira ou teme a morte, está mostrando IA geral, ou seja, ficção científica.
Tudo o que existe hoje é um especialista brilhante e cego. A máquina que "entende tudo" continua sendo um roteiro, não um produto.
E os modelos de linguagem, os que escrevem textos, esses que parecem entender tudo? São o caso mais confuso, porque fazem tantas coisas diferentes que parecem gerais. Mas por dentro continuam sendo especialistas em uma tarefa: prever a próxima palavra provável. Que dessa única habilidade emerja tanta versatilidade é surpreendente (e é assunto para outro artigo), mas não os transforma na mente completa do cinema.
Então, da próxima vez que alguém disser que a IA vai "despertar", você já tem com o que responder. A inteligência artificial não é uma criatura: é um método. Um método para que as máquinas aprendam de exemplos e resolvam tarefas concretas, uma a uma. Poderoso, útil, com suas arestas e seus limites. E muito mais interessante quando de fato entendido do que quando temido por boato.
Fontes
- Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, vol. LIX, n.º 236, pp. 433-460. Oxford University Press. (Introduz o "jogo da imitação", hoje conhecido como teste de Turing.) doi.org/10.1093/mind/LIX.236.433
- McCarthy, J., Minsky, M. L., Rochester, N. & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. (Documento em que se cunha o termo "inteligência artificial"; o workshop foi realizado em 1956.) Reeditado em AI Magazine, vol. 27, n.º 4 (2006), pp. 12-14.
- Chollet, F. (2017). Deep Learning with Python, cap. 1. Manning Publications. (Apresenta o paradigma clássico, regras + dados → respostas, frente ao aprendizado de máquina, dados + respostas → regras.)
- Russell, S. & Norvig, P. (2021). Artificial Intelligence: A Modern Approach, 4.ª ed., cap. 1. Pearson. (Definição do campo por comportamento racional e discussão de IA estreita frente à geral.)