Evolução da inteligência artificial: de Deep Blue aos LLMs

Durante décadas, a regra prática da inteligência artificial foi esta: cada modelo serve para uma coisa. Um modelo que reconhece rosto não traduz texto, um que traduz texto não recomenda produto, e tentar usar um fora do domínio em que foi treinado só produzia resposta ruim. Essa regra organizava tudo, inclusive a decisão de investir: você não comprava IA, você comprava um modelo para uma tarefa.

Essa regra caiu. E caiu rápido o bastante para que boa parte do que se escreveu sobre IA até 2022 esteja hoje descrevendo um mundo que não existe mais. Este texto refaz a linha do tempo até o presente e separa o que mudou do que continua valendo.

A linha do tempo em quatro fases

Fase 1: força bruta e regras escritas à mão

O Deep Blue, que venceu Garry Kasparov em maio de 1997, é o exemplo canônico, e vale corrigir uma confusão comum: ele não aprendia nada. Combinava busca em árvore com uma função de avaliação ajustada à mão por enxadristas, e avaliava algo da ordem de centenas de milhões de posições por segundo. A inteligência estava na regra escrita pelo humano; a máquina contribuía com velocidade.

Isso define o teto da fase: sistemas assim são excelentes onde as regras são conhecidas e enumeráveis, e inúteis onde ninguém sabe escrever a regra. Ninguém consegue descrever em regras explícitas o que faz um rosto ser aquele rosto.

Fase 2: aprender a partir dos dados

A virada foi deixar o padrão emergir dos dados em vez de escrevê-lo. É o que machine learning faz, e o que o deep learning ampliou empilhando camadas de rede neural para aprender representações cada vez mais abstratas.

O AlphaGo, que venceu Lee Sedol em março de 2016, mostrou os dois mecanismos juntos: rede neural para avaliar posições, busca para explorar jogadas, e reforço por auto-jogo para melhorar sem professor humano. O documentário sobre a partida está disponível no YouTube e continua sendo a melhor introdução visual ao assunto.

O vídeo abaixo mostra o mesmo princípio num cenário mais legível: agentes aprendendo a jogar esconde-esconde e descobrindo, sozinhos, estratégias que ninguém programou.

Nesta fase, o escopo continuava estreito. Cada modelo tinha um domínio de validade definido pelos dados de treino, e essa era a limitação que definia o planejamento de qualquer projeto de IA. Também é a fase em que se popularizaram os tipos de inteligência artificial e as famílias de modelos que ainda hoje aparecem em material introdutório, quase sempre sem a fase seguinte.

Fase 3: transformers e modelos de fundação

Em junho de 2017, um artigo do Google chamado Attention Is All You Need apresentou o transformer, uma arquitetura que processa a sequência inteira em paralelo, ponderando a relevância de cada parte em relação às outras. O ganho prático foi permitir treinar em escala muito maior, e a consequência foi inesperada: modelos treinados apenas para prever o próximo pedaço de texto passaram a resolver tarefas para as quais ninguém os treinou.

É daí que vêm os LLMs (large language models, ou grandes modelos de linguagem) e o termo modelo de fundação: um modelo pré-treinado em escala, que serve de base para muitos usos em vez de um só. O processamento de linguagem natural, que era uma especialidade com modelos próprios, foi absorvido por eles. O lançamento do ChatGPT, em 30 de novembro de 2022, foi o momento em que isso saiu do laboratório.

Duas consequências importam mais que a novidade técnica:

• O escopo deixou de ser estreito. O mesmo modelo traduz, resume, classifica, escreve código e extrai dado de documento. A pergunta “qual modelo serve para esta tarefa?” virou “este modelo já resolve, ou preciso adaptá-lo?”.
• A conta inverteu. Treinar um modelo de fronteira saiu da faixa de qualquer organização que não seja um laboratório de IA. Usar um, por API, passou a custar frações de centavo por chamada. Antes você investia em treino e o uso era barato; agora o treino é proibitivo e o uso é uma linha de custo variável.

Sobre a segunda: é o ponto em que quase todo material anterior a 2022 erra de forma que muda a decisão. Textos daquela época recomendavam avaliar a capacidade de treinar modelos próprios. Hoje a decisão relevante é outra, e tem nome: construir, comprar ou customizar. A adaptação de um modelo de fundação, por instrução, por busca em base própria ou por ajuste fino, cobre a maioria dos casos empresariais sem treinar nada de zero. Do lado da criação de conteúdo e imagem, é a mesma fase que produziu a IA generativa, com exemplos que já são rotina.

Fase 4: modelos que usam ferramentas

A fase atual não vem de um modelo maior, vem de dar ao modelo a capacidade de agir: consultar uma base, chamar uma API, executar um passo, ler o resultado e decidir o próximo. Isso transforma uma resposta única num processo com vários passos e estado, e é o que se chama de IA agêntica.

A diferença prática para quem decide: nas fases anteriores, a IA entregava uma previsão e um humano executava. Aqui ela executa parte do processo. Isso muda o que precisa ser verificado, porque o erro deixa de ser uma resposta ruim numa tela e passa a ser uma ação errada num sistema.

O que não mudou: os dados continuam decidindo

A parte mais durável do assunto é também a mais antiga. Um modelo reproduz o que está nos dados, incluindo o que ninguém queria que ele reproduzisse. Um exercício que fizemos em fevereiro de 2021 continua ilustrando isso bem: buscar “cientistas famosos” no Google Imagens.

Entre as dez primeiras imagens, a única mulher era Marie Curie. Não por falta de outras: buscando “cientistas famosas”, no feminino, elas aparecem.

O problema não estava no algoritmo, estava no material com que ele aprendeu: um passado em que mulheres não eram registradas como cientistas. Os resultados dessas buscas mudaram desde então, e é justamente esse o ponto: o que o modelo devolve acompanha o que os dados dizem, não o que é verdade.

Com modelos de fundação isso não diminuiu, mudou de lugar. O viés agora vem de um corpus de treino que ninguém da sua empresa selecionou, e chega junto com a capacidade. Some-se a isso que o dado que você acrescenta continua sujeito à LGPD, e que a regulamentação avançou: o AI Act europeu entrou em vigor em agosto de 2024, com obrigações escalonadas por nível de risco ao longo dos anos seguintes, e serve de referência mesmo para quem não opera na Europa.

O que isso muda na hora de aplicar

A ordem das perguntas mudou junto com a tecnologia. O que funciona hoje:

• Comece pela tarefa, não pela ferramenta. Procure trabalho repetitivo, de alto volume e baixo valor por unidade, que produza texto ou dado estruturado. É onde o retorno aparece primeiro.
• Assuma que existe modelo pronto. A pergunta não é mais se dá para fazer, é se vale integrar e quem responde quando errar.
• Trate o custo como variável. Custo por chamada muda o cálculo: o projeto não termina no lançamento, ele passa a ter conta mensal proporcional ao uso. Vale fechar a conta com o método de ROI de IA antes de aprovar.
• Defina a verificação antes de ligar. Quanto mais o sistema age sozinho, mais isso importa. É a diferença entre piloto que vira produção e piloto que vira prejuízo, tema de por que a IA falha nas empresas.
• Corte o escopo do primeiro caso. Um caso estreito e verificável ensina mais que uma plataforma ampla, e o método de corte é o mesmo de qualquer produto: definir escopo.

Se você está começando pelo começo, vale ler o que é inteligência artificial antes desta linha do tempo. O resumo dela é curto: a IA parou de ser um especialista contratado para uma tarefa e passou a ser uma capacidade de propósito geral que se adapta. Isso torna a adoção mais barata e a supervisão mais importante, na mesma medida.

Perguntas frequentes