Em 1950, Alan Turing publicou na revista Mind um artigo que começava com uma pergunta aparentemente simples: podem as máquinas pensar? Em vez de se perder em definições filosóficas, Turing propôs um teste prático, o "jogo da imitação", em que um interrogador conversa por escrito com um humano e com uma máquina sem saber quem é quem.

Se não conseguir distingui-los, a máquina merece, pelo menos funcionalmente, ser considerada inteligente.

Cinco anos depois, John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon redigiram a proposta para um seminário de verão no Dartmouth College, realizado em 1956, onde cunharam a expressão "inteligência artificial" e escreveram uma frase que ainda hoje impressiona pela ousadia: todos os aspetos da aprendizagem ou de qualquer outra característica da inteligência podem, em princípio, ser descritos com tanta precisão que uma máquina os consiga simular. Nascia ali uma disciplina científica, e com ela uma promessa que levaria quase setenta anos a começar a ser cumprida.

As primeiras décadas foram dominadas pela chamada IA simbólica, assente na ideia de que pensar é manipular símbolos segundo regras lógicas. O Logic Theorist de Allen Newell e Herbert Simon demonstrou teoremas matemáticos logo em 1956, e em 1966 Joseph Weizenbaum criou no MIT o ELIZA, um programa que simulava um psicoterapeuta através de regras simples de reformulação de frases. O próprio Weizenbaum ficou perturbado ao perceber que os utilizadores atribuíam compreensão e empatia a um sistema que não percebia rigorosamente nada, um fenómeno que ficou conhecido como "efeito ELIZA" e que, convenhamos, continua bem vivo nas conversas que hoje mantemos com os assistentes digitais. Em paralelo, Frank Rosenblatt apresentou em 1958 o perceptrão, um modelo matemático inspirado no neurónio biológico capaz de aprender a partir de exemplos. Era a semente das redes neuronais, mas a crítica demolidora de Minsky e Seymour Papert, no livro Perceptrons de 1969, ao demonstrar os limites de uma rede com uma só camada, desviou o financiamento e a atenção da comunidade durante mais de uma década.

Seguiram-se os chamados "invernos da IA", períodos em que as expectativas exageradas colidiram com a realidade técnica. No Reino Unido, o relatório de James Lighthill, de 1973, concluiu que a disciplina não tinha cumprido as suas promessas e levou a cortes drásticos no investimento público. Nos anos 80 houve um renascimento com os sistemas periciais, programas que codificavam o conhecimento de especialistas humanos em milhares de regras do tipo "se isto, então aquilo", como o XCON, que a Digital Equipment Corporation usava para configurar computadores. Funcionavam bem em domínios estreitos, mas eram caros de manter, frágeis perante o imprevisto e incapazes de aprender sozinhos, o que precipitou um segundo inverno no final da década. Discretamente, porém, acontecia a revolução que viria a mudar tudo: em 1986, David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram na Nature o método de retropropagação do erro, que permitia treinar redes neuronais com várias camadas ajustando gradualmente milhões de pesos internos. A teoria estava pronta; faltavam dados e capacidade de cálculo.

Esses dois ingredientes chegaram com a internet e com a indústria dos videojogos. A digitalização massiva do mundo criou volumes de dados nunca vistos, e as placas gráficas (GPU), concebidas para desenhar polígonos, revelaram-se perfeitas para as multiplicações de matrizes de que as redes neuronais se alimentam. Depois de a vitória do Deep Blue da IBM sobre Garry Kasparov, em 1997, ter mostrado o poder da força bruta computacional, o verdadeiro ponto de viragem deu-se em 2012, quando a rede AlexNet, de Alex Krizhevsky, Ilya Sutskever e Hinton, treinada em GPU, esmagou a concorrência no desafio de reconhecimento de imagens ImageNet. Começava a era da aprendizagem profunda (deep learning), que em poucos anos transformou a tradução automática, o reconhecimento de voz e a visão por computador. O reconhecimento institucional veio com o Prémio Turing de 2018, atribuído a Hinton, Yann LeCun e Yoshua Bengio, e com o Nobel da Física de 2024, partilhado por John Hopfield e Hinton pelos fundamentos das redes neuronais artificiais.

Até aqui, a IA era sobretudo discriminativa: classificava, reconhecia, previa. A viragem para a IA generativa, capaz de produzir conteúdo novo, deu-se em três passos decisivos. Em 2014, Ian Goodfellow propôs as redes adversariais generativas (GAN), em que duas redes competem entre si, uma a fabricar imagens falsas e outra a tentar detetá-las, até que as falsificações se tornam indistinguíveis do real; foi esta técnica que deu origem aos primeiros deepfakes. Em 2017, uma equipa da Google publicou o artigo "Attention Is All You Need", que apresentou a arquitetura Transformer, baseada num mecanismo de atenção que permite ao modelo pesar a relação entre todas as palavras de um texto em simultâneo e, sobretudo, treinar em paralelo sobre quantidades gigantescas de dados. A OpenAI aproveitou-a na família GPT, e o GPT-3, de 2020, com 175 mil milhões de parâmetros, mostrou que a simples escala fazia emergir capacidades que ninguém tinha programado explicitamente. No mesmo ano, os modelos de difusão, que aprendem a reconstruir imagens a partir de ruído, abriram caminho a ferramentas como o Stable Diffusion e o Midjourney. A 30 de novembro de 2022, o lançamento do ChatGPT pôs tudo isto ao alcance de qualquer pessoa com um navegador.

Convém desmistificar o que estes sistemas fazem. Um grande modelo de linguagem é, na essência, uma máquina estatística treinada para prever a palavra (ou, mais rigorosamente, o fragmento de palavra, o token) mais provável a seguir a uma sequência de texto. Depois desse pré-treino sobre biliões de palavras, é afinado com feedback humano (a técnica conhecida como RLHF) para seguir instruções e recusar pedidos perigosos. O resultado é uma fluência notável, mas sem garantia de verdade: o modelo pode inventar factos, citações e jurisprudência com total convicção, as chamadas alucinações. Do ponto de vista da cibersegurança, a IA generativa trouxe uma nova superfície de ataque e um novo arsenal para os atacantes. Campanhas de phishing redigidas sem erros em qualquer língua, clonagem de voz usada em fraudes do tipo "CEO", deepfakes em videochamadas e ataques de injeção de instruções (prompt injection), que manipulam o modelo através de texto escondido em documentos ou páginas web, figuram hoje no topo do OWASP Top 10 para aplicações baseadas em LLM. Quem integra estes sistemas numa organização sem os tratar como um componente não confiável está, literalmente, a abrir uma porta nova no perímetro.

O ritmo da adoção não tem paralelo na história da tecnologia. Se me preocupa? Sim. Mas como parar? Impossível, primeiro pelo dinheiro que tudo isto promove, depois porque ninguém ousa parar uma revolução tecnológica.

O AI Index 2026 da Universidade de Stanford, publicado em abril, conclui que a IA generativa atingiu 53% de adoção pela população em apenas três anos, mais depressa do que o computador pessoal ou a internet, e que os modelos de topo já igualam ou superam os humanos em perguntas científicas de nível de doutoramento e em matemática de competição, embora continuem a falhar em tarefas triviais como ler as horas num relógio analógico.

A Europa respondeu com o Regulamento (UE) 2024/1689, o AI Act, o primeiro quadro jurídico abrangente do mundo para a inteligência artificial, cujas obrigações para os modelos de IA de finalidade geral se aplicam desde 2 de agosto de 2025. Setenta anos depois de Dartmouth, a pergunta de Turing mudou de natureza: já não é se as máquinas conseguem parecer inteligentes, mas se nós, cidadãos, empresas e Estados, seremos suficientemente inteligentes para as usar com rigor, segurança e responsabilidade.

O tempo tecnológico é algo que nunca sentimos tão rápido e imparável. Cada segundo conta. Até ao próximo sábado.