A História da I.A.

Introdução

TL;DR: A I.A. não nasceu com o ChatGPT. Ela nasceu há mais de 80 anos, foi bancada por governos e quase morreu duas vezes quando esses mesmos governos fecharam a torneira. Hoje o jogo virou e ela entrega resultado, virando ativo estratégico de Estado. Os modelos vão continuar crescendo, só não vai ser para você.

Há alguns dias li algumas publicações do Fabio Akita sobre I.A.¹, principalmente após todo o burburinho causado por Dario Amodei² e cia., pedindo que os laboratórios de fronteira desacelerem a evolução dos modelos³.

É comum ver o Akita defendendo que boa parte do “salto” recente da I.A. vem de força bruta: queimar quantidades absurdas de computação, algo que só meia dúzia de empresas no mundo consegue bancar, e mesmo assim em hardware majoritariamente alugado¹.

A literatura acadêmica vai na mesma direção. A computação usada para treinar modelos de ponta vem dobrando a cada ~6 meses⁴, e há pesquisadores argumentando que essa trajetória é econômica e tecnicamente insustentável⁵.

Concordo quando o Akita diz que o maior limitador da I.A. é o hardware, mas vou um pouco mais além.

Mesmo que tenhamos o hardware suficiente para as I.A.s triplicarem de tamanho nas próximas décadas, nós, cidadãos comuns, não vamos ter acesso a isso, porque governo nenhum vai deixar.

E não, não estou falando de governo frear a I.A. por medo do Exterminador do Futuro. Estou falando de dois movimentos que já estão acontecendo ao mesmo tempo:

1. Para fora, a I.A. virou ativo de soberania: o governo americano trata a disputa pela I.A. literalmente como uma nova corrida espacial⁶ e controla a exportação de chips avançados desde 2022⁷. Em junho deste ano, a Anthropic precisou suspender o acesso a dois dos seus modelos para cumprir controles de exportação do Departamento de Comércio dos EUA⁸. Quem trata uma tecnologia assim não quer pará-la, quer ser o dono dela;
2. Para dentro, a I.A. virou problema de identidade digital: União Europeia e Brasil estão empilhando regras sobre regras para rotulagem de conteúdo sintético, deepfakes, verificação de identidade e responsabilidade de plataformas^{9 10 11}. Cada nova regra vem justificada por “segurança” e “privacidade”, e cada uma estreita um pouco mais o que o usuário final pode fazer;

Na minha opinião, o resultado desses dois movimentos é previsível. Os modelos de fronteira vão continuar crescendo, só que dentro de datacenters sob custódia estatal, direta ou regulatória. Para o público, sobra a versão diluída, um chatbot para tirar dúvidas e reestruturar textos, com saída marcada e identificável como gerada por I.A., algo que a UE já exige desde agosto de 2026⁹.

Já modelos com capacidades de gerar conteúdo audiovisual tendem a seguir o caminho de softwares profissionais como o Visual Studio ou o AutoCAD, com uma camada a mais: uso restrito a empresas, mediante licenciamento, e fiscalização do uso final nos moldes do que a ANPD faz com a LGPD.

Isso é uma aposta, não uma profecia. Mas, antes de discutir para onde a I.A. vai, vale entender de onde ela veio. E a primeira surpresa para muita gente é que a ideia de “máquinas que pensam” é mais antiga que o próprio computador, a eletricidade e, em certo sentido, que a própria ciência. A segunda surpresa é que governos sempre estiveram no meio dessa história, às vezes como financiadores e às vezes como freio.

Antes do silício: mitos, autômatos e robôs

A vontade de criar seres artificiais aparece já na mitologia grega. Na Ilíada, Hefesto, o deus ferreiro, é servido por assistentes feitas de ouro que se movem, falam e têm entendimento¹². Na Argonáutica, de Apolônio de Rodes, aparece Talos, um gigante de bronze que patrulha a ilha de Creta e é derrotado pela feiticeira Medeia¹³. A historiadora Adrienne Mayor, de Stanford, dedicou um livro inteiro a mostrar que os gregos já imaginavam “seres feitos, não nascidos”, com mecanismos internos e objetivos programados, séculos antes de existir tecnologia para isso¹⁴.

A imaginação virou engenharia na Idade Média islâmica. Por volta de 1206, o engenheiro Ismail al-Jazari documentou dezenas de mecanismos automáticos no seu Livro do Conhecimento de Dispositivos Mecânicos Engenhosos. Entre eles havia autômatos musicais e servidores mecânicos controlados por água e cames¹⁵. Não havia “inteligência” ali, mas havia a ideia central da automação: comportamento complexo emergindo de regras mecânicas.

A palavra “robô” é bem mais recente, ela vem da peça R.U.R. (1920), do tcheco Karel Čapek, derivada de robota, associado a trabalho forçado¹⁶. E o enredo já trazia o tema que domina as manchetes de 2026: as criaturas artificiais se rebelam contra os criadores.

A ideia que tornou I.A. possível: pensar é calcular

O mito explica o desejo. O que tornou a I.A. concebível foi uma ideia filosófica: raciocinar seria uma forma de computação.

• Ramon Llull (c. 1305), na Ars Magna, propôs discos giratórios que combinavam conceitos para gerar proposições de forma sistemática. Foi uma tentativa de mecanizar parte do raciocínio¹⁷;
• Thomas Hobbes (1651), no capítulo 5 do Leviatã, escreveu que a razão “is nothing but Reckoning (that is, Adding and Subtracting)”¹⁸;
• Gottfried Leibniz (final do séc. XVII) sonhou com uma characteristica universalis, uma linguagem simbólica universal, e um calculus ratiocinator capaz de resolver disputas por cálculo. É o famoso “Calculemus!”. O matemático Martin Davis usa Leibniz como ponto de partida de uma linha direta até Turing¹⁹;

O programa de Leibniz só ganhou ferramentas no século XIX e início do XX:

• George Boole (1854) algebrizou a lógica em The Laws of Thought. É daí que vem a “álgebra booleana” que todo programador usa²⁰;
• Gottlob Frege (1879) criou, no Begriffsschrift, a primeira lógica formal de predicados moderna²¹;
• David Hilbert e Wilhelm Ackermann (1928) formalizaram o Entscheidungsproblem. A pergunta era se existiria um procedimento mecânico capaz de decidir se qualquer afirmação lógica é válida²²;
• Kurt Gödel (1931) mostrou, com os teoremas da incompletude, que todo sistema formal consistente e expressivo o suficiente para a aritmética contém verdades que não consegue provar²³. Foi o primeiro grande “limite” teórico, e ele voltaria décadas depois nos debates sobre se máquinas podem pensar;

Babbage, Lovelace e a primeira objeção à I.A.

Charles Babbage projetou, a partir da década de 1830, a Máquina Analítica. Era um computador mecânico de propósito geral, com memória ("store"), unidade de processamento ("mill") e entrada por cartões perfurados, nunca concluído em vida. Em 1843, Ada Lovelace traduziu um artigo do engenheiro italiano Luigi Menabrea sobre a máquina e acrescentou notas mais longas que o texto original²⁴.

Duas contribuições dessas notas importam para a nossa história:

1. Generalidade: Lovelace percebeu que a máquina manipula símbolos, não apenas números. Por isso poderia, em tese, compor música se as regras da harmonia fossem codificadas (Nota A)²⁴. É a intuição de computação simbólica cem anos antes dela sequer existir;
2. Ceticismo: Na Nota G, junto do algoritmo para calcular números de Bernoulli, frequentemente chamado de primeiro programa publicado, ela afirma que a máquina “has no pretensions whatever to originate any thing. It can do whatever we know how to order it to perform”²⁴.

Essa frase voltaria mais de um século depois: Turing a batizaria de “Objeção de Lady Lovelace” e dedicaria uma seção inteira a respondê-la²⁵.

Computabilidade: a teoria antes da máquina

Em 1936, dois trabalhos independentes responderam ao desafio de Hilbert, e a resposta foi negativa:

• Alonzo Church usou o cálculo lambda para mostrar que não existe um procedimento geral de decisão²⁶;
• Alan Turing, em On Computable Numbers, definiu uma máquina abstrata que lê e escreve símbolos numa fita e provou o mesmo resultado²⁷. O subproduto foi mais importante que o teorema: a máquina universal, uma única máquina capaz de simular qualquer outra a partir de uma descrição codificada. É a ideia de software, formalizada.

A ponte entre lógica e eletrônica veio logo depois. Em 1938, Claude Shannon mostrou na sua dissertação de mestrado que a álgebra de Boole descreve circuitos de relés. Com isso, qualquer operação lógica poderia ser implementada fisicamente²⁸. Em 1945, o First Draft of a Report on the EDVAC, de John von Neumann, descreveu a arquitetura de programa armazenado que usamos até hoje²⁹.

Em menos de dez anos, “pensar é calcular” deixou de ser filosofia. Havia uma teoria do que é computável e havia máquinas capazes de computar.

Os dois caminhos: neurônios artificiais e cibernética

Enquanto a lógica simbólica avançava, outro grupo buscava inspiração no cérebro.

Em 1943, o neurofisiologista Warren McCulloch e o lógico Walter Pitts publicaram A Logical Calculus of the Ideas Immanent in Nervous Activity. O artigo modelava neurônios como unidades binárias com limiar e mostrava que redes desses “neurônios” podem computar funções lógicas³⁰. É o ancestral direto de toda rede neural moderna.

No mesmo ano, Rosenblueth, Wiener e Bigelow propuseram que comportamento com propósito pode ser explicado por realimentação (feedback)³¹. Em 1948, Norbert Wiener batizou o campo de Cibernética: o estudo do controle e da comunicação no animal e na máquina³². Em 1949, o psicólogo Donald Hebb propôs que conexões entre neurônios se fortalecem quando eles disparam juntos. Essa “regra de Hebb” é a primeira teoria plausível de aprendizado em redes³³.

Shannon, por sua vez, publicou em 1950 Programming a Computer for Playing Chess. O artigo define a busca em árvore com função de avaliação, que seria a base de programas de xadrez por quase meio século³⁴.

Aqui nasce a divisão que atravessa toda a história da I.A.:

1950: “Can machines think?”

O artigo Computing Machinery and Intelligence, publicado por Turing na revista Mind em 1950, é o texto fundador do debate moderno²⁵. Turing considerava a pergunta “máquinas podem pensar?” mal definida e a substituiu por um experimento: o Jogo da Imitação, hoje chamado de Teste de Turing. Um interrogador conversa por texto com um humano e uma máquina. Se não conseguir distinguir os dois de forma confiável, não haveria base prática para negar inteligência à máquina.

O artigo é mais do que o teste. Nele, Turing fez uma previsão concreta: em cerca de 50 anos, máquinas com ~$10^9$ bits de armazenamento jogariam o jogo tão bem que um interrogador médio não teria mais de 70% de chance de acertar após cinco minutos²⁵. Respondeu a objeções, incluindo a teológica, a matemática (baseada em Gödel) e a de Lady Lovelace²⁵. E propôs máquinas que aprendem: em vez de programar um adulto, sugeriu simular uma “mente de criança” e educá-la²⁵, ideia que já aparecia no relatório Intelligent Machinery (1948), onde ele descreve “máquinas desorganizadas” e redes que poderiam ser treinadas³⁵.

Ou seja, em 1950 já estavam na mesa os ingredientes centrais: critério comportamental de inteligência, previsão de escala de memória e aprendizado em vez de programação explícita.

1956: Dartmouth e o nascimento do nome

O termo “inteligência artificial” aparece na proposta de 31 de agosto de 1955 assinada por John McCarthy (Dartmouth), Marvin Minsky (Harvard), Nathaniel Rochester (IBM) e Claude Shannon (Bell Labs). Eles pediam financiamento à Fundação Rockefeller para um workshop de verão em 1956³⁶.

A proposta partia de uma conjectura ousada: todo aspecto do aprendizado ou de qualquer outra característica da inteligência poderia, em princípio, ser descrito com precisão suficiente para uma máquina simulá-lo³⁶. Entre os temas listados estavam o uso de linguagem por computadores, redes neurais, abstração, autoaperfeiçoamento e aleatoriedade/criatividade³⁶.

O nome foi uma escolha deliberada. McCarthy relatou em entrevistas e textos posteriores que escolheu “artificial intelligence” em parte para se distanciar da Cibernética e da figura de Wiener. A versão aparece em relatos históricos³⁷.

O resultado concreto mais marcante do workshop foi o Logic Theorist, de Allen Newell, Cliff Shaw e Herbert Simon. O programa provava teoremas do Principia Mathematica de Russell e Whitehead usando busca heurística³⁸. É amplamente citado que ele provou 38 dos 52 primeiros teoremas do capítulo 2 do Principia, e que uma das provas era mais elegante que a original³⁹.

Por convenção, Dartmouth 1956 é tratado como o “nascimento” da I.A. como disciplina acadêmica³⁷³⁹.

Os anos dourados (1956~1973)

Os primeiros anos produziram resultados que pareciam mágicos para a época:

• Arthur Samuel (IBM, 1959) publicou um programa de damas que melhorava jogando contra si mesmo. O título do artigo popularizou o termo machine learning⁴⁰;
• Frank Rosenblatt (1958) apresentou o Perceptron, um modelo de neurônio com pesos ajustáveis que aprendia a classificar padrões⁴¹. O projeto recebeu financiamento da Marinha americana (Office of Naval Research) e virou hardware: o Mark I Perceptron. A cobertura do New York Times de 8 e 13 de julho de 1958 sugeria que a Marinha esperava uma máquina capaz de perceber, reconhecer e identificar os seus arredores sem treinamento ou controle humano⁴².
• John McCarthy (1958~1960) criou o LISP, que se tornaria a língua franca da I.A. por décadas e introduziu ideias como coleta de lixo (garbage collector) e código como dado⁴³;
• Newell, Shaw e Simon (1959) desenvolveram o General Problem Solver (GPS), que separava o conhecimento do problema da estratégia de busca⁴⁴;
• Joseph Weizenbaum (MIT, 1966) criou o ELIZA, um programa de conversação baseado em casamento de padrões⁴⁵. Weizenbaum ficou alarmado com a facilidade com que as pessoas atribuíam compreensão e empatia ao programa, e passou a criticar o campo⁴⁶. É o primeiro caso documentado do que hoje chamamos de “efeito ELIZA”, e ele é diretamente relevante para a era dos chatbots;

O otimismo era proporcional. Em 1958, Simon e Newell previam que, em dez anos, um computador seria campeão mundial de xadrez e descobriria e provaria um teorema matemático importante⁴⁷. Em 1961, Minsky publicou Steps Toward Artificial Intelligence, um mapa do campo com busca, reconhecimento de padrões, aprendizado, planejamento e indução⁴⁸.

Quase nenhuma dessas previsões saiu no prazo. O xadrez levou 39 anos em vez de 10.

O primeiro inverno: quando os governos puxaram o freio

Aqui a história conversa diretamente com a tese da introdução. A I.A. dos anos 1950~1970 era financiada majoritariamente por governos, sobretudo pelas agências militares americanas e britânicas. Quando as promessas não se cumpriram, esses mesmos governos cortaram o dinheiro.

Tradução automática: o relatório ALPAC (EUA, 1966). Em 1954, o experimento Georgetown-IBM demonstrou a tradução automática de frases do russo para o inglês e gerou expectativas enormes em plena Guerra Fria⁴⁹. Após anos de investimento, o comitê ALPAC da Academia Nacional de Ciências concluiu que a tradução automática era mais lenta, menos precisa e mais cara que a humana, e recomendou redirecionar recursos para pesquisa básica em linguística computacional⁵⁰. O financiamento federal para a área despencou.

Perceptrons (1969). Minsky e Papert publicaram Perceptrons, uma análise matemática que demonstrava limitações do perceptron de camada única. Ele não consegue, por exemplo, representar funções como XOR ou decidir conectividade⁵¹. A narrativa popular diz que o livro “matou” as redes neurais por uma década. O sociólogo Mikel Olazaran mostrou que a história é mais complexa, com disputas por financiamento e legitimidade entre as abordagens simbólica e conexionista⁵².

O Relatório Lighthill (Reino Unido, 1973). O governo britânico encomendou ao matemático Sir James Lighthill uma avaliação do campo. A conclusão foi dura: fora de nichos, a I.A. não havia cumprido suas promessas. O principal obstáculo era a explosão combinatória, porque técnicas que funcionam em “mundos de brinquedo” não escalam para problemas reais⁵³. O relatório é frequentemente associado ao corte de financiamento de I.A. no Reino Unido, com poucos centros sobrevivendo (como Edimburgo).

A Emenda Mansfield (EUA, 1969). A Seção 203 da Lei de Autorização Militar para o ano fiscal de 1970 (Public Law 91-121) passou a exigir que pesquisa financiada pelo Departamento de Defesa tivesse relevância militar direta⁵⁴. Relatos históricos associam essa mudança, somada à frustração com projetos como o de reconhecimento de fala, à redução de verbas “de exploração” da DARPA para I.A. no início dos anos 70^{37 55}.

Críticas filosóficas. Hubert Dreyfus, contratado pela RAND Corporation, publicou em 1965 Alchemy and Artificial Intelligence. O texto argumentava que a I.A. simbólica ignorava o papel do conhecimento tácito e do corpo na inteligência humana⁵⁶. O livro What Computers Can’t Do (1972) expandiu a crítica⁵⁷.

Governos não frearam a I.A. porque ela era poderosa demais; frearam porque ela prometeu demais e entregou de menos.

Sistemas especialistas, corrida estatal e o segundo inverno (1980~1993)

A I.A. voltou nos anos 80 com uma proposta mais modesta e comercial: sistemas especialistas, programas que codificam conhecimento de especialistas humanos em regras “se-então”.

• DENDRAL (Stanford, a partir de 1965) inferia estruturas moleculares a partir de dados de espectrometria de massa⁵⁸;
• MYCIN (Stanford, anos 70) recomendava antibióticos para infecções sanguíneas e lidava com incerteza usando “fatores de certeza”⁵⁹;
• R1/XCON (Digital Equipment Corporation, 1980) configurava pedidos de computadores VAX em ambiente de produção real⁶⁰. Estimativas frequentemente citadas falam em dezenas de milhões de dólares economizados por ano⁵⁵;

E os governos voltaram, desta vez como aceleradores, numa corrida tecnológica:

• Japão (1982): o Ministério do Comércio Internacional e Indústria (MITI) lançou o projeto Quinta Geração de Computadores (FGCS), com o objetivo de construir máquinas de inferência lógica em larga escala⁶¹;
• EUA (1983): a DARPA respondeu com a Strategic Computing Initiative, que financiou I.A., hardware e aplicações militares⁶²;
• Reino Unido (1983): lançou o Programa Alvey⁵⁵;

O resultado se repetiu. Sistemas especialistas eram caros de manter, frágeis fora do domínio e incapazes de aprender. O mercado de hardware especializado (máquinas LISP) perdeu para estações de trabalho genéricas, e os projetos estatais não atingiram suas metas^{55 62}. O termo “A.I. winter” teria sido cunhado em um debate na conferência anual da AAAI em 1984, em que pesquisadores alertaram para uma bolha prestes a estourar⁵⁵.

O retorno silencioso: redes neurais e estatística (1980~2011)

Enquanto os sistemas especialistas caíam, a abordagem conexionista se reconstruía com menos holofote.

O algoritmo que faltava: backpropagation. O problema apontado por Minsky e Papert era treinar redes com camadas ocultas. A solução matemática, a diferenciação automática em modo reverso, foi descrita por Seppo Linnainmaa (1970~1976)⁶³. Paul Werbos propôs aplicá-la a redes neurais em sua tese de 1974⁶⁴. O método ficou famoso com o artigo de Rumelhart, Hinton e Williams na Nature (1986), que mostrou redes aprendendo representações internas úteis⁶⁵. A atribuição de crédito nessa história é disputada; Jürgen Schmidhuber mantém um levantamento detalhado das origens⁶⁶.

Outros marcos:

• Neocognitron (Fukushima, 1980): arquitetura hierárquica inspirada no córtex visual, precursora das redes convolucionais⁶⁷;
• Redes de Hopfield (1982): memória associativa baseada em energia, que conectou redes neurais à física estatística⁶⁸;
• Redes convolucionais (LeCun et al., 1989): backpropagation aplicado ao reconhecimento de dígitos manuscritos em códigos postais⁶⁹;
• LSTM (Hochreiter & Schmidhuber, 1997): resolveu o problema do gradiente que desaparece em redes recorrentes e dominou o processamento de sequências por duas décadas⁷⁰;

Paralelamente, a I.A. ficou estatística. Judea Pearl formalizou o raciocínio probabilístico com redes bayesianas⁷¹. Cortes e Vapnik introduziram as Support Vector Machines (1995), que dominaram a classificação por anos com garantias teóricas sólidas⁷².

E a previsão de Simon sobre xadrez finalmente se cumpriu, com 29 anos de atraso. Em 1997, o Deep Blue da IBM venceu o campeão mundial Garry Kasparov num match⁷³. Detalhe importante: o Deep Blue usava busca massiva com hardware dedicado e funções de avaliação ajustadas, não aprendizado profundo⁷³. A vitória veio de força bruta computacional, um tema que volta no fim deste texto.

2006~2016: a explosão do deep learning

Três fatores convergiram:

1. Algoritmos: Hinton, Osindero e Teh (2006) mostraram como pré-treinar redes profundas camada por camada, reacendendo o interesse no “deep” learning⁷⁴;
2. Hardware: Raina, Madhavan e Ng (2009) demonstraram que GPUs aceleravam o treinamento de redes em ordens de grandeza⁷⁵;
3. Dados: o ImageNet (Deng et al., 2009) forneceu milhões de imagens rotuladas em milhares de categorias⁷⁶;

O ponto de virada foi em 2012. A AlexNet (Krizhevsky, Sutskever e Hinton), treinada em duas GPUs, venceu a competição ImageNet com erro top-5 de 15,3%, contra 26,2% do segundo colocado⁷⁷. Em poucos anos, visão computacional, reconhecimento de fala e tradução migraram para redes profundas⁷⁸.

Na sequência:

• 2013: word2vec popularizou representações vetoriais densas de palavras (embeddings)⁷⁹;
• 2014: o mecanismo de atenção para tradução neural (Bahdanau, Cho e Bengio) permitiu que o modelo “olhasse” para partes relevantes da entrada⁸⁰;
• 2016: o AlphaGo, da DeepMind, combinou redes profundas, aprendizado por reforço e busca em árvore e venceu Lee Sedol no Go⁸¹, um jogo considerado intratável por força bruta pura;
• 2019: Hinton, LeCun e Bengio receberam o Prêmio Turing de 2018 pelo trabalho em deep learning⁸²;

2017~2022: Transformers, escala e o ChatGPT

Em 2017, pesquisadores do Google publicaram Attention Is All You Need. O artigo apresentou o Transformer, arquitetura que descarta a recorrência e usa só atenção, o que permite paralelizar o treinamento em GPUs⁸³. Praticamente todo LLM atual descende desse artigo.

A partir daí, a história é de escala:

• GPT (OpenAI, 2018): pré-treinamento generativo não supervisionado seguido de ajuste fino⁸⁴. No mesmo ano, o Google publicou o BERT⁸⁵;
• Leis de escala (Kaplan et al., 2020): o desempenho de modelos de linguagem melhora de forma previsível, como lei de potência, com mais parâmetros, dados e computação⁸⁶. Hoffmann et al. (2022), com o “Chinchilla”, corrigiram a receita: para um mesmo orçamento de computação, a maioria dos modelos estava subtreinada em dados⁸⁷;
• GPT-3 (2020): 175 bilhões de parâmetros, com capacidade de executar tarefas a partir de poucos exemplos no próprio prompt (few-shot)⁸⁸;
• RLHF: Christiano et al. (2017) propuseram aprendizado por reforço a partir de preferências humanas⁸⁹. A OpenAI aplicou a técnica no InstructGPT (2022) para alinhar o modelo a instruções⁹⁰;
• 30 de novembro de 2022: a OpenAI lança o ChatGPT⁹¹. A marca de 100 milhões de usuários em dois meses, atribuída a uma nota do UBS reportada pela Reuters em fevereiro de 2023, circulou amplamente;

Em 2024, o Nobel de Física foi para John Hopfield e Geoffrey Hinton por descobertas fundamentais que permitem o aprendizado de máquina com redes neurais artificiais⁹². O prêmio encerra simbolicamente o arco que começou com McCulloch e Pitts em 1943.

Essa é a afirmação do TL;DR deste post: o conceito de I.A. não nasceu com o ChatGPT. O ChatGPT é o produto de 80 anos de pesquisa acumulada, dois invernos e muito dinheiro público.

O padrão que se repete: computação, promessas e o Estado

Voltando à provocação da introdução, a história oferece dois padrões que ajudam a pensar sobre o futuro.

O progresso sempre dependeu da computação

Richard Sutton resumiu 70 anos de pesquisa no ensaio The Bitter Lesson (2019). A lição é que métodos gerais que escalam com computação (busca e aprendizado) acabam vencendo métodos que embutem conhecimento humano⁹³. O Deep Blue, a AlexNet e as leis de escala confirmam isso^{73 77 86}.

O outro lado da moeda é o custo. Sevilla et al. (2022) estimaram que a computação usada para treinar modelos de ponta dobrou a cada ~6 meses desde o início da era do deep learning (~2010)⁴. Thompson et al. (2020) argumentaram que a dependência de computação torna a trajetória atual econômica, técnica e ambientalmente insustentável se nada mudar⁵. Esse é o argumento mais sólido, com literatura revisada, para a tese de que o hardware é o gargalo.

O Estado sempre esteve na mesa, nos dois papéis

Resumo histórico do que vimos:

E hoje:

• União Europeia: o AI Act (Regulamento (UE) 2024/1689) não proíbe modelos grandes. Ele impõe obrigações adicionais a modelos de propósito geral com “risco sistêmico” e presume esse risco quando o treino ultrapassa $10^{25}$ FLOPs (art. 51)⁹⁴;
• EUA (federal): a Ordem Executiva 14110 (out/2023) exigia reportar treinamentos acima de $10^{26}$ operações e foi revogada em jan/2025⁹⁵. Os EUA também impuseram controles de exportação de chips avançados a partir de out/2022, mirando adversários geopolíticos, não o tamanho dos modelos domésticos⁷;
• EUA (estadual): o projeto SB 1047 da Califórnia, que impunha obrigações de segurança a modelos de fronteira, foi vetado pelo governador em set/2024⁹⁶;
• Junho de 2026: a Anthropic suspendeu o acesso aos modelos Claude Fable 5 e Mythos 5 para cumprir controles de exportação do Departamento de Comércio dos EUA. Os controles foram retirados em 30/06 e o acesso foi restaurado em 01/07⁸;
• Setembro de 2026: laboratórios de ponta propuseram publicamente desacelerar ("pacing the frontier"), e o ensaio de Amodei pede apoio governamental, inclusive uma isenção antitruste, para que a coordenação seja viável³². Segundo o Washington Post, citado por Akita, o presidente Trump rejeitou os pedidos de desaceleração citando a competição com a China^{97 1}. Segundo a Reuters, também citada por Akita, negociadores do Senado discutiam um “dever de cuidado” para riscos catastróficos^{98 1};

Conclusão

O padrão se repete, mas o papel do Estado mudou

Se você chegou até aqui, percebeu o padrão. Nos anos 60 e 70, os governos frearam a I.A. porque ela prometeu demais e entregou de menos. ALPAC, Lighthill e a Emenda Mansfield cortaram verba de uma tecnologia que não funcionava fora de mundos de brinquedo^{50 53 54}. Nos anos 80, esses mesmos governos voltaram a acelerar quando a I.A. virou disputa entre nações, e Japão, EUA e Reino Unido despejaram dinheiro público em programas estratégicos^{61 62 55}.

A diferença é que, desta vez, a I.A. entrega resultado. E tecnologia que entrega resultado não tem a verba cortada: tem a verba custodiada.

A I.A. como moeda de soberania

O plano de I.A. da Casa Branca abre afirmando que os EUA estão numa corrida pela dominância global em I.A., que quem tiver o maior ecossistema vai colher benefícios econômicos e militares, e compara a disputa à corrida espacial⁶. Não é retórica solta: os EUA controlam a exportação de chips avançados desde 2022⁷. Em junho de 2026, uma empresa americana precisou suspender o acesso a modelos de linguagem para cumprir controles de exportação⁸. E quando os próprios laboratórios pediram para desacelerar, a Casa Branca teria recusado citando a China⁹⁷.

Nós já vimos esse filme. Em 1946, os EUA aprovaram o Atomic Energy Act, que colocou o conhecimento nuclear sob controle estatal⁹⁹. Nos anos 90, criptografia forte chegou a ser tratada como munição para fins de exportação¹⁰⁰. Em nenhum dos dois casos o Estado proibiu a tecnologia: ele decidiu quem podia usá-la e em que escala.

É o cenário que eu vejo: governo nenhum vai abrir mão de ter o modelo mais poderoso. O que ele não vai deixar é você ter.

A I.A. como ameaça à identidade digital

A outra ponta aperta pelo lado do usuário:

• União Europeia: desde 2 de agosto de 2026, conteúdo gerado por I.A. precisa carregar marcação legível por máquina e deepfakes precisam ser rotulados (AI Act, art. 50)^{9 94}. Em paralelo, o bloco implanta a carteira europeia de identidade digital (eIDAS 2.0)¹⁰¹;
• Brasil: o ECA Digital, em vigor desde 17 de março de 2026, proíbe a autodeclaração de idade e exige verificação etária confiável em plataformas com conteúdo impróprio para menores, inclusive lojas de aplicativos¹¹. Para as eleições de 2026, o TSE proibiu deepfakes em propaganda eleitoral e vetou a publicação de novos conteúdos sintéticos com imagem ou voz de candidatos entre 72 horas antes e 24 horas depois da votação, mesmo quando rotulados^{102 10}. E o Marco Legal da I.A. (PL 2338/2023) segue na Câmara, com um projeto apensado que obriga marca d’água em imagens, vídeos e áudios gerados por I.A.^{103 104};
• Bloqueios diretos: a Itália bloqueou o ChatGPT em 2023¹⁰⁵, a ANPD mandou a Meta suspender o treinamento de I.A. com dados de brasileiros em 2024¹⁰⁶, e Indonésia e Malásia bloquearam o Grok em janeiro de 2026 após uma onda de deepfakes sexuais¹⁰⁷;

Nenhuma dessas normas proíbe, hoje, gerar conteúdo audiovisual com I.A. O que existe é rotulagem, restrição por contexto e bloqueio pontual. A minha aposta está na direção do movimento: de “rotular” para “licenciar”.

No Brasil, isso nem seria novidade. Transmitir áudio e vídeo em larga escala, via rádio e TV, sempre dependeu de concessão do Poder Executivo¹⁰⁸. Quando qualquer pessoa consegue produzir, com um prompt, um vídeo realista de um político dizendo o que nunca disse, não é difícil imaginar o legislador puxando o audiovisual generativo para a mesma lógica: primeiro nas eleições, depois para todo o resto. O meme do político gerado no GPT ou no Gemini é o primeiro candidato a virar “conteúdo sem licença”.

“Mas os modelos já estão por aí”

É o contra-argumento mais forte, e precisa ser enfrentado. Modelos com pesos abertos, como o DeepSeek-R1, podem ser baixados por qualquer um¹⁰⁹, e o próprio plano americano diz incentivar modelos abertos⁶. E, na guerra da criptografia dos anos 90, o Estado acabou recuando¹⁰⁰.

A minha resposta volta ao ponto de partida deste texto: o arquivo é livre, o silício não é. Baixar os pesos é fácil; treinar ou rodar um modelo de fronteira exige datacenters com chips cuja exportação já é controlada^{7 5}. E o usuário médio não roda modelo local: ele usa um aplicativo, que passa por uma loja de aplicativos, que já é obrigada a verificar a idade de quem usa¹¹. O controle não precisa estar no modelo. Basta estar no hardware e na distribuição.

Então…

A história da I.A. é a história de uma ideia que os governos financiaram quando parecia promissora, abandonaram quando decepcionou e agora disputam quando finalmente funciona.

A I.A. vai sim triplicar de tamanho, mas muito provavelmente não vai triplicar para nós.

Posso estar errado, e sinceramente adoraria estar. Se discorda, ou tem alguma observação, deixa o seu comentário abaixo.

Bibliografia