Como IAs Aprendem?

As inteligências artificiais modernas não são programadas da forma tradicional. Ninguém diz a elas exatamente como dirigir um carro, quando parar no sinal, ou como vencer uma partida de xadrez. Ainda assim, elas aprendem — não apenas coisas que humanos poderiam ensinar, mas também coisas que jamais poderíamos.

No centro dessa capacidade de aprendizado existe uma ideia — uma ideia construída ao longo de séculos por cientistas, matemáticos, psicólogos e filósofos. Uma ideia que esteve esquecida por um tempo, mas que jamais foi perdida: a ideia das redes neurais.

Um Gênio que Fugiu

Em 1935, um menino chamado Walter Pitts fugiu de casa após ser perseguido por uma gangue. Em vez de voltar para a casa violenta em que vivia, ele se escondeu numa biblioteca. Foi ali que descobriu o Principia Mathematica, de Bertrand Russell e Alfred Whitehead. Leu todos os volumes em três dias, encontrou erros lógicos, e escreveu uma carta para Russell, então um dos maiores filósofos e matemáticos da época. Russell se impressionou tanto que o convidou para Cambridge — convite recusado por Pitts, que na época tinha apenas 12 anos. Aos 15 anos, Pitts fugiu definitivamente de casa para tentar encontrar Russell em Chicago. Acabou morando ao redor da universidade, sem moradia fixa e sem educação formal, sobrevivendo como podia. Aos 18 anos, conheceu Warren McCulloch, neuropsiquiatra de 42 anos. Unidos por afinidades intelectuais e pela admiração ao filósofo Leibniz, os dois se tornaram parceiros de pesquisa.

Ideia do Neurônio Artificial

Inspirados pelo funcionamento do cérebro, McCulloch e Pitts queriam criar um modelo matemático que imitasse um neurônio. Em 1943, publicaram o artigo A Logical Calculus of Ideas Immanent in Nervous Activity, onde descreveram o primeiro neurônio artificial. Esse modelo recebia entradas binárias (0 ou 1), somava os valores e, se a soma ultrapassasse um limite (threshold), emitia 1; caso contrário, emitia 0. Com esse sistema, eles mostraram que era possível implementar operações lógicas como AND(E), OR(OU) e NOT(NÃO). Mesmo com suas limitações, esse neurônio artificial foi a semente das redes neurais modernas.

Cérebro Elétrico

Décadas depois, o psicólogo Frank Rosenblatt propôs um neurônio artificial capaz de aprender: o Perceptron. Influenciado pela teoria de aprendizado de Donald Hebb (que afirmava que neurônios que se ativam juntos se conectam mais fortemente), Rosenblatt construiu um sistema físico, o Mark 1, que podia aprender a reconhecer padrões visuais.

Cada entrada do perceptron tinha um peso. Durante o aprendizado, o sistema ajustava os pesos com base nos erros cometidos — isso permitia que o modelo melhorasse com o tempo.

Mas o Perceptron só conseguia resolver problemas simples — por exemplo, separar gatos e cachorros com base em altura e peso, se fosse possível traçar uma única reta que os dividisse. Quando isso não era possível, o perceptron falhava. Rosenblatt sabia que a solução seria usar múltiplas camadas de neurônios, criando uma rede neural. Mas não sabia como treiná-las.

Tragédia das Redes Neurais

Em 1969, Marvin Minsky e Seymour Papert publicaram o livro Perceptrons, onde expunham as limitações do modelo de Rosenblatt. O impacto foi devastador. O financiamento à pesquisa de redes neurais secou. O campo caiu em descrédito.

Rosenblatt morreu em 1971, sem ver sua teoria evoluir. O mesmo ano marcaria também a morte dos pioneiros McCulloch e Pitts. No entanto, a resposta que Rosenblatt buscava já havia sido publicada discretamente por um engenheiro aeroespacial, Henry J. Kelley — o método de gradiente descendente.

Caça ao Planeta Perdido

Para entender a importância do método de otimização de Kelley, voltamos a 1801. O astrônomo Piazzi descobriu o planeta Ceres, mas logo o perdeu de vista. Para prever sua órbita, foi preciso ajustar os dados com erro e encontrar a curva que melhor se encaixava. Isso foi feito por um jovem matemático: Carl Friedrich Gauss.

Gauss criou um método matemático para minimizar erros — essencialmente o mesmo que hoje usamos para treinar redes neurais. O processo consiste em ajustar os parâmetros de um modelo (por exemplo, os pesos de uma rede neural) para minimizar o erro total. Essa ideia foi o embrião do backpropagation, o algoritmo de treinamento das redes neurais modernas.

Renascimento das IAs

Décadas depois, com o avanço dos computadores, cientistas redescobriram o poder das redes neurais com múltiplas camadas. Aplicando o método de Gauss (gradiente descendente) e o algoritmo de retropropagação (backpropagation), finalmente foi possível treinar redes neurais profundas — o início do que hoje chamamos de deep learning.

O sonho de Rosenblatt, McCulloch e Pitts foi finalmente realizado — mas só após décadas de silêncio, fracassos e renascimentos.

Conclusão

Treinar redes neurais é caro e computacionalmente exigente, mas possível graças aos avanços tecnológicos. Desde o Mark 1 até os grandes modelos de linguagem atuais, a jornada das IAs foi feita de teoria, tragédia, persistência e tecnologia. E o que começou com um menino escondido numa biblioteca hoje transforma o mundo inteiro.