Quem assiste hoje ao trecho do Jornal Nacional de 1988 sobre inteligência artificial, com Cid Moreira na bancada, tende a montar um placar: isso aconteceu, aquilo não. É a leitura menos útil possível. A peça vale como registro de uma aposta técnica. A aposta era que inteligência é conhecimento explícito, que pode ser extraído de especialistas e escrito como regras. Ela quebrou num ponto preciso, e esse ponto é o inverso de onde os modelos atuais quebram. É isso que interessa a quem programa.
Antes do placar, o documento
Primeiro, uma questão de método. Esse tipo de material costuma circular como recorte, sem créditos completos, sem data exata e sem garantia de que a reportagem esteja inteira. Antes de afirmar o que "o JN previu" num post, numa palestra ou num slide, procure a versão do acervo da emissora, via Memória Globo (abre em nova aba) ou Globoplay. Sem ela, discute-se um fragmento cujo enquadramento original ninguém conhece.
Mesmo sem o original, dá para saber o que uma equipe de TV encontraria ao procurar "inteligência artificial" no fim dos anos 80. Isso diz mais do que qualquer frase da narração.
O que a expressão queria dizer em 1988
No fim da década, IA comercial era quase sinônimo de sistema especialista. A arquitetura é familiar para quem já mexeu com motor de regras:
- uma base de conhecimento com centenas ou milhares de regras do tipo se-então;
- um mecanismo de inferência que as encadeia, para frente a partir dos fatos ou para trás a partir de uma hipótese;
- em alguns casos, fatores de certeza para lidar com evidência incompleta.
Dois exemplos dominavam. O MYCIN, de Stanford, diagnosticava infecções bacterianas e recomendava antibióticos, mas nunca chegou ao uso clínico. O XCON, da Digital Equipment, configurava pedidos de computadores VAX e virou o caso de sucesso citado em toda apresentação de vendas.
Em volta disso havia uma indústria: shells de sistemas especialistas, máquinas Lisp dedicadas, consultorias de "engenharia do conhecimento". Havia também geopolítica. Em 1982, o Japão lançou o projeto da Quinta Geração de Computadores, coordenado pelo MITI. A promessa eram máquinas de inferência paralela baseadas em programação lógica, na prática algo como Prolog em hardware. A reação veio rápido: a DARPA criou a Strategic Computing Initiative e o Reino Unido montou o programa Alvey. Em 1988, IA era notícia porque era uma corrida.
Uma reportagem de TV dessa época provavelmente mostraria robôs industriais, programas de xadrez, sistemas que "diagnosticavam", talvez tradução automática. Tudo filmável. A câmera não pega o que estava por trás da demonstração.
Onde a aposta quebrou
O problema ficou conhecido como gargalo da aquisição de conhecimento, expressão associada a Edward Feigenbaum, um dos criadores do campo. Para construir o sistema, um engenheiro do conhecimento entrevistava o especialista e tentava converter o que ele sabia em regras. Só que boa parte do que um médico ou um técnico sabe não está acessível à introspecção: ele reconhece o caso em vez de deduzi-lo. As entrevistas produziam uma racionalização plausível do raciocínio, não o raciocínio.
Daí vinham os dois defeitos que derrubaram aquela geração:
- Fragilidade. Dentro do domínio, o sistema acertava. Um passo fora, falhava de forma abrupta, sem a degradação gradual que se espera de alguém competente diante de um caso estranho.
- Manutenção. A base de regras do XCON cresceu a ponto de exigir uma equipe só para mantê-la coerente, porque cada regra nova interagia com as antigas de formas difíceis de prever. Quem já herdou um sistema legado cheio de
ifaninhados conhece essa curva.
O mercado reagiu antes da academia. Por volta de 1987, as máquinas Lisp perderam espaço para estações de trabalho genéricas e mais baratas, e as empresas que dependiam delas encolheram ou fecharam. A Quinta Geração terminou no início dos anos 90 sem produto comercial relevante. Quando a reportagem foi ao ar, o segundo inverno da IA já estava em curso. Isso dificilmente aparece no horário nobre, porque crise de financiamento não rende imagem.
No mesmo ano de 1988, Hans Moravec publicou Mind Children, com a observação que depois levaria seu nome. O que parecia difícil para máquinas, como xadrez, lógica e cálculo, era relativamente fácil. O que qualquer criança faz, como reconhecer um rosto ou atravessar uma sala bagunçada, era quase impossível. A IA simbólica tinha conquistado a parte da inteligência que os humanos acham difícil, e por isso parecia mais perto do objetivo do que estava.
O que estava fora do enquadramento
A abordagem que acabaria vencendo era minoritária e pouco telegênica. Em 1986, David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram o artigo que popularizou a retropropagação (abre em nova aba) para treinar redes neurais de várias camadas. Os volumes de Parallel Distributed Processing deram ao conexionismo um programa de pesquisa. Mas não havia demonstração espetacular para o telespectador: só uma rede pequena aprendendo uma tarefa estreita, num computador lento, com pouco dado. A ideia central era estimar o conhecimento a partir de exemplos em vez de escrevê-lo, e ela precisou de duas décadas de dados e hardware para se mostrar.
Aqui está a assimetria que importa:
| Sistema especialista (1988) | Modelo de linguagem atual | |
|---|---|---|
| Representação | Explícita, legível | Nenhuma que um engenheiro consiga ler |
| Cobertura | Minúscula | Enorme |
| Como falha | Diz "não sei" ou para | Produz resposta fluente e errada |
Nenhum dos dois sabe onde está a borda do próprio domínio.
O Brasil, sob reserva de mercado
No Brasil, a Lei de Informática de 1984 instituíra a reserva de mercado para micro e minicomputadores, restringindo importações em favor da indústria nacional. Havia pesquisa em IA nas universidades, e o Simpósio Brasileiro de Inteligência Artificial, o SBIA, reunia essa comunidade. A reserva tornou mais caro e mais lento o acesso a máquinas importadas, inclusive às estações usadas na pesquisa de ponta no exterior.
Há, porém, um argumento contraintuitivo. A IA dominante da época era barata em hardware. Prolog e Lisp rodavam, com paciência, em máquinas modestas, e o gargalo real era humano: gente para entrevistar especialistas e escrever regras. Por isso, uma restrição à importação de equipamento pesava menos sobre esse paradigma do que pesaria hoje, quando o insumo decisivo é computação em escala. Uma política equivalente aplicada a GPUs em 2026 teria efeito muito mais severo sobre a pesquisa. É uma inferência, não uma medição, mas ajuda a calibrar o quanto a reserva pesou sobre a IA em particular, separado do resto da informática.
O melhor contraponto
A objeção mais forte é que chamar a aposta simbólica de fracasso é injusto, e ela tem bons argumentos:
- O XCON economizou dinheiro real para a DEC.
- Motores de regras ainda decidem crédito, seguro e conformidade em bancos.
- Solucionadores SAT e SMT, verificadores de tipos e planejadores automatizados descendem diretamente daquela tradição.
- Linguagens no estilo Datalog, parentes do Prolog, fazem análise estática de código em escala industrial.
- Dar a modelos de linguagem acesso a ferramentas, como executar código, consultar um solver ou chamar uma API com esquema rígido, admite que o aprendizado estatístico precisa de componentes simbólicos para garantir correção.
Tudo isso é verdade, e por isso a tese precisa ser formulada com cuidado. O simbólico sobreviveu como ferramenta, não como teoria da mente. A promessa de 1988 era que regras explícitas seriam a inteligência. O que restou é que regras explícitas são a parte do sistema que se pode verificar. A divisão de trabalho se inverteu: o componente aprendido cuida de percepção e linguagem, onde a cobertura importa, e o simbólico cuida do que exige garantia. Ninguém desenhava a arquitetura assim em 1988.
O que fica
A pergunta "a reportagem acertou?" tem uma resposta sem graça. Algumas capacidades que a TV dos anos 80 associava a máquinas inteligentes chegaram, como conversar, traduzir e apoiar diagnósticos. Mas chegaram por um caminho em que o centro da área, naquela época, não apostava.
A pergunta útil vale tanto para o sistema especialista de 1988 quanto para o modelo que você integra ao seu produto em 2026: o que acontece na borda do domínio? A demonstração sempre acontece no centro. A geração de 1988 descobriu tarde que sua borda era estreita e abrupta. A atual tem uma borda larga e difusa, o que é melhor para o uso e pior para a auditoria.
Tratar o recorte do JN como curiosidade nostálgica desperdiça a lição. Lido como registro de uma arquitetura que confundiu escrever conhecimento com ter conhecimento, ele oferece um critério de avaliação que continua valendo.