O conexionismo volta

🎟️ A peça

A peça desta sala é um desenho que você provavelmente já viu por aí, mesmo sem saber o nome. Fileiras de bolinhas, ligadas umas nas outras por um emaranhado de linhas, camada após camada, da esquerda pra direita. É o retrato de uma rede neural, e ela é o cérebro da IA que você usou hoje.

O detalhe que transforma esse rabisco numa peça de museu é o seguinte. Ele foi declarado morto em 1969. Você assistiu ao enterro duas salas atrás. Esta sala conta a ressurreição mais improvável da história da tecnologia, a de uma ideia enterrada, ridicularizada, sem dinheiro e sem prestígio, que ficou trinta anos no escuro e voltou pra ser o motor de tudo.

❓ O gancho

Tem duas famílias de IA brigando neste museu desde a Ala 3, e você precisa conhecer o final da briga. De um lado, a turma da lógica, a que nasceu em Dartmouth querendo escrever a inteligência como regra, na mão. Do outro, a turma das redes que aprendem feito cérebro, a do Perceptron. Por décadas, a primeira ganhou o dinheiro e o respeito, e a segunda apanhou feio. Aí o jogo virou. Por que foi a família apanhada, a das redes neurais, que acabou construindo a IA que mudou a sua vida? E por que isso levou setenta anos pra acontecer?

🕰️ A história

Volta lá pra 1969. O livro do Minsky tinha mostrado que um Perceptron de uma camada só era burro demais pra aprender coisas simples, e o veredito pegou. As redes neurais viraram piada acadêmica, o tipo de assunto que enterrava uma carreira. O dinheiro foi todo pra outra família, a da lógica e das regras, que nos anos 80 virou os sistemas especialistas que você viu derreter nos invernos.

Mas um punhado de teimosos não largou o osso. No centro dessa turma estava um sujeito chamado Geoffrey Hinton, um pesquisador que, desde o comecinho dos anos 80, insistia numa ideia simples e teimosa. O cérebro humano é uma rede de neurônios burros que aprende, e se a gente quer máquinas inteligentes, é essa receita que a gente tem que copiar, em vez da lógica de salão que a outra turma adorava.

O problema do Perceptron, lembra, é que com uma camada só ele não dava conta. A solução muita gente já suspeitava, empilhar várias camadas, com uma camada escondida no meio, entre a entrada e a saída. Só que ninguém sabia como ensinar essa camada do meio. Como você corrige um neurônio lá no miolo da rede, longe da resposta final, sem saber direito de quem é a culpa pelo erro?

A resposta veio em 1986, num artigo curto na revista Nature, assinado por Hinton, David Rumelhart e Ronald Williams. A ideia tem um nome técnico, retropropagação, mas o espírito é lindo de simples. Quando a rede erra, você pega o tamanho do erro lá na saída e empurra ele de volta pra trás, camada por camada, repartindo a culpa entre todas as ligações e ajustando cada uma um tiquinho. Faz isso milhões de vezes, com milhões de exemplos, e a camada escondida vai aprendendo sozinha a enxergar as coisas que importam. A parede que o Minsky tinha levantado em 1969 caiu.

E mesmo assim a primavera não veio na hora. A ideia agora funcionava no papel, mas pra brilhar de verdade ela tinha uma fome de duas coisas que ainda não existiam em quantidade suficiente. Montanhas de exemplos pra aprender, e poder de cálculo bruto pra mastigar tudo. Os dois chegaram juntos lá pela virada dos anos 2010. A internet tinha enchido o mundo de dados, e descobriu-se que as placas de vídeo dos games, as GPUs, eram máquinas perfeitas pra treinar rede neural.

O estouro tem data. 2012, numa competição anual de reconhecimento de imagens chamada ImageNet, onde os programas disputavam pra ver quem errava menos ao dizer o que tinha em cada foto. Até então a briga era no detalhe, um errinho a menos por ano. Aí entrou uma rede neural profunda montada por alunos do Hinton, batizada de AlexNet, e o placar foi quase humilhante:

ImageNet 2012. Em primeiro lugar, uma rede neural, com 15,3% de erro. Em segundo, a melhor das outras abordagens, com 26,2%.

Onde os outros melhoravam aos pouquinhos, a rede neural abriu um abismo de uma vez só. O mundo inteiro da IA olhou pra aquele placar e entendeu o recado na mesma semana. A família surrada tinha acabado de ganhar o jogo. E o mesmo Hinton que passou trinta anos defendendo um defunto recebeu, em 2018, o maior prêmio da computação, e, em 2024, o Nobel de Física.

🔗 A revelação

A revelação desta sala fecha a briga que começou na Ala 3. Aquela frase que eu te disse lá em Dartmouth, que a máquina vencedora veio pela outra estrada, agora você vê o destino completo dela. A IA que você usa é uma rede neural, descendente direta do Perceptron do Rosenblatt, treinada pela retropropagação do Hinton, só que com um número de camadas e de exemplos que o pessoal de 1986 nem sonhava. Quando você manda uma mensagem e ela responde, é essa rede ressuscitada trabalhando. O adivinhador de próxima palavra da sala do Shannon, o último andar fofo da escada da sala passada, é feito disto, de neurônios artificiais em camadas, ajustados um a um por tropeço e correção.

E tem uma lição amarga escondida no final. A família da lógica perdeu não porque estava errada sobre tudo, mas porque apostou que a inteligência podia ser escrita à mão, regra por regra, por gente esperta. A família das redes apostou o contrário, que era melhor construir uma máquina meio burra que aprende sozinha e deixar a inteligência se formar a partir dos exemplos. Quando os dados e o poder de cálculo ficaram grandes o suficiente, foi a aposta da burrice que aprende que atropelou a da esperteza que escreve. Ninguém sentou e escreveu a IA de hoje, linha por linha. Ela foi cultivada, feito uma planta, a partir de exemplos, de tempo e de uma quantidade absurda de tropeços corrigidos.

🪞 O GEB

O nosso livro-patrono passa capítulos inteiros fascinado com uma única pergunta, e ela é o coração desta sala. Como é que pensamento brota de matéria burra? O Hofstadter olha pro cérebro e vê o que a gente acabou de ver na máquina, um mar de neurônios, cada um deles uma peça idiota que só dispara ou não dispara, nenhum deles entendendo nada. Ninguém lá dentro sabe o que é um rosto, uma palavra, uma saudade. E mesmo assim, do padrão de milhões deles disparando juntos, sai você.

A provocação que ele deixa no ar é de tirar o chão. Se o seu pensamento é o padrão, e não a carne, então talvez não importe tanto se o padrão roda em neurônios molhados ou em transistores secos. A IA de hoje é a primeira coisa que força essa pergunta a sair do livro e sentar na sua frente. Ela aprende de uma matéria que não entende nada, do mesmo jeito que você, e mesmo assim faz coisas que você jurava que exigiam um entendimento de verdade. O que é que sobra, então, de exclusivamente seu? Repara que a pergunta deixou de ser sobre a máquina. Virou uma pergunta sobre você.

🛠️ Leve com você

A sua IA é um retrato de tudo que ela leu até um certo dia, e nada depois disso. Ela estudou uma biblioteca gigantesca, se formou e congelou ali. Por isso é brilhante sobre o que caiu no estudo dela e simplesmente cega sobre o que veio depois, ou sobre o que ela nunca pôde ver, como o seu mundo particular.

Na prática, isso te dá duas regras de ouro. A primeira, não confie nela pra coisa recente. Se aconteceu depois que ela se formou, ela não viu, e quando não viu ela tende a inventar na maior cara de pau. A segunda, ela não conhece o seu contexto privado por mágica. O seu cliente, o seu projeto, o número de ontem, nada disso estava na biblioteca dela. Então traga você. Cola o documento, dá o dado, descreve a situação. Você não está pedindo ajuda pra um oráculo que sabe tudo. Você está consultando um gênio que parou de ler num certo dia, e a parte de hoje quem traz é você.

🤔 Pra pensar

Você aprendeu a andar de bicicleta caindo. Ninguém te deu as equações do equilíbrio, ninguém programou o seu corpo. Você tentou, capotou, ajustou alguma coisa que nem sabe nomear, tentou de novo, e um dia simplesmente soube. Foi tropeço e correção, milhares de vezes, até a competência aparecer sozinha. É quase palavra por palavra o que a rede neural faz pra aprender. Então, da próxima vez que você ouvir alguém dizer que a IA “não entende nada de verdade, só ajustou um monte de números a partir de exemplos”, segura o impulso de concordar na hora. Será que a coisa molhada dentro do seu crânio fez, algum dia, algo assim tão diferente disso?

⏭️ Para onde ir agora

Você já tem quase tudo. A IA é uma rede neural ressuscitada, que aprende sozinha a adivinhar a próxima palavra, empoleirada no topo da escada de abstração. Falta uma última peça, e é a mais nova de todas. Porque ter uma rede que aprende com exemplos ainda não bastava pra ela dominar a linguagem do jeito assombroso que ela domina hoje. Faltava uma sacada de engenharia, um desenho específico de rede, que só apareceu em 2017 e veio com um nome quase arrogante. Os autores chamaram o artigo de “Atenção é tudo que você precisa”. Na próxima sala, a gente descobre por que essa tal de atenção foi a fagulha que acendeu a IA que você conhece.