Roteiro B — É o único que combina cumprimento integral da promessa central e da escada de contraponto com fidelidade 10. Responde a pergunta única com todas as letras, preserva as causas múltiplas dos invernos, distingue fato de interpretação e termina efetivamente com pergunta ao espectador. Seu principal defeito é editorialmente corrigível pelo Refinador — excesso de detalhes e lentidão — enquanto os roteiros 1 e 3 exigiriam também correções factuais e historiográficas substanciais.
[2s de silêncio antes da primeira palavra] Trinta de novembro de 2022. Uma quarta-feira. Você abre uma tela em branco, digita uma pergunta qualquer, e uma máquina responde como se estivesse pensando. Parece o dia exato em que a inteligência artificial nasceu. Foi assim que quase todo mundo sentiu: uma coisa que apareceu do nada, ali, naquela semana. Só que a tal caixinha de conversa que abriu naquela quarta-feira já tinha quase oitenta anos de idade.
Sim, a idade é real: a linhagem que leva até esse programa começa lá atrás, em 1943. Mas a idade, no fundo, é o de menos. O que é estranho mesmo não é ela ser velha. É que, durante boa parte desse tempo, essa ideia foi tratada como uma causa perdida. Uma aposta que já tinha sido provada errada. Ridicularizada, cortada, dada como enterrada — e quase ninguém parou pra perguntar se aquele enterro tinha mesmo acontecido.
Volta a 1943. Dois pesquisadores, Warren McCulloch e Walter Pitts, publicam um artigo numa revista de biofísica matemática. A ideia era ousada: tratar o neurônio, a célula do cérebro, como uma chavinha lógica. Ligado ou desligado. Tudo ou nada. Nas palavras deles: 'por causa do caráter de tudo ou nada da atividade nervosa, os eventos neurais podem ser tratados por meio da lógica proposicional.' Não era um cérebro. Não aprendia nada sozinho. Era um desenho no papel — uma rede de chavinhas que ligava e desligava seguindo regras. Quinze anos depois, em 1958, um psicólogo chamado Frank Rosenblatt pega essa ideia e dá o passo que faltava: uma máquina que ajusta seus próprios pesos, que corrige os próprios erros. O Perceptron. Uma engenhoca que, sozinha, aprendia a separar uma coisa da outra. A imprensa da época ficou fascinada. Falavam de uma máquina que um dia andaria, falaria, teria consciência de si.
1969. Marvin Minsky, um dos nomes mais respeitados da inteligência artificial da época, e o matemático Seymour Papert publicam um livro inteiro dedicado a essa máquina: 'Perceptrons'. E eles apontam a arma para um probleminha de aparência boba. Imagine quatro pontos num papel quadriculado. Dois deles você quer marcar como 'sim', dois como 'não' — mas cruzados, um sim e um não em cada diagonal. É o que os matemáticos chamam de XOR. Agora tente separar os 'sim' dos 'não' com um único risco reto. Uma régua, uma linha só. Tenta. Não tem jeito. Faça o risco na horizontal, na vertical, torto — sempre sobra um ponto do lado errado. E o Perceptron, na sua forma simples, é exatamente isso: um risco reto. Uma única fronteira. A conclusão parecia demolidora: a máquina-estrela, a que prometia aprender qualquer coisa, empacava num desenho que uma criança resolve no olho. Se ela não vence quatro pontos, o que ela venceria? O prestígio despencou. A verba secou. Os pesquisadores debandaram para outras áreas. Começava o que ficou conhecido como o inverno da inteligência artificial.
A palavra escondida é 'reto'. Um risco reto não separa. Mas quem disse que a máquina precisava se contentar com um risco reto? A limitação que Minsky e Papert mostraram era verdadeira — para o perceptron de uma camada só. Uma fronteira, uma linha. Eles nunca provaram que toda rede neural fosse inútil. Aliás, os dois sabiam muito bem que redes com mais camadas conseguiam bem mais. O que faltava, na época, era um jeito prático de treinar essas redes maiores. O buraco era esse, e não a impossibilidade que a lenda depois inventou. Então a pergunta certa nunca foi 'por que a régua não separa os quatro pontos?'. A pergunta certa era outra: e se, em vez de uma linha reta, a gente dobrasse o espaço?
É exatamente o que acontece quando você coloca uma camada no meio — uma camada oculta, escondida entre a entrada e a saída. Ela dobra o problema. O que um risco reto não separava, agora se separa com folga. O muro do XOR simplesmente deixa de existir. Faltava treinar essas camadas do meio, e essa peça chega em 1986, num artigo de David Rumelhart, Geoffrey Hinton e Ronald Williams, na revista Nature. O nome do método: retropropagação. Nas palavras deles, 'um novo procedimento de aprendizagem para redes de unidades semelhantes a neurônios'. Traduzindo: um jeito de a rede olhar pro próprio erro e distribuir a culpa por cada peso lá dentro, camada por camada. E aí, quando você olha a linha do tempo de verdade, a história do inverno de oitenta anos desmorona. 1982, John Hopfield reacende o campo ligando redes neurais à física. 1986, a retropropagação. Anos 90, as redes de Yann LeCun já leem números de cheques em banco. 2012, um programa chamado AlexNet atropela todo mundo numa competição de reconhecimento de imagens. 2017, chega o Transformer — a arquitetura que é o avô técnico direto do ChatGPT. Isso não é o gráfico de uma coisa morta. É uma pesquisa que nunca parou de andar. Ela só andava longe dos holofotes.
O que mudou em 2022 não foi a máquina começar a existir. Foi ela chegar na sua mão. Décadas de progresso que moravam em laboratório, de repente, couberam numa caixinha de conversa que qualquer um abre. E dois anos depois veio o carimbo que ninguém esperava: outubro de 2024. Geoffrey Hinton — o mesmo Hinton do artigo de 86, um dos 'malucos' que ficaram fiéis às redes quando o campo inteiro tinha virado as costas — divide o Nobel de Física com John Hopfield. A justificativa oficial: 'por descobertas e invenções fundamentais que permitem o aprendizado de máquina com redes neurais artificiais.' No mesmo mês, no Nobel de Química, Demis Hassabis e John Jumper são premiados por usar essa mesma família de técnicas para prever a estrutura das proteínas. Os azarões ridicularizados viraram laureados. Só que a vitória vem com uma vertigem embutida. Essas redes que venceram funcionam assim: a gente sabe cada conta que elas fazem, cada multiplicação, cada peso. O código não é mistério nenhum. Mas por que bilhões desses números, juntos, produzem aquela resposta específica — isso ninguém, nem quem construiu, consegue explicar por inteiro. Ganhamos o Nobel por uma coisa que a gente sabe fazer, mas não sabe totalmente ler.
Então volta lá pra quarta-feira de novembro de 2022, pra aquela sensação de estar diante de algo recém-nascido. Agora dá pra ver o que ela era de verdade. A inteligência artificial não ressuscitou naquele dia. Ela nunca tinha morrido. O que morreu, em algum momento lá atrás, foi a nossa disposição de continuar acreditando nela — e a gente confundiu isso com a morte dela. O atestado de óbito era um mal-entendido: uma limitação pequena e real, a do risco reto que não separa quatro pontos, que a gente inflou até virar o fim de um campo inteiro. A caixinha não tinha nascido. Ela só tinha, finalmente, parado de ser dada como morta.
Fica então a parte incômoda. Você usa essa coisa hoje. Talvez tenha usado hoje de manhã. E ela funciona tão bem que a gente esquece o detalhe: é uma ferramenta que venceu quatro pontos num papel, atravessou décadas de descrédito, ganhou um Nobel — e chegou até aqui como algo que nem seus próprios criadores conseguem explicar por dentro. A pergunta que sobra não é sobre 1943, nem sobre 2022. É sobre agora: quanto você confia em algo que ninguém entende por completo? Curiosidade dessas, o canal até merece uma inscrição pra continuar acompanhando aonde essa história vai dar.
Fortes
A corrigir
[2s de silêncio antes desta frase] Um risco reto que não separa quatro pontos num papel quadriculado enterrou a inteligência artificial por décadas... ou nunca houve morte nenhuma, apenas um mal-entendido que a gente resolveu chamar de morte? No dia 30 de novembro de 2022, uma quarta-feira, a OpenAI apresentou o ChatGPT como uma prévia de pesquisa. Era apenas uma caixa de texto: você escrevia de um lado, ela respondia do outro. Mas, para milhões de pessoas, aquele foi o dia em que a inteligência artificial nasceu. Parecia mesmo um nascimento. De repente, uma máquina conseguia explicar assuntos, escrever histórias, revisar textos e sustentar uma conversa numa interface que qualquer pessoa podia usar. Só que aquela caixinha aparentemente recém-nascida carregava uma linhagem de quase 79 anos. Ela vinha de uma ideia publicada em dezembro de 1943, quando computador ainda era uma palavra distante da vida comum. Então por que uma tecnologia com raízes tão antigas conseguiu parecer completamente nova?
A inteligência artificial não nasceu com o ChatGPT. Porém, dizer apenas que ela é mais velha não resolve o mistério. O ponto estranho é outro: durante parte dessa história, as redes neurais perderam prestígio, pesquisadores viram o financiamento diminuir e a própria expressão “inverno da I.A.” passou a descrever períodos de retração. Vista de longe, a sequência parece simples: uma ideia surgiu, fracassou, ficou congelada e reapareceu pronta em 2022. Essa versão é convincente porque contém pedaços verdadeiros. Houve entusiasmo exagerado. Houve limitações matemáticas reais. Houve cortes de verba. E houve um pequeno problema lógico que uma máquina celebrada como capaz de aprender não conseguia resolver. Se a falha era verdadeira e o inverno também aconteceu, quem teria motivos para duvidar da morte?
Em dezembro de 1943, Warren McCulloch e Walter Pitts publicaram “A Logical Calculus of the Ideas Immanent in Nervous Activity”. Em tradução própria de uma frase do resumo, eles escreveram: “Por causa do caráter de ‘tudo ou nada’ da atividade nervosa, os eventos neurais podem ser tratados por meio da lógica proposicional.” A ideia era radical, mas o modelo era austero. Um neurônio artificial recebia sinais e disparava quando uma condição de limite era alcançada. Era uma chave matemática inspirada, de maneira bastante simplificada, no comportamento de um neurônio biológico. Redes dessas unidades podiam representar operações lógicas. Aquilo não era um chatbot. Também não era uma máquina que descobria sozinha quais conexões deveria fortalecer. Os pesos e limites eram definidos previamente. Ainda assim, McCulloch e Pitts haviam transformado uma abstração do cérebro numa rede formal capaz de computar. É por isso que 1943 pode ser tratado como um marco fundador das redes neurais computacionais, embora o nascimento institucional do campo chamado “inteligência artificial” seja normalmente ligado a Dartmouth, em 1955 e 1956. O passo seguinte era fazer essa unidade aprender. Entre 1957 e 1958, Frank Rosenblatt desenvolveu e demonstrou o perceptron. Em vez de depender apenas de conexões fixadas à mão, ele ajustava pesos para classificar exemplos. A demonstração pública de 1958 rodava como simulação num computador IBM 704; o hardware Mark I Perceptron viria depois. A promessa era enorme: uma máquina que melhorava a partir dos exemplos. Mas quanto maior a promessa, mais devastadora seria uma limitação que pudesse ser desenhada com apenas quatro pontos.
Imagine quatro pontos formando os cantos de um quadrado. Dois pertencem a um grupo e dois ao outro, alternados nas diagonais. Essa distribuição representa o XOR: o resultado é verdadeiro quando exatamente uma das duas entradas é verdadeira. Agora tente separar os dois grupos com um único risco reto. Não importa como a linha seja inclinada: pelo menos um ponto ficará do lado errado. O problema não é falta de tentativa. É geometria. Os grupos não podem ser separados por uma única fronteira linear. E um perceptron simples trabalha justamente assim: aprende uma fronteira linear. Portanto, ele não consegue representar o XOR. A máquina anunciada como capaz de aprender tropeçava numa operação lógica elementar. Em 1969, Marvin Minsky, uma das grandes autoridades da inteligência artificial naquele período, e Seymour Papert publicaram o livro “Perceptrons”. A obra examinava matematicamente capacidades e limitações da classe de perceptrons estudada. O XOR se tornou o exemplo didático perfeito da fragilidade: quatro pontos, uma linha impossível e uma prova que qualquer pessoa podia enxergar. A conclusão popular parecia inevitável. Se o perceptron não resolvia nem aquilo, a promessa de máquinas inspiradas no cérebro havia encontrado seu limite. Nas décadas seguintes, redes neurais perderam prestígio e financiamento. Ao mesmo tempo, promessas não cumpridas e avaliações críticas atingiram outras áreas da inteligência artificial. No fim dos anos 1980 e início dos 1990, o colapso comercial dos sistemas especialistas, os custos de hardware específico e resultados abaixo do esperado alimentariam outra retração. É comum falar em dois grandes invernos da I.A., aproximadamente de 1974 a 1980 e de 1987 a 1993, embora historiadores divirjam sobre as fronteiras e as causas. Países, fontes de financiamento e linhas de pesquisa não congelaram todos ao mesmo tempo. Mesmo com essa ressalva, a história possuía autoridade, prova e consequência. Minsky e Papert haviam mostrado um limite real. O prestígio caiu. A verba encolheu. A estrela do aprendizado parecia ter sido matematicamente apagada. Mas e se aquela prova irrefutável respondesse a uma pergunta muito menor do que a história passou a atribuir a ela?
O que Minsky e Papert haviam limitado era principalmente o perceptron sem uma camada oculta adequada. Eles não provaram que toda rede neural era inútil. Também sabiam que redes multicamadas possuíam capacidades diferentes. O problema era que ainda faltava um método prático e amplamente adotado para treinar essas camadas. A diferença parece pequena, mas muda o veredito inteiro. Um perceptron simples tenta resolver o XOR com uma única fronteira. Uma rede com unidades intermediárias pode combinar mais de uma fronteira e construir a separação que um único risco não consegue fazer. A falha, portanto, era real. O exagero estava no tamanho da sentença. O XOR não condenava redes neurais em geral; revelava a limitação de uma arquitetura restrita. Ainda assim, seria injusto transformar Minsky e Papert em dois vilões que sozinhos desligaram a área. O efeito histórico do livro é debatido. Falta de poder computacional, escassez de dados, promessas excessivas, dificuldade de treinamento e decisões de financiamento também pesaram. O livro pode ter ajudado a fechar portas, mas não explica sozinho todo o inverno. Se o diagnóstico popular havia confundido a limitação de uma camada com a morte de uma linhagem inteira, o que faltava para abrir novamente essa porta?
Em 1982, John Hopfield apresentou redes recorrentes como sistemas de memória associativa, aproximando redes neurais e física estatística. A área que supostamente estava morta continuava produzindo novas formas de computação. Em 1986, David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram um trabalho que demonstrou e popularizou a retropropagação em redes com unidades ocultas. No resumo, em tradução própria, eles dizem: “Descrevemos um novo procedimento de aprendizagem, a retropropagação, para redes de unidades semelhantes a neurônios.” A ideia pode ser entendida sem fórmulas. A rede produz uma resposta, compara essa resposta com a desejada e calcula quanto cada conexão contribuiu para o erro. Depois ajusta os pesos, camada após camada. Assim, as unidades escondidas passam a aprender representações internas — justamente o recurso ausente no perceptron simples preso àquela linha reta. O trio de 1986 popularizou o método moderno, mas não o inventou sozinho. Princípios equivalentes e antecedentes já apareciam em trabalhos anteriores de controle, diferenciação automática e redes neurais. Mais uma vez, a história real não cabe num único herói. Nos anos de 1997 e 1998, Yann LeCun e colaboradores demonstraram redes convolucionais em tarefas práticas de reconhecimento de dígitos e cheques. Em 2012, a AlexNet venceu a competição ImageNet com grande vantagem, combinando uma rede profunda, GPUs, muitos dados e técnicas de treinamento aprimoradas. Em 2017, o artigo “Attention Is All You Need” apresentou o Transformer, arquitetura baseada principalmente em atenção e ancestral técnico direto da família GPT. Entre 2018 e 2020, a OpenAI desenvolveu essa família sobre Transformers. O GPT-3 demonstrou forte capacidade de geração e de adaptação a exemplos escritos no próprio comando. Mas o Transformer, sozinho, não explica o ChatGPT: escala, dados, pré-treinamento e ajuste para diálogo também foram decisivos. A linha documentada passa por 1943, 1958, 1982, 1986, os anos 1990, 2012, 2017 e a família GPT. Isso não combina com oitenta anos de morte contínua. Combina com ondas de entusiasmo e descrédito atravessadas por uma pesquisa que continuou acumulando peças. Então o que realmente aconteceu naquela quarta-feira de novembro de 2022?
Em 30 de novembro de 2022, a OpenAI colocou uma interface conversacional sobre um modelo da linhagem GPT e publicou o ChatGPT como prévia de pesquisa. O comunicado dizia, em tradução própria: “O lançamento de pesquisa do ChatGPT de hoje é o passo mais recente da implantação iterativa de sistemas de IA cada vez mais seguros e úteis.” A expressão decisiva é “passo mais recente”. Para o público, parecia o primeiro passo. Para a pesquisa, era a chegada visível de uma longa sequência. Dois anos depois, a consagração assumiu uma forma quase improvável. Em 2024, John Hopfield e Geoffrey Hinton receberam o Nobel de Física. A motivação oficial, em tradução própria, foi: “por descobertas e invenções fundamentais que permitem o aprendizado de máquina com redes neurais artificiais”. Uma linha de pesquisa que havia perdido prestígio agora aparecia no anúncio de um Nobel. No Nobel de Química daquele mesmo ano, Demis Hassabis e John Jumper receberam metade do prêmio pela previsão de estruturas de proteínas com o AlphaFold2; David Baker recebeu a outra metade pelo design computacional de proteínas. Hassabis não foi premiado por criar o ChatGPT, e não dividiu o Nobel de Física com Hinton. Mas o reconhecimento do AlphaFold mostrava como sistemas de aprendizado já atravessavam campos científicos muito além de uma caixa de conversa. É possível ler essa coincidência histórica como uma rima. A linhagem das redes neurais começou a tomar forma em 1943, no mundo da Segunda Guerra e da nascente era nuclear. Oitenta anos depois, seus resultados ajudavam a anunciar aquilo que passamos a chamar de era da inteligência artificial. Isso é uma interpretação da trajetória, não uma ligação causal entre o artigo de McCulloch e Pitts e a bomba atômica. Só que a vitória trouxe uma ironia. Sabemos como as arquiteturas são montadas, quais operações matemáticas executam, como os pesos são ajustados e como cada saída é calculada. Não é magia. Mas ainda não possuímos uma tradução humana completa de como bilhões de parâmetros representam conceitos, formam circuitos internos e produzem determinados comportamentos. “Ninguém entende nada” seria falso. Pesquisadores já identificam características e mecanismos parciais. Porém, executar todas as multiplicações de uma rede não significa compreender por inteiro a representação que ela aprendeu. Os pesquisadores ridicularizados não apenas viram sua linha vencer. Viram-na vencer na forma de uma caixa-preta parcialmente compreendida. E que tipo de vitória é essa?
Então, um risco reto que não separava quatro pontos matou as redes neurais por décadas? Não. Porém, ele ajudou a sustentar uma narrativa de morte porque expôs uma limitação verdadeira do perceptron simples justamente quando as promessas eram enormes. O erro matemático não estava na prova. Estava em ampliar sua conclusão até ela parecer uma condenação de toda a linhagem. Também não é correto dizer que nada aconteceu. Houve perda de prestígio, cortes de financiamento e invernos reais, embora suas causas e durações sejam debatidas. O que não houve foi uma paralisação universal de quase oitenta anos. A leitura mais defensável é esta: a inteligência artificial como campo tem origens mais amplas e costuma ser ligada institucionalmente a Dartmouth, mas uma de suas linhagens fundamentais começou a ganhar forma com McCulloch e Pitts em 1943. Essa linhagem atravessou limites, quedas e retomadas até chegar aos Transformers e ao ChatGPT. A caixinha de novembro de 2022 não havia acabado de nascer. Ela carregava quase 79 anos de história. Naquele dia, a inteligência artificial não ressuscitou; foi o público que finalmente encontrou a porta por onde ela vinha entrando havia décadas.
A falha dos quatro pontos era real, mas pequena. A lenda é que ela teria sido grande o bastante para provar a morte de todas as redes neurais. Hoje, aquela linhagem conversa com você, reconhece imagens, ajuda a prever estruturas de proteínas e recebe o reconhecimento do Nobel. Ao mesmo tempo, ainda não conseguimos traduzir por completo tudo o que ela aprende dentro de bilhões de parâmetros. Se você quer acompanhar no detalhe uma tecnologia que já entrou na sua vida antes mesmo de ser inteiramente compreendida, inscreva-se no canal. E quando você abre uma caixa de conversa e recebe uma resposta em segundos, o que causa mais vertigem: descobrir que essa máquina não nasceu agora... ou perceber que, depois de quase 80 anos, ainda não entendemos por completo o que cresceu lá dentro?
Fortes
A corrigir
[2s de silêncio] Um risco reto, desenhado num papel quadriculado comum, não consegue separar quatro pontos em dois grupos. Essa falha pequena e específica ficou marcada, por décadas, como a prova de que a inteligência artificial não funcionava — e ajudou a empurrar a área inteira para o que os pesquisadores chamam de inverno. Só que a caixinha de texto que te respondeu ontem à noite, pela primeira vez em novembro de 2022, não nasceu naquele mês. Ela já carregava setenta e nove anos de idade.
Sim, aquela falha dos quatro pontos era real. Um classificador de uma única camada — o chamado perceptron simples — de fato não separa essas quatro combinações com uma única linha reta. Isso não é lenda, é geometria. Só que essa prova pequena nunca condenou tudo que veio depois dela. E é justamente aí que a versão que a maioria conhece começa a desmoronar.
Em dezembro de 1943, no meio da Segunda Guerra, dois pesquisadores chamados Warren McCulloch e Walter Pitts publicaram um artigo que tratava o neurônio como uma chave lógica: ele recebe sinais, soma, e dispara — tudo ou nada — como uma porta que abre ou fecha. Na própria descrição dos autores, por causa desse caráter de tudo ou nada da atividade nervosa, os eventos neurais podiam ser tratados por lógica proposicional. Era matemática, não biologia de verdade — mas foi o primeiro desenho formal de uma rede de neurônios artificiais fazendo cálculo. Quinze anos depois, em 1958, um pesquisador chamado Frank Rosenblatt deu um passo que o desenho de 1943 não tinha: ele criou uma máquina — o perceptron — capaz de ajustar seus próprios pesos sozinha, aprendendo a separar categorias a partir de exemplos. Pela primeira vez, uma rede neural não fazia só o que mandavam: ela aprendia. Virou a grande promessa da inteligência artificial daquele momento.
Em 1969, Marvin Minsky — uma das maiores autoridades da inteligência artificial da época — e Seymour Papert publicaram um livro chamado Perceptrons. E ali estava o problema, reduzido a quatro pontos: pegue duas entradas que só valem zero ou um, e peça pro perceptron aprender a operação XOR — verdadeiro quando exatamente uma das duas entradas é verdadeira, falso nos outros três casos. Desenhe isso num papel quadriculado e você vai ver: não existe uma única linha reta capaz de separar os pontos certos dos errados. A demonstração era matemática, rigorosa, irrefutável. E o efeito foi imediato: se a arquitetura mais promissora da inteligência artificial esbarrava numa operação lógica tão básica, a confiança na área inteira derreteu. Financiamento secou. Pesquisadores mudaram de linha. Começava o que ficaria conhecido como o inverno da inteligência artificial.
E se aquele risco reto nunca tivesse sido o problema — só uma ferramenta pequena demais para o trabalho? A prova de Minsky e Papert vale para o perceptron de uma única camada: um neurônio, sozinho, tentando traçar uma linha reta. Os próprios autores sabiam que isso não esgotava as redes neurais — reconheciam que arquiteturas com mais de uma camada tinham capacidades diferentes. O que faltava não era uma prova de que era impossível. Era um jeito prático de treinar essas camadas extras.
Some uma segunda camada — uma camada escondida entre a entrada e a saída — e a mesma operação XOR que nenhuma linha reta resolve passa a ser perfeitamente separável. O problema nunca foi a rede neural. Era só a régua que estavam usando. E enquanto a lenda do fim das redes neurais se espalhava, a pesquisa nunca parou de verdade. Em 1982, John Hopfield mostrou redes recorrentes funcionando como memória, ligando redes neurais à física estatística. Em 1986, David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram um método chamado retropropagação, descrito por eles mesmos como um novo procedimento de aprendizagem para redes de unidades parecidas com neurônios — e esse método finalmente resolvia, na prática, o treino de camadas escondidas. Em 2012, uma rede batizada de AlexNet venceu a maior competição de reconhecimento de imagens do mundo com uma vantagem tão grande que mudou o campo da noite pro dia. Em 2017, um grupo de pesquisadores publicou um artigo chamado Attention Is All You Need, apresentando uma arquitetura nova, o Transformer — o ancestral direto de tudo que veio depois.
O Transformer de 2017 virou a base da família de modelos GPT. E em 30 de novembro de 2022, a OpenAI colocou uma interface de conversa simples sobre esse modelo e liberou ao público. Na publicação oficial daquele dia, a empresa descreveu o lançamento como o passo mais recente de uma implantação iterativa de sistemas cada vez mais seguros e úteis — não como um nascimento, como mais um passo. Dois anos depois, em outubro de 2024, a Academia Real das Ciências da Suécia entregou o Nobel de Física a John Hopfield e Geoffrey Hinton — os mesmos nomes que sustentaram as redes neurais durante os anos em que quase ninguém acreditava nelas — pela motivação oficial de descobertas e invenções fundamentais que permitem o aprendizado de máquina com redes neurais artificiais. No mesmo ano, Demis Hassabis dividiu o Nobel de Química com John Jumper, pela previsão de estruturas de proteínas com um sistema construído sobre essa mesma linhagem de redes. E, mesmo premiada, essa tecnologia carrega uma esquisitice que ninguém resolveu: é possível rodar cada cálculo, cada multiplicação, cada peso de uma rede como essa — isso é conhecido, documentado, reproduzível. O que ainda falta é uma explicação completa de como bilhões desses pesos, juntos, formam os conceitos e os comportamentos que aparecem na tela.
A caixinha realmente tinha setenta e nove anos quando te respondeu pela primeira vez, naquela noite de novembro. Ela não nasceu ali. Só paramos de fingir, naquele mês, que ela estava morta.
O erro dos quatro pontos era real — isso é fato, documentado, verificável. A lenda foi transformar essa falha pequena, de uma arquitetura específica, na certidão de óbito de uma linhagem inteira que, na prática, nunca parou de avançar. Hoje o que sobrou daquele rabisco de 1943 tem prêmio Nobel. E mesmo assim, ninguém — nem quem construiu — te explica por completo o que está acontecendo lá dentro. Então fica a pergunta pra você: numa coisa que você usa todo santo dia, você confiaria tanto assim se soubesse que nem quem criou entende por inteiro o que fez? Enquanto essa resposta não fecha, esse canal continua abrindo as caixas-pretas escondidas na história da tecnologia — se essa aqui te deixou inquieto, a inscrição fica logo ali embaixo.
Fortes
A corrigir