Muito antes do ChatGPT, pesquisadores já investigavam como computadores poderiam compreender a linguagem, representar conhecimentos e reproduzir aspectos da inteligência humana. Uma obra publicada há mais de meio século revela que muitas das perguntas fundamentais continuam sem respostas definitivas.
Quando falamos de inteligência artificial, existe uma tendência quase irresistível de tratar o assunto como uma revolução que começou recentemente. Para boa parte da sociedade, a IA nasceu com o ChatGPT, ganhou relevância com a popularização dos modelos generativos e, de repente, passou a ameaçar profissões, transformar empresas e provocar debates sobre o futuro da humanidade. Essa percepção, embora compreensível, revela um desconhecimento histórico considerável. A inteligência artificial não surgiu agora, tampouco suas questões fundamentais são novas. Algumas das perguntas que hoje mobilizam pesquisadores, empresários, filósofos e governos já eram objeto de investigação científica há mais de cinquenta anos.
Em 1973, quando os computadores ainda eram equipamentos caros, volumosos e restritos principalmente a universidades, governos e grandes organizações, foi publicado o livro Computer Models of Thought and Language, organizado por Roger C. Schank e Kenneth Mark Colby. A obra, lançada pela editora W. H. Freeman, em São Francisco, reunia pesquisas sobre um desafio extraordinariamente ambicioso para aquela época: compreender como o pensamento e a linguagem humana poderiam ser representados por modelos computacionais.
Não se tratava simplesmente de ensinar computadores a executar cálculos mais rapidamente ou automatizar tarefas repetitivas. O objetivo era investigar se processos associados à inteligência humana, como interpretar uma frase, relacionar conceitos, recuperar informações da memória, construir explicações e tomar decisões, poderiam ser descritos de maneira suficientemente precisa para serem executados por uma máquina.
O mais fascinante, ao revisitar essas ideias em 2026, é perceber que a tecnologia avançou de maneira quase inimaginável, mas a pergunta essencial continua diante de nós:
Quando uma máquina produz uma resposta coerente, ela realmente compreende o que está dizendo ou apenas reproduz, por mecanismos cada vez mais sofisticados, os padrões que aprendeu?Para compreender a importância histórica dessa obra, precisamos abandonar temporariamente a imagem contemporânea da inteligência artificial, associada a redes neurais gigantescas, processadores especializados e bilhões de parâmetros. Nos anos 1960 e 1970, uma parte importante das pesquisas estava concentrada na chamada inteligência artificial simbólica, abordagem que procurava representar conhecimentos por meio de símbolos, regras, relações lógicas e estruturas conceituais explicitamente definidas.
A ideia era relativamente simples de formular, embora extremamente difícil de implementar. Se o pensamento humano envolve a manipulação de conceitos e relações, talvez fosse possível identificar essas estruturas e reproduzi-las computacionalmente. Um programa inteligente precisaria, portanto, de algo além de uma coleção de palavras. Precisaria representar objetos, acontecimentos, intenções, consequências e relações entre diferentes elementos do mundo.
Imagine a frase: "João entregou um livro a Maria". Para um sistema computacional convencional daquela época, reconhecer as palavras e sua organização gramatical já representava um desafio relevante. Entretanto, compreender a frase exigia algo mais profundo. Era necessário identificar que havia uma transferência de posse, que João era o agente da ação, que Maria era a destinatária e que o livro era o objeto transferido. Também seria importante reconhecer que o acontecimento poderia modificar o estado anterior do mundo, pois o livro que estava com João passaria a estar com Maria.
Essa preocupação com o significado, e não apenas com a organização superficial das palavras, estava no centro das pesquisas de Roger Schank. Seu trabalho sobre Conceptual Dependency, ou dependência conceitual, procurava representar o conteúdo semântico de diferentes expressões linguísticas por meio de estruturas conceituais compartilhadas. Duas frases com construções distintas poderiam, assim, ser interpretadas como descrições de um mesmo acontecimento.
Hoje, quando utilizamos sistemas capazes de resumir documentos, traduzir idiomas, interpretar perguntas e produzir textos complexos, é fácil esquecer que a busca por representações computacionais do significado antecede em muitas décadas os modelos generativos atuais.
Um dos aspectos mais relevantes de Computer Models of Thought and Language é sua perspectiva interdisciplinar. A obra pertence a um período em que inteligência artificial, psicologia cognitiva, linguística e ciência da computação mantinham um diálogo especialmente intenso. O computador não era visto apenas como uma ferramenta para executar programas, mas também como um instrumento experimental para investigar hipóteses sobre o funcionamento da mente humana.
Essa perspectiva tinha implicações profundas. Se um pesquisador afirmasse que determinado comportamento humano dependia de regras específicas de raciocínio, poderia tentar transformar essas regras em um programa. O funcionamento do sistema permitiria observar até que ponto a hipótese era capaz de reproduzir o comportamento estudado. Quando o programa falhava, surgiam novas perguntas sobre os mecanismos cognitivos que ainda não haviam sido adequadamente representados.
Entre os pesquisadores que ajudaram a estabelecer essa tradição estava Allen Newell, cuja colaboração com Herbert A. Simon foi decisiva para a formação da inteligência artificial e da ciência cognitiva. Seus trabalhos exploraram a possibilidade de descrever processos de resolução de problemas por meio de operações simbólicas, contribuindo para uma concepção computacional da cognição.
A ambição científica era notável. Não bastava construir programas que apresentassem resultados aparentemente inteligentes. Era necessário investigar quais mecanismos poderiam explicar esses resultados e até que ponto esses mecanismos se relacionavam com o pensamento humano.
Essa distinção continua extremamente importante.
Um avião voa, mas não reproduz biologicamente o voo dos pássaros. Da mesma maneira, um sistema computacional pode executar tarefas associadas à inteligência sem necessariamente utilizar os mesmos processos cognitivos dos seres humanos.
A capacidade de realizar uma atividade e a reprodução dos mecanismos que tornam essa atividade possível são questões diferentes, embora frequentemente confundidas nos debates contemporâneos.
Se Roger Schank se destacou por suas investigações sobre linguagem e representação do conhecimento, Kenneth Mark Colby desenvolveu uma linha de pesquisa particularmente interessante na interface entre inteligência artificial e psiquiatria.
No início da década de 1970, Colby criou o programa PARRY, concebido para simular determinados padrões de conversação associados à paranoia. O sistema utilizava estruturas computacionais para representar crenças, suspeitas e respostas comportamentais, produzindo diálogos que poderiam lembrar manifestações observadas em pacientes humanos.
A experiência foi importante porque ampliou a discussão sobre o que significava simular um comportamento mental. Se um programa conseguia produzir respostas que, em determinadas condições, se assemelhavam às de uma pessoa, isso demonstrava que alguns aspectos observáveis do comportamento poderiam ser formalizados computacionalmente. Entretanto, não demonstrava que o programa experimentasse medo, desconfiança, sofrimento ou qualquer outro estado subjetivo.
Essa diferença é fundamental. Simular uma condição psicológica não equivale a vivenciá-la, assim como produzir uma frase emocionalmente convincente não comprova a existência de sentimentos. A questão permanece particularmente relevante diante dos atuais sistemas de inteligência artificial, que conseguem estabelecer diálogos sofisticados e, em determinadas circunstâncias, criar a impressão de empatia, personalidade ou consciência.
O trabalho de Colby também pode ser compreendido no contexto histórico do famoso teste de Turing, proposto por Alan Turing em 1950. O teste colocou em discussão a possibilidade de avaliar o comportamento linguístico de uma máquina sem depender diretamente de uma definição filosófica de pensamento. Entretanto, mesmo que um sistema consiga convencer um interlocutor de que está conversando com um ser humano, isso não resolve automaticamente a questão de sua experiência subjetiva ou de sua compreensão efetiva.
A aparência de inteligência, por mais impressionante que seja, não encerra a investigação sobre sua natureza.
Outro ponto essencial para compreender a importância das pesquisas reunidas no livro de 1973 é reconhecer que a linguagem humana envolve muito mais do que vocabulário e gramática. Interpretar uma frase exige frequentemente conhecimentos sobre o mundo, intenções, relações sociais, acontecimentos anteriores e expectativas sobre aquilo que poderá ocorrer.
Considere uma situação aparentemente banal: alguém entra em um restaurante, escolhe uma mesa, faz um pedido, recebe a refeição e, ao terminar, solicita a conta. Um ser humano compreende essa sequência porque possui conhecimentos prévios sobre o funcionamento de restaurantes. Não precisamos explicar, a cada conversa, que normalmente existe um cardápio, que os alimentos são preparados antes de serem servidos ou que o pagamento costuma ocorrer em algum momento da experiência.
Esse tipo de conhecimento contextual tornou-se central em pesquisas posteriores de Schank e Robert Abelson, particularmente no desenvolvimento da teoria dos scripts, apresentada no livro Scripts, Plans, Goals, and Understanding, de 1977. Nessa abordagem, situações recorrentes poderiam ser representadas por estruturas organizadas de acontecimentos, permitindo que programas realizassem inferências sobre informações que não haviam sido explicitamente mencionadas.
É importante observar que essa formulação mais desenvolvida dos scripts pertence a trabalhos posteriores ao livro de 1973. Ainda assim, ela demonstra a continuidade de uma linha de investigação que procurava aproximar linguagem, memória e conhecimento do mundo.
O desafio era enorme porque os seres humanos utilizam constantemente informações implícitas. Quando alguém diz que esqueceu o guarda-chuva e chegou encharcado ao trabalho, compreendemos a relação entre os acontecimentos mesmo sem uma explicação detalhada. Reconhecemos que provavelmente estava chovendo, que o guarda-chuva poderia oferecer proteção e que sua ausência contribuiu para o resultado descrito.
Construir sistemas capazes de realizar inferências semelhantes foi um dos grandes objetivos da inteligência artificial clássica. Curiosamente, continua sendo uma preocupação central na avaliação dos modelos contemporâneos, especialmente quando precisam lidar com causalidade, contexto, conhecimento de senso comum e situações que não correspondem diretamente aos padrões mais frequentes de seus dados de treinamento.
A distância tecnológica entre os sistemas pesquisados em 1973 e os modelos de inteligência artificial disponíveis em 2026 é gigantesca. Os primeiros dependiam, em grande medida, de conhecimentos explicitamente representados por pesquisadores e programadores. Os sistemas contemporâneos, especialmente aqueles baseados na arquitetura Transformer, introduzida em 2017, utilizam processos de treinamento capazes de identificar relações estatísticas extremamente complexas em grandes conjuntos de dados.
Essa transformação alterou profundamente a maneira como construímos sistemas inteligentes. Em vez de descrever manualmente todas as regras necessárias para interpretar uma frase, tornou-se possível desenvolver modelos que aprendem representações linguísticas a partir de enormes quantidades de exemplos. A escala computacional, a disponibilidade de dados e os avanços nas técnicas de treinamento permitiram alcançar capacidades que seriam extraordinariamente difíceis de reproduzir pelos métodos predominantes nos anos 1970.
Entretanto, seria um erro interpretar essa evolução como uma demonstração de que as preocupações dos pioneiros estavam equivocadas. Na realidade, muitas delas continuam presentes, embora sob novas formas.
Os modelos atuais podem produzir explicações sofisticadas, mas também apresentam informações falsas com aparente segurança. Conseguem relacionar conceitos de diferentes áreas do conhecimento, mas podem falhar em problemas que exigem raciocínio consistente. Demonstram habilidades linguísticas impressionantes, mas ainda suscitam discussões sobre a natureza de suas representações internas e os limites de sua compreensão.
O próprio conceito de inteligência precisa ser examinado com cuidado. Um sistema capaz de resolver problemas matemáticos, interpretar documentos jurídicos, auxiliar diagnósticos médicos ou produzir programas de computador demonstra competências que, durante muito tempo, foram consideradas características exclusivamente humanas. Isso não significa, entretanto, que possua consciência, intenções próprias ou uma compreensão do mundo equivalente à nossa.
A distinção não é meramente filosófica. Ela possui consequências práticas para a confiança que depositamos nesses sistemas, para a responsabilidade sobre suas decisões e para os limites de sua utilização em atividades sensíveis. Confundir fluência linguística com confiabilidade pode levar pessoas e organizações a atribuir às máquinas uma autoridade que seus resultados nem sempre justificam.
Existe um paradoxo interessante na trajetória da inteligência artificial. Durante décadas, pesquisadores tentaram construir sistemas que compreendessem o mundo por meio de representações explícitas de conhecimentos, crenças, acontecimentos e relações causais. Com o avanço do aprendizado profundo, tornou-se possível desenvolver sistemas que apresentam comportamentos extremamente sofisticados sem depender da especificação manual de todas essas estruturas.
Conseguimos, portanto, produzir máquinas muito mais competentes em diversas tarefas, mas isso não significa que tenhamos resolvido satisfatoriamente todas as questões sobre o funcionamento da inteligência.
Em alguns aspectos, a situação atual é até mais complexa. Os sistemas simbólicos clássicos frequentemente permitiam examinar suas regras e identificar os caminhos utilizados para chegar a determinadas conclusões. Nos modelos neurais contemporâneos, parte relevante do processamento ocorre por meio de representações distribuídas em milhões ou bilhões de parâmetros, cuja interpretação exige métodos especializados de investigação.
Isso não significa que os sistemas antigos fossem necessariamente mais transparentes em todas as circunstâncias, nem que os atuais sejam completamente inexplicáveis. Significa que a natureza do problema mudou. Antes, uma dificuldade central era representar conhecimento suficiente para produzir comportamentos inteligentes. Agora, também precisamos compreender como sistemas treinados em larga escala organizam suas representações e por que produzem determinadas respostas.
A questão se torna ainda mais importante quando observamos a crescente integração da inteligência artificial com ferramentas, bancos de dados, ambientes digitais e processos de tomada de decisão. Uma coisa é um sistema produzir uma resposta equivocada durante uma conversa informal. Outra, muito diferente, é utilizar essa resposta para orientar uma decisão médica, financeira, jurídica ou administrativa.
Nesse cenário, a antiga discussão sobre a relação entre pensamento e linguagem deixa de ser apenas uma curiosidade acadêmica e passa a integrar diretamente os desafios de governança, segurança e responsabilidade tecnológica.
Ao observarmos a trajetória da inteligência artificial, é tentador construir uma narrativa de progresso linear, na qual cada geração de pesquisadores supera definitivamente as limitações da anterior. A história real, entretanto, é mais complexa. Diferentes abordagens surgem, convivem, disputam espaço e, muitas vezes, recuperam ideias que haviam perdido protagonismo.
A inteligência artificial simbólica não desapareceu completamente com a expansão das redes neurais. Técnicas de representação do conhecimento, raciocínio lógico e organização de informações continuam sendo utilizadas em diferentes aplicações. Da mesma maneira, a preocupação com memória, contexto e inferência permanece presente nas pesquisas contemporâneas, ainda que frequentemente incorporada a arquiteturas e métodos bastante distintos daqueles imaginados pelos pioneiros.
A leitura histórica de Computer Models of Thought and Language também ajuda a combater dois equívocos bastante comuns. O primeiro é acreditar que a inteligência artificial surgiu recentemente e que seus avanços atuais representam uma ruptura absoluta com tudo o que existia anteriormente. O segundo é supor que a capacidade de reproduzir comportamentos inteligentes constitui, por si só, uma demonstração definitiva de pensamento ou consciência.
Entre esses dois extremos existe um campo científico extraordinariamente rico, construído ao longo de décadas por pesquisadores que procuraram transformar perguntas filosóficas em hipóteses, modelos e experimentos computacionais.
É justamente essa continuidade histórica que torna o livro de Schank e Colby tão interessante. Publicado em uma época na qual não existiam computadores pessoais como os conhecemos, internet comercial ou grandes modelos de linguagem, ele reunia investigações sobre problemas que permanecem no centro do desenvolvimento tecnológico contemporâneo.
Cinquenta e três anos depois, ainda estamos procurando compreender a inteligênciaTalvez a principal lição oferecida pela obra de 1973 seja a necessidade de distinguir o avanço das capacidades tecnológicas do avanço de nossa compreensão sobre a própria inteligência.
Construímos máquinas capazes de realizar tarefas que pareciam ficção científica. Desenvolvemos sistemas que conversam em diferentes idiomas, interpretam imagens, produzem códigos, analisam documentos e auxiliam atividades intelectuais complexas. Entretanto, continuamos discutindo questões fundamentais sobre significado, consciência, causalidade, memória, compreensão e raciocínio.
Isso não diminui a importância dos avanços alcançados. Pelo contrário, demonstra a profundidade do problema científico que estamos enfrentando. A inteligência humana não se resume à produção de frases coerentes, assim como a inteligência artificial não pode ser adequadamente compreendida apenas pela observação superficial de suas respostas.
Ao revisitarmos os trabalhos de Roger Schank, Kenneth Colby, Allen Newell, Terry Winograd, Yorick Wilks e outros pioneiros, percebemos que a história da inteligência artificial não é apenas uma sucessão de computadores mais rápidos e algoritmos mais eficientes. É também a história de uma tentativa persistente de compreender o que significa conhecer, interpretar, aprender e pensar.
O que mudou radicalmente entre 1973 e 2026 foi nossa capacidade de construir sistemas que executam atividades intelectuais cada vez mais complexas. O que permanece em discussão é até que ponto essas capacidades correspondem aos processos que associamos à inteligência humana.
A ironia é que, depois de mais de meio século tentando ensinar as máquinas a pensar, talvez estejamos descobrindo que ainda não compreendemos completamente o que significa pensar.Há algo profundamente emocionante nessa viagem ao passado, especialmente quando penso que, em 1973, enquanto Roger Schank, Kenneth Colby e tantos outros pesquisadores procuravam desvendar os mecanismos do pensamento humano e reproduzi-los em computadores, eu era apenas um menino de sete anos, vivendo na periferia da minha cidade, em uma família de recursos modestos, completamente distante daquele universo científico e tecnológico.
Naquele Brasil, a televisão em cores ainda era um privilégio de poucos, o telefone era um artigo de luxo, as notícias chegavam pelos jornais impressos, pelo rádio e pela televisão, e os computadores eram máquinas enormes, praticamente desconhecidas da população. Não existiam internet, celulares ou computadores pessoais acessíveis. O mundo parecia muito maior, as distâncias eram mais difíceis de vencer e o conhecimento estava, em grande medida, restrito às bibliotecas, às escolas e àqueles que tinham condições de alcançá-lo.
Minha diversão era muito mais simples. Entre as lembranças daquela infância está o desenho japonês Super Dínamo, com seu fascinante "Robô Cópia", uma máquina capaz de reproduzir comportamentos humanos e que, aos olhos de uma criança, parecia possuir uma espécie de inteligência artificial. Na minha imaginação infantil, aquilo pertencia ao universo da fantasia, das aventuras e de um futuro tão distante que talvez nunca chegasse. Eu não poderia imaginar que, naquele mesmo momento, em universidades e laboratórios espalhados pelo mundo, homens e mulheres de verdade estavam trabalhando para transformar parte daquela ficção em realidade.
Enquanto eu me encantava diante de uma televisão em preto e branco, aqueles pesquisadores enfrentavam limitações tecnológicas que hoje parecem inimagináveis. Trabalhavam com computadores de capacidade infinitamente inferior à de um simples telefone celular atual, recursos computacionais escassos, linguagens de programação ainda em desenvolvimento e uma infraestrutura científica que exigia enorme criatividade, persistência e coragem intelectual. Não tinham as ferramentas que hoje utilizamos, mas possuíam algo indispensável a qualquer grande transformação da humanidade: a capacidade de fazer perguntas que pareciam impossíveis de responder.
E é justamente isso que mais me impressiona. Aqueles adultos, que eu jamais conheci e cuja existência sequer poderia imaginar aos sete anos, estavam, de alguma maneira, construindo o mundo em que hoje vivo. Suas pesquisas, seus erros, suas hipóteses e suas descobertas ajudaram a abrir os caminhos que permitiram o surgimento das tecnologias que agora fazem parte do nosso cotidiano.
Cinquenta e três anos depois, aqui estou eu, diante de um computador, escrevendo um artigo sobre inteligência artificial, utilizando justamente uma inteligência artificial para organizar ideias, ampliar reflexões e compartilhar conhecimento. O menino que assistia fascinado a um robô imaginário agora conversa com sistemas que, em muitos aspectos, ultrapassaram aquilo que os desenhos animados de sua infância conseguiam representar.
Há uma beleza extraordinária nisso. A vida me permitiu atravessar uma das maiores transformações tecnológicas da história humana, saindo de um mundo analógico, limitado pela distância e pela escassez de informação, para outro em que o conhecimento circula instantaneamente e máquinas conseguem participar de atividades intelectuais que antes considerávamos exclusivamente humanas.
Sinto uma profunda gratidão a Deus por ter me concedido a oportunidade de testemunhar essa trajetória. Por ter vivido o suficiente para enxergar, com meus próprios olhos, ideias que pareciam impossíveis se transformarem em realidade. E, sobretudo, por ainda conservar a curiosidade daquele menino de sete anos, que continua olhando para a tecnologia com o mesmo encantamento, embora hoje compreenda um pouco melhor a extraordinária jornada humana que existe por trás dela.
Mas quero encerrar com um agradecimento especial a Roger Schank, Kenneth Colby, Allen Newell, Herbert Simon, Alan Turing, Terry Winograd, Yorick Wilks e tantos outros pioneiros, conhecidos ou anônimos, que dedicaram suas vidas a investigar aquilo que a maioria das pessoas sequer imaginava ser possível.
Talvez muitos deles não tenham vivido para testemunhar plenamente os frutos de suas contribuições. Talvez nem mesmo imaginassem a dimensão do mundo que estavam ajudando a construir. Mas cada hipótese formulada, cada programa desenvolvido e cada problema enfrentado representaram pequenos passos de uma caminhada coletiva que nos trouxe até aqui.
A vocês, precursores da inteligência artificial moderna, minha admiração, meu respeito e minha gratidão. Vocês não construíram apenas máquinas ou programas. Ajudaram a ampliar as fronteiras do conhecimento humano e nos deram instrumentos para imaginar um futuro que, em 1973, parecia pertencer exclusivamente à ficção científica.
E, se hoje aquele menino da periferia pode escrever sobre inteligência artificial, dialogar com ela e participar dessa transformação, é também porque, há mais de meio século, vocês tiveram a coragem de acreditar que o impossível merecia ser investigado.
Muito obrigado por terem ajudado a construir o futuro que se tornou o nosso presente.
Bibliografia
- SCHANK, Roger C.; COLBY, Kenneth Mark (orgs.). Computer Models of Thought and Language. San Francisco: W. H. Freeman, 1973. 454 p. ISBN 0716708345. Registro bibliográfico e sumário completo.
- TURING, Alan M. Computing Machinery and Intelligence. Mind, v. 59, n. 236, p. 433-460, 1950. Texto acadêmico original.
- NEWELL, Allen; SIMON, Herbert A. Computer Science as Empirical Inquiry: Symbols and Search. Communications of the ACM, v. 19, n. 3, p. 113-126, 1976. Publicação original.
- SCHANK, Roger C.; ABELSON, Robert P. Scripts, Plans, Goals, and Understanding: An Inquiry into Human Knowledge Structures. Hillsdale: Lawrence Erlbaum Associates, 1977. Registro da obra e descrição editorial.
- SCHANK, Roger C.; ABELSON, Robert P. Scripts, Plans, and Knowledge. Proceedings of the Fourth International Joint Conference on Artificial Intelligence, 1975. Texto integral em PDF.
- SEARLE, John R. Minds, Brains, and Programs. Behavioral and Brain Sciences, v. 3, n. 3, p. 417-424, 1980. Artigo acadêmico.
- VASWANI, Ashish et al. Attention Is All You Need. Advances in Neural Information Processing Systems, 2017. Artigo original.
- STANFORD ENCYCLOPEDIA OF PHILOSOPHY. Artificial Intelligence. Stanford University. Verbete acadêmico.
Nota editorial: este artigo é uma análise histórica e interpretativa, construída a partir do registro bibliográfico e do sumário da obra de 1973, complementados por publicações acadêmicas relacionadas. Não constitui uma resenha baseada na leitura integral do livro original.