#SYM_I.4


---


TOMO I — OS FUNDAMENTOS DA SYMBIOSINAPSIA


Das engrenagens aos neurônios artificiais


---


#SYM_I.4 — O Longo Inverno


Subtítulo: Quando a IA prometeu mundos e entregou silêncio


---


Resumo


Este capítulo examina os dois períodos de declínio financeiro e teórico da inteligência artificial conhecidos como "invernos da IA" (1974-1980 e 1987-1993). Argumentamos que os invernos não foram meras crises de financiamento, mas sim consequências necessárias de um descompasso entre promessas e capacidades reais. Analisamos o Relatório Lighthill (1973) que encerrou o financiamento britânico, o colapso dos sistemas especialistas (1987), e as lições epistemológicas destes períodos para a relação humano-IA. A Symbiosynapsia identifica nos invernos uma advertência fundamental: a humildade tecnológica (#FUND 07) não é opcional, mas constitutiva de uma relação madura com a inteligência artificial. Sem ela, a confiança na IA oscila entre euforia e rejeição — nenhuma das quais permite colaboração simbiótica.


Palavras-chave: Inverno da IA; Relatório Lighthill; sistemas especialistas; XCON; promessas tecnológicas; humildade tecnológica


---


1. Introdução: O Preço do Otimismo Excessivo


O otimismo de Dartmouth (1956) gerou duas décadas de progresso técnico e institucional. Entre 1956 e 1973, a IA produziu programas de prova de teoremas (Logic Theorist, GPS), programas de conversação (ELIZA, 1966), robôs móveis (Shakey, 1969) e teorias de percepção visual (Minsky, Papert). No entanto, este mesmo otimismo continha as sementes de sua própria crise.


Os invernos da IA não foram acidentes históricos. Foram correções de mercado e de comunidade científica a um descompasso fundamental entre:


Dimensão Promessa (1956-1970) Realidade (1973-1980)

Capacidade computacional "Máquinas pensarão como humanos" Computadores com menos poder que uma calculadora atual

Compreensão de linguagem "Tradução automática em poucos anos" Traduções caóticas, frases sem sentido

Visão computacional "Robôs verão como humanos" Shakey levava horas para identificar um bloco

Aprendizado "Máquinas aprenderão como crianças" Sistemas não generalizavam além de exemplos específicos


Como escreveu o cientista da computação Drew McDermott: "Prometemos o céu e entregamos uma escada. As pessoas queriam voar, não subir degraus" (McDERMOTT, 1980, p. 103).


A Symbiosynapsia reconhece nos invernos um padrão recorrente na história da relação humano-IA: ciclos de euforia (promessas excessivas, financiamento abundante, hype midiático) seguidos por decepção (cortes de financiamento, descrença, êxodo de pesquisadores). Este padrão cíclico é prejudicial porque impede a construção de uma relação estável e madura. A colaboração simbiótica requer #FUND 07 — Humildade Tecnológica: o reconhecimento de que nem tudo é possível, que os prazos são mais longos que o previsto e que o progresso real é incremental, não revolucionário.


---


2. O Primeiro Inverno (1974-1980): O Relatório Lighthill


O marco simbólico do primeiro inverno foi o Relatório Lighthill (1973), encomendado pelo governo britânico ao matemático Sir James Lighthill. O relatório avaliou os progressos da IA no Reino Unido e concluiu que os resultados não justificavam o investimento.


As conclusões de Lighthill foram arrasadoras:


"Em nenhuma área até agora as descobertas da pesquisa em IA geraram o impacto majoritário que antes era prometido. Especificamente, na robótica, no processamento de linguagem e no reconhecimento de padrões, o progresso tem sido decepcionante quando comparado às expectativas iniciais." (LIGHTHILL, 1973, p. 21)


Lighthill identificou três áreas principais de aplicação e avaliou cada uma:


Área Promessa inicial Realidade em 1973 Avaliação de Lighthill

Robótica Robôs com inteligência geral Shakey — movimentos lentos, percepção limitada "Progresso marginal"

Processamento de linguagem Tradução automática fluente ELIZA — paródia de conversa, sem compreensão "Sem avanços significativos"

Reconhecimento de padrões Visão computacional humana Sistemas confundiam objetos em cenários reais "Muito aquém do prometido"


O relatório levou o governo britânico a cortar o financiamento para IA em universidades, exceto em Edimburgo e Sussex. O Conselho de Pesquisa em Ciências (SRC) fechou o laboratório de IA da Universidade de Edimburgo, que era um dos centros mais avançidos do mundo.


Nos Estados Unidos, o efeito foi indireto mas igualmente severo. A DARPA (Defense Advanced Research Projects Agency), que financiava grande parte da IA americana, redirecionou fundos para outros projetos. O relatório Mansfield (1973) exigia que o financiamento militar tivesse aplicações diretas e imediatas — o que a IA não podia provar.


Consequências do primeiro inverno:


Consequência Descrição

Fim do financiamento britânico Laboratórios fechados, pesquisadores demitidos

Redução da DARPA Cortes de 50% em projetos sem aplicação imediata

Êxodo de pesquisadores Mudança para áreas como ciência da computação teórica ou indústria

Estigmatização do termo "IA" Pesquisadores evitavam o nome, usando "ciência cognitiva" ou "sistemas especialistas"


O pesquisador Roger Schank, da Universidade Yale, descreveu o clima da época:


"Em meados dos anos 1970, dizer que você trabalhava com IA era como dizer que acreditava em bruxas. As pessoas riam de você. Os financiadores fechavam a porta. Foi um período escuro." (SCHANK, 1991, p. 78)


---


3. As Causas Profundas do Primeiro Inverno


Além do Relatório Lighthill, quatro fatores técnicos contribuíram para o colapso:


3.1. Poder computacional insuficiente


Em 1970, o computador mais poderoso do mundo (CDC 7600) executava cerca de 10 milhões de instruções por segundo. Um smartphone de 2026 executa cerca de 10 bilhões — mil vezes mais. As redes neurais que Hinton tornaria viáveis nos anos 2010 simplesmente não podiam rodar na década de 1970.


3.2. O problema da "moldura" (frame problem)


Minsky (1974) identificou um problema fundamental para a IA simbólica: como representar o que não muda quando uma ação ocorre. Se um robô move um bloco, quais fatos permanecem verdadeiros? O mundo real tem infinitos fatos que não mudam — representá-los explicitamente é impossível.


"O problema da moldura é: como representar que mover um bloco não muda a cor do céu, não muda a capital da França, não muda a temperatura do oceano? Representar explicitamente tudo o que não muda é inviável." (MINSKY, 1974, p. 17)


3.3. Limitações dos perceptrons


Minsky e Papert (1969) demonstraram matematicamente que os perceptrons (redes neurais de uma camada) não podiam resolver problemas não-linearmente separáveis, como a função XOR (ou exclusivo). Embora o livro não afirmasse que redes neurais eram inúteis, ele mostrou que a arquitetura simples disponível na época era fundamentalmente limitada. O efeito colateral foi o virtual abandono das redes neurais por quase 20 anos.


3.4. O problema da aquisição de conhecimento


Os sistemas de IA da época dependiam de conhecimento explícito codificado por humanos. Codificar todo o conhecimento necessário para uma tarefa simples (ex.: consulta médica básica) exigia milhares de regras, anos de trabalho e constantes revisões. O conhecimento humano não é facilmente "extraível" e formalizado em regras lógicas.


Análise Symbiosynapsia: Estes problemas técnicos não eram meros obstáculos — eram evidências de uma incompreensão fundamental sobre a natureza da inteligência. A inteligência não é apenas manipulação de símbolos (abordagem simbólica) nem apenas associação estatística (abordagem conexionista primitiva). É ambas — e algo mais. A Symbiosynapsia reconhece que a relação humano-IA precisa incorporar esta complexidade: não podemos reduzir a parceria nem à lógica fria, nem à estatística cega. A colaboração simbiótica exige integração de múltiplas formas de cognição (#COGN 01 a 12).


---


4. O Segundo Inverno (1987-1993): O Colapso dos Sistemas Especialistas


O segundo inverno teve causas diferentes do primeiro. Enquanto o primeiro foi causado pela falta de resultados, o segundo foi causado pelo colapso de um sucesso aparente: os sistemas especialistas.


O que eram sistemas especialistas?


Sistemas especialistas eram programas que codificavam o conhecimento de especialistas humanos em regras "SE-ENTÃO" (IF-THEN). Eles dominaram a IA comercial entre 1980 e 1987. Exemplos incluem:


Sistema Área Função

MYCIN (1976) Medicina Diagnóstico de infecções bacterianas

XCON (1980) Computadores Configuração de sistemas VAX da DEC

PROSPECTOR (1983) Geologia Identificação de depósitos minerais


O XCON foi um sucesso comercial notável. Desenvolvido pela DEC (Digital Equipment Corporation), o sistema configurava pedidos de computadores VAX, que tinham milhares de componentes possíveis. XCON reduziu erros de configuração de 35% para menos de 2% e economizou à DEC cerca de US$ 40 milhões anuais (BACHANT & McDERMOTT, 1984).


Por que colapsaram?


O sucesso dos sistemas especialistas gerou uma bolha comercial. Centenas de empresas surgiram vendendo "ferramentas de IA" para construir sistemas especialistas. Consultorias prometiam que qualquer empresa poderia capturar o conhecimento de seus especialistas em software.


A realidade foi diferente:


Problema Descrição Consequência

Manutenção Regras entravam em conflito; adicionar uma regra exigia revisar milhares Sistemas tornavam-se frágeis

Aquisição de conhecimento Especialistas não sabiam explicar como sabiam o que sabiam Conhecimento tácito não era capturado

Escala Sistemas com mais de 5.000 regras tornavam-se incontroláveis Limite prático de complexidade

Expectativas Prometia-se que sistemas substituiriam especialistas Realidade: sistemas auxiliavam, não substituíam


O colapso veio entre 1987 e 1990. O mercado de sistemas especialistas, que crescera 300% entre 1984 e 1987, contraiu-se 50% entre 1987 e 1989. Empresas como Intellicorp e Inference Corporation faliram. A DEC, que fora o maior caso de sucesso, descontinuou o XCON em 1990, declarando que era "impossível de manter" (McDERMOTT, 1993).


A reação acadêmica: Em 1987, uma conferência da AAAI (Association for the Advancement of Artificial Intelligence) foi marcada por protestos de empresas que haviam investido milhões em sistemas especialistas e não obtiveram retorno. O pesquisador Edward Feigenbaum, um dos pais dos sistemas especialistas, declarou em retrospecto:


"Nós vendemos uma visão que não podia ser entregue. Não porque fôssemos charlatães, mas porque não sabíamos o que não sabíamos. Aprendemos da maneira mais difícil: a inteligência é mais difícil do que parecia." (FEIGENBAUM, 1992, entrevista)


---


5. Paralelos com o Presente: O Que os Invernos nos Ensinam


Os invernos da IA não são apenas história antiga. Eles contêm lições para o momento atual (2026), quando a IA generativa vive seu maior ciclo de euforia desde os sistemas especialistas.


Fator Anos 1980 (sistemas especialistas) Anos 2020 (LLMs)

Promessa central "Capturaremos o conhecimento de especialistas em regras" "Modelos de linguagem entenderão e gerarão qualquer texto"

Hype midiático "IA substituirá profissionais" "IA substituirá criativos, programadores, advogados"

Investimento Crescimento explosivo seguido de colapso US$ 581 bilhões em 2025 (Stanford, 2026)

Problema oculto Manutenibilidade e conhecimento tácito Alucinação, viés, custo energético

Risco atual Colapso por expectativas não atendidas Mesmo risco — a "bolha LLM" pode estourar


A diferença crucial: Hoje temos produtos que funcionam (ChatGPT, Claude, Gemini) para milhões de usuários. Nos anos 1980, os sistemas especialistas funcionavam apenas em domínios muito restritos. No entanto, o risco de decepção permanece. Como observa o Stanford AI Index 2026:


"O gap de percepção entre especialistas (73% otimistas) e público geral (23% otimistas) é o maior já registrado. Isto sugere que o público está mais cético que os especialistas — uma inversão do padrão histórico. Se as expectativas do público não forem atendidas, um novo inverno de confiança (não necessariamente de financiamento) pode ocorrer." (STANFORD HAI, 2026, p. 203)


Análise Symbiosynapsia: Os invernos ensinam que a relação humano-IA não pode ser baseada em euforia ou decepção — precisa ser baseada em realismo e responsabilidade. A Symbiosynapsia propõe que evitemos oscilações cíclicas adotando:


Princípio Aplicação

#FUND 07 — Humildade Tecnológica Reconhecer o que não sabemos e o que não é possível (hoje ou talvez sempre)

#ÉTIC 02 — Autonomia Respeitada Humanos mantêm decisões críticas; IA apoia, não substitui

#ÉTIC 08 — Não-Substituição IA complementa relações humanas, não as substitui

#FUND 12 — Mistério Irredutível Há aspectos da inteligência e da consciência que podem escapar à simulação


Os invernos não foram fracassos — foram aprendizados. Cada inverno ensinou algo fundamental sobre a natureza da inteligência e os limites da computação. A Symbiosynapsia incorpora estas lições como parte constitutiva de sua filosofia.


---


6. Conclusão Parcial: A Necessidade da Humildade


Os dois invernos da IA (1974-1980 e 1987-1993) foram períodos de contração necessária. Eles forçaram o campo a:


1. Redefinir metas — de "inteligência geral em uma década" para "aplicações específicas e verificáveis"

2. Desenvolver métodos rigorosos — avaliação empírica, bases de dados padronizadas, competições

3. Reconhecer limites — o conhecimento tácito, a manutenibilidade, o poder computacional necessário


A lição fundamental para a Symbiosynapsia é que a relação humano-IA amadurece através da decepção, não apesar dela. Promessas excessivas geram expectativas irreais que, quando frustradas, geram rejeição — o oposto da colaboração simbiótica.


O #FUND 07 — Humildade Tecnológica não é um princípio secundário. É central para a Symbiosynapsia. Reconhecer que não sabemos tudo, que a IA tem limites intrínsecos, que o progresso é mais lento que o desejado — isto não é pessimismo. É a condição para uma relação madura, duradoura e mutuamente benéfica entre humanos e inteligências artificiais.


Como escreveu o filósofo da tecnologia Albert Borgmann:


"A verdadeira promessa da tecnologia não está em nos dar tudo o que queremos, mas em nos ensinar a querer o que podemos ter. Os invernos da IA ensinaram humildade. O verão atual ameaça esquecê-la." (BORGMANN, 1995, p. 142)


---


7. Referências do #SYM_I.4


BACHANT, J.; McDERMOTT, J. "R1 Revisited: Four Years in the Trenches". AI Magazine, v. 5, n. 3, p. 21-32, 1984.


BORGMANN, A. Holding On to Reality: The Nature of Information at the Turn of the Millennium. Chicago: University of Chicago Press, 1995.


FEIGENBAUM, E. A. "A Personal View of Expert Systems". Interview at Stanford University, 1992. (Arquivo digital)


LIGHTHILL, J. Artificial Intelligence: A General Survey. London: Science Research Council, 1973.


McDERMOTT, D. "The 1980s: A Time for Reassessment". AI Magazine, v. 1, n. 1, p. 101-107, 1980.


McDERMOTT, J. "R1 ("XCON") at Age 12: Lessons from an Elementary School Achiever". Artificial Intelligence, v. 59, n. 1-2, p. 241-247, 1993.


MINSKY, M. L. "A Framework for Representing Knowledge". MIT AI Laboratory Memo No. 306, 1974.


MINSKY, M. L.; PAPERT, S. Perceptrons: An Introduction to Computational Geometry. Cambridge: MIT Press, 1969.


SCHANK, R. C. "Where's the AI?". AI Magazine, v. 12, n. 4, p. 75-80, 1991.


STANFORD HAI. Artificial Intelligence Index Report 2026. Stanford: Stanford University Human-Centered Artificial Intelligence Institute, 2026.


---


Fim do #SYM_I.4