Origens e Evolução Histórica: Considerações Críticas

Saltos exponenciais na evolução tecnológica são verificáveis na comparação dos intervalos de tempo que separam as Revoluções Industriais. A primeira Revolução Industrial, ou Indústria 1.0, surgiu no final do século XVIII com o uso de máquinas a vapor, permitindo a mecanização e a produção em larga escala — como a de tecidos nas manufaturas inglesas. Cerca de cem anos depois, no final do século XIX, iniciou-se a segunda Revolução Industrial, ou Indústria 2.0, marcada pela eletricidade, que viabilizou linhas de montagem e a produção em massa, incluindo os automóveis fordistas. Já a terceira Revolução Industrial, ou Indústria 3.0, ocorreu após um intervalo menor — cerca de 50 a 60 anos —, com a chegada da computação, da automação e, posteriormente, da internet, que revolucionaram a precisão, a flexibilidade da produção industrial e a integração global.

Neste momento, estamos vivendo a quarta Revolução Industrial, imersos em um processo dominado pela chamada Indústria 4.0, que se caracteriza, entre outros aspectos, pela integração técnica de sistemas ciberfísicos e de inteligência artificial na produção e logística, bem como pelo uso de Big Data, Cloud Computing e da chamada "internet das coisas" (Internet of Things, IoT). Esses elementos levam a um acentuado crescimento nas aplicações e usos da IA e da robótica em todas as suas possíveis variantes. A compressão dos intervalos entre revoluções tecnológicas — de cem anos para cinquenta, e depois para menos de trinta — é, por si só, um dado juridicamente relevante: o Direito, que historicamente acompanha o desenvolvimento social com certa defasagem, vê-se agora pressionado a responder a desafios que surgem antes mesmo que os anteriores tenham sido adequadamente equacionados.

A trajetória histórica da IA propriamente dita tem marcos bem definidos. Em 1950, Alan Turing publicou seu seminal artigo "Computing Machinery and Intelligence", no qual propôs o famoso "jogo da imitação" — posteriormente conhecido como Teste de Turing — como critério para avaliar a inteligência de máquinas. A pergunta que Turing formulou — "Can machines think?" — permanece sem resposta consensual até hoje, mas o mérito de sua formulação reside precisamente em ter deslocado a discussão do plano metafísico para o plano funcional: o que importa, para fins práticos, não é se a máquina pensa "de verdade", mas se seu comportamento é indistinguível do comportamento inteligente humano.

Em 1956, durante a conferência de Dartmouth organizada por John McCarthy, Marvin Minsky, Claude Shannon e Nathaniel Rochester, cunhou-se formalmente o termo "inteligência artificial" e estabeleceram-se as bases do campo como disciplina científica autônoma. O otimismo do período era extraordinário: pesquisadores chegaram a prever que máquinas equivalentes ao cérebro humano seriam desenvolvidas em menos de vinte anos. Essa expectativa, sabemos hoje, mostrou-se excessivamente otimista — e sua frustração contribuiu para o primeiro "inverno da IA", período de redução drástica de financiamentos e interesse científico que se estendeu pelos anos 1970.

O segundo grande inverno da IA ocorreu na segunda metade dos anos 1980, após o colapso do mercado de sistemas especialistas — programas que tentavam codificar o conhecimento de especialistas humanos em regras explícitas de lógica formal. A limitação desses sistemas estava precisamente em sua incapacidade de lidar com a ambiguidade e a complexidade do mundo real, que resistem à formalização em regras rígidas. A superação dessa limitação viria com o desenvolvimento das redes neurais artificiais e, mais tarde, do aprendizado profundo (deep learning), que passaram a permitir que os sistemas aprendessem padrões a partir de dados, sem necessidade de programação explícita de regras.

O renascimento da IA nas décadas de 2000 e 2010 foi impulsionado por três fatores convergentes: o aumento exponencial da capacidade computacional, possibilitado pela lei de Moore e pelo desenvolvimento de unidades de processamento gráfico (GPUs) adaptadas ao processamento paralelo; a disponibilidade crescente de dados digitais, gerados pela expansão da internet e das plataformas sociais; e o desenvolvimento de algoritmos de aprendizado mais eficientes, especialmente as redes neurais profundas. Em 2012, a rede neural AlexNet, desenvolvida por Geoffrey Hinton e seus alunos na Universidade de Toronto, superou significativamente o estado da arte em reconhecimento de imagens — marco que muitos consideram o início da era moderna da IA.

Parece-nos fundamental compreender esse percurso histórico para avaliar adequadamente o estado atual da tecnologia e seus desdobramentos jurídicos. A IA de hoje não é um produto acabado e estável, mas um campo em rápida evolução, no qual avanços inesperados se sucedem em intervalos cada vez menores. O surgimento dos grandes modelos de linguagem — como o GPT-4 da OpenAI, o Gemini da Google e o Claude da Anthropic —, a partir de 2020, abriu dimensões de capacidade que os pesquisadores da área não previam com precisão. Essa imprevisibilidade tecnológica tem reflexos diretos sobre a dificuldade de construir um regime jurídico estável de responsabilidade civil: como regular adequadamente o que ainda não sabemos precisamente o que é capaz de fazer?

O histórico de descontinuidades e inversões de expectativa na evolução da IA deve servir, portanto, como advertência metodológica para o jurista. Nem o otimismo excessivo — que projeta riscos futuros distantes como urgências presentes — nem o ceticismo paralisante — que minimiza riscos reais já manifestados — servem como guias adequados. O que se impõe é uma análise sóbria e empiricamente fundamentada das capacidades e limitações atuais dos sistemas de IA, combinada com uma visão de médio prazo que permita construir um arcabouço jurídico suficientemente flexível para acomodar evoluções futuras sem exigir reformulações constantes. É esse equilíbrio que esta obra busca, ao longo de seus três capítulos, contribuir para alcançar.