Geoffrey Hinton — o homem que ensinou as máquinas a aprender e depois pediu cautela

"Eu me consolo com a desculpa de sempre: se eu não tivesse feito, outra pessoa teria." (Geoffrey Hinton ao The New York Times, maio de 2023)

O essencial em 30 segundos

Geoffrey Hinton passou meio século insistindo numa ideia que quase todo mundo na ciência da computação considerava um beco sem saída: a de que máquinas poderiam aprender de um jeito vagamente parecido com o cérebro, ajustando milhões de conexões a partir de exemplos, sem que ninguém programasse regra por regra. Ele estava certo. O resultado é a tecnologia que hoje move tradutores, sistemas de recomendação, diagnóstico por imagem e os grandes modelos de linguagem que conversam com você. Por isso ganhou o Prêmio Turing em 2018 — o "Nobel da computação" — e o Nobel de Física em 2024.

E então, em 2023, fez algo raro para um cientista no topo da carreira: saiu do Google para poder dizer livremente que sua própria obra pode sair do controle. Não como retórica. Como cálculo. Hinton hoje fala em probabilidades de catástrofe, em sistemas que aprendem mais rápido do que nós, em risco existencial. A lição para quem opera negócios reais não é entrar em pânico — é parar de tratar IA como mágica de fornecedor e começar a tratá-la como uma tecnologia poderosa que exige julgamento próprio, segurança de verdade e governança. O homem que mais acreditou nas redes neurais é também o que mais cobra responsabilidade de quem as usa.

Quem é

Geoffrey Everest Hinton nasceu em 6 de dezembro de 1947, em Wimbledon, Londres. Vem de uma linhagem intelectual peculiar: é trineto de George Boole, o lógico cuja álgebra booleana virou um dos alicerces de toda a computação moderna. O "Everest" no nome também não é acaso — está ligado à família de Mary Everest Boole. Difícil imaginar pedigree mais apropriado para alguém que dedicaria a vida a fazer lógica e aprendizado conviverem em máquinas.

Estudou psicologia experimental em Cambridge (King's College, BA em 1970) antes de migrar para a inteligência artificial, concluindo o doutorado na Universidade de Edimburgo em 1978, sob orientação de Christopher Longuet-Higgins. Essa origem dupla — psicologia e computação — explica muito do seu jeito de pensar. Hinton nunca tratou redes neurais apenas como um truque de engenharia; ele as viu como hipóteses sobre como o pensamento poderia funcionar.

A carreira atravessou continentes: passagens por Sussex, pela Unidade de Psicologia Aplicada do MRC, pela Universidade da Califórnia em San Diego, e por Carnegie Mellon, onde fez parte do trabalho mais citado da sua vida. Foi diretor fundador da Gatsby Computational Neuroscience Unit no University College London. Mas é com a Universidade de Toronto que seu nome ficou colado a partir de 1987 — em parte, segundo ele próprio relatou em entrevistas, porque não queria que sua pesquisa dependesse de financiamento militar americano. De 2013 a 2023 dividiu seu tempo entre Toronto e o Google. Em 2017 ajudou a fundar o Vector Institute, em Toronto, um dos polos mundiais de pesquisa em IA.

Por décadas, Hinton trabalhou no que era praticamente uma heresia acadêmica. Nos anos 1990 e 2000, redes neurais eram consideradas ultrapassadas; o dinheiro e o prestígio iam para outras abordagens. Ele insistiu mesmo assim. Quando a maré virou, virou por causa dele e de um punhado de teimosos.

A grande contribuição

A contribuição central de Hinton é tornar prático o aprendizado em redes neurais profundas — redes com muitas camadas de "neurônios" artificiais empilhadas, cada uma extraindo padrões mais abstratos que a anterior.

O marco mais famoso é o artigo de 1986, escrito com David Rumelhart e Ronald Williams, que popularizou o algoritmo de backpropagation (retropropagação). A ideia, em linguagem de operador: a rede dá um palpite, você mede o quanto errou e propaga esse erro de volta pelas camadas, ajustando cada conexão um pouquinho na direção que reduz o erro. Repita milhões de vezes com milhões de exemplos e a rede aprende sozinha a reconhecer rostos, transcrever fala, traduzir texto. Hinton não inventou a retropropagação do zero — variantes existiam — mas foi esse trabalho que mostrou que ela funcionava para aprender representações internas úteis, e foi ele quem carregou a bandeira por décadas.

Veio depois uma sequência de invenções que hoje são vocabulário básico da área: as máquinas de Boltzmann (1983–1985), criadas com ferramentas da física estatística — exatamente o que o comitê do Nobel citaria quatro décadas depois; as redes de crença profundas (deep belief networks), que em 2006 mostraram como treinar redes profundas camada a camada e ajudaram a destravar a era do deep learning; o dropout, técnica simples e brutalmente eficaz para evitar que a rede "decore" em vez de generalizar; a destilação de conhecimento (knowledge distillation), que permite comprimir um modelo grande num pequeno; e o t-SNE, hoje ferramenta padrão para visualizar dados de alta dimensão.

E há o momento que mudou a indústria: AlexNet, em 2012. Com seus alunos Alex Krizhevsky e Ilya Sutskever, Hinton venceu de forma esmagadora a competição de reconhecimento de imagens ImageNet usando uma rede neural profunda rodando em GPUs. A margem foi tão grande que praticamente toda a indústria de visão computacional mudou de abordagem em poucos meses. A empresa dos três, a DNNresearch, foi comprada pelo Google em 2013. Sutskever, anos depois, seria cofundador e cientista-chefe da OpenAI. A linhagem de orientandos de Hinton — Yann LeCun, Ilya Sutskever, Ruslan Salakhutdinov, Brendan Frey, Richard Zemel, entre muitos — é por si só metade da história moderna do campo.

As ideias-chave

Aprender representações vence programar regras

A intuição mais profunda de Hinton é que sistemas inteligentes não devem ser preenchidos manualmente com regras; devem aprender suas próprias representações dos dados. Em vez de um engenheiro definir "o que é um gato", a rede descobre, a partir de milhões de fotos, quais combinações de bordas, texturas e formas tendem a ser um gato.

No portfólio, essa distinção é decisiva ao avaliar fornecedores. Um sistema de previsão de demanda de combustível, de detecção de fraude em pagamentos ou de leitura de documentos que aprende dos seus dados se comporta de forma diferente de um sistema baseado em regras fixas: ele generaliza melhor para casos novos, mas também pode errar de maneiras que ninguém escreveu explicitamente. Saber qual dos dois você está comprando muda completamente como testar e monitorar.

Profundidade cria abstração

Cada camada de uma rede profunda transforma a representação anterior em algo mais abstrato — pixels viram bordas, bordas viram formas, formas viram objetos. A profundidade não é vaidade de engenharia; é o que permite capturar conceitos complexos. Foi a teimosia de Hinton em fazer redes profundas funcionarem, quando todos diziam ser impossível treiná-las, que destravou tudo.

Conhecimento é distribuído, não localizado

Em vez de guardar cada fato num lugar específico (como um banco de dados), as redes de Hinton espalham o conhecimento por milhões de conexões. Isso as torna robustas e flexíveis — e também opacas. Não há uma "célula do gato" para inspecionar. Essa opacidade é a raiz prática do problema de interpretabilidade que assombra qualquer empresa que use IA para decisões que precisam ser explicadas a um regulador ou a um cliente.

Máquinas que compartilham aprendizado superam humanos num ponto específico

Um dos argumentos de risco mais técnicos de Hinton: quando você tem muitas cópias de um modelo digital, e uma delas aprende algo, esse aprendizado pode ser copiado instantaneamente para todas as outras. Segundo ele, os chatbots podem "compartilhar conhecimento, de forma que sempre que uma cópia adquire nova informação, ela é automaticamente disseminada para todo o grupo". Humanos não conseguem fazer isso — eu não posso copiar o que aprendi direto para o seu cérebro. Para Hinton, essa é uma vantagem estrutural das máquinas que tendemos a subestimar.

A reviravolta: de evangelista a alarme

A quinta ideia-chave é a própria mudança de posição. Por décadas, Hinton empurrou a fronteira sem grande angústia sobre consequências. A partir de 2023, passou a tratar o risco existencial como algo concreto e quantificável. Ele chegou a estimar publicamente, em dezembro de 2024, uma chance de "10 a 20 por cento" de a IA levar à extinção humana nas próximas décadas. Não é alguém de fora criticando; é o arquiteto olhando para a própria obra e dizendo: cuidado.

Em suas palavras

"Eu me consolo com a desculpa de sempre: se eu não tivesse feito, outra pessoa teria." (The New York Times, maio de 2023, ao explicar por que saiu do Google)

"Não é inconcebível" que a IA possa "exterminar a humanidade." (entrevista de 2023)

Há uma chance de "10 a 20 por cento" de extinção humana dentro de três décadas. (dezembro de 2024)

Os chatbots podem "compartilhar conhecimento, de forma que sempre que uma cópia adquire nova informação, ela é automaticamente disseminada para todo o grupo." (sobre por que IAs digitais têm uma vantagem de aprendizado sobre humanos)

A IA de propósito geral "pode estar a menos de 20 anos de distância." (entrevista à CBS, março de 2023)

Limites e críticas

A virada de Hinton para o alarmismo dividiu o próprio trio do Turing. Yann LeCun, seu antigo orientando e hoje uma das principais vozes do campo, considera o medo de risco existencial exagerado e contraproducente — argumenta que os sistemas atuais estão muito longe de qualquer autonomia perigosa e que o foco deveria estar em riscos concretos e presentes. Há um debate real e honesto aqui, não um consenso.

Críticos de outra ala apontam que o foco de Hinton em cenários de extinção pode desviar atenção e energia política de danos que já acontecem hoje: viés algorítmico, vigilância, concentração de poder em poucas empresas, desinformação, impacto sobre trabalho. Pesquisadoras como Timnit Gebru e Emily Bender vêm argumentando há anos que a conversa sobre "IA que mata a humanidade" às vezes serve, na prática, para os grandes laboratórios desviarem o olhar dos problemas que eles mesmos causam agora.

Há ainda a crítica metodológica: números como "10 a 20 por cento de chance de extinção" não vêm de um modelo formal; são julgamentos de especialista. Hinton é honesto quanto a isso, mas vale lembrar que ele é um pioneiro brilhante das redes neurais, não necessariamente um previsor calibrado de cenários geopolíticos e sociais de longo prazo. Brilhantismo técnico não transfere automaticamente para futurologia.

E há a ironia que ele mesmo reconhece: passou a vida acelerando justamente o que agora pede para frear. Isso não invalida o alerta — talvez ninguém esteja mais qualificado para enxergar o perigo do que quem construiu a coisa —, mas convém ler suas previsões com o mesmo ceticismo que ele aplica a tudo.

Como aplicar no seu dia a dia

A lição de Hinton, para quem opera um negócio real, não é "tema a IA". É "leve a IA a sério o suficiente para entendê-la e governá-la".

Entenda a tecnologia-base para não terceirizar julgamento. Quando um fornecedor oferece um modelo que "prevê a demanda" ou "otimiza a operação", você precisa saber o mínimo: esse sistema aprende dos dados ou segue regras? Quais dados? Generaliza para casos que nunca viu, e como falha quando isso acontece? A obra de Hinton ensina que sistemas que aprendem são poderosos justamente porque não são totalmente previsíveis — então a pergunta certa nunca é "funciona?", e sim "como erra, com que frequência, e quem paga a conta quando erra?". Quem não entende isso entrega o julgamento do negócio a um vendedor.

Trate opacidade como risco operacional concreto. Como o conhecimento numa rede é distribuído, muitas vezes não dá para explicar exatamente por que o modelo decidiu o que decidiu. Para um sistema que usa agentes de IA para apoiar decisões sobre pessoas e gestão, isso é diretamente um risco jurídico e reputacional. A resposta prática hinttoniana: nunca deixe um modelo opaco tomar sozinho uma decisão de alto impacto. Mantenha humano no circuito onde a decisão afeta gente, dinheiro relevante ou conformidade. Use IA para sugerir e instruir, não para decidir e executar sem supervisão.

Segurança por design, não como remendo. O alarme de Hinton sobre cópias de modelos que se atualizam instantaneamente tem um análogo prosaico na sua operação: quando você implanta um agente em escala — em várias unidades, em vários clientes —, um erro de comportamento se propaga igualmente rápido. Então: ambientes de teste antes de produção, lançamento gradual (rollout por fases), botão de desligar acessível, logs de tudo que o agente faz, e revisão periódica de comportamentos emergentes. Isso é o equivalente operacional, em escala de PME, do que ele cobra em escala civilizacional.

Governança proporcional, não teatro. Não é preciso um comitê de ética com vinte pessoas. É preciso uma regra simples e escrita: o que a IA pode decidir sozinha, o que precisa de revisão humana, quem é o dono de cada modelo em produção, e como se mede quando ele degrada. Hinton mostra que mesmo os criadores se surpreendem com o que esses sistemas fazem; um operador prudente assume que vai se surpreender também — e se prepara para isso de antemão.

Para ir além

Comece por: as entrevistas de Hinton de 2023, logo após sair do Google (a do New York Times e a da CBS são as mais acessíveis). Em uma hora você entende, na voz dele, por que alguém que construiu a tecnologia passou a temê-la.

Depois: assista à palestra do Nobel de Física de 2024 e leia o material de divulgação do comitê, que conecta as máquinas de Boltzmann à física estatística de forma que um leigo entende. É a melhor explicação curta de o que exatamente ele inventou.

Avançado: o artigo de 1986 sobre backpropagation (Rumelhart, Hinton, Williams) e o de 2006 sobre deep belief networks. Densos, mas são os documentos fundadores. Para a parte de risco, acompanhe as declarações públicas mais recentes dele e contraste deliberadamente com as posições de Yann LeCun — ler os dois lado a lado é o melhor antídoto contra tanto o hype quanto o pânico.

Conexões no vault

• IA e Tecnologia — área-mãe
• yann-lecun — o terceiro do trio do Turing; orientando de Hinton e seu principal crítico no debate sobre risco existencial
• yoshua-bengio — coautor do Prêmio Turing 2018; o outro grande nome do deep learning que migrou para segurança e governança de IA
• Os três do Turing Award 2018 (Hinton, Bengio, LeCun) são a base de qualquer estudo sério de IA moderna; ler os três juntos dá o mapa completo do campo e de suas tensões internas