O Teórico da Decisão que Co-Fundou a IA: Como a Máquina de Pensamento de Natal de Herbert Simon Mudou Tudo

Janeiro de 1956. Instituto de Tecnologia Carnegie. Um professor de 39 anos — um cientista político por formação, já famoso entre os economistas por argumentar que ninguém otimiza nada — abre sua aula de modelagem matemática com uma frase que não deveria ser verdadeira: No Natal, Al Newell e eu inventamos uma máquina de pensar.

A máquina mal existia como uma máquina. Durante as férias, Simon, Allen Newell e o programador Cliff Shaw desenvolveram o Logic Theorist — e antes de ele ser executado em um computador, eles simularam manualmente: as sub-rotinas do programa escritas em cartões de índice 3×5, distribuídos para a família e os alunos de Simon, cada humano executando as regras de um componente. Uma máquina pensante, inicialmente executada em pessoas. Naquele verão, ela rodou em hardware e foi apresentada no workshop de Dartmouth — a reunião que deu nome à inteligência artificial.

A história geralmente é arquivada sob a história da computação. Ela pertence igualmente à ciência da decisão — porque o Teórico da Lógica não era uma calculadora mais rápida. Era a teoria da racionalidade limitada de Simon implementada em código: se a inteligência humana funciona por meio de atalhos e busca seletiva em vez de computação exaustiva, então uma máquina que usa atalhos e busca seletiva também pode ser inteligente. Tudo que Simon construiu em IA decorre desse único movimento.

O Currículo Que Não Deveria Existir

Herbert Alexander Simon (1916–2001) obteve um doutorado em ciência política (Chicago, 1943), escreveu Administrative Behavior (1947) sobre como as organizações realmente decidem, e passou cinco décadas na Carnegie Mellon trabalhando em economia, psicologia, ciência da computação e filosofia da ciência. Os prêmios refletem essa diversidade: o Prêmio Turing da ACM de 1975 com Allen Newell, por contribuições básicas à inteligência artificial e à psicologia da cognição humana; o Prêmio Memorial Nobel em Economia de 1978, por pesquisas pioneiras na tomada de decisões em organizações econômicas; a Medalha Nacional de Ciência dos EUA de 1986. Ele continua sendo uma das poucas pessoas a ter recebido tanto o Prêmio Turing quanto o Nobel — pelo que ele insistia ser um único programa de pesquisa.

Esse programa: entender a inteligência como ela realmente opera — nas pessoas, nas organizações, nas máquinas — sob limites reais de informação, computação e tempo. A metade teórica aposentou o homem econômico perfeitamente racional. A metade de engenharia fez a óbvia próxima pergunta: se a inteligência é uma busca limitada, podemos construí-la?

O Teórico da Lógica: Prova por Atalho

O Logic Theorist atacou os teoremas de Principia Mathematica de Whitehead e Russell — o monumento da lógica formal do início do século — e provou 38 dos primeiros 52 no capítulo dois. O método era a mensagem: em vez de passar por cada derivação (força bruta que o hardware da época não poderia ter suportado), utilizou heurísticas para selecionar caminhos promissores, trabalhou retrocedendo a partir dos objetivos e parou quando tinha uma prova válida em vez da melhor. Busca heurística e satisficing — a ciência da decisão de Simon, funcionando na velocidade da máquina.

Para o Teorema 2.85, encontrou uma prova mais elegante do que a original. Bertrand Russell, então na casa dos oitenta anos, respondeu com alegria quando Simon lhe escreveu sobre isso. O Journal of Symbolic Logic foi mais difícil de encantar: recusou-se a publicar o resultado, julgando uma nova prova de um teorema elementar indigna de publicação — aparentemente sem registrar o detalhe de que um dos autores era um programa de computador.

O Solucionador de Problemas Geral: Estratégia Sem Conteúdo Específico

O programa sucessor foi mais ambicioso na direção exata que você esperaria do autor de Administrative Behavior. O General Problem Solver — primeira versão em funcionamento em 1957, o relatório publicado em 1959 por Newell, Shaw e Simon — introduziu a análise de meios e fins: medir a diferença entre o estado atual e o estado objetivo, encontrar um operador que reduza essa diferença, aplicá-lo, repetir. Navegação por fechamento de lacunas.

A verdadeira inovação do GPS foi arquitetônica: separou a estratégia de resolução de problemas do conteúdo do problema. O mesmo motor poderia atacar quebra-cabeças, provas ou planos, dado uma descrição de estados e operadores. Essa separação — método geral, domínio plugável — tornou-se um princípio de design fundamental da IA, e a análise de meios e fins ainda é reconhecível dentro dos sistemas de planejamento modernos.

A Grande Aposta: Símbolos e Busca

Em sua palestra do Prêmio Turing de 1976, Ciência da Computação como Investigação Empírica, Newell e Simon destilaram duas décadas de trabalho na hipótese mais famosa do campo: um sistema de símbolos físicos possui os meios necessários e suficientes para a ação inteligente geral. Mentes manipulam símbolos; computadores manipulam símbolos; portanto, programados adequadamente, os computadores podem agir de forma inteligente — e nada além da manipulação de símbolos é necessário. Isso se tornou a carta de princípios do que agora é chamado de IA simbólica, ou GOFAI.

Eles também fizeram previsões com datas, e as datas estavam erradas. Em seu artigo de 1958 Operations Research, Simon e Newell previram que, dentro de dez anos, um computador digital seria o campeão mundial de xadrez, a menos que as regras o impedissem de competir. O campeão mundial caiu para um computador em 1997 — 39 anos após a previsão, não dez. Vale a pena notar que tipo de erro é esse: o mecanismo (busca heurística em um espaço que nenhuma máquina poderia esgotar) estava exatamente certo; a linha do tempo estava errada por uma geração. Ambos os fatos pertencem ao registro.

O Deep Learning não provou Simon errado?

Aqui está a objeção com a qual um leitor de 2026 chega: a IA moderna não é simbólica. Redes neurais aprendem padrões a partir de dados; ninguém escreve as heurísticas à mão; e o influente ensaio de Richard Sutton de 2019, The Bitter Lesson, soa como um veredicto contra toda a abordagem de Simon — setenta anos de história da IA mostrando que métodos gerais que escalam com a computação superam sistemas construídos com conhecimento de domínio elaborado por humanos.

A objeção se concretiza — parcialmente. A forte reivindicação simbólica não sobreviveu: suficientes, como se revelou, símbolos não eram, e os programas de conhecimento construídos à mão das décadas de 1970 e 80 estagnaram exatamente como Sutton descreve. Um relato honesto de Simon diz isso de forma clara. Mas leia a própria conclusão de The Bitter Lesson: as duas famílias de métodos que escalam são busca e aprendizado. A busca heurística é a contribuição de Simon e Newell para o campo, viva hoje desde a busca em árvores de jogo até os ciclos de raciocínio deliberado dos sistemas de IA atuais. E o que as redes profundas fazem — reconhecer padrões acumulados a partir de uma experiência massiva — é estranhamente próximo da definição de expertise de Simon. O aprendizado por reforço, cujos fundadores Andrew Barto e Richard Sutton receberam o Prêmio Turing de 2024 (anunciado em março de 2025), é uma busca seletiva de tentativa e erro sob limites computacionais — um programa de pesquisa que Simon teria reconhecido como parente.

Assim, o placar está dividido, e a divisão é instrutiva: a arquitetura na qual ele apostou perdeu; a teoria da inteligência por trás dela venceu. As máquinas não se tornaram inteligentes ao computar exaustivamente. Elas se tornaram inteligentes por meio de uma busca limitada, heurística e orientada por reconhecimento — que é a afirmação na qual Simon apostou sua carreira. Trabalhos recentes fecham o ciclo pelo outro lado: estudos de 2025 encontram grandes modelos de linguagem exibindo racionalidade limitada, desviando-se da optimalidade teórica de jogos de maneiras semelhantes às humanas, enquanto a satisfação foi incorporada ao alinhamento do modelo como restrições de nível de aspiração.

As Impressões Digitais de Simon na IA Moderna

Linha do tempo: A Vida de um Polímata

O que Levar de Simon para a Década da IA

Quatro princípios de trabalho para quem está construindo com, ou decidindo ao lado de, máquinas limitadas:

Onde o Argumentree se Encaixa

Simon tratou a inteligência humana e a inteligência de máquina como um único assunto: agentes limitados buscando sob restrições. Argumentree é construído sobre a mesma premissa. Argumentos humanos e argumentos extraídos por IA se encontram em uma estrutura inspecionável — a árvore — onde o raciocínio é visível, as classificações direcionam a atenção escassa para os pontos mais fortes, e o registro persiste como memória organizacional.

Para equipes cuja utilização de IA deve ser auditável, o produto irmão AIAgentree estende a mesma ideia ao raciocínio da máquina em si — rastreando como um sistema de IA chegou à sua conclusão, na estrutura que Simon teria pedido para ver.

A Aposta Longa

O relógio de xadrez de Simon correu quatro vezes, a arquitetura simbólica cedeu, e o campo que ele co-fundou agora opera com métodos que ele não construiu. Julgado como profecia, um registro misto. Julgado como ciência, algo mais raro: a afirmação central — que a inteligência, onde quer que ocorra, é uma busca limitada guiada pelo reconhecimento — sobreviveu a cada arquitetura usada para testá-la, incluindo a sua própria.

É por isso que a frase da sala de aula ainda ressoa setenta anos depois. Ele não estava anunciando um gadget. Ele estava anunciando que o pensamento se tornara um assunto de engenharia — para mentes, para organizações e agora para máquinas.