O debate sobre a origem da inteligência artificial moderna costuma orbitar centros de pesquisa californianos ou chineses, relegando a Europa a um papel periférico. Mas uma análise rigorosa das publicações e invenções revela que boa parte do que hoje move modelos como ChatGPT, Gemini e Claude nasceu em Munique, em 1991, sob liderança de Jürgen Schmidhuber. A história é menos celebrada do que deveria — e mais relevante do que parece para entender os rumos (e os limites) do boom atual de IA.
O laboratório que antecipou a década de 2020
Segundo relato detalhado publicado por Schmidhuber em junho de 2026, praticamente todos os blocos fundamentais dos LLMs atuais foram descritos em papers do seu grupo no Technical University of Munich em poucos meses de 1991 (fonte). Entre março e agosto daquele ano, o grupo introduziu:
- O primeiro antecessor dos Transformers, chamado ULTRA, que já operava com custo computacional linear no tamanho de entrada — uma preocupação que só voltaria ao debate público nos últimos anos com contextos longos.
- O pretreinamento não supervisionado de redes neurais profundas, base do “P” em ChatGPT. Sem essa técnica, modelos realmente profundos eram inviáveis.
- A destilação de redes neurais, central na eficiência e escalabilidade dos LLMs recentes (como o DeepSeek Sputnik).
- O aprendizado profundo com conexões residuais, ingrediente-chave dos LSTMs (o modelo mais citado do século XX) e das ResNets (o mais citado do século XXI), ambos pilares de modelos de linguagem e visão.
- O primeiro paper revisado por pares sobre redes generativas e adversariais — protótipos do que décadas depois seria chamado de GAN.
Essas contribuições não só anteciparam a agenda técnica dos anos 2010 e 2020; elas moldaram a própria noção do que viria a ser deep learning. Schmidhuber enfatiza que, já em 1991, a limitação dos LLMs para alcançar AGI era evidente: faltava domínio do mundo real, motivando pesquisas em world models, meta-learning e auto-melhoria recursiva.
Por que esse legado ficou à sombra
Apesar do volume e impacto das ideias, o centro de gravidade da IA logo migrou para o Pacífico, com EUA e China dominando o mercado e a narrativa. Schmidhuber sugere que fatores como custo computacional, falta de capital e a fragmentação da pesquisa europeia contribuíram para o eclipse de Munique. Mesmo assim, as citações acumuladas por LSTM e ResNet — ambas com raízes diretas no grupo alemão — superam qualquer rival.
A omissão histórica vai além do crédito acadêmico. O desconhecimento dessas origens reforça a impressão de que o avanço da IA é inevitavelmente americano ou chinês, quando, na prática, a base técnica é multinacional e, muitas vezes, europeia.
O impacto prático de Munique em 2026
A influência das ideias de 1991 é direta nas práticas atuais: Transformers lineares voltam ao centro do debate por eficiência; pretreinamento é onipresente; distilação tornou-se rotina industrial; redes residuais são padrão. Até a onda de modelos generativos e deepfakes remonta aos primeiros GANs do grupo. Pesquisadores como David Ha, da Sakana AI, reconhecem explicitamente essa dívida intelectual.
No entanto, há uma lição pouco assimilada: modelos de linguagem, por si só, não bastam para AGI. O próprio laboratório já buscava, nos anos 90, caminhos para integrar modelos de mundo, planejamento e auto-melhoria. A indústria, focada na escalabilidade bruta, parece ter esquecido esse alerta.
Por que isso importa
Ignorar o papel de Munique na gênese do deep learning é perder de vista tanto o potencial quanto os limites dos modelos atuais. Para pesquisadores e empresas brasileiras, reconhecer a diversidade das raízes técnicas pode inspirar apostas fora do consenso do Vale do Silício. A história mostra que o próximo salto pode vir de fora dos polos dominantes — e que revisitar ideias “antigas” pode ser mais produtivo do que se imagina.