Thiago Tonus

Categoria: Artigos

  • Como saber se um texto foi escrito por IA?

    Como saber se um texto foi escrito por IA?

    Resposta rápida: não existe hoje uma forma 100% confiável de saber se um texto foi escrito por IA. Os detectores automáticos erram com frequência — a própria OpenAI desativou seu detector em 2023 por baixa precisão — e tendem a acusar injustamente quem escreve em um idioma que não é o nativo. O mais seguro é combinar sinais: checar fatos e fontes, observar o estilo, comparar com textos anteriores do autor e, quando possível, conversar com ele sobre o conteúdo.

    Este artigo faz parte da série “IA em 3 níveis”, que responde às perguntas mais buscadas sobre inteligência artificial no Google por brasileiros (segundo dados do Google Trends divulgados pelo TecMundo). Cada resposta vem em três versões: para crianças, para adultos iniciantes e para especialistas.

    Neste artigo

    Como saber se um texto foi escrito por IA? Explicando para crianças

    Descobrir se um texto foi feito por uma IA é como tentar adivinhar se um desenho foi feito à mão ou copiado de um papel transparente: às vezes dá para perceber, mas muitas vezes é bem difícil!

    Algumas pistas: textos de IA costumam ser muito arrumadinhos, usam sempre o mesmo tipo de frase e falam de forma bem geral, sem contar coisas que aconteceram de verdade com quem escreveu. Mas atenção: essas pistas não são provas. Tem gente que escreve assim também!

    Por isso, o melhor jeito é perguntar e conversar. E, se você usar a IA para ajudar na lição, conte para o professor. Ser honesto é sempre a melhor escolha.

    Como saber se um texto foi escrito por IA? Explicando para adultos que estão começando

    Existem sites que prometem identificar textos gerados por IA, mas eles não devem ser usados como prova. Em 2023, a OpenAI, criadora do ChatGPT, tirou do ar seu próprio detector por causa da baixa taxa de acerto: ele identificava corretamente apenas 26% dos textos escritos por IA. Um estudo da Universidade Stanford também mostrou que detectores populares classificaram erroneamente como “feitos por IA” muitas redações de pessoas que não eram falantes nativas de inglês.

    Sinais que podem indicar uso de IA (mas não comprovam):

    • Fatos inventados, citações sem fonte ou referências bibliográficas que não existem — este é o sinal mais objetivo, pois pode ser verificado;
    • Estilo genérico: estrutura muito previsível, frases de efeito repetidas, ausência de exemplos pessoais ou detalhes concretos;
    • Mudança brusca de estilo em relação a outros textos da mesma pessoa;
    • Resquícios de conversa com o chatbot, como “Claro! Aqui está o texto…”.

    Na escola ou no trabalho, a melhor estratégia é combinar evidências: pedir rascunhos e histórico de edição, conversar com o autor sobre as escolhas do texto e estabelecer regras claras sobre quando o uso de IA é permitido. Para entender por que a IA escreve desse jeito, leia como funciona a inteligência artificial.

    A pesquisa acadêmica confirma essa cautela. Um estudo europeu publicado no International Journal for Educational Integrity (Weber-Wulff et al., 2023) testou 14 ferramentas de detecção e concluiu que nenhuma era precisa nem confiável: todas ficaram abaixo de 80% de acurácia, e o desempenho piorava ainda mais quando o texto gerado por IA era levemente editado ou parafraseado.

    Como saber se um texto foi escrito por IA? Explicando para especialistas em tecnologia

    A detecção de texto gerado por máquina se divide em três famílias de abordagem, todas com limitações relevantes:

    • Classificadores supervisionados treinados para distinguir texto humano de sintético: degradam fora da distribuição de treino (novos modelos, domínios, idiomas) e apresentam taxas de falso positivo inaceitáveis para decisões de alto impacto;
    • Métodos zero-shot baseados em estatísticas do modelo — perplexidade, burstiness e curvatura da log-probabilidade (como o DetectGPT): exigem acesso ou aproximação ao modelo gerador e são sensíveis à temperatura de amostragem; textos humanos formulaicos ou de escritores não nativos têm baixa perplexidade e geram falsos positivos (Liang et al., 2023);
    • Marca d’água (watermarking) na geração: enviesar a amostragem de tokens com uma chave secreta (“listas verdes”) permite detecção estatística com garantias formais (Kirchenbauer et al., 2023). O Google DeepMind aplica essa ideia em produção com o SynthID, disponibilizado em código aberto para texto. A limitação: só funciona se o fornecedor aplicar a marca, e paráfrase ou tradução reduzem o sinal.

    Há também resultados teóricos indicando que, à medida que a distribuição dos modelos se aproxima da humana, o desempenho de qualquer detector tende ao acaso, e que ataques de paráfrase recursiva quebram detectores e marcas d’água (Sadasivan et al., 2023). Por isso, a tendência regulatória e da indústria é migrar de “detectar” para comprovar procedência: credenciais de conteúdo assinadas criptograficamente, como o padrão C2PA, e obrigações de transparência para conteúdo sintético, previstas no AI Act europeu. Em contextos educacionais e de compliance, a recomendação é tratar escores de detectores como indício fraco, nunca como evidência conclusiva.

    Do lado técnico, o DetectGPT (Mitchell et al., ICML 2023) é a referência para detecção zero-shot baseada na curvatura da probabilidade, e o artigo de Dathathri et al. publicado na Nature (2024) descreve o SynthID-Text, primeira marca d’água para texto implantada em escala em um produto comercial (o Gemini), com avaliação em cerca de 20 milhões de respostas.

    Perguntas relacionadas

    Continue a série “IA em 3 níveis”:

    Fontes e leituras recomendadas

    Livros e artigos acadêmicos

    • WEBER-WULFF, Debora et al. Testing of detection tools for AI-generated text. International Journal for Educational Integrity, v. 19, 26, 2023. arXiv:2306.15666
    • LIANG, Weixin et al. GPT detectors are biased against non-native English writers. Patterns, v. 4, n. 7, 2023. arXiv:2304.02819
    • MITCHELL, Eric et al. DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature. ICML, 2023. arXiv:2301.11305
    • KIRCHENBAUER, John et al. A Watermark for Large Language Models. ICML, 2023. arXiv:2301.10226
    • DATHATHRI, Sumanth et al. Scalable watermarking for identifying large language model outputs. Nature, v. 634, p. 818–823, 2024. DOI: 10.1038/s41586-024-08025-4

    Imagem de destaque: Unsplash via Wikimedia Commons (CC0 – domínio público).

  • Como surgiu a inteligência artificial e quem criou?

    Como surgiu a inteligência artificial e quem criou?

    Resposta rápida: a inteligência artificial não tem um único criador. O termo “inteligência artificial” foi cunhado por John McCarthy em 1955, na proposta da Conferência de Dartmouth (1956), escrita com Marvin Minsky, Nathaniel Rochester e Claude Shannon — evento considerado o marco de fundação da área. Antes disso, Alan Turing já havia perguntado, em 1950, se “as máquinas podem pensar?”. A IA atual, baseada em redes neurais e grandes modelos de linguagem, é fruto de mais de 70 anos de pesquisa de milhares de cientistas.

    Este artigo faz parte da série “IA em 3 níveis”, que responde às perguntas mais buscadas sobre inteligência artificial no Google por brasileiros (segundo dados do Google Trends divulgados pelo TecMundo). Cada resposta vem em três versões: para crianças, para adultos iniciantes e para especialistas.

    Neste artigo

    Como surgiu a inteligência artificial? Explicando para crianças

    Há muito tempo, antes de existirem celulares, um cientista inglês chamado Alan Turing teve uma ideia curiosa: “Será que um dia as máquinas vão conseguir pensar?”. Naquela época, os computadores eram do tamanho de uma sala inteira!

    Alguns anos depois, em 1956, um grupo de cientistas se reuniu durante as férias de verão em uma universidade nos Estados Unidos, chamada Dartmouth. Eles queriam descobrir como ensinar computadores a resolver problemas e usar a linguagem. Foi ali que o nome “inteligência artificial” ficou famoso.

    Desde então, muita gente no mundo inteiro foi melhorando essa ideia, como uma grande corrida de revezamento: cada cientista passou o bastão para o próximo. Por isso, a IA não foi inventada por uma pessoa só — ela foi construída por muitas!

    Como surgiu a inteligência artificial? Explicando para adultos que estão começando

    A história da IA tem fases de entusiasmo e de desânimo. Os marcos principais:

    • 1950 — Alan Turing publica o artigo “Computing Machinery and Intelligence” e propõe o famoso “jogo da imitação”, hoje conhecido como Teste de Turing;
    • 1956 — Conferência de Dartmouth: John McCarthy, Marvin Minsky, Claude Shannon e outros fundam oficialmente o campo e popularizam o nome “inteligência artificial”;
    • 1966 — ELIZA: um dos primeiros programas de conversa, criado por Joseph Weizenbaum no MIT;
    • Anos 1970 e 1980 — “invernos da IA”: as promessas não se cumprem no ritmo esperado e o financiamento diminui;
    • 1997 — Deep Blue, da IBM, vence o campeão mundial de xadrez Garry Kasparov;
    • 2012 — revolução do aprendizado profundo: redes neurais passam a reconhecer imagens com precisão inédita, graças a mais dados e a placas gráficas (GPUs);
    • 2016 — AlphaGo, do Google DeepMind, vence um dos melhores jogadores de Go do mundo;
    • 2017 — arquitetura Transformer, base dos modelos de linguagem atuais;
    • 2022 — lançamento do ChatGPT, que leva a IA generativa ao grande público;
    • 2024 — Prêmios Nobel de Física e de Química reconhecem pesquisas ligadas à IA, como as redes neurais e o AlphaFold, que prevê a estrutura de proteínas.

    No Brasil, o governo federal lançou em 2024 o Plano Brasileiro de Inteligência Artificial (PBIA), com previsão de investimentos de R$ 23 bilhões até 2028. Quer entender a tecnologia por trás dessa história? Leia como funciona a inteligência artificial.

    Para conhecer a história em detalhe, o livro The Quest for Artificial Intelligence, de Nils J. Nilsson — pioneiro da área em Stanford —, narra as ideias e conquistas da IA desde suas origens e é disponibilizado gratuitamente pelo autor. O primeiro capítulo de Inteligência artificial: uma abordagem moderna, de Russell e Norvig, traz um resumo excelente da mesma trajetória.

    Como surgiu a inteligência artificial? Explicando para especialistas em tecnologia

    A genealogia técnica da IA costuma ser lida como a alternância entre duas tradições: a simbólica (lógica, busca e representação explícita de conhecimento) e a conexionista (aprendizado estatístico em redes de unidades simples).

    • Fundamentos (1943–1958): o neurônio formal de McCulloch e Pitts (1943); a pergunta operacional de Turing (Mind, 1950); a proposta de Dartmouth (1955), que conjecturava que “todo aspecto do aprendizado (…) pode, em princípio, ser descrito com tanta precisão que uma máquina pode simulá-lo”; e o perceptron de Rosenblatt (1958);
    • Hegemonia simbólica e invernos (1960–1990): resolvedores gerais de problemas, Lisp e sistemas especialistas; as limitações do perceptron de camada única apontadas por Minsky e Papert (1969), o Relatório Lighthill (1973) e o colapso do mercado de sistemas especialistas no fim dos anos 1980 marcam os dois “invernos”;
    • Virada estatística (1986–2011): a popularização do backpropagation (Rumelhart, Hinton e Williams, 1986), SVMs, modelos probabilísticos e, com a web, a disponibilidade de grandes bases de dados;
    • Deep learning (2012–2017): AlexNet no ImageNet (2012) inaugura a era das GPUs; seguem-se modelos de sequência, aprendizado por reforço profundo (AlphaGo) e o Prêmio Turing de 2018 a Hinton, LeCun e Bengio;
    • Modelos de fundação (2017–hoje): o Transformer viabiliza o pré-treinamento em escala; GPT, BERT e sucessores levam aos assistentes de uso geral e, mais recentemente, a modelos multimodais, de raciocínio e agentes.

    Uma leitura útil para quem projeta políticas e produtos: avanços recentes resultaram menos de rupturas conceituais isoladas e mais da combinação de dados, compute e arquiteturas escaláveis — o que desloca o debate para infraestrutura, soberania tecnológica e governança, temas centrais do PBIA e do PL 2338/2023.

    Os marcos citados acima têm artigos originais que valem a leitura: o neurônio formal (McCulloch e Pitts, 1943), o perceptron (Rosenblatt, 1958), o ELIZA (Weizenbaum, 1966), o backpropagation (Rumelhart, Hinton e Williams, 1986), a AlexNet (Krizhevsky, Sutskever e Hinton, 2012), o AlphaGo (Silver et al., 2016) e o AlphaFold (Jumper et al., 2021) — este último reconhecido com o Prêmio Nobel de Química de 2024.

    Perguntas relacionadas

    Continue a série “IA em 3 níveis”:

    Fontes e leituras recomendadas

    Livros e artigos acadêmicos

    • NILSSON, Nils J. The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge: Cambridge University Press, 2010. PDF gratuito do autor
    • RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022. (Original: Artificial Intelligence: A Modern Approach, Pearson, 2020.) Site do livro
    • TURING, Alan M. Computing Machinery and Intelligence. Mind, v. LIX, n. 236, p. 433–460, 1950. Oxford Academic
    • McCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115–133, 1943. DOI: 10.1007/BF02478259
    • ROSENBLATT, Frank. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 386–408, 1958. DOI: 10.1037/h0042519
    • WEIZENBAUM, Joseph. ELIZA — a computer program for the study of natural language communication between man and machine. Communications of the ACM, v. 9, n. 1, p. 36–45, 1966. DOI: 10.1145/365153.365168
    • RUMELHART, David E.; HINTON, Geoffrey E.; WILLIAMS, Ronald J. Learning representations by back-propagating errors. Nature, v. 323, p. 533–536, 1986. DOI: 10.1038/323533a0
    • KRIZHEVSKY, Alex; SUTSKEVER, Ilya; HINTON, Geoffrey E. ImageNet classification with deep convolutional neural networks. NeurIPS, 2012 (versão em Communications of the ACM, v. 60, n. 6, 2017). DOI: 10.1145/3065386
    • SILVER, David et al. Mastering the game of Go with deep neural networks and tree search. Nature, v. 529, p. 484–489, 2016. DOI: 10.1038/nature16961
    • JUMPER, John et al. Highly accurate protein structure prediction with AlphaFold. Nature, v. 596, p. 583–589, 2021. DOI: 10.1038/s41586-021-03819-2
    • VASWANI, Ashish et al. Attention Is All You Need. NeurIPS, 2017. arXiv:1706.03762

    Imagem de destaque: computador ENIAC, Exército dos EUA, via Wikimedia Commons (domínio público).

  • Como usar a inteligência artificial no dia a dia?

    Como usar a inteligência artificial no dia a dia?

    Resposta rápida: para usar a inteligência artificial, escolha uma ferramenta (como ChatGPT, Gemini, Claude ou Copilot), descreva com clareza o que você quer — contexto, objetivo e formato da resposta — e revise sempre o resultado. A IA é ótima para resumir, explicar, escrever rascunhos, traduzir, organizar ideias e criar imagens; não deve substituir a verificação de fatos nem receber dados pessoais sensíveis.

    Este artigo faz parte da série “IA em 3 níveis”, que responde às perguntas mais buscadas sobre inteligência artificial no Google por brasileiros (segundo dados do Google Trends divulgados pelo TecMundo). Cada resposta vem em três versões: para crianças, para adultos iniciantes e para especialistas.

    Neste artigo

    Como usar a inteligência artificial? Explicando para crianças

    Usar a IA é como conversar com um ajudante que sabe muitas coisas, mas que às vezes se confunde. Quanto melhor você explica o que quer, melhor ele ajuda!

    Em vez de escrever só “dinossauro”, experimente: “Me conta três curiosidades sobre o tiranossauro, com palavras fáceis, para eu apresentar na escola”. Viu a diferença? Você disse o assunto, quantas coisas quer e para quê.

    Três regrinhas de ouro: 1) use a IA sempre junto com um adulto; 2) nunca conte seu nome completo, endereço, escola ou senhas; 3) confira as respostas em um livro ou com o professor — a IA pode errar. E lembre: ela ajuda a aprender, mas a lição é sua!

    Como usar a inteligência artificial? Explicando para adultos que estão começando

    Você não precisa saber programar. Basta criar uma conta gratuita em um assistente de IA e começar a conversar em português. O segredo está em como você pede. Uma estrutura simples que funciona:

    1. Contexto: quem você é e qual a situação (“Sou dono de uma padaria pequena…”);
    2. Tarefa: o que exatamente você quer (“…escreva três posts para o Instagram anunciando o pão de queijo”);
    3. Formato: como quer a resposta (“tom descontraído, até 300 caracteres cada, com uma chamada para ação”);
    4. Refinamento: peça ajustes (“deixe mais curto”, “dê outra opção”, “explique de forma mais simples”).

    Usos práticos que economizam tempo:

    • Trabalho: resumir documentos longos, rascunhar e-mails, montar pautas de reunião, criar planilhas e fórmulas;
    • Estudos: pedir explicações passo a passo, criar exercícios e simulados, revisar redações;
    • Vida pessoal: planejar cardápios e viagens, comparar opções, traduzir mensagens;
    • Criatividade: gerar imagens e ilustrações a partir de descrições, ideias de presentes, roteiros de vídeos.

    Cuidados essenciais: confira informações importantes (saúde, finanças, questões jurídicas) em fontes oficiais; não insira dados pessoais ou sigilosos — a ANPD orienta sobre a proteção de dados pela LGPD; e seja transparente quando usar IA em trabalhos ou conteúdos públicos. Entender como a IA funciona ajuda a perceber por que ela às vezes erra.

    O que dizem as pesquisas? Um experimento publicado na revista Science (Noy e Zhang, 2023) com profissionais em tarefas de escrita mostrou que o uso do ChatGPT reduziu o tempo de execução em cerca de 40% e elevou a qualidade avaliada em cerca de 18%. Em um estudo com mais de 5 mil atendentes de suporte ao cliente, Brynjolfsson, Li e Raymond (2023) observaram aumento médio de 14% na produtividade — e de cerca de 34% entre os profissionais menos experientes. Na educação, a revisão de Kasneci et al. (2023) aponta oportunidades (tutoria personalizada, feedback) e riscos (dependência, vieses, integridade acadêmica). Para um guia prático, o livro Co-Intelligence, do professor Ethan Mollick (Wharton), defende tratar a IA como uma “cointeligência”: sempre convidá-la para a mesa, mas manter o humano no controle.

    Como usar a inteligência artificial? Explicando para especialistas em tecnologia

    Para profissionais, o uso efetivo de IA vai além do chat: trata-se de projetar sistemas em que modelos são um componente avaliável e governado. Algumas práticas consolidadas:

    • Engenharia de prompt e de contexto: instruções explícitas, exemplos (few-shot), delimitação por tags, papéis no prompt de sistema e saída estruturada (JSON com schema). Os guias oficiais dos fornecedores — como o guia de prompt engineering da Anthropic — são o melhor ponto de partida;
    • RAG antes de fine-tuning: para conhecimento proprietário ou atualizado, recuperar documentos relevantes e injetá-los no contexto (Lewis et al., 2020) costuma ser mais barato, auditável e fácil de manter que treinar o modelo;
    • Ferramentas e agentes: chamadas de função e protocolos de integração permitem que o modelo consulte APIs, bancos de dados e execute ações — exigindo controle de permissões, human-in-the-loop em ações irreversíveis e defesa contra prompt injection;
    • Avaliação contínua (evals): conjuntos de teste representativos do seu domínio, métricas automáticas e revisão humana amostral; trate prompts como código, com versionamento e regressão;
    • Custo e latência: roteamento entre modelos maiores e menores, cache de prompt e processamento em lote.

    No setor público e em organizações reguladas, recomenda-se ancorar a adoção em frameworks de risco como o NIST AI RMF e acompanhar o marco regulatório brasileiro (PL 2338/2023), além das diretrizes de proteção de dados da ANPD.

    A literatura técnica também embasa as boas práticas de prompt: o GPT-3 mostrou que exemplos no próprio prompt melhoram muito o desempenho (Brown et al., 2020), e pedir que o modelo explicite etapas intermediárias de raciocínio (chain-of-thought) eleva a acurácia em problemas de múltiplos passos (Wei et al., 2022).

    Perguntas relacionadas

    Continue a série “IA em 3 níveis”:

    Fontes e leituras recomendadas

    Livros e artigos acadêmicos

    • NOY, Shakked; ZHANG, Whitney. Experimental evidence on the productivity effects of generative artificial intelligence. Science, v. 381, n. 6654, p. 187–192, 2023. DOI: 10.1126/science.adh2586
    • BRYNJOLFSSON, Erik; LI, Danielle; RAYMOND, Lindsey. Generative AI at Work. NBER Working Paper n. 31161, 2023 (publicado no Quarterly Journal of Economics, 2025). NBER
    • KASNECI, Enkelejda et al. ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, v. 103, 102274, 2023. DOI: 10.1016/j.lindif.2023.102274
    • MOLLICK, Ethan. Co-Intelligence: Living and Working with AI. Nova York: Portfolio/Penguin, 2024.
    • BROWN, Tom B. et al. Language Models are Few-Shot Learners. NeurIPS, 2020. arXiv:2005.14165
    • WEI, Jason et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS, 2022. arXiv:2201.11903
    • RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022. (Original: Artificial Intelligence: A Modern Approach, Pearson, 2020.) Site do livro

    Imagem de destaque: Unsplash via Wikimedia Commons (CC0 – domínio público).

  • Como funciona a inteligência artificial?

    Como funciona a inteligência artificial?

    Resposta rápida: a inteligência artificial funciona aprendendo padrões a partir de exemplos. Durante o treinamento, um modelo matemático (geralmente uma rede neural) analisa milhões de dados e ajusta seus parâmetros internos para errar cada vez menos. Depois de treinado, ele usa esses padrões para fazer previsões ou gerar conteúdo novo — como um assistente de conversa que prevê, palavra por palavra, qual é a continuação mais provável de um texto.

    Este artigo faz parte da série “IA em 3 níveis”, que responde às perguntas mais buscadas sobre inteligência artificial no Google por brasileiros (segundo dados do Google Trends divulgados pelo TecMundo). Cada resposta vem em três versões: para crianças, para adultos iniciantes e para especialistas.

    Neste artigo

    Como funciona a inteligência artificial? Explicando para crianças

    Pense em um jogo de adivinhação. No começo, o computador chuta qualquer coisa. Quando erra, alguém diz “não, tente de novo”. Quando acerta, ele guarda o que funcionou. Depois de jogar milhões de vezes, ele fica muito bom em adivinhar!

    Por dentro, a IA tem algo parecido com uma grande rede de botões de volume. Cada botão aumenta ou diminui um pouquinho a importância de uma pista — como “tem bigode?” ou “tem orelha pontuda?”. Aprender, para a IA, é ir girando esses botões até as respostas ficarem certas.

    Quando você conversa com um robô de bate-papo, ele está brincando de “completar a frase”: olha o que você escreveu e escolhe a palavra que mais combina para vir depois, uma de cada vez. É por isso que às vezes ele parece muito esperto — e às vezes inventa coisas que não são verdade.

    Como funciona a inteligência artificial? Explicando para adultos que estão começando

    A maior parte das IAs atuais usa aprendizado de máquina (machine learning). O processo tem três etapas principais:

    1. Dados: reúne-se uma grande quantidade de exemplos — textos, fotos, áudios, registros de compras. A qualidade desses dados define boa parte da qualidade (e dos vieses) da IA.
    2. Treinamento: o modelo faz previsões, compara com a resposta certa e corrige seus parâmetros internos para reduzir o erro. Isso se repete bilhões de vezes, em computadores muito potentes.
    3. Uso (inferência): já treinado, o modelo recebe uma entrada nova — sua pergunta, por exemplo — e produz uma resposta em segundos.

    As redes neurais são o tipo de modelo mais usado hoje. Elas são inspiradas, de forma bem livre, nos neurônios do cérebro: camadas de “unidades” que recebem números, fazem contas e passam o resultado adiante. Quanto mais camadas, mais padrões complexos a rede consegue captar — daí o nome aprendizado profundo (deep learning).

    Diagrama de rede neural artificial com camadas de entrada, oculta e saída
    Uma rede neural simples: dados entram à esquerda, passam por camadas intermediárias e geram uma saída. Diagrama: Cburnett, via Wikimedia Commons (CC BY-SA 3.0).

    Os assistentes de conversa, como ChatGPT, Gemini e Claude, são grandes modelos de linguagem (LLMs). Eles foram treinados com enormes volumes de texto para prever a próxima palavra (ou pedaço de palavra) de uma frase. Depois, passam por uma etapa de ajuste com avaliações humanas para responder de forma mais útil e segura. Importante: eles não consultam uma enciclopédia por padrão — geram respostas prováveis, o que explica os erros. Para aproveitar melhor, veja como usar a inteligência artificial no dia a dia.

    Quer ir além? O livro Deep Learning, de Ian Goodfellow, Yoshua Bengio e Aaron Courville (MIT Press, 2016), é a referência clássica sobre redes neurais e está disponível gratuitamente on-line. Para uma visão mais acessível, Artificial Intelligence: A Guide for Thinking Humans, de Melanie Mitchell, explica esses mecanismos sem matemática.

    Como funciona a inteligência artificial? Explicando para especialistas em tecnologia

    No núcleo do paradigma atual está a minimização de uma função de perda por gradiente descendente estocástico, com gradientes calculados via backpropagation sobre redes neurais profundas (LeCun, Bengio e Hinton, 2015). O salto recente veio da arquitetura Transformer (Vaswani et al., 2017), que substituiu recorrência por autoatenção: cada token computa pesos de relevância sobre todos os demais (softmax(QKᵀ/√d)·V), permitindo paralelização massiva no treino e captura de dependências de longo alcance.

    O pipeline típico de um LLM moderno:

    • Pré-treinamento autorregressivo (previsão do próximo token) em corpora de trilhões de tokens; o desempenho segue leis de escala aproximadamente previsíveis em função de parâmetros, dados e compute (Kaplan et al., 2020);
    • Ajuste por instruções (SFT) e alinhamento por preferências — RLHF (Ouyang et al., 2022) e variantes como DPO e abordagens baseadas em princípios;
    • Inferência com decodificação amostral (temperatura, top-p), cache de chaves/valores e, cada vez mais, cadeias de raciocínio estendidas com mais compute em tempo de teste;
    • Ampliação por ferramentas e contexto: RAG (Lewis et al., 2020) para ancorar respostas em fontes externas, chamadas de função e arquiteturas agênticas.

    Pontos de atenção para quem projeta sistemas: alucinações são consequência estrutural de um objetivo de verossimilhança, não um bug pontual — mitigam-se com grounding, verificação e calibração; avaliações em benchmarks estáticos sofrem com contaminação de dados; e riscos de segurança como prompt injection crescem com a autonomia dos agentes. O NIST AI RMF e seu perfil para IA generativa (NIST AI 600-1) são boas referências para estruturar testes e controles.

    Sobre os fundamentos: o algoritmo de backpropagation foi popularizado por Rumelhart, Hinton e Williams em artigo na Nature (1986); a capacidade de LLMs realizarem tarefas a partir de poucos exemplos no próprio prompt (in-context learning) foi demonstrada com o GPT-3 (Brown et al., 2020). Do lado crítico, Bender et al. (2021) cunharam a metáfora dos “papagaios estocásticos” para alertar que fluência linguística não implica compreensão, e a revisão de Ji et al. (2023), publicada na ACM Computing Surveys, sistematiza tipos, causas e métodos de mitigação de alucinações.

    Perguntas relacionadas

    Continue a série “IA em 3 níveis”:

    Fontes e leituras recomendadas

    Livros e artigos acadêmicos

    • GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. Cambridge, MA: MIT Press, 2016. Versão on-line gratuita
    • RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022. (Original: Artificial Intelligence: A Modern Approach, Pearson, 2020.) Site do livro
    • RUMELHART, David E.; HINTON, Geoffrey E.; WILLIAMS, Ronald J. Learning representations by back-propagating errors. Nature, v. 323, p. 533–536, 1986. DOI: 10.1038/323533a0
    • LECUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, p. 436–444, 2015. DOI: 10.1038/nature14539
    • VASWANI, Ashish et al. Attention Is All You Need. NeurIPS, 2017. arXiv:1706.03762
    • BROWN, Tom B. et al. Language Models are Few-Shot Learners. NeurIPS, 2020. arXiv:2005.14165
    • BENDER, Emily M. et al. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? FAccT ’21, ACM, 2021. DOI: 10.1145/3442188.3445922
    • JI, Ziwei et al. Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, v. 55, n. 12, 2023. arXiv:2202.03629

    Imagem de destaque: Wikimedia Commons (CC0 – domínio público). Diagrama de rede neural: Cburnett (CC BY-SA 3.0).

  • O que é inteligência artificial?

    O que é inteligência artificial?

    Resposta rápida: inteligência artificial (IA) é a área da computação que cria sistemas capazes de realizar tarefas que normalmente exigiriam inteligência humana — como reconhecer imagens, entender e produzir textos, traduzir idiomas, fazer recomendações e apoiar decisões. Em vez de seguir apenas regras fixas escritas por programadores, a maioria das IAs atuais aprende padrões a partir de grandes volumes de dados.

    Este artigo faz parte da série “IA em 3 níveis”, que responde às perguntas mais buscadas sobre inteligência artificial no Google por brasileiros (segundo dados do Google Trends divulgados pelo TecMundo). Cada resposta vem em três versões: para crianças, para adultos iniciantes e para especialistas.

    Neste artigo

    O que é inteligência artificial? Explicando para crianças

    Imagine que você está ensinando seu cachorro a dar a pata. Você repete várias vezes, dá um petisco quando ele acerta, e um dia ele aprende. A inteligência artificial é parecida, só que quem aprende é o computador!

    Em vez de petiscos, o computador recebe muitos exemplos. Se mostramos a ele milhares de fotos de gatos e dizemos “isto é um gato”, ele começa a perceber o que os gatos têm em comum: orelhas pontudas, bigodes, olhos redondos. Depois, quando vê uma foto nova, consegue adivinhar: “acho que isso é um gato!”.

    A IA já está perto de você: quando o celular desbloqueia olhando para o seu rosto, quando o aplicativo de vídeos sugere um desenho que você gosta ou quando você pede uma música para o assistente de voz. Mas lembre-se: a IA não pensa nem sente como uma pessoa. Ela é uma ferramenta muito boa em achar padrões — e às vezes erra. Por isso é sempre bom conversar com um adulto sobre o que ela responde.

    O que é inteligência artificial? Explicando para adultos que estão começando

    De forma simples, inteligência artificial é um conjunto de técnicas que permite a computadores aprender com dados e tomar decisões ou gerar conteúdos sem que cada passo tenha sido programado manualmente. A OCDE, organização que orienta políticas públicas em dezenas de países, define um sistema de IA como um sistema baseado em máquina que, a partir das informações que recebe, infere como gerar resultados — previsões, conteúdos, recomendações ou decisões — capazes de influenciar ambientes físicos ou virtuais.

    Alguns exemplos do cotidiano:

    • Assistentes de conversa (como ChatGPT, Gemini e Claude), que escrevem, resumem e explicam textos;
    • Recomendações de filmes, músicas e produtos em plataformas de streaming e lojas on-line;
    • Mapas e GPS que preveem o trânsito e sugerem rotas;
    • Bancos que detectam compras suspeitas no cartão;
    • Saúde, com sistemas que ajudam médicos a analisar exames de imagem.

    É útil separar dois termos que aparecem muito. IA tradicional (ou preditiva) classifica e prevê: “este e-mail é spam?”, “este cliente vai cancelar?”. Já a IA generativa cria conteúdo novo — textos, imagens, áudios e vídeos — a partir de um pedido em linguagem natural (o chamado prompt).

    Dois cuidados importantes: a IA pode errar com confiança (inventar fatos, fenômeno chamado de “alucinação”) e pode reproduzir vieses presentes nos dados com que foi treinada. Por isso, vale usar a IA como apoio, conferir informações importantes e evitar compartilhar dados pessoais sensíveis. Quer saber o que acontece “por dentro”? Veja como funciona a inteligência artificial.

    Para quem quer se aprofundar sem fórmulas, dois livros são boas portas de entrada: Desmistificando a inteligência artificial, da pesquisadora brasileira Dora Kaufman (PUC-SP), e Artificial Intelligence: A Guide for Thinking Humans, da cientista da computação Melanie Mitchell, que explica com clareza o que a IA faz bem — e onde ainda falha.

    O que é inteligência artificial? Explicando para especialistas em tecnologia

    Do ponto de vista técnico e regulatório, a definição de referência hoje é a da OCDE, revisada em 2023: “um sistema baseado em máquina que, para objetivos explícitos ou implícitos, infere, a partir da entrada que recebe, como gerar saídas como previsões, conteúdos, recomendações ou decisões que podem influenciar ambientes físicos ou virtuais”, com diferentes níveis de autonomia e adaptabilidade após a implantação. Essa formulação influenciou diretamente o AI Act da União Europeia (Regulamento 2024/1689) e o texto do PL 2338/2023, o marco legal da IA aprovado pelo Senado em dezembro de 2024 e ainda em análise na Câmara dos Deputados.

    Note o deslocamento conceitual: a definição não depende de uma técnica específica, mas da capacidade de inferência. Isso abrange desde sistemas simbólicos e baseados em regras até o paradigma dominante de aprendizado de máquina — em especial o deep learning (redes neurais profundas otimizadas por gradiente, LeCun, Bengio e Hinton, 2015) e os modelos de fundação baseados na arquitetura Transformer, pré-treinados em larga escala e adaptados para múltiplas tarefas.

    Para quem trabalha com governança, três distinções práticas importam:

    • Modelo × sistema: o modelo (pesos treinados) é só um componente; o sistema inclui dados, interfaces, ferramentas, salvaguardas e o contexto de uso — que é onde o risco efetivamente se materializa;
    • Uso geral × finalidade específica: modelos de propósito geral exigem obrigações próprias de transparência e avaliação, como prevê o AI Act;
    • Gestão de risco ao longo do ciclo de vida: frameworks como o NIST AI RMF organizam o trabalho em governar, mapear, medir e gerenciar riscos.

    Para acompanhar a evolução de capacidades, investimentos e incidentes, a referência anual mais completa é o AI Index da Universidade Stanford.

    Na literatura acadêmica, o manual de referência da área — Inteligência artificial: uma abordagem moderna, de Stuart Russell e Peter Norvig, adotado em mais de 1.500 universidades — organiza as definições históricas de IA em quatro abordagens: pensar como humanos, agir como humanos, pensar racionalmente e agir racionalmente. Os autores adotam a quarta, definindo IA como o estudo de agentes racionais que percebem o ambiente e agem para maximizar o resultado esperado — enquadramento próximo ao da OCDE. Já o conceito de modelos de fundação foi sistematizado por pesquisadores de Stanford (Bommasani et al., 2021). Para a dimensão ética e política, vale ler Luciano Floridi (The Ethics of Artificial Intelligence, 2023) e Kate Crawford (Atlas of AI, 2021), que discute os custos materiais, trabalhistas e ambientais da tecnologia.

    Perguntas relacionadas

    Continue a série “IA em 3 níveis”:

    Fontes e leituras recomendadas

    Livros e artigos acadêmicos

    • RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022. (Original: Artificial Intelligence: A Modern Approach, Pearson, 2020.) Site do livro
    • MITCHELL, Melanie. Artificial Intelligence: A Guide for Thinking Humans. Nova York: Farrar, Straus and Giroux, 2019.
    • KAUFMAN, Dora. Desmistificando a inteligência artificial. Belo Horizonte: Autêntica, 2022.
    • LECUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, p. 436–444, 2015. DOI: 10.1038/nature14539
    • BOMMASANI, Rishi et al. On the Opportunities and Risks of Foundation Models. Stanford CRFM, 2021. arXiv:2108.07258
    • FLORIDI, Luciano. The Ethics of Artificial Intelligence: Principles, Challenges, and Opportunities. Oxford: Oxford University Press, 2023.
    • CRAWFORD, Kate. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. New Haven: Yale University Press, 2021.

    Imagem de destaque: Wikimedia Commons (CC0 – domínio público).