Afinal, o que é inteligência artificial?

Em 1956, dez pesquisadores passaram um verão em uma faculdade americana com uma aposta ousada: a de que toda faceta da inteligência poderia ...

Em 1956, dez pesquisadores passaram um verão em uma faculdade americana com uma aposta ousada: a de que toda faceta da inteligência poderia ser descrita com precisão suficiente para uma máquina simulá-la. Setenta anos, dois "invernos" e alguns bilhões de parâmetros depois, a inteligência artificial escreve textos, dirige carros e ganhou até Nobel de Física. Neste post — o primeiro de uma série sobre IA — organizamos a casa: o que é inteligência (e o que é IA), a diferença entre IA fraca e forte, o Teste de Turing, os quatro paradigmas, os agentes inteligentes com sua descrição PEAS e uma linha do tempo interativa de 1943 ao presente. Tudo com fontes na mesa e os pés no Brasil.

No verão de 1956, o campus do Dartmouth College, nos Estados Unidos, recebeu um grupo de jovens pesquisadores para dois meses de conversas sobre um assunto que ainda nem tinha nome direito. A proposta do encontro, redigida um ano antes por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, pedia financiamento com uma frase de autoconfiança impressionante: o estudo partiria da conjectura de que cada aspecto do aprendizado ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina pode ser feita para simulá-lo (McCARTHY et al., 2006). Foi nesse documento que a expressão artificial intelligence apareceu pela primeira vez como nome de um campo de pesquisa. Os autores estimavam avanços significativos em um verão. Levou-se um pouco mais: setenta anos, duas grandes decepções coletivas e algumas revoluções de hardware. Mas a aposta de Dartmouth segue de pé — e hoje mora no seu bolso.

Este post abre nossa série sobre inteligência artificial fazendo o serviço de fundação: definir os termos, contar a história e apresentar o vocabulário que os próximos textos vão usar. Se você é da comunidade acadêmica — de qualquer área, não só computação —, este é o mapa para não se perder nas próximas paradas.

Época 01

Inteligência é difícil de definir. IA, nem tanto

Eis uma ironia fundadora: o campo que promete reproduzir a inteligência nunca chegou a um consenso sobre o que ela é. Psicólogos falam em capacidade de aprender e se adaptar; filósofos, em consciência e intencionalidade; biólogos, em resolver problemas para sobreviver. A engenharia da IA contornou o impasse com pragmatismo. O manual mais adotado da área, de Stuart Russell e Peter Norvig, organiza as definições históricas de IA em quatro abordagens, cruzando dois eixos: o que se reproduz (o pensar ou o agir) e o padrão de comparação (o humano ou o racional) (RUSSELL; NORVIG, 2022).

Quadro 1 — Quatro abordagens para definir inteligência artificial

Abordagem	Pergunta-guia	Área de apoio	Exemplo de critério
Agir como humanos	A máquina se comporta de modo indistinguível de uma pessoa?	Ciência cognitiva aplicada	Teste de Turing
Pensar como humanos	Os processos internos imitam a mente humana?	Psicologia cognitiva, neurociência	Modelagem cognitiva
Pensar racionalmente	O raciocínio segue as leis da lógica?	Lógica, filosofia	Silogismos, provadores de teoremas
Agir racionalmente	O sistema faz a melhor ação possível com o que sabe?	Economia, teoria da decisão	Agente racional

Fonte: elaborado pelo autor com base em Russell e Norvig (2022).

A abordagem que venceu — e que estrutura a IA contemporânea — é a última: o agente racional. Na prática da IA, inteligência é menos "pensar como nós" e mais "agir bem": escolher, a cada momento, a ação que maximiza a chance de atingir um objetivo (RUSSELL; NORVIG, 2022). Essa escolha de projeto explica muita coisa: um sistema de navegação não precisa "entender" trânsito como um taxista entende; precisa achar rotas boas, rápido.

Época 02

IA fraca, IA forte e o jogo da imitação

Antes mesmo de Dartmouth, Alan Turing já havia atacado o problema por outro ângulo. Em um artigo de 1950 na revista Mind, ele propôs substituir a pergunta "máquinas podem pensar?" — que considerava mal formulada — por um experimento operacional, o jogo da imitação: um interrogador conversa por escrito com dois interlocutores ocultos, um humano e uma máquina; se não conseguir distinguir quem é quem, a máquina passa no teste (TURING, 1950). O hoje chamado Teste de Turing não mede consciência nem compreensão: mede comportamento verbal indistinguível — e é por isso que segue sendo, ao mesmo tempo, célebre e criticado.

A crítica mais famosa veio do filósofo John Searle, em 1980, com o experimento mental do quarto chinês: uma pessoa trancada em um quarto, munida de um manual de regras, responde por escrito a perguntas em chinês sem saber uma palavra do idioma — e, vista de fora, parece fluente. Manipular símbolos conforme regras, argumenta Searle, não é o mesmo que compreender (SEARLE, 1980). Foi nesse debate que se consolidou a distinção entre IA fraca — sistemas que simulam capacidades inteligentes para tarefas específicas, sem qualquer pretensão de mente — e IA forte, a hipótese de uma máquina que genuinamente compreende e tem estados mentais, com capacidade cognitiva geral comparável à humana.

IA fraca não é IA de segunda categoria: é a única que existe até hoje. Todo sistema em operação — do corretor ortográfico ao chatbot mais sofisticado — é IA fraca no sentido técnico: excelente em seu domínio, sem evidência de compreensão genuína. A IA forte (ou IAG, inteligência artificial geral, ou ainda AGI, na sigla em inglês) permanece um horizonte de pesquisa e especulação, não um produto. Convém guardar essa régua para a próxima manchete apocalíptica ou messiânica que cruzar seu feed.

Época 03

Setenta anos em uma linha do tempo (interativa)

A história da IA não é uma subida contínua: é uma alternância de verões de entusiasmo (e financiamento) com invernos de descrença (e cortes). Navegue pelos marcos abaixo — toque ou clique em cada ano; as cores indicam a temperatura da época: tons quentes para os booms, azul-gelo para os invernos.

Selecione um marco na linha acima.

Dica: use as setas do teclado (Tab) para navegar pelos anos.

Duas lições saltam da linha. Primeira: os invernos da IA não mataram a pesquisa — mataram promessas exageradas; foi o diagnóstico de entregas aquém do prometido, como o do relatório britânico de 1973, que congelou os financiamentos (LIGHTHILL, 1973), enquanto o trabalho de base continuou e floresceu quando dados e hardware alcançaram as ideias. Segunda: o que hoje chamamos de revolução (deep learning, IA generativa) são ideias dos anos 1940-80 que esperaram meio século pelas condições materiais — espera reconhecida, em 2024, com o Nobel de Física concedido a John Hopfield e Geoffrey Hinton pelos fundamentos das redes neurais artificiais (NOBEL PRIZE, 2024). Guarde essa humildade histórica para calibrar tanto o entusiasmo quanto o ceticismo do presente.

Época 04

Quatro maneiras de fazer uma máquina "pensar"

Por trás da cronologia há uma disputa de famílias intelectuais — os paradigmas da IA. O simbólico aposta que inteligência é manipulação de símbolos e regras explícitas: lógica, conhecimento representado, inferência — a alma dos sistemas especialistas. O conexionista aposta que inteligência emerge de muitas unidades simples conectadas, como neurônios: conhecimento fica distribuído nos pesos da rede e aprende-se por exemplos — a alma do deep learning. O evolucionário se inspira em Darwin: populações de soluções candidatas competem, cruzam e sofrem mutações, e a seleção faz o projeto — algoritmos genéticos que desenham antenas, horários e circuitos. E o estatístico trata a incerteza como cidadã de primeira classe: probabilidade, inferência bayesiana e aprendizado de máquina sobre dados — a ponte que conectou a IA à ciência de dados (RUSSELL; NORVIG, 2022).

Quadro 2 — Paradigmas da inteligência artificial

Paradigma	Ideia central	Unidade básica	Exemplos típicos	Auge histórico
Simbólico	Inteligência é manipular símbolos por regras explícitas	Símbolo e regra (SE-ENTÃO)	Sistemas especialistas, provadores de teoremas	Décadas de 1950-80
Conexionista	Inteligência emerge de redes de unidades simples	Neurônio artificial e peso	Redes neurais, deep learning, Transformers	2012 em diante
Evolucionário	Soluções evoluem por seleção, cruzamento e mutação	Indivíduo em uma população	Algoritmos genéticos, programação genética	Décadas de 1990-2000
Estatístico	Decidir bem sob incerteza, aprendendo de dados	Variável aleatória e probabilidade	Redes bayesianas, aprendizado de máquina	1990 em diante

Fonte: elaborado pelo autor com base em Russell e Norvig (2022).Nota: os períodos de auge são aproximados e se sobrepõem; os sistemas atuais combinam paradigmas (ex.: AlphaGo une redes neurais, busca simbólica e aprendizado por reforço).

Época 05

Agentes inteligentes: PEAS, tipos e ambientes

Se a definição vencedora de IA é "agir racionalmente", a unidade de projeto do campo é o agente: qualquer entidade que percebe seu ambiente por meio de sensores e age sobre ele por meio de atuadores. Um termostato é um agente rudimentar; um robô aspirador, um filtro de spam e um carro autônomo são agentes de sofisticação crescente. Todo agente é, no fundo, uma resposta contínua à mesma pergunta: dado o que percebo e o que sei, o que fazer agora? (RUSSELL; NORVIG, 2022).

Antes de programar um agente, especifica-se sua tarefa com a descrição PEAS — sigla em inglês para desempenho (Performance), ambiente (Environment), atuadores (Actuators) e sensores (Sensors). É o "contrato" do agente: como será avaliado, onde vai operar, com o que age e com o que percebe.

Quadro 3 — Descrição PEAS de três agentes inteligentes

Elemento	Táxi autônomo	Filtro de spam	Tutor virtual de matemática
Medida de desempenho	Segurança, rapidez, conforto, respeito às leis, lucro	Spams bloqueados; e-mails legítimos preservados	Aprendizado do estudante; engajamento; acertos em avaliações
Ambiente	Vias, tráfego, pedestres, clima, passageiros	Servidor de e-mail, fluxo de mensagens, remetentes	Plataforma de ensino, estudantes, currículo, calendário
Atuadores	Direção, acelerador, freio, setas, buzina, tela	Marcar como spam, mover pastas, sinalizar suspeita	Exibir explicações, propor exercícios, dar feedback, alertar docente
Sensores	Câmeras, lidar, GPS, sonar, velocímetro, odômetro	Conteúdo, cabeçalhos, metadados, histórico do usuário	Respostas, tempo por questão, trilha de cliques, autoavaliações

Fonte: elaborado pelo autor com base na metodologia PEAS de Russell e Norvig (2022); exemplos do filtro de spam e do tutor virtual formulados pelo autor.

Os agentes também formam uma escada de sofisticação. O reativo simples responde apenas à percepção atual, por regras condição-ação (o termostato). O baseado em modelo mantém um estado interno do mundo que não está vendo (o aspirador que lembra onde já limpou). O baseado em objetivos escolhe ações que o aproximam de uma meta (o GPS planejando rota). O baseado em utilidade pondera entre objetivos conflitantes buscando o melhor resultado esperado (o táxi que equilibra rapidez e segurança). E o agente com aprendizado melhora o próprio desempenho com a experiência — camada que hoje se sobrepõe a todas as outras.

Por fim, o ambiente de tarefa define a dificuldade do problema. Ele pode ser totalmente ou parcialmente observável (xadrez expõe o tabuleiro inteiro; o pôquer esconde cartas); determinístico ou estocástico (o resultado da ação é certo ou sujeito ao acaso); episódico ou sequencial (cada decisão é isolada, como classificar uma imagem, ou compromete o futuro, como um lance de xadrez); estático ou dinâmico (o mundo espera sua decisão ou muda enquanto você pensa, como no trânsito); discreto ou contínuo; e monoagente ou multiagente. O caso mais difícil — parcialmente observável, estocástico, sequencial, dinâmico, contínuo e multiagente — é exatamente o mundo real. Por isso dirigir um carro é mais difícil para uma IA do que vencer no xadrez.

Época 06

Subáreas, profissões e o retrato brasileiro

A IA de hoje é um arquipélago de subáreas: aprendizado de máquina (sistemas que melhoram com dados), processamento de linguagem natural (texto e fala — dos tradutores aos chatbots, hoje movidos pela arquitetura Transformer (VASWANI et al., 2017)), visão computacional (interpretar imagens e vídeo), robótica (percepção e ação no mundo físico), representação de conhecimento e raciocínio (herdeira do paradigma simbólico), planejamento e otimização e sistemas multiagente. Cada uma alimenta aplicações profissionais concretas: na saúde, apoio a diagnóstico por imagem e triagem; no direito, análise de contratos e jurisprudência; na engenharia e na indústria, manutenção preditiva e controle de qualidade; na administração e no marketing, previsão de demanda e segmentação; na educação, tutores adaptativos e detecção precoce de evasão; no jornalismo, apuração assistida e checagem.

E isso não é futurologia importada: é estatística oficial brasileira. Segundo a PINTEC Semestral 2024 do IBGE, o percentual de empresas industriais com 100 ou mais pessoas ocupadas que utilizam inteligência artificial saltou de 16,9% em 2022 para 41,9% em 2024 — mais que o dobro em dois anos. Entre as usuárias, as finalidades mais comuns são atividades administrativas (87,9%), comercialização (75,2%) e desenvolvimento de produtos e serviços (73,1%); os principais obstáculos são os altos custos (74,3%) e a falta de pessoal qualificado (60,6%) (IBGE, 2025). Anote este último número: ele é, literalmente, uma vaga com o seu nome. No plano público, a resposta veio na forma do Plano Brasileiro de Inteligência Artificial (PBIA) 2024-2028, que prevê R$ 23 bilhões em investimentos em infraestrutura, formação e aplicações de IA (BRASIL, 2024).

Tabela 1 — Percentual de empresas industriais com 100 ou mais pessoas ocupadas que utilizam tecnologias digitais avançadas, por tecnologia — Brasil — 2024

Tecnologia	Empresas que utilizam (%)
Computação em nuvem	77,2
Internet das Coisas (IoT)	50,3
Inteligência artificial	41,9
Robótica	30,5
Big data (análise de grandes volumes de dados)	27,8
Manufatura aditiva (impressão 3D)	20,3

Fonte: elaborado pelo autor com base em IBGE (2025).Nota: os termos "big data" e "Internet das Coisas" foram mantidos conforme a divulgação oficial da pesquisa.

A adoção em barras

Nuvem77,2%

IoT50,3%

IA41,9%

Robótica30,5%

Big data27,8%

Impressão 3D20,3%

Época 07

Perguntas para o seu contexto

Do vocabulário à prática: marque o que você já consegue responder sobre a sua área — cada item usa um conceito deste post.

0 de 6

Sei apontar uma tarefa da minha profissão que já é feita (ou apoiada) por IA fraca — e nomear qual subárea está por trás. Consigo escrever a descrição PEAS de um agente útil para o meu trabalho, em quatro linhas. Sei classificar o ambiente dessa tarefa: observável? estocástico? sequencial? dinâmico? multiagente? Identifico se a solução dominante no meu campo é simbólica, conexionista, evolucionária ou estatística — ou híbrida. Reconheço um "efeito ELIZA" quando atribuo compreensão a um sistema que manipula símbolos. Sei citar um dado (como os da PINTEC) para embasar uma conversa sobre IA na minha organização.

Inferência

O verão que não pode se repetir (do jeito errado)

Os dez pesquisadores de Dartmouth erraram o prazo, mas acertaram a direção — e pagaram o preço de prometer demais: cada inverno da IA começou, invariavelmente, num verão de promessas infladas. Hoje vivemos o verão mais quente da história do campo, e a lição de 1973 continua valendo para o estudante que jura que a IA fará seu TCC, para o gestor que jura que ela substituirá sua equipe e para o influencer que jura que ela acabará com o mundo na terça-feira. Entre o deslumbre e o pânico, a posição academicamente honesta é a curiosidade informada — saber o que a máquina faz, como faz e o que ainda não faz.

Nos próximos posts da série, desceremos a montanha: aprendizado de máquina na prática, redes neurais por dentro e o uso responsável de IA generativa na vida acadêmica. Por ora, fica a pergunta-síntese, no espírito PEAS: no seu ambiente, com os sensores e atuadores que você tem, qual é a próxima ação racional?

Nota do autor: as datas dos "invernos da IA" variam conforme o autor consultado; adotamos os intervalos aproximados de 1973-1980 e 1987-1993, os mais recorrentes na literatura. A proposta de Dartmouth foi redigida em 1955 e o seminário realizado em 1956; a citação aqui segue a reimpressão de 2006 na AI Magazine. No Quadro 3, os exemplos do filtro de spam e do tutor virtual são elaborações do autor seguindo a metodologia PEAS — o táxi autônomo é o exemplo clássico do manual. Os dados da PINTEC referem-se a empresas industriais com 100 ou mais pessoas ocupadas, não ao conjunto das empresas brasileiras.

Glossário

Vocabulário de bolso para a série

Os termos abaixo aparecem neste post e vão reaparecer nos próximos. Digite na busca para filtrar ou percorra a lista em ordem alfabética; os links internos levam a verbetes relacionados.

Buscar termo 31 termos

Agente

Qualquer entidade que percebe o ambiente por meio de sensores e age sobre ele por meio de atuadores. Pode ser um programa, um robô ou um sistema inteiro — do termostato ao carro autônomo (RUSSELL; NORVIG, 2022).

Agente racional

Agente que, para cada sequência de percepções, escolhe a ação que se espera maximizar sua medida de desempenho, dado o que percebeu e o conhecimento que tem. Racional não é onisciente: o agente pode errar por falta de informação, mas não por escolher mal com o que sabe (RUSSELL; NORVIG, 2022).

Algoritmo genético

Técnica do paradigma evolucionário: uma população de soluções candidatas é avaliada por uma função de aptidão (fitness); as mais aptas são selecionadas, combinadas (cruzamento) e levemente alteradas (mutação) ao longo de gerações. Não garante a melhor solução, mas costuma achar boas soluções em problemas com possibilidades demais para testar uma a uma (RUSSELL; NORVIG, 2022).

Ambiente de tarefa

O "mundo" em que o agente atua, descrito por propriedades que definem a dificuldade do problema: observável total ou parcialmente; determinístico ou estocástico (sujeito ao acaso); episódico ou sequencial; estático ou dinâmico; discreto ou contínuo; monoagente ou multiagente. É o "E" da descrição PEAS (RUSSELL; NORVIG, 2022).

Aprendizado de máquina (machine learning)

Subárea da IA em que o sistema melhora seu desempenho a partir de dados ou experiência, em vez de seguir regras escritas uma a uma por programadores. Divide-se, em linhas gerais, em aprendizado supervisionado (exemplos com resposta certa), não supervisionado (encontrar padrões sem rótulos) e por reforço (RUSSELL; NORVIG, 2022).

Aprendizado por reforço

Forma de aprendizado em que o agente aprende por tentativa e erro, recebendo recompensas ou penalidades pelas ações, sem que ninguém lhe diga qual era a ação correta. O objetivo é maximizar a recompensa acumulada ao longo do tempo — foi um dos ingredientes do AlphaGo (SUTTON; BARTO, 2018).

Atuador

Meio pelo qual o agente age sobre o ambiente: rodas, freio e volante num carro; uma mensagem na tela ou a movimentação de um e-mail num software. É o "A" da descrição PEAS (RUSSELL; NORVIG, 2022).

Big data

Conjuntos de dados tão volumosos, variados ou gerados com tanta rapidez que exigem técnicas e infraestrutura próprias para armazenar e analisar. A disponibilidade desses dados, junto com hardware mais potente, é um dos fatores que explicam a virada do deep learning a partir de 2012 (GOODFELLOW; BENGIO; COURVILLE, 2016).

Deep learning (aprendizado profundo)

Aprendizado de máquina com redes neurais de muitas camadas. Cada camada aprende representações progressivamente mais abstratas — numa imagem, por exemplo, de bordas a formas e de formas a objetos — sem que alguém precise programar essas características à mão (GOODFELLOW; BENGIO; COURVILLE, 2016).

Efeito ELIZA

Tendência humana de atribuir compreensão, empatia ou intenção a um programa que apenas manipula texto por regras. O nome homenageia o ELIZA, cujo criador relatou a dificuldade de convencer alguns usuários de que o programa não entendia o que lhe diziam (WEIZENBAUM, 1966). A expressão "efeito ELIZA" foi cunhada depois, mas o fenômeno é o mesmo diante dos chatbots atuais.

Explosão combinatória

Crescimento extremamente rápido do número de possibilidades a examinar à medida que o problema aumenta. Funciona num jogo pequeno, torna-se inviável num grande: é o motivo pelo qual não se resolve o xadrez testando todas as partidas. O relatório Lighthill apontou esse obstáculo como razão para muitas promessas da IA não terem se cumprido (LIGHTHILL, 1973).

GPU (unidade de processamento gráfico)

Processador criado para gerar gráficos que executa milhares de operações simples em paralelo. Essa característica se encaixa nos cálculos repetitivos do treinamento de redes neurais e tornou viável treinar modelos grandes em tempo razoável (GOODFELLOW; BENGIO; COURVILLE, 2016).

Heurística

Regra prática que estima quão promissor é um caminho, permitindo descartar opções ruins sem examiná-las a fundo. Não garante a solução ótima, mas torna a busca viável — foi a combinação de busca massiva com heurísticas que levou o Deep Blue à vitória sobre Kasparov (RUSSELL; NORVIG, 2022).

IA fraca e IA forte

IA fraca designa sistemas que simulam capacidades inteligentes em tarefas específicas, sem pretensão de mente; IA forte é a hipótese de uma máquina que genuinamente compreende e tem estados mentais. A distinção ganhou corpo no debate em torno do quarto chinês (SEARLE, 1980). Todos os sistemas existentes são IA fraca.

IA generativa

Modelos que produzem conteúdo novo — texto, imagem, áudio, código — a partir dos padrões estatísticos aprendidos com grandes volumes de dados, em vez de apenas classificar ou prever um rótulo (GOODFELLOW; BENGIO; COURVILLE, 2016). Como gera o que é plausível, e não o que foi verificado, pode produzir respostas fluentes e erradas (as chamadas "alucinações").

IAG (inteligência artificial geral) ou AGI

Sistema hipotético com capacidade cognitiva ampla, comparável à humana, capaz de aprender e atuar bem em praticamente qualquer tarefa, e não só naquelas para as quais foi treinado. Não existe consenso sobre sua definição exata nem sobre se ou quando será alcançada; costuma ser associada à ideia de IA forte (RUSSELL; NORVIG, 2022).

Inferência bayesiana

Forma de raciocinar sob incerteza que atualiza a probabilidade de uma hipótese à medida que chegam novas evidências, pelo teorema de Bayes. Exemplo clássico: um filtro de spam que aumenta a suspeita sobre a mensagem a cada palavra típica de spam que encontra (RUSSELL; NORVIG, 2022).

Inverno da IA

Período de desilusão com a área, marcado por cortes de financiamento e queda de prestígio, depois de promessas que não se cumpriram. Os dois mais citados vão de cerca de 1973 a 1980 — desencadeado em parte pelo relatório Lighthill (LIGHTHILL, 1973) — e de 1987 a 1993, com o declínio dos sistemas especialistas.

Modelo de linguagem de grande escala (LLM)

Rede neural, em geral baseada na arquitetura Transformer, treinada com enormes volumes de texto para prever o próximo trecho de uma sequência. Em escala suficiente, passa a executar tarefas variadas a partir de instruções ou de poucos exemplos, sem treinamento específico para cada uma (BROWN et al., 2020). É a tecnologia por trás de chatbots como o ChatGPT.

Neurônio artificial

Unidade básica de uma rede neural: recebe valores de entrada, multiplica cada um por um peso, soma tudo e aplica uma função que decide o valor de saída. Inspira-se de forma muito simplificada no neurônio biológico; o primeiro modelo matemático é de McCulloch e Pitts, em 1943 (RUSSELL; NORVIG, 2022).

Parâmetro (ou peso)

Valor numérico ajustado automaticamente durante o treinamento de um modelo; o conjunto dos parâmetros guarda o que a rede "aprendeu". Quando se fala em modelos com "bilhões de parâmetros", fala-se desse tamanho — o GPT-3, por exemplo, tinha 175 bilhões (BROWN et al., 2020).

PEAS

Sigla em inglês para Performance (medida de desempenho), Environment (ambiente), Actuators (atuadores) e Sensors (sensores). É a especificação da tarefa de um agente, feita antes de projetá-lo: como será avaliado, onde atua, com o que age e com o que percebe (RUSSELL; NORVIG, 2022).

Perceptron

Rede neural de uma única camada, proposta por Frank Rosenblatt em 1958, capaz de aprender a separar categorias a partir de exemplos. Só resolve problemas em que as categorias podem ser separadas por uma linha reta; por isso falha no "OU exclusivo" (XOR), que dá verdadeiro quando apenas uma das duas entradas é verdadeira — limite demonstrado por Minsky e Papert em 1969 (RUSSELL; NORVIG, 2022). Redes com várias camadas superam essa limitação.

Processamento de linguagem natural (PLN)

Subárea da IA dedicada a fazer computadores lidarem com línguas humanas, escritas ou faladas: traduzir, resumir, classificar textos, responder perguntas, transcrever fala. Hoje é dominada por modelos baseados em Transformers (VASWANI et al., 2017).

Quarto chinês

Experimento mental do filósofo John Searle: alguém que não sabe chinês, trancado num quarto com um manual de regras, devolve respostas corretas a perguntas em chinês. Para quem está fora, parece fluente; por dentro, só manipula símbolos. O argumento sustenta que seguir regras sintáticas não basta para haver compreensão (SEARLE, 1980).

Rede neural artificial

Modelo computacional formado por muitos neurônios artificiais organizados em camadas e ligados por conexões com pesos. Aprende ajustando esses pesos a partir de exemplos; é a base do paradigma conexionista (GOODFELLOW; BENGIO; COURVILLE, 2016).

Sensor

Meio pelo qual o agente percebe o ambiente: câmeras e GPS num carro; o conteúdo e os cabeçalhos de uma mensagem num filtro de spam. O conjunto do que o agente percebe num instante é a sua percepção. É o "S" da descrição PEAS (RUSSELL; NORVIG, 2022).

Sistema especialista

Programa do paradigma simbólico que reúne o conhecimento de especialistas humanos em uma base de regras do tipo SE-ENTÃO e um mecanismo que encadeia essas regras para chegar a conclusões. Teve auge comercial nos anos 1980 (MYCIN, XCON), mas mostrou-se caro de manter e frágil fora do domínio para o qual foi construído (RUSSELL; NORVIG, 2022).

Teste de Turing (jogo da imitação)

Proposta de Alan Turing para trocar a pergunta "máquinas podem pensar?" por um experimento: um interrogador conversa por escrito com um humano e uma máquina ocultos; se não conseguir distinguir qual é qual, a máquina passa (TURING, 1950). Avalia comportamento verbal, não consciência nem compreensão.

Transformer

Arquitetura de rede neural apresentada em 2017 e baseada no mecanismo de atenção: ao processar uma palavra, o modelo pondera quais outras palavras do contexto são mais relevantes para interpretá-la, e faz isso para todo o texto em paralelo (VASWANI et al., 2017). É a fundação dos grandes modelos de linguagem.

Visão computacional

Subárea da IA voltada a extrair informação de imagens e vídeos: reconhecer objetos e rostos, ler placas, apoiar diagnósticos por imagem, guiar robôs e veículos. Foi nela que o deep learning mostrou sua força com a AlexNet, em 2012 (GOODFELLOW; BENGIO; COURVILLE, 2016).

Referências

1. BRASIL. Ministério da Ciência, Tecnologia e Inovação. Plano Brasileiro de Inteligência Artificial (PBIA) 2024-2028. Brasília, DF: MCTI, 2024. Disponível em: https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/plano-brasileiro-de-inteligencia-artificial. Acesso em: 5 ago. 2026.
2. BROWN, T. B. et al. Language models are few-shot learners. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 34., 2020, Vancouver (evento virtual). Advances in Neural Information Processing Systems 33. Vancouver: NeurIPS, 2020. Disponível em: https://arxiv.org/abs/2005.14165. Acesso em: 26 out. 2026.
3. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge, MA: MIT Press, 2016. Disponível em: https://www.deeplearningbook.org. Acesso em: 26 out. 2026.
4. IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. De 2022 a 2024, percentual de empresas industriais utilizando inteligência artificial subiu de 16,9% para 41,9%. Agência IBGE Notícias, Rio de Janeiro, set. 2025. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/44551-de-2022-a-2024-percentual-de-empresas-industriais-utilizando-inteligencia-artificial-subiu-de-16-9-para-41-9. Acesso em: 5 ago. 2026.
5. LIGHTHILL, J. Artificial intelligence: a general survey. In: SCIENCE RESEARCH COUNCIL. Artificial intelligence: a paper symposium. Londres: SRC, 1973. Disponível em: http://www.chilton-computing.org.uk/inf/literature/reports/lighthill_report/p001.htm. Acesso em: 5 ago. 2026.
6. McCARTHY, J.; MINSKY, M. L.; ROCHESTER, N.; SHANNON, C. E. A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, august 31, 1955. AI Magazine, v. 27, n. 4, p. 12-14, 2006. DOI: 10.1609/aimag.v27i4.1904. Disponível em: https://doi.org/10.1609/aimag.v27i4.1904. Acesso em: 5 ago. 2026.
7. NOBEL PRIZE. The Nobel Prize in Physics 2024. Estocolmo: Nobel Prize Outreach, 2024. Disponível em: https://www.nobelprize.org/prizes/physics/2024/summary/. Acesso em: 5 ago. 2026.
8. RUSSELL, S.; NORVIG, P. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
9. SEARLE, J. R. Minds, brains, and programs. Behavioral and Brain Sciences, Cambridge, v. 3, n. 3, p. 417-424, 1980. DOI: 10.1017/S0140525X00005756. Disponível em: https://doi.org/10.1017/S0140525X00005756. Acesso em: 5 ago. 2026.
10. SUTTON, R. S.; BARTO, A. G. Reinforcement learning: an introduction. 2. ed. Cambridge, MA: MIT Press, 2018. Disponível em: http://incompleteideas.net/book/the-book-2nd.html. Acesso em: 26 out. 2026.
11. TURING, A. M. Computing machinery and intelligence. Mind, Oxford, v. LIX, n. 236, p. 433-460, out. 1950. DOI: 10.1093/mind/LIX.236.433. Disponível em: https://doi.org/10.1093/mind/LIX.236.433. Acesso em: 5 ago. 2026.
12. VASWANI, A. et al. Attention is all you need. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 31., 2017, Long Beach. Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 5 ago. 2026.
13. WEIZENBAUM, J. ELIZA: a computer program for the study of natural language communication between man and machine. Communications of the ACM, New York, v. 9, n. 1, p. 36-45, jan. 1966. DOI: 10.1145/365153.365168. Disponível em: https://doi.org/10.1145/365153.365168. Acesso em: 26 out. 2026.