10 termos de IA que você precisa conhecer
O glossário essencial do Futuro Guiado reúne e define os principais termos da inteligência artificial, de AGI a alucinação.
A ascensão da inteligência artificial trouxe consigo uma avalanche de termos e jargões. Passe cinco minutos lendo sobre IA e você vai se deparar com LLMs, RAG, RLHF e uma dúzia de outras expressões que podem fazer até pessoas muito inteligentes do mundo da tecnologia se sentirem inseguras. Este glossário é a tentativa do Futuro Guiado de resolver isso.
AGI
inteligência artificial geral, ou AGI (do inglês Artificial General Intelligence), é um termo nebuloso. De modo geral, ele se refere a uma IA mais capaz do que o ser humano médio em muitas, senão na maioria, das tarefas. O CEO da OpenAI, Sam Altman, descreveu a AGI como “sistemas altamente autônomos que superam os humanos na maior parte dos trabalhos economicamente valiosos”. O entendimento do Google DeepMind difere ligeiramente: o laboratório enxerga a AGI como “uma IA pelo menos tão capaz quanto os humanos na maioria das tarefas cognitivas”. Ao contrário da IA atual — que é programada para se destacar em tarefas específicas, como gerar texto ou reconhecer rostos — a AGI possuiria autocontrole autônomo e senso comum, permitindo que ela transferisse habilidades de um domínio para outro sem problemas.
Agente de IA
Um agente de IA é uma ferramenta que utiliza tecnologias de inteligência artificial para executar uma série de tarefas em seu nome — indo além do que um chatbot de IA mais básico consegue fazer —, como registrar despesas, reservar passagens ou uma mesa em um restaurante, ou mesmo escrever e manter código. O conceito básico implica um sistema autônomo que pode recorrer a múltiplos sistemas de IA para realizar tarefas com várias etapas.
Alucinação
Alucinação é o termo preferido pela indústria de IA para descrever quando os modelos inventam informações — literalmente gerando conteúdo incorreto. As alucinações produzem saídas de IA generativa que podem ser enganosas e até levar a riscos reais, com consequências potencialmente perigosas (imagine uma consulta de saúde que retorna um conselho médico prejudicial). O problema é considerado uma consequência de lacunas nos dados de treinamento.
Aprendizado por reforço
Aprendizado por reforço (reinforcement learning) é uma forma de treinar IA em que um sistema aprende tentando e recebendo recompensas pelas respostas corretas — como treinar um animal de estimação com petiscos, exceto que o “animal” nesse cenário é uma rede neural e o “petisco” é um sinal matemático indicando sucesso. Técnicas como o aprendizado por reforço com feedback humano (RLHF, do inglês Reinforcement Learning from Human Feedback) são hoje centrais para o modo como os principais laboratórios de IA refinam seus modelos para que sejam mais úteis, precisos e seguros.
Cadeia de raciocínio
Em um contexto de IA, o raciocínio em cadeia de pensamento (chain of thought) para grandes modelos de linguagem significa decompor um problema em etapas intermediárias menores para melhorar a qualidade do resultado final. Em geral, leva mais tempo para obter uma resposta, mas ela tem mais chances de estar correta, especialmente em contextos de lógica ou programação. Os modelos de raciocínio são desenvolvidos a partir de grandes modelos de linguagem tradicionais e otimizados para esse tipo de pensamento por meio de aprendizado por reforço.
Código aberto
Código aberto (open source) refere-se a softwares — ou, cada vez mais, modelos de IA — cujo código subjacente é disponibilizado publicamente para que qualquer pessoa o use, inspecione ou modifique. No mundo da IA, a família de modelos Llama da Meta é um exemplo proeminente. Código fechado (closed source) significa que o código é privado — você pode usar o produto, mas não ver como ele funciona, como é o caso dos modelos GPT da OpenAI.
Grande modelo de linguagem (LLM)
Grandes modelos de linguagem, ou LLMs (do inglês Large Language Models), são os modelos de IA usados por assistentes populares, como ChatGPT, Claude e Gemini. Quando você conversa com um assistente de IA, interage com um LLM que processa sua solicitação diretamente ou com a ajuda de ferramentas disponíveis. LLMs são redes neurais profundas compostas por bilhões de parâmetros numéricos que aprendem as relações entre palavras e frases.
Rede neural
Uma rede neural (neural network) é a estrutura algorítmica de múltiplas camadas que sustenta o aprendizado profundo e, de forma mais ampla, o boom das ferramentas de IA generativa. Embora a ideia de se inspirar nas vias densamente interconectadas do cérebro humano como estrutura de design para algoritmos de processamento de dados remonte à década de 1940, foi a ascensão mais recente dos processadores gráficos (GPUs) — impulsionados pela indústria de videogames — que realmente liberou o potencial dessa teoria.
Token
Os tokens são os blocos de construção básicos da comunicação humano-IA, representando segmentos discretos de dados processados ou produzidos por um LLM. Eles são criados por meio de um processo chamado tokenização, que divide o texto bruto em unidades que o modelo de linguagem consegue digerir. Em ambientes corporativos, os tokens também determinam o custo — a maioria das empresas de IA cobra pelo uso de LLMs por token.
Treinamento
O desenvolvimento de IAs de aprendizado de máquina envolve um processo conhecido como treinamento (training). Em termos simples, se refere à alimentação de dados para que o modelo possa aprender a partir de padrões e gerar respostas úteis. O treinamento pode ser caro porque exige muitos dados — e os volumes necessários têm crescido —, motivo pelo qual abordagens híbridas, como o ajuste fino de uma IA com dados direcionados, podem ajudar a gerenciar custos.
Esses 10 termos não cobrem tudo o que existe no universo da inteligência artificial — mas cobrem o suficiente para que você deixe de ser um espectador das conversas mais importantes da tecnologia hoje. A IA está redesenhando indústrias, empregos e hábitos cotidianos. Entender o vocabulário básico é o primeiro passo para entender o que está em jogo.
