Inteligência Artificial como Software
O outro lado da IA: o que roda dentro do chip
A trilha Laboratório de Hardware já mostrou o hardware que executa IA — CUDA cores, Tensor Cores, VRAM, e por que GPUs são tão mais rápidas que CPUs para esse tipo de carga. Esta página responde a outra pergunta: o que, exatamente, roda dentro desse chip? Ou seja, o software — os algoritmos e modelos que transformam bilhões de multiplicações de matrizes em algo que parece "entender" linguagem, imagens ou jogos.
Programação tradicional vs. Machine Learning
O programador escreve as regras explicitamente (if, else, fórmulas). O programa aplica essas regras aos dados de entrada para produzir uma saída.
O programador fornece exemplos (dados de entrada + resultado esperado). O sistema aprende sozinho a regra que melhor explica esses exemplos — e aplica essa regra aprendida a dados novos.
Em termos de fluxo:
Machine Learning (aprendizado de máquina) é o campo da Ciência da Computação que constrói sistemas capazes de aprender padrões a partir de dados, sem serem programados explicitamente para cada regra — e generalizar esse aprendizado para dados nunca vistos antes.
Redes Neurais: a estrutura por trás do Deep Learning
Uma rede neural artificial é organizada em camadas de "neurônios" (unidades matemáticas simples) conectados entre si. Cada conexão tem um peso — um número que a rede ajusta durante o treino.
- Camada de entrada — recebe os dados (pixels de uma imagem, números representando palavras, etc.).
- Camadas ocultas — cada neurônio combina suas entradas com os pesos e aplica uma função de ativação. Deep Learning ("aprendizado profundo") é simplesmente o nome dado a redes com muitas camadas ocultas empilhadas.
- Camada de saída — o resultado final (uma classificação, um número, o próximo token de texto).
- Treino — o algoritmo compara a saída da rede com o resultado esperado, calcula o erro, e ajusta os pesos ligeiramente para reduzir esse erro (repetido milhões de vezes sobre o conjunto de dados).
Uma técnica moderna chamada quantização representa os pesos de uma rede neural usando só três valores — -1, 0, +1 — em vez de números decimais de alta precisão, para economizar memória e energia. Veja Computação Ternária para o paralelo histórico com o ternário balanceado do Setun.
Modelos de Linguagem (LLMs) e a arquitetura Transformer
Um LLM (Large Language Model) é uma rede neural profunda treinada para uma tarefa aparentemente simples: prever a próxima palavra (ou fragmento de palavra) de um texto, dado tudo que veio antes. Treinado sobre uma quantidade massiva de texto, esse objetivo simples é suficiente para o modelo aprender gramática, fatos, estilo de escrita e — até certo ponto — raciocínio.
A arquitetura por trás dos LLMs modernos (GPT, Claude, Gemini e outros) é chamada Transformer, introduzida em 2017. Sua inovação central é o mecanismo de atenção (attention): para prever a próxima palavra, o modelo pesa a importância de cada palavra anterior do texto — não trata todas como igualmente relevantes.
Prompt Engineering
- System Prompt — instruções de base, definidas por quem constrói a aplicação, que moldam o comportamento geral do modelo antes de qualquer interação do usuário.
- User Prompt — a entrada digitada pelo usuário na conversa.
- Prompt Engineering — a prática de formular prompts (de sistema ou de usuário) de forma que extraiam a resposta mais útil e precisa do modelo — já que a mesma pergunta, feita de formas diferentes, pode produzir respostas de qualidade bem diferente.
Por que os modelos "alucinam"?
Um LLM não consulta um banco de dados de fatos verificados — ele prevê estatisticamente qual sequência de palavras é mais provável, com base no que aprendeu durante o treino. Na maioria dos casos isso produz respostas corretas, porque texto correto é estatisticamente mais comum no conjunto de treino do que texto errado. Mas nada no mecanismo garante verdade — o modelo pode gerar, com total confiança, uma afirmação, uma citação ou um fato que soa plausível e é simplesmente inventado. Esse fenômeno é chamado de alucinação.
É por isso que respostas de IA generativa sobre fatos verificáveis (datas, citações, dados técnicos) merecem conferência em uma fonte confiável — o modelo não tem como "saber que não sabe" da mesma forma que um banco de dados relacional retorna vazio quando não encontra um registro.
O que a IA de hoje não é
Aprendizado de máquina moderno — incluindo os LLMs mais avançados — continua sendo, no fundo, uma técnica estatística rodando sobre a Arquitetura de Von Neumann (ou variações dela otimizadas para paralelismo, como GPUs). Não há nada na IA atual que viole a tese de Church-Turing — um LLM não computa nada que uma Máquina de Turing, com tempo e memória suficientes, não pudesse computar em princípio. O que mudou foi a escala: quantidade de dados, quantidade de parâmetros, e o hardware (veja GPU e Computação para IA) capaz de treinar modelos assim em tempo viável.