Artificial Intelligence (AI)

A inteligência artificial (IA) é o ramo da ciência da computação que desenvolve sistemas capazes de realizar tarefas associadas à inteligência humana: perceber imagens e sons, compreender e gerar linguagem, raciocinar, planejar e aprender com a experiência. A definição da OCDE, seguida de perto pelo Regulamento de IA da UE, descreve um sistema de IA como um sistema baseado em máquina que infere, a partir de suas entradas, como gerar saídas como previsões, conteúdo, recomendações ou decisões. A maioria das IAs usadas hoje aprende esse comportamento com dados de exemplo por meio do aprendizado de máquina (ML).

Breve história da IA#

O artigo de Alan Turing de 1950, «Computing Machinery and Intelligence», perguntou se as máquinas conseguem pensar e propôs o jogo da imitação, hoje chamado teste de Turing. John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon cunharam o termo «inteligência artificial» em sua proposta de 1955 para o workshop de verão de Dartmouth de 1956, que fundou a área. Nas três décadas seguintes, a IA simbólica dominou com lógica, busca e sistemas especialistas baseados em regras, e o financiamento desabou duas vezes, nos «invernos da IA» dos anos 1970 e do fim dos anos 1980, quando os resultados ficaram aquém das promessas.

Os métodos de IA estatística, que aprendem com dados, assumiram o protagonismo na década de 1990. Em 1997, o Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov com hardware especializado que pesquisava cerca de 200 milhões de posições de xadrez por segundo. Em 2012, a rede neural convolucional AlexNet venceu com ampla vantagem o desafio de classificação de imagens ImageNet e deu início à era do aprendizado profundo (DL). A arquitetura Transformer, apresentada em 2017, levou aos grandes modelos de linguagem (LLMs), e o lançamento do ChatGPT, em novembro de 2022, levou a IA generativa a centenas de milhões de usuários.

Como IA, aprendizado de máquina e aprendizado profundo se relacionam#

A IA é a área abrangente. A IA simbólica e o aprendizado de máquina são suas duas abordagens principais: a primeira codifica o conhecimento como regras explícitas, e o segundo aprende padrões com exemplos. O aprendizado profundo é um subconjunto do aprendizado de máquina que usa redes neurais com muitas camadas, e praticamente todos os avanços modernos em visão, linguagem e geração de imagens são construídos com ele.

Os sistemas de aprendizado de máquina aprendem de algumas formas principais. O aprendizado supervisionado ajusta exemplos rotulados, como imagens identificadas com os objetos que contêm. O aprendizado não supervisionado encontra estruturas em dados não rotulados, o aprendizado autossupervisionado cria seu próprio sinal de treinamento a partir de dados brutos, método usado no pré-treinamento de LLMs, e o aprendizado por reforço aprende com as recompensas obtidas ao agir em um ambiente.

Tipos de IA por capacidade#

• Inteligência artificial estreita (ANI) ou IA fraca: IA desenvolvida para uma tarefa ou um conjunto de tarefas específico. Todos os sistemas implantados se enquadram nessa categoria, inclusive os sistemas que superam o desempenho humano em suas tarefas.
• Inteligência artificial geral (AGI): Sistema hipotético que iguala os seres humanos em praticamente todas as tarefas cognitivas, muitas vezes chamado de IA forte.
• Superinteligência artificial (ASI): Sistema hipotético que supera os melhores seres humanos em quase todos os domínios, cenário por trás da singularidade tecnológica.

LLMs de uso geral confundem a primeira fronteira. Um modelo pode escrever código, traduzir e descrever imagens, mas suas habilidades variam entre tarefas — um padrão chamado inteligência irregular. O Leaderboard de VLMs da Ultralytics mede uma dessas habilidades: a precisão com que esses modelos detectam objetos em imagens do mundo real.

Aplicações da IA#

• Visão computacional: Detecção de objetos, segmentação de cenas e rastreamento de movimento para veículos autônomos, inspeção fabril, análise de varejo e análise de imagens médicas.
• Linguagem e fala: Chatbots, tradução automática, resumo de documentos e transcrição de fala para texto.
• Previsão e classificação: Detecção de fraudes, previsão de demanda e sistemas de recomendação para streaming e compras.
• Ciência: O AlphaFold da DeepMind prevê estruturas de proteínas e rendeu a seus criadores uma parte do Prêmio Nobel de Química de 2024.
• Agentes e robótica: Agentes de IA que planejam tarefas com várias etapas e usam ferramentas de software, e robôs que combinam percepção e controle.

Executar um modelo de visão pré-treinado é a maneira mais rápida de observar um sistema de aprendizado profundo em funcionamento. O Ultralytics YOLO26 é um detector de objetos que aprendeu 80 classes de objetos do cotidiano a partir de imagens COCO rotuladas:

from ultralytics import YOLO

# Carrega um detector de objetos YOLO26 pré-treinado
model = YOLO("yolo26n.pt")

# Executa a inferência em uma imagem que o modelo nunca viu
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Salva a imagem com as caixas previstas, os rótulos de classe e as pontuações de confiança
result.save(filename="bus_detections.jpg")

A imagem salva marca cada objeto detectado, como o ônibus e as pessoas ao lado dele, com uma caixa, um rótulo de classe e uma pontuação de confiança, tudo aprendido com exemplos.

Riscos, ética e regulamentação#

Os sistemas de IA herdam as falhas de seus dados e objetivos. Os modelos podem codificar vieses contra grupos sub-representados ou maltratados em seus dados de treinamento, os LLMs podem afirmar falsidades com fluência, os modelos generativos podem produzir deepfakes, e é difícil auditar modelos opacos sem IA explicável (XAI). A pesquisa em ética da IA e segurança de IA aborda esses riscos, e a estrutura voluntária NIST AI Risk Management Framework oferece às organizações um processo para gerenciá-los. O Regulamento de IA da UE, em vigor desde agosto de 2024, proíbe totalmente uma pequena lista de práticas, como a pontuação social, e estabelece requisitos rigorosos para usos de alto risco, como contratação, avaliação de crédito e IA em dispositivos médicos.