Artificial Narrow Intelligence (ANI)

A inteligência artificial estreita (ANI), também chamada de IA especializada ou IA fraca, é a inteligência artificial (IA) desenvolvida para executar uma tarefa ou um conjunto estritamente delimitado de tarefas, como detectar objetos em imagens, recomendar vídeos ou transcrever fala. Um sistema ANI pode igualar ou superar o desempenho humano dentro de seu domínio, mas não consegue aplicar essa habilidade a um problema não relacionado sem novos dados de treinamento e retreinamento. Pela definição padrão, todos os sistemas de IA implantados hoje são considerados especializados, desde filtros de spam até os modelos de visão computacional que orientam carros autônomos.

ANI vs. AGI e ASI#

A IA costuma ser descrita em três níveis de capacidade. A ANI é o primeiro: competente em um domínio e definida pelos dados e pelo objetivo para os quais foi treinada. A inteligência artificial geral (AGI) é um sistema hipotético que iguala os seres humanos em praticamente todas as tarefas cognitivas e aprende novas tarefas sem engenharia específica para cada tarefa. A AGI costuma ser chamada de IA forte, termo que o filósofo John Searle cunhou junto com IA fraca em seu argumento do Quarto Chinês de 1980, no qual se referia a um computador que realmente tem uma mente. A superinteligência artificial (ASI) é um sistema hipotético que supera os melhores seres humanos em todos os domínios, cenário por trás da ideia de uma singularidade tecnológica.

Os grandes modelos de linguagem (LLMs) ampliam os limites da categoria especializada. Um modelo escreve código, traduz, resume e responde a perguntas sobre imagens, algo que o Regulamento de IA da UE reconhece ao chamar esses sistemas de modelos de IA de uso geral. Suas habilidades continuam irregulares, um padrão conhecido como inteligência irregular: o mesmo modelo pode resolver problemas de matemática no nível das olimpíadas e, em seguida, avaliar incorretamente qual de dois números decimais é maior, e seus pesos deixam de aprender quando o treinamento termina.

Como funciona a IA especializada#

Um sistema ANI é um modelo treinado com dados para um único objetivo, portanto sua competência é limitada por dois fatores: a distribuição dos dados de treinamento e o conjunto de saídas que pode produzir. Um modelo de detecção de objetos treinado nas 80 classes do conjunto de dados COCO não tem como dizer «isto é algo novo». Diante de um objeto desconhecido, ele o ignora ou informa a classe conhecida mais próxima:

O Ultralytics YOLO26 demonstra diretamente esse limite: o modelo pré-treinado no COCO consegue nomear exatamente 80 classes, e ensiná-lo a reconhecer um objeto novo, como uma peça específica de uma máquina, exige ajuste fino com imagens rotuladas dessa peça, o que substitui a lista de classes do modelo pelas classes do novo conjunto de dados.

from ultralytics import YOLO

# A COCO-pretrained detector: its whole vocabulary is fixed at training time
model = YOLO("yolo26n.pt")
print(f"Classes this model can name: {len(model.names)}")

# Every detection it returns must carry one of those labels
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(result.verbose())

A primeira linha imprime o tamanho de todo o vocabulário do modelo, e a segunda lista quais dessas classes ele encontrou na imagem, todas provenientes do mesmo conjunto fixo.

Aplicações no mundo real#

A IA especializada alimenta a maior parte dos softwares que as pessoas usam todos os dias:

• Sistemas de recomendação: plataformas de streaming e compras classificam itens para cada usuário com base no histórico de visualização e compras.
• Reconhecimento de fala: assistentes de voz e ferramentas de ditado convertem áudio falado em texto.
• Inspeção de fabricação: modelos de visão verificam cada peça de uma linha de produção em busca de um conjunto específico de defeitos.
• Análise de imagens médicas: modelos sinalizam achados como nódulos pulmonares ou retinopatia diabética em uma modalidade de imagem.
• Veículos autônomos: um sistema de direção autônoma combina muitos modelos especializados, cada um responsável por uma tarefa, como segmentação de faixas, detecção de pedestres, rastreamento de objetos ou planejamento de trajetórias.

Pontos fortes e limitações da IA especializada#

Dentro de seu domínio, a ANI pode superar os seres humanos, ser rápida e não se cansar. O Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov em 1997, e o AlphaGo da DeepMind venceu o campeão de Go Lee Sedol por 4 a 1 em 2016. Fora desse domínio, esses mesmos sistemas não têm habilidade alguma, e o desempenho também cai diante de entradas diferentes dos dados de treinamento, um problema conhecido como deriva de dados após a implantação de um modelo. Os sistemas especializados também não compreendem aquilo que processam; eles mapeiam entradas em saídas por meio de padrões estatísticos aprendidos com dados. Até o AlphaZero da DeepMind, que aprendeu xadrez, shogi e Go com um único algoritmo, treinou uma rede separada para cada jogo, e sua rede de xadrez não consegue jogar Go.