Como a Inteligência Artificial Realmente Funciona e Por Que Importa Agora

A Organização para Cooperação e Desenvolvimento Econômico (OCDE), cujos governos membros coordenam políticas sobre a tecnologia, define um sistema de IA como "um sistema baseado em máquina que, para objetivos explícitos ou implícitos, infere, a partir da entrada que recebe, como gerar resultados, como previsões, conteúdo, recomendações ou decisões que podem influenciar ambientes físicos ou virtuais." O Conselho da OCDE revisou essa redação em 2023 para mantê-la tecnicamente precisa conforme as ferramentas de IA generativa se espalhavam, de acordo com a própria explicação da organização sobre a definição.

De regras escritas para aprender com dados

Um software mais antigo seguia instruções que os programadores escreviam linha por linha: se X acontece, faça Y. O aprendizado de máquina, a abordagem por trás da maioria da IA atual, em vez disso, fornece a um algoritmo grandes quantidades de exemplos e permite que ele descubra os padrões por si mesmo, de acordo com o explicador técnico da IBM sobre o assunto. Uma vez treinado, o sistema pode classificar novas informações, prever um valor, sinalizar algo incomum ou recomendar uma ação sem ser dado a regra exata para cada caso.

A OCDE divide a operação de um sistema de IA em três elementos. Entradas são os dados, código ou regras alimentados no sistema durante o desenvolvimento ou uso. Inferência é a etapa em que o sistema trabalha uma saída a partir dessas entradas, o que pode acontecer enquanto um modelo está sendo construído ou depois de ter sido implementado. Saídas são as previsões, conteúdo, recomendações ou decisões que o sistema produz, que podem então afetar um ambiente físico ou virtual — por exemplo, a direção de um carro, uma lista de vídeos recomendados ou um parágrafo de texto gerado.

O que uma rede neural faz dentro do sistema

O método de aprendizado de máquina mais amplamente usado hoje é a rede neural, uma estrutura vagamente modelada no cérebro, feita de camadas interconectadas de nós que processam dados em conjunto, de acordo com a IBM. Ao contrário de um programa tradicional, uma rede neural não recebe a regra que conecta entrada a saída antecipadamente; em vez disso, lhe são mostrados muitos pares de entradas e saídas e ela se ajusta, através da exposição repetida, para descobrir o que os conecta.

Aprendizado profundo refere-se a redes neurais com muitas camadas — tipicamente uma camada de entrada, pelo menos três (e frequentemente centenas de) camadas ocultas e uma camada de saída, afirma o explicador da IBM. Em um sistema de reconhecimento de imagem, as primeiras camadas tendem a responder a características simples como bordas ou cores, enquanto camadas mais profundas as combinam em formas e, eventualmente, objetos reconhecíveis. Esta estrutura em camadas permite que os sistemas extraiam automaticamente características relevantes de dados não rotulados, o que é parte do que torna possíveis as ferramentas atuais de IA generativa.

Construir um grande modelo de IA generativa geralmente envolve três estágios, de acordo com a IBM: uma fase inicial de treinamento em conjuntos de dados massivos, frequentemente não rotulados, que podem exigir milhares de processadores especializados e custar milhões de dólares; uma fase de ajuste na qual o modelo é adaptado para tarefas específicas, às vezes usando feedback humano; e avaliação contínua após a implementação para verificar e refinar seus resultados.

Por que importa: números de adoção e investimento

O alcance da IA cresceu rapidamente por várias medidas acompanhadas no Relatório do Índice de IA 2025 do Instituto de IA Centrada no Ser Humano da Universidade de Stanford. O percentual de organizações que relatam qualquer uso de IA chegou a 78% em 2024, frente aos 55% do ano anterior. A IA generativa especificamente atraiu $33,9 bilhões em investimento privado global em 2024, um aumento de 18,7% em relação a 2023. Nos Estados Unidos, o investimento privado em IA atingiu $109,1 bilhões em 2024, superando em muito os $9,3 bilhões da China e os $4,5 bilhões do Reino Unido, disse o relatório.

O relatório também registrou um salto no desempenho de benchmarks de IA: em três testes introduzidos em 2023 para medir sistemas avançados — MMMU, GPQA e SWE-bench — as pontuações subiram 18,8, 48,9 e 67,3 pontos percentuais, respectivamente, em um ano. Em campos regulados, o número de dispositivos médicos habilitados por IA autorizados pela Agência de Alimentos e Medicamentos dos EUA cresceu de seis em 2015 para 223 em 2023, de acordo com o mesmo relatório.

Onde a competição se encontra

O relatório de Stanford também rastreou quais países produziram os modelos de IA mais notáveis em 2024: instituições com sede nos EUA produziram 40, em comparação com 15 da China e três da Europa. Ao mesmo tempo, a lacuna de desempenho entre os principais modelos dos EUA e da China nos principais benchmarks diminuiu de dois dígitos em 2023 para quase paridade em 2024, disse o relatório.