O que é inteligência artificial?

Inteligência artificial é a área que constrói sistemas capazes de executar tarefas que, feitas por uma pessoa, seriam descritas como inteligentes: reconhecer, decidir, planejar, traduzir, gerar. Desde 2012, a maior parte do que funciona vem de aprendizado: em vez de alguém escrever a regra de cada caso, o sistema recebe exemplos e extrai deles um padrão.

A parte que quase todo texto introdutório omite é que essa definição nunca foi fechada. Ela depende do que se considera inteligente, e isso muda conforme as máquinas passam a fazer.

O que sustenta praticamente tudo hoje é machine learning, e sua forma dominante é o deep learning, que empilha camadas de redes neurais. Cada um desses termos é mais estreito que o anterior, e trocá-los como se fossem sinônimos é a confusão mais comum do assunto.

As quatro camadas, e onde o desenho engana

O diagrama de círculos aninhados é o mais reproduzido do assunto, e ele acerta a relação de contenção: toda IA generativa é deep learning, todo deep learning é machine learning, todo machine learning é IA. O que ele esconde são as três exceções que aparecem assim que alguém trabalha com isso.

Existe IA que não aprende nada. Um motor de xadrez com busca em árvore, um resolvedor de restrições que monta a escala de plantão, um sistema de regras que aprova um pedido de crédito: os três estão na literatura de IA desde antes de machine learning ser prático, e nenhum deles tem pesos para ajustar.

Existe machine learning que não é profundo, e ele continua ganhando em muito caso real. Regressão logística, árvore de decisão e gradient boosting são machine learning, treinam em minutos, explicam-se razoavelmente bem e seguem competitivos em dados tabulares, que é o formato da maior parte do dado corporativo.

E existe geração que não é deep learning. Modelos de linguagem baseados em contagem de sequências geravam texto décadas antes das redes profundas — mal, mas geravam. Na direção oposta, a maior parte do deep learning em produção não gera nada: classifica, detecta, ranqueia.

O desenho é uma ferramenta de ensino, não uma taxonomia. Use-o para situar os termos e descarte-o na hora de decidir uma arquitetura.

Os tipos de inteligência artificial

As listas de “três tipos” ou “quatro tipos de IA” que circulam vêm de material promocional, não de pesquisa. A escala reativo, memória limitada, teoria da mente e autoconsciente é popular e não tem uso técnico: ninguém projeta um sistema escolhendo em qual desses degraus ele vai ficar.

Duas distinções são realmente usadas. A primeira é por técnica: IA simbólica, em que o comportamento vem de regras e estruturas escritas por pessoas, contra IA baseada em aprendizado, em que ele vem de dados. A segunda é por escopo: sistemas de tarefa específica, que é tudo que existe em produção, contra inteligência artificial geral, que é hipótese e sobre a qual não há definição operacional consensual.

A falta de consenso não é descuido. Ela é o assunto do trabalho sobre definição que vem a seguir.

Uma definição que nunca fechou

Em 1950, Alan Turing abriu um artigo propondo considerar a pergunta “podem as máquinas pensar?” e, na frase seguinte, descartou-a. Definir “máquina” e “pensar” pelo uso comum das palavras levaria, escreveu ele, a resolver a questão por pesquisa de opinião, o que seria absurdo. No lugar, propôs uma pergunta substituta, formulada em termos de um jogo que chamou de jogo da imitação¹.

Essa manobra é a origem de um hábito que o campo mantém até hoje: quando a definição não fecha, troca-se a definição por um teste. O termo “inteligência artificial” apareceu poucos anos depois, na proposta do encontro de verão de Dartmouth, realizado em 1956 e tratado desde então como o marco de fundação do campo².

Setenta anos depois a discussão continua aberta, e há trabalho sério sobre ela. Um artigo de 2019 analisou sistematicamente o problema de definir inteligência artificial e começou por um ponto que costuma passar despercebido: a definição adotada influencia o caminho da pesquisa, então não é um preâmbulo, é uma escolha técnica. O autor propôs quatro critérios para uma boa definição de trabalho — ser próxima do uso comum do termo, traçar uma fronteira nítida, levar a pesquisa frutífera e ser tão simples quanto possível — e avaliou as definições representativas do campo contra eles, antes de propor a sua: inteligência como adaptação com conhecimento e recursos insuficientes³.

Vale reter a forma do problema. Não existe uma definição canônica de IA aceita por todos; existem definições que servem a propósitos diferentes. Quando alguém diz “isso não é IA de verdade”, quase sempre está usando uma definição diferente da sua, e a discussão não avança até alguém dizer qual.

O que mudou: da regra escrita ao padrão aprendido

Durante décadas, construir um sistema de IA significava extrair regras de um especialista e escrevê-las como código. Para reconhecer um gato numa foto, alguém precisava descrever o que faz um gato parecer um gato em termos de bordas, texturas e proporções. Isso funcionava em domínios fechados, com poucas variáveis, e quebrava assim que o mundo trazia um caso não previsto.

O deslocamento não foi de esperteza, foi de autoria. Uma revisão de 2013 sobre aprendizado de representações formulou o ponto com precisão: o sucesso dos algoritmos de machine learning depende de como o dado é representado, porque representações diferentes escondem ou revelam os fatores que explicam a variação nos dados; conhecimento de domínio pode ajudar a projetar essa representação, mas aprender com priors genéricos também funciona⁴. Traduzindo para a prática: em vez de um humano decidir quais características importam, o treino descobre.

O momento em que isso deixou de ser aposta tem data e número. Na competição ImageNet de 2012, uma rede convolucional profunda com 60 milhões de parâmetros e 650 mil neurônios venceu com taxa de erro top-5 de 15,3%, contra 26,2% do segundo colocado⁵. Onze pontos percentuais de diferença em uma competição onde o progresso vinha em frações de ponto reorganizaram o campo em poucos meses.

Cinco anos depois, um segundo deslocamento fez o mesmo com texto. Um paper de 2017 propôs uma arquitetura que abandonava recorrência e convolução e usava apenas mecanismos de atenção, alcançando 28,4 BLEU na tradução inglês-alemão do WMT 2014, mais de 2 pontos acima do melhor resultado anterior, inclusive de conjuntos de modelos, e treinando em uma fração do custo⁶. Essa arquitetura, o Transformer, é a base dos modelos de linguagem e da IA generativa que apareceram depois.

Como um sistema desses aprende

Sem matemática, o mecanismo cabe em um parágrafo. O modelo é uma função com muitos números ajustáveis, os pesos. Você mostra uma entrada, ele produz uma saída, e uma medida de erro compara essa saída com a resposta certa. O treino ajusta os pesos na direção que reduz o erro, e repete isso milhões de vezes com exemplos diferentes. No fim, os pesos codificam regularidades dos dados que ninguém escreveu explicitamente.

Duas consequências práticas saem daí, e as duas explicam muita coisa mais adiante.

A primeira é que o dado é a especificação. O comportamento do sistema é determinado pelos exemplos que ele viu, não por um documento de requisitos. Se os exemplos têm um viés, o sistema tem o mesmo viés, e ele não aparece em revisão de código porque não está no código.

A segunda é que treino e uso são fases separadas. Treinar custa caro e acontece uma vez; usar o modelo treinado custa pouco por chamada e acontece o tempo todo. Um modelo em produção não aprende com o que você digita, a menos que alguém tenha montado um pipeline explícito para isso.

O mapa do assunto

Aprendizado cobre como o sistema extrai padrão: o que é machine learning, o que o deep learning acrescentou e quais são as formas de aprender, com rótulo, sem rótulo ou por recompensa.

Arquitetura cobre com o que esses sistemas são feitos: a rede neural como peça básica, o que se chama de modelo, e o que muda quando a saída é gerada em vez de classificada.

Limites é onde o assunto fica útil. Overfitting, viés e variância, alucinação e a discussão sobre IA geral são os quatro lugares onde a expectativa costuma descolar do que o sistema entrega.

Ética e regulação tratam do que se faz a respeito. Explicabilidade e IA responsável são a resposta técnica e organizacional; a regulação é a resposta jurídica, e ela varia por país.

Onde a IA falha

Ela não sabe o que não sabe. Um modelo produz a resposta mais provável dado o padrão que aprendeu, e nada nesse mecanismo distingue “provável” de “verdadeiro”. Quando falta informação, a saída não vem vazia: vem plausível. É a origem da alucinação, e não é um bug que se conserte com mais dados.

Ela herda o viés dos dados. Um sistema de triagem treinado com decisões passadas reproduz as decisões passadas, incluindo as ruins. O problema não é o algoritmo ter opinião; é ele não ter nenhuma, e por isso copiar a que estava nos exemplos.

Ela quebra fora da distribuição de treino. Desempenho excelente no conjunto de teste não garante nada sobre entradas que não se parecem com o que foi visto. É por isso que sistemas que funcionam em demonstração falham em produção: a demo usa dados parecidos com o treino e a produção não.

Ela é opaca por construção. Bilhões de pesos ajustados por otimização não formam uma explicação. Existem técnicas de interpretabilidade, e elas dão pistas, não justificativas. Em decisão que afeta pessoas, isso é um problema jurídico antes de ser um problema técnico.

Métrica de benchmark não é capacidade. Um placar alto mede desempenho naquele conjunto de tarefas, com aquele formato de pergunta. A generalização para o seu caso é uma hipótese que você precisa testar, não uma conclusão.

O custo é real e recorrente. Treinar um modelo grande consome energia e hardware em escala industrial, e usá-lo consome por chamada. Boa parte dos projetos que morrem não morre por qualidade, morre porque a conta por requisição não fecha no volume que o produto precisa.

Por onde começar

1. Escolha o problema pelo formato, não pela tecnologia. Se você consegue descrever a tarefa como “dado isto, produza aquilo” e reunir alguns milhares de exemplos, é um problema de aprendizado. Se não consegue, mais IA não ajuda.
2. Verifique se uma regra simples resolve. Muita coisa apresentada como IA é um if com marketing, e um if é mais barato de manter, mais fácil de auditar e nunca alucina.
3. Olhe os dados antes do modelo. A qualidade e o viés dos exemplos decidem mais o resultado do que a escolha da arquitetura.
4. Comece com um modelo pronto. Em quase todo caso de texto, imagem ou áudio, chamar um modelo existente entrega mais rápido do que treinar, e a engenharia de prompts é a forma de dirigir esse modelo sem tocar nos pesos.
5. Defina como você vai medir antes de construir. Sem um conjunto de casos com a resposta esperada, toda melhoria é impressão.
6. Planeje o modo de falha com o mesmo cuidado do caminho feliz. O que o sistema faz quando não sabe é uma decisão de produto, e ela precisa estar escrita em algum lugar.

O passo 5 é o que separa um projeto de IA de uma demonstração de IA, e é o que quase todo time descobre tarde.

Footnotes

1. Turing (1950) propôs substituir a pergunta “podem as máquinas pensar?” por um teste comportamental, argumentando que definir os termos pelo uso comum levaria a resolver a questão por pesquisa de opinião. ↩

2. Kline (2010) documenta, a partir de arquivos não publicados, as origens do encontro de Dartmouth de 1956, tratado como a certidão de nascimento oficial da IA, e as relações do campo com a cibernética. ↩

3. Wang (2019) estabelece quatro critérios para uma boa definição de trabalho de inteligência artificial, analisa as definições representativas do campo contra eles e propõe inteligência como adaptação com conhecimento e recursos insuficientes. ↩

4. Bengio, Courville e Vincent (2013) revisam aprendizado de representações e argumentam que o desempenho depende de como o dado é representado, porque representações diferentes escondem ou expõem os fatores explicativos da variação. ↩

5. Krizhevsky, Sutskever e Hinton treinaram uma rede convolucional com 60 milhões de parâmetros e 650 mil neurônios, que venceu a ILSVRC-2012 com erro top-5 de 15,3% contra 26,2% do segundo colocado. ↩

6. Vaswani et al. (2017) propuseram o Transformer, baseado apenas em mecanismos de atenção, alcançando 28,4 BLEU em inglês-alemão no WMT 2014, mais de 2 pontos acima do melhor resultado anterior, a uma fração do custo de treino. ↩