Glossário de IA

Explicações simples das palavras de IA que aparecem nas notícias.

Agente de IA: Um sistema de IA que trabalha sozinho em direção a um objetivo: planeja etapas, usa ferramentas como navegador ou código e confere os resultados.
AGI (inteligência artificial geral): Uma IA hipotética capaz de aprender e fazer a maioria das tarefas intelectuais tão bem quanto um ser humano. Não há definição nem teste consensuais.
Ajuste fino (fine-tuning): Treinamento extra de um modelo existente com um conjunto de dados menor e específico, para que ele melhore em uma tarefa ou estilo.
Alinhamento: O trabalho para que sistemas de IA façam o que as pessoas pretendem e evitem comportamentos nocivos, mesmo ficando mais capazes.
Alucinação: Quando um modelo de IA afirma com confiança algo falso, como um fato ou uma fonte inventados. Sempre confira informações importantes.
API: Uma forma de programas conversarem entre si. Desenvolvedores usam a API de uma empresa para colocar os modelos de IA dela em seus apps, geralmente pagando por token.
Benchmark (teste de referência): Um teste padrão para comparar modelos de IA. Os resultados são úteis, mas uma nota alta não garante que o modelo seja o melhor para a sua tarefa.
Chatbot: Um programa com o qual você conversa em linguagem comum. Chatbots de IA modernos escrevem as respostas com um grande modelo de linguagem.
Data center: Um prédio cheio de servidores e chips. Data centers de IA precisam de enormes quantidades de energia e refrigeração.
Deepfake: Um vídeo, imagem ou voz falsos e realistas criados com IA, muitas vezes de uma pessoa real. Deepfakes são usados em golpes e desinformação.
GPU (processador gráfico): Um chip gráfico que faz muitos cálculos em paralelo. GPUs, como as da Nvidia, são o principal hardware para treinar e rodar IA.
Grande modelo de linguagem (LLM): Um modelo de IA treinado com enormes quantidades de texto para prever a próxima palavra. ChatGPT, Claude e Gemini são baseados em grandes modelos de linguagem.
IA generativa: IA que cria conteúdo novo – texto, imagens, som, vídeo ou código – em vez de apenas organizar ou analisar dados existentes.
Inferência: Rodar um modelo já treinado para obter uma resposta. Cada mensagem de chat é uma inferência, e é isso que os serviços de IA pagam em chips e energia.
Inteligência artificial (IA): Sistemas de computador que fazem tarefas que costumamos associar ao pensamento humano, como entender linguagem, reconhecer imagens ou tomar decisões.
Janela de contexto: Quanto texto um modelo consegue considerar de uma vez, contado em tokens. Uma janela maior permite ler documentos mais longos de uma só vez.
Mistura de especialistas (MoE): Um projeto de modelo que divide a rede em muitos “especialistas” e usa só alguns para cada palavra, deixando modelos grandes mais baratos de rodar.
Modelo aberto (pesos abertos): Um modelo cujos parâmetros treinados são publicados para que qualquer pessoa possa baixá-lo e rodá-lo, por exemplo no próprio computador. As licenças variam.
Modelo de difusão: Um tipo de modelo que cria imagens, vídeo ou texto partindo de ruído e refinando o resultado passo a passo.
Modelo de raciocínio: Um modelo que resolve um problema passo a passo antes de responder. Costuma ser melhor em matemática, lógica e código, mas é mais lento e caro.
Multimodal: Capaz de lidar com vários tipos de entrada ou saída, como texto, imagem, som e vídeo, no mesmo modelo.
Parâmetros: Os números dentro de um modelo que são ajustados durante o treinamento. Mais parâmetros costumam significar mais capacidade, mas também mais memória e custo.
Prompt (comando): A instrução ou pergunta que você dá a um modelo de IA. Prompts claros, com contexto e exemplos, costumam gerar respostas melhores.
Quantização: Guardar os números de um modelo com menos bits para que ele use menos memória e rode mais rápido, com uma pequena perda de qualidade. Comum para rodar IA localmente.
RAG (geração aumentada por recuperação): Uma técnica em que a IA primeiro busca documentos relevantes e depois escreve a resposta com base neles, o que reduz fatos inventados.
Token: O pequeno pedaço de texto que um modelo de linguagem lê e escreve, muitas vezes parte de uma palavra. Preços e limites costumam ser contados em tokens.
Treinamento: O processo em que um modelo aprende padrões a partir de grandes quantidades de dados. Treinar um modelo de ponta pode levar meses e milhares de chips.