Inteligência artificial
Inteligência artificial é, de forma genérica, a capacidade de máquinas demonstrarem inteligência, raciocínio e aprendizado de forma semelhante ao pensamento humano. O campo busca desenvolver máquinas autónomas ou sistemas especialistas capazes de simular o comportamento humano e realizar tarefas complexas de forma independente. Trata-se de um sistema que permite aos computadores executar funções avançadas, como a análise de dados em grande escala e a formulação de previsões ou recomendações. Como campo de pesquisa na ciência da computação, dedica-se ao estudo e desenvolvimento de métodos e softwares que capacitam as máquinas a perceberem o seu ambiente e a utilizarem o aprendizado para tomar ações que maximizem as hipóteses de atingir objetivos definidos.
O interesse no desenvolvimento de máquinas autônomas capazes de simular o pensamento humano e de realizar diversas tarefas cresceu vertiginosamente nas últimas décadas do século XX. Esse avanço direcionou os primeiros estudos sobre inteligência artificial (IA) a um propósito comum, a partir de iniciativas de cientistas de áreas distintas como a psicologia, a ciência cognitiva, a ciência da computação e a robótica. O foco concentrou-se na criação de ferramentas eficientes para analisar problemas, oferecer soluções, estruturar planejamentos (tomada de decisão) e automatizar tarefas no cotidiano das pessoas. Apesar de os estudos práticos serem modernos, o conceito de inteligência artificial não é contemporâneo. Aristóteles (professor de Alexandre, o Grande) idealizava a substituição da mão de obra escrava por ferramentas autônomas, sendo esta possivelmente a primeira manifestação teórica de inteligência artificial relatada, que ciência da computação exploraria muito tempo depois. O desenvolvimento pleno dessa ideia ocorreu no século XX, principalmente na década de 1950, com pensadores como Alan Turing, Herbert Simon e John McCarthy. Turing publicou o artigo "Computing Machinery and Intelligence", no qual debatia a possibilidade de uma máquina pensar e imitar o comportamento inteligente humano com tal perfeição que seria capaz de confundir até mesmo um juiz humano. O matemático também esboçou uma proposta de pesquisa para tornar esse cenário viável. Inicialmente, os testes em IA foram repletos de sucessos — embora limitados pelo desempenho reduzido dos primeiros computadores —, causando surpresa o fato de uma máquina conseguir realizar de forma remota qualquer atividade considerada inteligente.
Investigação na IA experimental
A inteligência artificial consolidou-se como campo experimental na década de 1950, por intermédio de pioneiros como Allen Newell, Herbert Simon, John McCarthy e Marvin Minsky. Newell e Simon estiveram associados aos primeiros trabalhos em inteligência artificial na Universidade Carnegie Mellon, enquanto McCarthy e Minsky participaram da criação do laboratório de inteligência artificial do Instituto de Tecnologia de Massachusetts em 1959. Esses pesquisadores também integraram o workshop de verão realizado em 1956 no Dartmouth College, frequentemente apontado como o marco definitivo na fundação da inteligência artificial como área autônoma de pesquisa.
Existem duas abordagens principais para a criação de sistemas de inteligência artificial: o simbolismo e o conexionismo. O Simbolismo, ou IA Simbólica, propõe a representação do conhecimento por meio da manipulação de símbolos, isto é, através de estruturas construídas por seres humanos e normalmente baseadas em noções de Lógica. Essa vertente teve grande impulso durante o período de desenvolvimento dos Sistemas Especialistas, em sua maioria estruturados em Lógica de Primeira Ordem e implementados em Prolog ou em linguagens de programação derivadas e especializadas, como o CLIPS. Como os programas desse tipo têm o conhecimento programado diretamente por especialistas humanos, a prática exigia um intenso trabalho de elicitação de conhecimento. Apesar do sucesso inicial, a grande dificuldade de mapear e registrar o conhecimento humano, somada ao avanço dos processos de aprendizado de máquina a partir de dados, levou à diminuição da importância dessa vertente.
Imagem: Senado Federal · BY · Openverse
Os principais pesquisadores e livros didáticos definem a área como "o estudo e o projeto de agentes inteligentes", em que um agente inteligente é caracterizado como um sistema que percebe seu ambiente e toma atitudes que maximizam suas chances de sucesso. Andreas Kaplan e Michael Haenlein definem a inteligência artificial como "a capacidade de um sistema para interpretar corretamente dados externos, aprender a partir desses dados e utilizar esses aprendizados para atingir objetivos e tarefas específicas por meio de uma adaptação flexível". Por sua vez, John McCarthy, que cunhou o termo em 1956 durante a Conferência de Dartmouth, define-a como "a ciência e a engenharia de produzir sistemas inteligentes". Trata-se de um campo de pesquisa da computação dedicado ao desenvolvimento de métodos ou dispositivos computacionais que possuam ou ampliem a capacidade racional do ser humano para resolver problemas, pensar ou, de forma abrangente, demonstrar inteligência.
Imagem: Agência Senado · BY · Openverse
Não existe uma teoria ou paradigma unificador que oriente a pesquisa em IA, e os pesquisadores divergem sobre várias questões fundamentais. Entre as interrogações históricas que permanecem em aberto, destacam-se as seguintes: Diante desses dilemas, John Haugeland, que cunhou o termo *GOFAI* (*Good Old-Fashioned Artificial Intelligence* - Inteligência Artificial à boa maneira de antigamente), propôs que a disciplina seria mais adequadamente denominada "inteligência sintética", uma nomenclatura que, desde então, foi adotada por pesquisadores de vertentes não tradicionais.
Imagem: Senado Federal · BY · Openverse
A inteligência artificial pode ser categorizada tanto pelo seu nível de capacidade e autonomia (tipos) quanto pelas áreas tecnológicas de desenvolvimento (subcampos). A autoconsciência — frequentemente associada ao ponto de singularidade tecnológica ou, no debate acadêmico, à senciência da IA — descreve um estágio teórico em que as máquinas passariam a ter percepção de si mesmas. Este é considerado um dos limites finais do desenvolvimento da computação. A investigação contemporânea destaca os profundos impactos econômicos e sociais de sistemas avançados, incluindo a automação do mercado de trabalho, a concentração de poder tecnológico e os dilemas éticos de uma eventual senciência. Tais fatores impulsionam discussões sobre governança, regulação jurídica e segurança no desenvolvimento tecnológico.
Limitada ou fraca (ANI)
A IA limitada, estreita ou fraca (conhecida em inglês como *Narrow AI*) refere-se a sistemas projetados para executar tarefas específicas após receberem treinamento humano. Esses sistemas não realizam raciocínios generalistas nem aprendem de forma totalmente autônoma fora de seu escopo original. Exemplos comuns incluem o reconhecimento de comandos de voz e o cálculo de rotas de navegação.
Geral ou forte (AGI)
A AGI possui a habilidade de compreender, aprender e adaptar-se a diferentes contextos e desafios de forma autônoma, sem a necessidade de treinamento prévio para cada nova tarefa. Trata-se de máquinas com versatilidade cognitiva semelhante à humana. Embora a AGI busque replicar o comportamento humano em todos os domínios, ela permanece no plano teórico. As tecnologias atuais ainda não atingiram o nível de flexibilidade exigido para essa classificação, e projeções de futuristas sugerem que a viabilidade de uma AGI plena pode estar a séculos de distância.
Agêntica
A IA agêntica (*Agentic AI*) opera por meio de agentes autônomos que executam tarefas interpretando o contexto e os objetivos estipulados. Ela toma decisões e realiza ações com base em metas predefinidas, permitindo a automação de fluxos de trabalho complexos de múltiplas etapas por meio de raciocínio lógico e planejamento iterativo. Esse tipo de sistema otimiza-se em tempo real sem a necessidade de intervenção humana constante, transformando conhecimento diretamente em execução prática. Embora seja mais avançada que a IA convencional, seu propósito não é emular a cognição global da AGI, mas sim automatizar processos complexos em cenários específicos.
Superinteligência artificial (ASI)
A superinteligência é um estágio hipotético e especulativo no futuro da IA. Sistemas dessa categoria possuiriam capacidades cognitivas e de análise de dados exponencialmente superiores às do cérebro humano mais brilhante, superando amplamente as capacidades da IA forte em todas as frentes de conhecimento.
Sistemas reativos
São sistemas que respondem a estímulos e tarefas imediatas, mas não possuem capacidade de armazenar memórias ou de utilizar experiências passadas para influenciar decisões futuras (não aprendem). Um exemplo básico são os motores de recomendação tradicionais, que analisam apenas os dados atuais ou históricos estáticos do usuário para sugerir produtos ou conteúdos.
Teoria da mente em IA
Trata-se de uma vertente de estudo voltada ao desenvolvimento de sistemas capazes de compreender e interpretar as emoções, necessidades e crenças de pessoas e animais. O termo é emprestado da psicologia, área na qual define a habilidade humana de discernir o estado mental de terceiros e prever suas ações.
Entre os investigadores da área da inteligência artificial existe um debate sobre os limites e as possibilidades da tecnologia, frequentemente dividido entre duas posições conhecidas como inteligência artificial forte e inteligência artificial fraca. A hipótese da inteligência artificial forte sustenta que é possível criar máquinas conscientes, capazes de replicar de forma plena os aspetos da mente e da mentalidade humana.
Inteligência artificial forte
A investigação em Inteligência Artificial Forte aborda a criação de uma forma de inteligência baseada em computador que consiga raciocinar e resolver problemas, sendo classificada como autoconsciente. Trata-se de um tema controverso, pois envolve conceitos como consciência e dilemas éticos complexos, ligados ao enquadramento de uma entidade que seja cognitivamente indistinguível de um ser humano. A ficção científica abordou frequentemente estes dilemas. Isaac Asimov, por exemplo, escreveu O Homem Bicentenário, obra na qual um robô consciente e inteligente luta para obter um estatuto semelhante ao de um humano na sociedade; paralelamente, Steven Spielberg realizou o filme A.I. - Inteligência Artificial, onde um rapaz-robô procura conquistar o amor da sua "mãe" adotiva, tentando encontrar uma maneira de se tornar real. Por outro lado, o próprio Asimov reduziu os robôs à condição de servos dos seres humanos ao propor as três leis da robótica. Numa perspetiva mais pessimista, cientistas como Stephen Hawking alertaram para os perigos do desenvolvimento descontrolado destas tecnologias, considerando-as uma potencial ameaça à sobrevivência da humanidade. (ver: Rebelião das máquinas).
Inteligência artificial fraca
A inteligência artificial fraca centra a sua investigação na criação de sistemas que não são capazes de verdadeiramente raciocinar ou compreender o que processam. Uma máquina com esta característica age apenas como se fosse inteligente, executando tarefas específicas através do processamento de problemas não determinísticos, mas carecendo de autoconsciência ou noção de si. A principal contribuição prática para a validação deste modelo foi o Teste de Turing (TT), proposto por Alan Turing em 1950. Em vez de responder diretamente à complexa pergunta "podem os computadores pensar?", Turing formulou um teste prático que se tornou o ponto de partida da investigação na área. O teste consiste em submeter um computador e um ser humano, ambos ocultos, a um interrogatório por texto. Se o avaliador for incapaz de distinguir qual dos interlocutores é a máquina com base nas respostas fornecidas, o sistema passa no teste. No seu artigo original, Turing previu que os computadores seriam capazes de superar o teste até ao ano 2000.
IA forte: críticas filosóficas e polémicas
Vários filósofos, com destaque para John Searle e Hubert Dreyfus, introduziram no debate questionamentos de ordem filosófica e epistemológica, contestando a viabilidade efetiva da IA forte. Para estes autores, os pressupostos teóricos de que uma máquina pode desenvolver uma consciência análoga à humana são logicamente insustentáveis. Searle formulou o contra-argumento do Quarto Chinês, concebido para inverter as conclusões do Teste de Turing. O argumento demonstra que, mesmo que uma máquina consiga responder perfeitamente a inputs em chinês manipulando símbolos binários através de tabelas de referência, ela executa apenas uma simulação sintática e não possui uma compreensão semântica real da língua. Assim, superar o Teste de Turing não prova a existência de um ser consciente.
Impossibilidade de simulação qualitativa
No campo da computação puramente matemática, o ceticismo dos filósofos encontra eco em demonstrações formais sobre os limites dos algoritmos. Estudos nesta área demonstraram que um simulador qualitativo que seja simultaneamente completo e robusto é matematicamente impossível, o que impõe uma barreira técnica intransponível à transição da IA fraca para a IA forte. Isto significa que, desde que seja utilizado um vocabulário fixo de entrada e saída (como ocorre no algoritmo QSIM), existirão sempre modelos de entrada que induzirão a predições erradas na saída. Este limite técnico torna-se evidente na gestão de conceitos abstratos. A título de exemplo, a noção de infinito não pode ser genuinamente processada por uma máquina finita (seja um computador digital ou um conjunto de neurónios que produza um número finito de resultados num determinado intervalo de tempo). Trata-se de um paradoxo matemático derivado do facto de as combinações resultantes de qualquer conjunto finito serem também finitas. Se a noção de infinito pudesse ser obtida através de uma determinada combinação finita, o infinito seria equivalente a essa sequência finita, constituindo uma contradição. Consequentemente, o infinito e outras noções abstratas complexas não são programáveis numa arquitetura física limitada, necessitando de ser previamente integradas na estrutura do sistema — um argumento que reforça a visão de que as máquinas atuais operam apenas sob o modelo da IA fraca.
Imagem: Senado Federal · BY · Openverse
As aplicações da inteligência artificial são várias e em diversas áreas, como na indústria e no meio acadêmico. A inteligência artificial (IA) é a capacidade dos sistemas computacionais de realizar tarefas tipicamente associadas à inteligência humana, tais como aprendizagem, raciocínio, resolução de problemas, percepção e tomada de decisões. O subcampo do aprendizado de máquina tem sido utilizado para diversos fins científicos e comerciais, como tradução de idiomas, reconhecimento de imagens, tomada de decisões, pontuação de crédito e comércio eletrônico. Nos últimos anos, houve avanços significativos no campo da inteligência artificial generativa, que utiliza modelos generativos para produzir textos, imagens, vídeos ou outras formas de dados. A tecnologia de IA e de aprendizagem automática é utilizada muitas das aplicações utilizadas atualmente, incluindo: A integração da IA no ambiente corporativo impulsionou a criação de um novo cargo executivo, o diretor de automação (CAIO), responsável por supervisionar a implementação destas tecnologias.
Chatbots
Chatbot (em português, "robô de conversa"; originalmente chatterbot) é um programa de computador que tenta simular um ser humano na conversação com as pessoas. Os chatbots também são conhecidos como bots inteligentes, agentes interativos, assistentes digitais ou entidades de conversação artificiais.O objetivo é responder as perguntas de tal forma que as pessoas tenham a impressão de estar conversando com outra pessoa e não com um programa de computador. Após o envio de perguntas em linguagem natural, o programa consulta uma base de conhecimento e em seguida fornece uma resposta que tenta imitar o comportamento humano.
Saúde e medicina
Foi sugerido que a IA pode ajudar a superar as discrepâncias no financiamento atribuído a diferentes áreas de investigação. O AlphaFold 2 (2021) demonstrou a capacidade de aproximar, em horas em vez de meses, a estrutura 3D de uma proteína. Em 2023, foi relatado que a descoberta de fármacos guiada por IA ajudou a encontrar uma classe de antibióticos capaz de eliminar dois tipos diferentes de bactérias resistentes a medicamentos. Já em 2024, investigadores recorreram à aprendizagem automática para acelerar a busca por tratamentos para a doença de Parkinson. O objetivo consistia em identificar compostos que bloqueassem a aglomeração, ou agregação, da alfa-sinucleína (a proteína que caracteriza a doença de Parkinson), conseguindo acelerar o processo de triagem inicial em dez vezes e reduzir os custos em mil vezes.
Jogos
Programas de desenvolvimento de jogos têm sido utilizados desde a década de 1950 para demonstrar e testar as técnicas mais avançadas de IA. O Deep Blue tornou-se o primeiro sistema informático de xadrez a vencer um campeão mundial de xadrez em título, Garry Kasparov, a 11 de maio de 1997. Em 2011, numa partida de exibição do concurso de televisão Jeopardy!, o sistema de resposta a perguntas da IBM, Watson, derrotou os dois maiores campeões do programa, Brad Rutter e Ken Jennings, por uma margem significativa. Em março de 2016, o AlphaGo venceu 4 em 5 partidas de Go contra o campeão Lee Sedol, tornando-se o primeiro sistema de Go por computador a derrotar um jogador profissional sem vantagens. Posteriormente, in 2017, derrotou Ke Jie, que era então o melhor jogador de Go do mundo. Outros programas lidam com jogos de informação imperfeita, como o programa de póquer Pluribus. A DeepMind desenvolveu modelos de aprendizagem por reforço cada vez mais generalistas, como o MuZero, que pode ser treinado para jogar xadrez, Go ou jogos da Atari. Em 2019, o AlphaStar da DeepMind alcançou o nível de grande mestre em StarCraft II, um jogo de estratégia em tempo real particularmente complexo que envolve conhecimento incompleto sobre o que acontece no mapa. Em 2021, um agente de IA competiu numa competição de PlayStation de Gran Turismo, vencendo quatro dos melhores pilotos do mundo através de aprendizagem por reforço profundo. Já em 2024, a Google DeepMind introduziu o SIMA, uma IA capaz de jogar de forma autónoma nove videojogos de mundo aberto nunca antes vistos apenas pela observação do ecrã, bem como de executar tarefas curtas e específicas em resposta a instruções em linguagem natural.
Matemática
No campo da matemática, os grandes modelos de linguagem probabilísticos são versáteis, mas também podem produzir respostas erradas sob a forma de alucinações. O Alibaba Group desenvolveu uma versão dos seus modelos Qwen chamada Qwen2-Math, que alcançou um desempenho de topo em vários testes de referência matemáticos, incluindo uma precisão de 84% no conjunto de dados MATH de problemas de competições matemáticas. Em janeiro de 2025, a Microsoft propôs a técnica rStar-Math, que tira partido da Pesquisa em árvore Monte Carlo e do raciocínio passo a passo, permitindo que um modelo de linguagem relativamente pequeno, como o Qwen-7B, resolva 53% do AIME 2024 e 90% do teste de referência MATH.
Finanças
De acordo com Nicolas Firzli, diretor do World Pensions & Investments Forum, poderá ser precoce prever o surgimento imediato de produtos e serviços financeiros altamente inovadores baseados em inteligência artificial. O especialista argumenta que «a implementação de ferramentas de IA servirá simplesmente para automatizar ainda mais os processos, eliminando dezenas de milhares de postos de trabalho na banca, no planeamento financeiro e no aconselhamento de pensões; contudo, não há certezas de que venha a desencadear uma nova vaga de inovação sofisticada no setor das pensões».
Imagem: Senado Federal · BY · Openverse
Riscos socioeconômicos
A adoção generalizada da inteligência artificial levanta preocupações quanto ao seu impacto no emprego e na distribuição de riqueza. Vários estudos recentes indicam que a automação de tarefas cognitivas e rotineiras pode levar ao deslocamento de trabalhadores em setores como transporte, serviços financeiros, atendimento ao cliente entre outros. Entre as funções com maior probabilidade de extinção, a literatura destaca tarefas como produção de conteúdo padronizado, atendimento e vendas roteirizadas, backoffice administrativo, contabilidade simples, análise repetitiva de risco, programação elementar, design baseadado em modelos, mediação transacional, formação padronizada, suporte técnico básico, revisão e formatação textual, pesquisa documental simples, edição de imagem para comércio eletrónico e até memdo o comércio electrónico na parte da fixação de preços, descrições automáticas de produtos, relatórios de gestão recorrentes, prospeção de leads genéricos, curadoria de catálogos e auditorias baseadas em listas de verificação.
