Glossário de IA: 30 termos essenciais explicados do básico ao avançado

A capacidade de um sistema computacional realizar tarefas que, até recentemente, exigiam inteligência humana — como reconhecer imagens, entender texto, traduzir idiomas ou tomar decisões. O termo foi criado em 1956 e abrange desde sistemas simples de regras até modelos complexos de aprendizado.

Um ramo da IA onde o sistema aprende padrões a partir de exemplos, sem ser explicitamente programado para cada caso. Em vez de seguir regras fixas, o modelo ajusta seus próprios parâmetros com base nos dados — como uma criança que aprende a reconhecer gatos vendo milhares de fotos, não por definição.

O resultado do treinamento — um arquivo matemático com bilhões de parâmetros que encapsulam o “conhecimento” aprendido. Quando você usa o ChatGPT ou o Claude, está interagindo com um modelo que já foi treinado. O modelo em si não aprende mais: ele aplica o que aprendeu durante o treinamento.

O processo de ensinar um modelo expondo-o a grandes volumes de dados e ajustando seus parâmetros internos bilhões de vezes até que ele aprenda a realizar a tarefa desejada. É computacionalmente intensivo, caro e feito uma única vez — ou poucas vezes — pelas empresas que desenvolvem os modelos.

O momento em que um modelo já treinado é usado para responder a uma entrada — uma pergunta, uma imagem, um áudio. É o oposto do treinamento: em vez de aprender, o modelo aplica o que aprendeu. Toda vez que você manda uma mensagem para uma IA, está iniciando um processo de inferência.

A instrução ou pergunta que você envia para uma IA. A qualidade do prompt afeta diretamente a qualidade da resposta — um prompt vago gera uma resposta vaga, enquanto um prompt detalhado e bem estruturado tende a gerar resultados muito mais úteis e precisos.

Quando uma IA gera informações falsas com total confiança, sem indicar que está inventando. O modelo não “sabe” que está errado — ele produz o texto mais provável com base nos padrões aprendidos, mesmo quando esse texto não corresponde à realidade. É um dos problemas mais críticos dos modelos de linguagem atuais.

A unidade mínima de texto que um modelo de linguagem processa. Não é necessariamente uma palavra inteira — pode ser uma sílaba, um sufixo ou um símbolo. A palavra “computador” pode virar dois tokens: “compu” e “tador”. Os modelos cobram por token, não por palavra, e têm um limite de quantos tokens conseguem processar de uma vez.

A quantidade máxima de texto que um modelo consegue “ver” ao mesmo tempo — como a memória de trabalho da IA. Tudo que está fora do contexto simplesmente não existe para o modelo. Se uma conversa ultrapassar o limite de contexto, as mensagens mais antigas serão esquecidas. Modelos modernos têm contextos de centenas de milhares de tokens.

Os valores numéricos internos de um modelo que foram ajustados durante o treinamento e codificam tudo que ele “aprendeu”. Um modelo com 70 bilhões de parâmetros tem 70 bilhões de números que determinam como ele responde a qualquer entrada. Mais parâmetros geralmente significam mais capacidade — mas também mais custo computacional.

Um parâmetro que controla o quanto de aleatoriedade existe nas respostas de uma IA. Com temperatura baixa (próxima de zero), o modelo escolhe sempre a resposta mais provável — previsível e conservadora. Com temperatura alta, ele arrisca mais — mais criativo, mas também mais sujeito a erros. É ajustável dependendo do uso.

A estrutura matemática inspirada — muito vagamente — no cérebro humano que forma a base da maioria dos modelos modernos de IA. É composta por camadas de nós interconectados que processam e transformam dados. Quanto mais camadas, mais “profunda” é a rede — daí o termo “deep learning”.

A arquitetura de rede neural que revolucionou a IA a partir de 2017 e está por trás de praticamente todos os grandes modelos modernos — GPT, Claude, Gemini, Llama. O diferencial é o mecanismo de “atenção”, que permite ao modelo pesar a importância de cada parte do texto em relação às outras ao gerar uma resposta.

Modelo de Linguagem de Grande Escala — um tipo de modelo treinado em enormes volumes de texto com o objetivo de entender e gerar linguagem humana. ChatGPT, Claude e Gemini são LLMs. O “grande” se refere tanto ao volume de dados de treinamento quanto ao número de parâmetros do modelo.

Uma representação numérica de um texto, imagem ou qualquer dado em um espaço matemático multidimensional. Textos com significados parecidos ficam próximos nesse espaço. É o que permite a uma IA entender que “cachorro” e “cão” são semanticamente similares — e o que torna possível a busca por similaridade em sistemas como o RAG.

Uma técnica que combina busca em documentos com geração de texto: antes de responder, o modelo recupera trechos relevantes de uma base de dados própria e usa esse contexto para formular a resposta. Resolve o problema da alucinação em domínios específicos e permite que a IA responda com base em documentos que não faziam parte do seu treinamento.

O processo de continuar o treinamento de um modelo já existente com um conjunto menor e específico de dados, para especializá-lo em um domínio ou estilo. Em vez de treinar do zero, você pega um modelo geral e o “afina” para responder como um médico, um advogado ou um atendente da sua empresa — com muito menos custo.

A prática de estruturar instruções para uma IA de forma a obter respostas mais precisas, úteis e consistentes. Inclui técnicas como fornecer exemplos, definir um papel para o modelo, especificar o formato da resposta e dividir tarefas complexas em etapas. É uma habilidade cada vez mais valorizada no mercado de trabalho.

Um sistema de IA que não apenas responde perguntas, mas executa ações no mundo — navega na web, escreve e roda código, envia e-mails, gerencia arquivos. Um agente percebe o ambiente, toma decisões e age de forma autônoma para atingir um objetivo. É a fronteira entre IA como ferramenta e IA como colaborador ativo.

Um modelo que consegue processar e combinar diferentes tipos de entrada — texto, imagem, áudio e vídeo — em vez de trabalhar apenas com um formato. O GPT-4o e o Gemini são exemplos de modelos multimodais: você pode mandar uma foto e perguntar o que tem nela, ou descrever um problema e pedir que ele gere uma imagem como resposta.

Modelos cujos pesos — os valores dos parâmetros treinados — são disponibilizados publicamente para download e uso. Qualquer pessoa pode rodar, modificar e especializar um modelo open source. Exemplos incluem Llama (Meta), Mistral e Gemma (Google). O oposto são modelos proprietários, como GPT-4 e Claude, acessíveis apenas via API.

O componente de hardware que executa as operações matemáticas massivamente paralelas necessárias para treinar e rodar modelos de IA. Criada originalmente para jogos, a GPU se tornou o coração da infraestrutura de IA. A NVIDIA domina esse mercado com suas linhas H100 e Blackwell, usadas em datacenters ao redor do mundo.

A memória interna da GPU — onde o modelo precisa ser carregado para ser processado com eficiência. É o principal gargalo para rodar IA localmente: um modelo de 7 bilhões de parâmetros precisa de pelo menos 8 GB de VRAM. GPUs de datacenter chegam a 80 GB ou mais; GPUs de consumidor comuns têm entre 8 e 24 GB.

Instalação física com milhares de servidores interconectados onde os grandes modelos de IA são treinados e servidos. Consomem quantidades enormes de energia elétrica e água para resfriamento. Google, Microsoft, Meta e Amazon operam alguns dos maiores datacenters do mundo, e a corrida pela IA está acelerando a construção de novos.

Uma técnica de compressão que reduz a precisão dos valores numéricos de um modelo — de 32 bits para 8 ou 4 bits, por exemplo — diminuindo o tamanho do arquivo e o consumo de memória com perda mínima de qualidade. É o que permite rodar modelos grandes em hardware doméstico. Versões quantizadas de modelos como o Llama são muito populares na comunidade open source.

Uma técnica usada para alinhar o comportamento de um modelo com as preferências humanas. Avaliadores humanos comparam respostas do modelo e indicam qual é melhor; esse feedback treina um segundo modelo que aprende a prever a preferência humana, que por sua vez guia o ajuste do modelo principal. É uma das técnicas responsáveis por tornar o ChatGPT útil e seguro.

Um banco de dados especializado em armazenar e buscar embeddings — representações numéricas de textos ou imagens. Em vez de buscar por palavras-chave exatas, ele encontra os itens matematicamente mais próximos de uma consulta. É a peça central de sistemas RAG e permite buscas por significado, não apenas por texto literal. Exemplos: ChromaDB, Pinecone, Weaviate.

Uma técnica de fine-tuning que modifica apenas uma pequena fração dos parâmetros do modelo — inserindo matrizes menores dentro da estrutura original — em vez de retreinar tudo. Reduz drasticamente o custo e o tempo de especialização: o que custaria milhões com fine-tuning completo pode ser feito por algumas centenas de dólares com LoRA, sem perda significativa de qualidade.

Um protocolo aberto criado pela Anthropic que padroniza a forma como modelos de IA se conectam a ferramentas e fontes de dados externas — bancos de dados, APIs, sistemas de arquivos, serviços web. Em vez de cada integração ter seu próprio formato, o MCP cria uma linguagem comum. É para IA o que o USB foi para periféricos: um conector universal.

Relações matemáticas descobertas empiricamente que mostram como o desempenho de um modelo melhora de forma previsível ao aumentar dados, parâmetros e poder computacional. São a base teórica da corrida atual por modelos maiores: as empresas sabem que, se investirem mais, o modelo vai melhorar — mesmo sem saber exatamente por quê. São também a razão pela qual os custos de treinamento crescem exponencialmente.

Este glossário é um documento vivo

O vocabulário da IA evolui rápido. Novos termos surgem a cada mês conforme a tecnologia avança. Este post será atualizado periodicamente — marque nos favoritos e volte sempre que um termo novo aparecer nos artigos do Horizon Tech News.