{"id":194943,"date":"2025-12-19T16:21:22","date_gmt":"2025-12-19T16:21:22","guid":{"rendered":"https:\/\/www.europesays.com\/pt\/194943\/"},"modified":"2025-12-19T16:21:22","modified_gmt":"2025-12-19T16:21:22","slug":"como-funciona-a-tecnologia-que-cria-a-inteligencia-artificial-perguntas-e-respostas","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/pt\/194943\/","title":{"rendered":"Como funciona a tecnologia que cria a intelig\u00eancia artificial | Perguntas e respostas"},"content":{"rendered":"

Basta abrir uma janela de chat, escrever uma pergunta e, em poucos segundos, o cursor come\u00e7a a piscar, desenhando palavras que formam frases coerentes, par\u00e1grafos estruturados e at\u00e9 piadas, ainda que de gosto duvidoso. Para o utilizador comum, a experi\u00eancia de usar ferramentas como o ChatGPT<\/a> ou o Gemini assemelha-se a conversar com uma pessoa com um conhecimento quase infinito, mas muito convencida \u2014 ao ponto de apresentar informa\u00e7\u00e3o errada com a mesma convic\u00e7\u00e3o com que apresenta uma resposta correcta.<\/p>\n

No entanto, se levantarmos o cap\u00f4 desta tecnologia, n\u00e3o encontramos um pequeno humano digital, nem sequer um sistema que imita o nosso c\u00e9rebro, mas sim uma calculadora gigante de probabilidades.<\/p>\n

O que temos \u00e0 nossa frente s\u00e3o os chamados LLM, ou large language models (grandes modelos de linguagem). Para desmistificar o termo, imagine o sistema de texto preditivo do seu telem\u00f3vel \u2014 aquele que sugere a palavra seguinte quando est\u00e1 a escrever uma mensagem \u2014, mas que tomou uma dose maci\u00e7a de ester\u00f3ides e leu quase toda a Internet.<\/p>\n

Em ess\u00eancia, um LLM n\u00e3o \u201csabe\u201d o que \u00e9 a Revolu\u00e7\u00e3o Francesa ou a melhor receita de bacalhau para o Natal. E, muito menos, \u00e9 capaz de pensar como os seres humanos. O que o LLM sabe \u00e9 que, estatisticamente, depois das palavras \u201crevolu\u00e7\u00e3o\u201d e \u201cfrancesa\u201d, h\u00e1 uma enorme probabilidade de surgirem palavras como \u201c1789\u201d, \u201cliberdade\u201d ou \u201cBastilha\u201d. Ou que \u201cbacalhau\u201d tem uma rela\u00e7\u00e3o pr\u00f3xima com \u201cPortugal\u201d e \u201cNatal\u201d. Os LLM s\u00e3o mestres a completar padr\u00f5es, treinados para prever \u2014 n\u00e3o adivinhar, que essa \u00e9 uma faculdade humana \u2014 o que vem a seguir, palavra por palavra (ou, mais tecnicamente, token por token).<\/p>\n


\n <\/p>\n

Como \u00e9 educada a m\u00e1quina?<\/strong><\/p>\n

Mas como \u00e9 que estes modelos de intelig\u00eancia artificial<\/a> aprendem? A cria\u00e7\u00e3o de um LLM come\u00e7a com uma fase intensiva de \u201cleitura\u201d, denominada treino. Os engenheiros alimentam o sistema com quantidades astron\u00f3micas de texto: livros, artigos da Wikip\u00e9dia, sites de not\u00edcias, c\u00f3digo de programa\u00e7\u00e3o e conversas de f\u00f3runs. Estamos a falar de bili\u00f5es de palavras, nem sempre de fontes fi\u00e1veis. Sobre isto, \u00e9 importante referir que h\u00e1 modelos de linguagem mais fechados, onde a informa\u00e7\u00e3o usada para aliment\u00e1-los \u00e9 certificada \u2014 \u00e9, por exemplo, o caso de modelos aplicados em solu\u00e7\u00f5es m\u00e9dicas ou judiciais.<\/p>\n

Durante este processo, que pode demorar meses, o modelo n\u00e3o est\u00e1 a memorizar frases. Est\u00e1 a criar um mapa matem\u00e1tico das rela\u00e7\u00f5es entre as palavras. O modelo aprende que \u201crei\u201d e \u201crainha\u201d t\u00eam uma rela\u00e7\u00e3o semelhante a \u201chomem\u201d e \u201cmulher\u201d. Aprende a gram\u00e1tica, a sintaxe e at\u00e9 o sarcasmo, n\u00e3o porque lhe ensinaram as regras numa sala de aula, mas porque viu tantos exemplos que deduziu as regras sozinho. \u00c9 como se algu\u00e9m aprendesse a falar portugu\u00eas apenas por ser fechado numa biblioteca durante cem anos, lendo tudo sem nunca ouvir ningu\u00e9m falar.<\/p>\n

O que s\u00e3o os GPU da Nvidia de que tanto se fala?<\/strong><\/p>\n

Todo este processo exige um poder de computa\u00e7\u00e3o brutal. \u00c9 aqui que entra o hardware e uma curiosidade tecnol\u00f3gica: os chips que hoje tornam a intelig\u00eancia artificial (IA) poss\u00edvel foram, originalmente, criados para videojogos. A Nvidia<\/a> tem liderado este mercado, j\u00e1 com v\u00e1rias gera\u00e7\u00f5es de chips gr\u00e1ficos.<\/p>\n

Para perceber as raz\u00f5es desta escolha, devemos analisar a diferen\u00e7a entre o processador principal do nosso computador (CPU) e o processador gr\u00e1fico (GPU), normalmente instalado num componente denominado placa gr\u00e1fica. O CPU \u00e9 como um professor universit\u00e1rio brilhante: consegue resolver problemas complexos, mas resolve um de cada vez, de forma sequencial. J\u00e1 o GPU \u00e9 como uma turma de mil alunos do ensino b\u00e1sico: individualmente, cada um s\u00f3 sabe fazer contas simples, mas conseguem fazer mil contas ao mesmo tempo.<\/p>\n

Na intelig\u00eancia artificial, n\u00e3o \u00e9 preciso resolver uma equa\u00e7\u00e3o supercomplexa de cada vez; precisamos de realizar milh\u00f5es de pequenas multiplica\u00e7\u00f5es em simult\u00e2neo para ajustar os \u201cpesos\u201d (as tais conex\u00f5es matem\u00e1ticas) do modelo. Os processadores gr\u00e1ficos (GPU), com a sua capacidade de processamento em paralelo, s\u00e3o perfeitos para esta tarefa. Sem eles, treinar um modelo de LLM, como o GPT-5<\/a> usado pelo ChatGPT, com um CPU tradicional poderia levar s\u00e9culos em vez de meses.<\/p>\n

O que \u00e9 uma f\u00e1brica de IA?<\/strong><\/p>\n

\u00c9 comum falarmos da \u201cnuvem\u201d como se a Internet fosse um lugar et\u00e9reo, feito de vapor e dados leves. Mas a realidade f\u00edsica da intelig\u00eancia artificial \u00e9 pesada, ruidosa e quente. O termo \u201cf\u00e1brica de IA<\/a>\u201d tem vindo a ganhar for\u00e7a entre os especialistas para descrever os centros de dados mais recentes. J\u00e1 n\u00e3o s\u00e3o apenas armaz\u00e9ns passivos de ficheiros; s\u00e3o instala\u00e7\u00f5es industriais activas que \u201cfabricam\u201d intelig\u00eancia 24 horas por dia, sete dias por semana. Esta diferen\u00e7a b\u00e1sica, armazenar ficheiro ou processar informa\u00e7\u00e3o, muda por completo a forma como s\u00e3o projectados e a forma como operam estes centros de dados.<\/p>\n


\n
\n
\n Os centros de dados dedicados \u00e0 IA precisam de grandes sistemas de refrigera\u00e7\u00e3o para manter os processadores de alto desempenho a funcionarem
\nRui Gaud\u00eancio <\/p>\n

Uma caracter\u00edstica curiosa destas novas f\u00e1bricas \u00e9 que a capacidade j\u00e1 n\u00e3o se mede em bytes (armazenamento), mas em megawatts (pot\u00eancia energ\u00e9tica). Porqu\u00ea? Porque o limite destas instala\u00e7\u00f5es deixou de ser o espa\u00e7o f\u00edsico para guardar discos r\u00edgidos e passou a ser a quantidade de energia que conseguem \u201cinjectar\u201d nos processadores.<\/p>\n

Os chips de IA s\u00e3o vorazes. Enquanto um computador normal passa a maior parte do tempo \u201ca dormir\u201d, os processadores de IA operam perto da capacidade m\u00e1xima constante, gerando muito calor. Quase toda a electricidade que entra nestas m\u00e1quinas transforma-se instantaneamente em calor, exigindo sistemas de arrefecimento colossais.<\/p>\n

\u00c9 por isso que, hoje, dizer que um data center tem \u201c100 megawatts\u201d \u00e9 a forma mais realista de descrever a capacidade da instala\u00e7\u00e3o. Para se ter uma ideia, essa pot\u00eancia seria suficiente para iluminar cerca de 100 mil casas. Estamos, literalmente, a queimar electricidade para produzir pensamento artificial. E tamb\u00e9m \u00e9 por isto que muitos destes centros de dados s\u00e3o instalados junto a grandes centrais de produ\u00e7\u00e3o de energia el\u00e9ctrica, incluindo parques solares.<\/p>\n

O que acontece ao meu prompt?<\/strong><\/p>\n

O que acontece, ent\u00e3o, na frac\u00e7\u00e3o de segundo entre o momento em que carrega no Enter e a resposta aparecer? O processo \u00e9 complexo.<\/p>\n

Primeiro, a sua frase de comando (o prompt) \u00e9 convertida em n\u00fameros. O computador n\u00e3o entende letras, por isso transforma o texto em \u201ctokens\u201d \u2014 peda\u00e7os de palavras que s\u00e3o convertidos em listas de n\u00fameros (vectores). Estes n\u00fameros representam o significado e o contexto do que escreveu.<\/p>\n

Em seguida, estes n\u00fameros viajam atrav\u00e9s da rede neuronal do modelo. Imagine uma m\u00e1quina de pinball gigante com milh\u00f5es de obst\u00e1culos. \u00c0 medida que os n\u00fameros batem nestes obst\u00e1culos (os par\u00e2metros do modelo), s\u00e3o transformados e influenciados por tudo o que o modelo aprendeu durante o treino. O sistema analisa o contexto: se escreveu \u201cbanco\u201d, ele tenta deduzir, pelas outras palavras, se fala de um jardim ou de dinheiro.<\/p>\n

No final deste percurso, o modelo n\u00e3o devolve uma resposta completa de imediato. Ele calcula a probabilidade da primeira palavra da resposta. Depois de escolher essa palavra, volta a correr todo o processo, agora incluindo a nova palavra, para calcular a segunda. E assim sucessivamente, num ciclo fren\u00e9tico, at\u00e9 completar a frase. \u00c9 por isso que vemos o texto a aparecer palavra a palavra no ecr\u00e3.<\/p>\n

A IA que desenha tamb\u00e9m usa palavras?<\/strong><\/p>\n

Muitos utilizadores perguntam-se se as ferramentas que criam imagens, como o Nano Banana ou o DALL-E, funcionam da mesma forma. A resposta \u00e9 \u201csim e n\u00e3o\u201d.<\/p>\n

Para gerar uma imagem a partir de texto, \u00e9 necess\u00e1rio casar duas tecnologias diferentes: uma que sabe ler e outra que sabe ver.<\/p>\n

O processo come\u00e7a, de facto, com um modelo de linguagem semelhante aos que descrevemos anteriormente. Quando \u00e9 inserido um pedido como \u201cum astronauta a andar a cavalo em Marte\u201d, o sistema tem primeiro de traduzir estas palavras para conceitos matem\u00e1ticos. Esta parte do \u201cc\u00e9rebro\u201d da IA actua como um int\u00e9rprete, convertendo a frase numa lista de vectores num\u00e9ricos que representam o significado visual de \u201castronauta\u201d, \u201ccavalo\u201d e \u201cMarte\u201d.<\/p>\n

No entanto, a cria\u00e7\u00e3o da imagem propriamente dita usa uma tecnologia distinta denominada \u201cmodelos de difus\u00e3o\u201d. Para entender como funciona, \u00e9 preciso esquecer a ideia de que o computador est\u00e1 a fazer uma colagem de fotos que encontrou na internet. O algoritmo n\u00e3o est\u00e1 a recortar e colar. Pelo contr\u00e1rio, est\u00e1 a esculpir a partir do caos.<\/p>\n

Imagine uma televis\u00e3o antiga sintonizada num canal sem sinal, exibindo aquele \u201cchuvisco\u201d ou est\u00e1tica a preto e branco (o que tecnicamente chamamos de ru\u00eddo). O ecr\u00e3 est\u00e1 cheio de pontos aleat\u00f3rios. O segredo destes modelos de IA reside no facto de terem sido treinadas a reverter esse ru\u00eddo.<\/p>\n

Durante a fase de aprendizagem, os engenheiros pegaram em milh\u00f5es de imagens n\u00edtidas (por exemplo, a foto de um gato) e foram adicionando ru\u00eddo digital progressivamente, at\u00e9 a imagem se tornar irreconhec\u00edvel, transformando-se em pura est\u00e1tica. A IA observou este processo de destrui\u00e7\u00e3o milh\u00f5es de vezes e aprendeu a regra matem\u00e1tica para o fazer ao contr\u00e1rio. Aprendeu a olhar para um amontoado de pontos cinzentos e a \u201climpar\u201d o ru\u00eddo para reconstruir a imagem original, ou melhor, a imagem pedida.<\/p>\n

Portanto, quando pedimos ao DALL-E para desenhar o tal astronauta, o sistema come\u00e7a com um quadrado cheio de ru\u00eddo aleat\u00f3rio \u2014 uma tela de est\u00e1tica digital. Depois, guiado pelos conceitos matem\u00e1ticos do texto que o utilizador escreveu, come\u00e7a um processo de refinamento progressivo. O sistema olha para o caos e pergunta: \u201cse eu alterar ligeiramente este grupo de p\u00edxeis, fica mais parecido com um astronauta?\u201d. E faz a altera\u00e7\u00e3o.<\/p>\n

Este passo repete-se dezenas ou centenas de vezes numa quest\u00e3o de segundos. Em cada passagem, o modelo remove um pouco mais do ru\u00eddo e acrescenta detalhes que coincidem com a descri\u00e7\u00e3o pedida. O que come\u00e7a como uma mancha cinzenta e disforme vai ganhando contornos, cores, sombras e texturas, at\u00e9 que emerge uma imagem n\u00edtida e totalmente nova. \u00c9, no fundo, uma alucina\u00e7\u00e3o controlada pela matem\u00e1tica: a m\u00e1quina est\u00e1 a ver formas nas nuvens, mas tem a capacidade de tornar essas nuvens reais.<\/p>\n

\u00c9 \u201cs\u00f3 matem\u00e1tica\u201d<\/strong><\/p>\n

Seja a escrever um poema ou a pintar um quadro digital, o princ\u00edpio mant\u00e9m-se: estas m\u00e1quinas n\u00e3o t\u00eam consci\u00eancia, sentimentos ou inten\u00e7\u00f5es. Procuram ser espelhos matem\u00e1ticos do conhecimento humano, reflectindo o que lhes mostr\u00e1mos, com uma capacidade de c\u00e1lculo que, para todos os efeitos pr\u00e1ticos, parece indistingu\u00edvel do nosso racioc\u00ednio. Mas n\u00e3o \u00e9, longe disso!<\/p>\n","protected":false},"excerpt":{"rendered":"Basta abrir uma janela de chat, escrever uma pergunta e, em poucos segundos, o cursor come\u00e7a a piscar,…\n","protected":false},"author":2,"featured_media":194944,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_share_on_mastodon":"0"},"categories":[84],"tags":[642,109,107,108,246,13853,4995,414,933,5829,415,13854,32,33,105,103,104,106,110],"class_list":["post-194943","post","type-post","status-publish","format-standard","has-post-thumbnail","category-ciencia-e-tecnologia","tag-chatgpt","tag-ciencia","tag-ciencia-e-tecnologia","tag-cienciaetecnologia","tag-enter","tag-explicadores","tag-gemini","tag-ia","tag-inteligencia-artificial","tag-llm","tag-nvidia","tag-perguntas-e-respostas","tag-portugal","tag-pt","tag-science","tag-science-and-technology","tag-scienceandtechnology","tag-technology","tag-tecnologia"],"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@pt\/115747152434089568","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts\/194943","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/comments?post=194943"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/posts\/194943\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/media\/194944"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/media?parent=194943"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/categories?post=194943"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/pt\/wp-json\/wp\/v2\/tags?post=194943"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}