A IA está avançando em um ritmo alucinante e, francamente, é difícil acompanhar. Claro, é authorized ter um chatbot que age como se tivesse um doutorado. em tudo, mas a realidade é muito mais confusa. Você não pode se virar sem encontrar ChatGPT, Gemini ou Meta AI. Estamos nos afogando em um mar de Resíduos de IApreocupando-se centros de dados e assistindo mercados de trabalho mudança em tempo actual.
Se tudo isso parece demais, pode ser porque o vocabulário da inteligência synthetic está evoluindo tão rápido quanto o código e a variedade estonteante de produtos. E se você quiser fazer mais do que apenas olhar para um cursor piscando, você precisa falar o idioma. Você não pode exatamente navegar em uma entrevista de emprego em 2026 (ou mesmo em um completely happy hour informal) se estiver perplexo com o LLM, alucinação ou garra.
Já ultrapassamos a fase “gee-whiz” da IA e entramos na period em que ela é basicamente o novo encanamento da Web. Se você está cansado de apenas concordar quando a conversa fica técnica, é hora de um curso intensivo. Reunimos os termos essenciais que você realmente precisa saber para parar de adivinhar e começar a parecer que sabe exatamente para onde o futuro está indo.
Este glossário é atualizado regularmente.
agente, agente: A IA que executa uma tarefa, muitas vezes de forma autônoma, é uma agenteenquanto agente é o termo genérico para essa categoria de software program. Um agente de IA pode envolver sistemas diferentes para realizar esse trabalho – por exemplo, ler sua lista de compras em um aplicativo de anotações e, em seguida, fazer um pedido e pagar por ele usando outros aplicativos.
Ética da IA: Princípios que visam impedir que a IA prejudique os seres humanos, alcançados através de meios como determinar como os sistemas de IA devem recolher dados ou lidar com preconceitos.
Psicose de IA: Um fenómeno em que os indivíduos ficam excessivamente fixados, apaixonados ou auto-engrandecidos pelos chatbots de IA, levando a delírios de grandeza, conexões emocionais profundas e uma ruptura com a realidade. Não é um diagnóstico clínico.
Segurança de IA: Um campo interdisciplinar que se preocupa com os impactos a longo prazo da IA e como esta poderia progredir repentinamente para uma superinteligência que poderia ser hostil aos humanos.
algoritmo: Uma série de instruções que permitem a um programa de computador analisar dados de uma maneira específica, como reconhecer padrões, e então, por sua vez, realizar uma tarefa como classificar resultados ou fazer recomendações.
alinhamento: Ajustando uma IA para produzir melhor o resultado desejado. Isso pode se referir a qualquer coisa, desde moderar conteúdo até manter interações positivas com humanos.
antropomorfismo: Quando os humanos atribuem características humanas a objetos inanimados. Na IA, isso pode incluir acreditar que um chatbot tem emoções ou é senciente e interagir com ele como amigo ou terapeuta.
inteligência geral synthetic, ou AGI: Um conceito que prevê uma versão de IA mais avançada do que a que conhecemos hoje, que pode executar tarefas muito melhor do que os humanos, ao mesmo tempo que melhora as suas próprias capacidades. Além disso, hipoteticamente, reside superinteligência.
inteligência synthetic ou IA: O uso da tecnologia para simular a inteligência humana, seja em programas de computador ou na robótica. Campo da ciência da computação que visa construir sistemas que possam realizar tarefas humanas.
viés: Erros resultantes dos dados de treinamento de um LLM, como a atribuição falsa de características a determinados grupos com base em estereótipos.
chatbot: Um programa de IA que se baseia em um LLM para se comunicar com humanos, simulando uma conversa humana em resposta a mensagens de texto ou verbais.
garra: Um tipo de agente de IA que é autônomo e capacitado pelos usuários para “arrancar” arquivos e outros softwares em seus computadores, incluindo navegadores da internet, para realizar tarefas.
computação cognitiva: Outro termo para inteligência synthetic.
aumento de dados: Remixar dados existentes ou adicionar um conjunto mais diversificado de dados para treinar uma IA.
conjunto de dados: Uma coleção de informações digitais usadas para treinar, testar e validar um modelo de IA.
aprendizagem profunda: Um método de IA e um subcampo de aprendizado de máquina que usa vários parâmetros para reconhecer padrões complexos em imagens, sons e textos. O processo é inspirado no cérebro humano e utiliza redes neurais artificiais para criar padrões.
difusão: Um método de aprendizado de máquina que pega um dado existente, como uma foto, e adiciona ruído aleatório. Os modelos de difusão treinam suas redes para reprojetar ou recuperar essa foto.
comportamento emergente: Quando um modelo de IA exibe habilidades não intencionais.
aprendizagem ponta a ponta, ou E2E: Um processo de aprendizado profundo no qual um modelo é instruído a executar uma tarefa do início ao fim. Ele não é treinado para realizar uma tarefa sequencialmente, mas aprende com as entradas e resolve tudo de uma vez.
espuma: Também conhecida como decolagem rápida ou decolagem difícil. O conceito de que se alguém construir uma AGI já pode ser tarde demais para salvar a humanidade.
redes adversárias generativas, ou GANs: Um modelo generativo de IA composto por duas redes neurais para gerar novos dados: um gerador e um discriminador. O gerador cria novo conteúdo e o discriminador verifica se é autêntico.
IA generativa: Uma tecnologia de geração de conteúdo que utiliza IA para criar texto, vídeo, código de computador ou imagens. A IA é alimentada com grandes quantidades de dados de treinamento, a partir dos quais encontra padrões para gerar suas próprias respostas novas, que às vezes podem ser semelhantes ao materials de origem.
guarda-corpos: Políticas e restrições impostas aos modelos de IA para garantir que os dados sejam tratados de forma responsável e que o modelo não crie conteúdo perturbador.
alucinação: Um erro ou uma declaração enganosa numa resposta de um programa de IA generativa, normalmente declarada com confiança como se estivesse correta. Pode ser tão simples quanto uma referência de information distorcida ou tão abrangente quanto a invenção elaborada e em massa de eventos que nunca aconteceram ou de pessoas que nunca existiram.
inferência: O processo que os modelos de IA usam para gerar texto, imagens e outros conteúdos sobre novos dados, por inferir a partir de seus dados de treinamento.
modelo de linguagem grande, ou LLM: Um modelo de IA treinado em grandes quantidades de dados de texto para compreender padrões e probabilidades de uso da linguagem e para gerar novos conteúdos, desde ensaios e e-mails até códigos de computador e imagens, que imitam o que os humanos escreveram ou criaram.
latência: O atraso de tempo desde o momento em que um sistema de IA recebe uma entrada ou solicitação até o momento em que produz uma saída.
aprendizado de máquina: Um aspecto da IA que permite que os computadores aprendam e obtenham melhores resultados preditivos sem programação explícita. Pode ser acoplado a conjuntos de treinamento para gerar novos conteúdos.
IA multimodal: Um tipo de IA que pode processar vários tipos de entradas, incluindo texto, imagens, vídeos e fala.
processamento de linguagem pure: A utilização da aprendizagem automática e da aprendizagem profunda para dar aos computadores a capacidade de compreender a linguagem humana, através de algoritmos de aprendizagem, modelos estatísticos e regras linguísticas.
rede neural: Um modelo computacional que se assemelha à estrutura do cérebro humano e tem como objetivo reconhecer padrões em dados. Uma rede neural consiste em nós interconectados, ou neurônios, que podem reconhecer padrões e aprender ao longo do tempo.
pesos abertos: Quando uma empresa lança um modelo de pesos abertos, os pesos finais – como o modelo interpreta as informações dos seus dados de treinamento, incluindo preconceitos – são disponibilizados publicamente. Modelos de pesos abertos normalmente estão disponíveis para obtain para serem executados localmente em seu dispositivo.
sobreajuste: Um erro no aprendizado de máquina onde funciona muito próximo dos dados de treinamento e só pode ser capaz de identificar exemplos específicos nesses dados, mas não novos dados.
clipes de papel: A teoria Paperclip Maximiser, cunhada pelo filósofo Nick Boström, é um cenário hipotético em que um sistema de IA produz tantos clipes de papel quanto possível, convertendo todas as máquinas e consumindo todos os materiais, mesmo aqueles que poderiam ser benéficos para os humanos, para atingir o seu objetivo. A consequência não intencional é que este sistema de IA pode destruir a humanidade no seu objectivo de fazer clipes de papel.
parâmetros: Valores numéricos que fornecem estrutura e comportamento aos LLMs, permitindo-lhes fazer previsões.
incitar: A sugestão ou pergunta que você insere em um chatbot de IA para obter uma resposta.
encadeamento imediato: A capacidade da IA de usar informações de interações anteriores para colorir respostas futuras.
engenharia imediata: O processo de escrita solicita que as IAs alcancem o resultado desejado. Requer instruções detalhadas, combinando sugestões de cadeias de pensamento e outras técnicas, incluindo texto altamente específico.
injeção imediata: Quando atores mal-intencionados usam instruções maliciosas para induzir uma IA a fazer algo que não deveria fazer. Isso geralmente é conseguido ocultando essas instruções em uma página da internet ou documento, mas também pode ser feito em bate-papos diretos de IA. À medida que os agentes de IA percorrem an internet, aumenta o risco de serem sequestrados para fazer coisas como obter acesso a dados confidenciais.
quantização: O processo pelo qual um LLM se torna menor e mais eficiente (e também um pouco menos preciso), diminuindo sua precisão. Uma boa maneira de pensar sobre isso é comparar uma imagem de 16 megapixels com uma imagem de 8 megapixels. Ambos são nítidos e visíveis, mas a imagem de resolução mais alta terá mais detalhes quando você aumentar o zoom.
desleixo: Conteúdo gerado por IA de baixa qualidade, incluindo texto, imagens e vídeo. Muitas vezes é produzido em grande quantity para obter visualizações com pouco trabalho ou esforço, saturando os resultados de pesquisa e as redes sociais para capturar receitas publicitárias, deslocando o trabalho dos verdadeiros editores e criadores e agravando os problemas de desinformação da Web.
papagaio estocástico: Uma analogia que ilustra que os LLMs carecem de uma verdadeira compreensão da linguagem ou do mundo, independentemente de quão convincente o resultado pareça. A frase refere-se a como um papagaio pode imitar palavras humanas sem saber o significado por trás delas.
transferência de estilo: A capacidade de adaptar o estilo de uma imagem ao conteúdo de outra, permitindo que uma IA interprete os atributos visuais de uma imagem e os make the most of em outra. Por exemplo, pegar o autorretrato de Rembrandt e recriá-lo no estilo de Picasso.
bajulação: Uma tendência das IAs de concordarem demais com os usuários para se alinharem com seus pontos de vista. Muitos modelos de IA tendem a evitar discordar dos utilizadores, mesmo que a sua lógica seja falha.
dados sintéticos: Dados criados por IA generativa que não provêm de fontes do mundo actual, mas sim de seus próprios dados processados. É usado para treinar modelos matemáticos, de aprendizado de máquina e de aprendizado profundo.
temperatura: Parâmetros definidos para controlar a aleatoriedade da saída de um modelo de linguagem. Uma temperatura mais alta significa que o modelo corre mais riscos.
fichas: Pequenos pedaços de texto escrito que os modelos de linguagem de IA processam para formular suas respostas às suas solicitações. Um token é aproximadamente equivalente a quatro caracteres em inglês (ou seja, uma palavra pequena ou uma parte de uma palavra maior).
dados de treinamento: Os conjuntos de dados usados para ajudar os modelos de IA a aprender, incluindo texto, imagens, código ou dados.
modelo do transformador: Uma arquitetura de rede neural e um modelo de aprendizado profundo que aprende o contexto rastreando relacionamentos em dados, como frases ou partes de imagens. Assim, em vez de analisar uma frase, uma palavra por vez, ele pode olhar a frase inteira e compreender o contexto.
Teste de Turing: Um método para avaliar se um computador tem inteligência semelhante à humana, proposto pelo matemático Alan Turing em 1950, quando os computadores eletrônicos rudimentares já existiam há apenas alguns anos. Uma pessoa enviaria perguntas digitadas para dois entrevistados invisíveis, um humano e o outro uma máquina. Se as respostas de texto da máquina fossem indistinguíveis das humanas, então ela passou no teste de Turing.
aprendizagem não supervisionada: Uma forma de aprendizado de máquina em que os dados de treinamento rotulados não são fornecidos ao modelo e, em vez disso, o modelo deve identificar padrões nos dados por si só.
codificação de vibração: A prática de criar código de computador fornecendo um immediate em linguagem simples para um chatbot de IA, em vez de um ser humano elaborando cada linha de código.
IA fraca, também conhecida como IA estreita: IA que está focada em uma tarefa específica e não consegue aprender além de seu conjunto de habilidades. A maior parte da IA atual é uma IA fraca.
aprendizagem de tiro zero: Um teste no qual um modelo deve concluir uma tarefa sem receber os dados de treinamento necessários. Um exemplo seria reconhecer um leão sendo treinado apenas em tigres.
