O vocabulário desta revolução.

Uma IA tão versátil como um humano competente.

A Artificial General Intelligence designa um sistema hipotético capaz de igualar ou superar o humano na maioria das tarefas cognitivas, não apenas em algumas. O termo é debatido: a sua definição não é universalmente partilhada, e a indústria usa-o cada vez mais como objetivo de marketing.

A interface técnica que permite a um software invocar um modelo.

Uma API expõe as capacidades de um modelo aos programadores. É a principal via através da qual os laboratórios de IA monetizam os seus modelos junto das empresas: faturação por token, contratos, quotas.

Métrica padronizada da receita de uma empresa SaaS, projetada a 12 meses.

Indicador central para comparar a tração comercial dos laboratórios de IA. O ARR da OpenAI e da Anthropic é regularmente reportado na imprensa financeira como barómetro da corrida.

Uma IA que superaria nitidamente o humano em todos os domínios.

Nível hipotético para além da AGI, em que um sistema supera os melhores especialistas humanos em todos os domínios. Conceito central nos debates sobre os riscos existenciais e a governação da IA.

Um modelo que pode agir, não apenas responder.

Um agente é um modelo de IA que não se limita a conversar: pode executar código, ler ficheiros, navegar na web, invocar outras ferramentas e encadear ações para atingir um objetivo. O Claude Code, o Cursor ou o Aider são exemplos de agentes que programam.

Fazer com que um modelo aja de acordo com as intenções humanas.

Disciplina que reúne as técnicas destinadas a garantir que um modelo se mantenha útil, honesto e inofensivo. Inclui a aprendizagem por reforço, as cartas de valores (Constitutional AI), as avaliações adversariais e as políticas de utilização.

Quando um modelo inventa uma informação com confiança.

Os LLM, por construção, preveem a palavra mais provável, não a verdadeira. Quando lhes falta informação, inventam de forma plausível. Citações fictícias, datas inventadas, funções inexistentes: o risco é real e deve ser levado a sério.

Disciplina em que as máquinas aprendem a partir de dados em vez de regras escritas.

Em vez de escrever instruções à mão, mostram-se à máquina numerosos exemplos; ela ajusta os seus parâmetros internos para reproduzir o comportamento observado. É a base de toda a IA moderna.

Aprendizagem automática com redes neuronais de várias camadas.

Subcampo da aprendizagem automática baseado em redes neuronais profundas (de dezenas a milhares de camadas). É o paradigma que domina a IA desde 2012 e que tornou possíveis os LLM, a visão por computador moderna e a geração de imagens.

Mecanismo que permite a um modelo ponderar a importância dos diferentes elementos de uma entrada.

Quando um modelo lê uma frase, a atenção permite-lhe relacionar cada palavra com todas as outras e decidir quais importam para o que se segue. É a inovação-chave do artigo *Attention Is All You Need* (2017), na origem de toda a revolução atual.

Teste padronizado para medir o desempenho de um modelo.

Conjunto de provas (MMLU, HumanEval, GPQA, SWE-bench…) sobre as quais os laboratórios comparam os seus modelos. Os benchmarks são essenciais para o marketing, mas são frequentemente criticados pela sua saturação, pela sua infiltração nos corpora de treino ou pela sua fraca ligação à utilidade real.

A despesa em equipamento (GPU, centros de dados) destinada à IA.

A Microsoft, a Google, a Amazon e a Meta gastaram coletivamente mais de 300 mil milhões de dólares por ano no final de 2025 em infraestrutura de IA. O debate atual: este capex justifica-se pelas receitas atuais ou assenta numa promessa?

Técnica em que o modelo explicita o seu raciocínio passo a passo.

Ao convidar o modelo a "pensar em voz alta" antes de responder, melhora-se drasticamente o seu desempenho nas tarefas de raciocínio (matemática, lógica, código). Os chamados modelos de *raciocínio* (o1, o3, Claude com extended thinking) industrializam esta abordagem.

Método de alinhamento por carta de princípios, desenvolvido pela Anthropic.

Em vez de aprender unicamente a partir do feedback humano, o modelo é treinado para se criticar a si próprio a partir de uma carta escrita (a "constituição"). É a abordagem distintiva da Anthropic para alinhar o Claude.

O conjunto de textos (ou imagens, áudio…) utilizados para treinar um modelo.

Os LLM de fronteira são treinados com corpora que ultrapassam o petabyte: Common Crawl da web, livros, código, artigos científicos, conversas. A qualidade e a composição do corpus determinam em grande medida o que o modelo sabe, e os seus vieses.

Comprimir um modelo grande num mais pequeno que copia as suas saídas.

Treina-se um "aluno" mais pequeno para imitar um "mestre" maior. O resultado: um modelo menos dispendioso de executar, que conserva o essencial das capacidades. Muitos modelos "compactos" (Haiku, GPT-4o-mini) são destilações.

Uma representação numérica do significado de uma palavra, frase ou documento.

O modelo converte "gato" e "cão" em vetores próximos num espaço de várias centenas de dimensões, porque partilham significado. Os embeddings são a base da pesquisa semântica e da RAG.

Capacidade que aparece de forma abrupta para além de uma certa escala.

Certas competências (raciocínio em várias etapas, tradução zero-shot) não se observam nos modelos pequenos e depois surgem quando se ultrapassa um limiar de tamanho ou de treino. O fenómeno é parcialmente posto em causa: depende das métricas utilizadas.

Unidade de medida da potência de cálculo, em operações por segundo.

Os modelos de fronteira exigem hoje da ordem de 10²⁵ FLOPS para o seu treino. O *AI Act* europeu e alguns regimes de exportação norte-americanos definem limiares em FLOPS acima dos quais um modelo é considerado "de risco sistémico".

Capacidade de um modelo para invocar funções externas a fim de agir.

Um modelo equipado com ferramentas pode decidir executar código, ler um ficheiro, fazer uma pesquisa na web, invocar uma API meteorológica. É a camada que transforma um chatbot num agente autónomo.

Aprender uma tarefa com alguns exemplos inseridos no prompt.

Em vez de fazer fine-tuning a um modelo para uma nova tarefa, dão-se-lhe dois ou três exemplos no prompt: ele generaliza a partir dessas demonstrações. Uma grande vantagem dos LLM em relação aos modelos mais antigos.

Continuar o treino de um modelo existente com dados específicos.

Pegar num modelo pré-treinado e especializá-lo num domínio (jurídico, médico, vocabulário interno…) com um corpus dedicado, muito mais pequeno. Menos dispendioso do que um treino completo, mais eficaz do que um simples prompt.

Um modelo pré-treinado que serve de base para numerosas aplicações.

Termo popularizado por Stanford em 2021 para designar os modelos muito grandes e versáteis (GPT-4, Claude, Gemini, Llama) que servem de base para milhares de aplicações especializadas através de fine-tuning ou de prompt.

Os modelos mais capazes num dado momento: a "vanguarda".

Subconjunto dos foundation models situados na vanguarda das capacidades, geralmente detido por 4-5 atores (OpenAI, Anthropic, Google, Meta, xAI, DeepSeek). Categoria visada pelas regulações emergentes devido ao seu impacto potencial.

Processador concebido para o cálculo paralelo massivo: a máquina da IA.

As GPU da Nvidia (H100, H200, B200) são a matéria-prima da IA generativa. A sua disponibilidade condiciona quem pode treinar o quê. A atribuição entre laboratórios tornou-se um assunto geopolítico.

Família de modelos que produzem conteúdo novo em vez de classificar.

Designa os modelos que criam — texto, imagem, áudio, vídeo, código — por oposição aos modelos puramente "discriminativos" que classificam. Foi a IA generativa que desencadeou a vaga mediática desde 2022.

A execução de um modelo já treinado para produzir uma resposta.

Enquanto um modelo é treinado uma vez, é utilizado milhares de milhões de vezes. O custo de inferência (por pedido) determina a rentabilidade de um serviço de IA. A competição joga-se cada vez mais na eficiência de inferência.

Técnica para contornar as salvaguardas de um modelo.

Prompt malicioso ou exploit que leva um modelo a infringir as suas próprias regras (gerar conteúdo proibido, divulgar o seu prompt de sistema, etc.). Os laboratórios dedicam-lhe equipas especializadas (red team) em modo adversarial permanente.

O número máximo de tokens que um modelo pode ler de uma só vez.

Mede quanta informação o modelo pode tratar simultaneamente: um prompt, um documento, o histórico de uma conversa. Os modelos modernos vão de 8.000 a 2 milhões de tokens. Para além disso, o modelo "esquece" o início.

Modelo de IA treinado para prever texto a uma escala muito grande.

Um *Large Language Model* é uma rede neuronal (geralmente um Transformer) treinada sobre enormes corpora textuais para prever a palavra seguinte. O Claude, o ChatGPT, o Gemini e o Mistral são todos LLM. O seu tamanho mede-se em parâmetros (de alguns milhares de milhões a vários biliões).

Protocolo aberto para ligar os modelos às ferramentas e aos dados.

Norma introduzida pela Anthropic no final de 2024 para normalizar a maneira como um agente de IA acede a ficheiros, API, bases de dados. Amplamente adotada pelo ecossistema: o Cursor, o Continue e a maioria dos editores de IA suportam-na.

Arquitetura em que apenas alguns "especialistas" do modelo se ativam por pedido.

Em vez de ativar todos os parâmetros para cada token, um MoE encaminha o pedido para algumas sub-redes especializadas. Permite treinar enormes modelos (vários biliões de parâmetros) mantendo um custo de inferência razoável. O GPT-4, o Mixtral e o DeepSeek-V3 utilizam esta técnica.

Modelo que trata vários tipos de entradas: texto, imagem, áudio, vídeo.

Os modelos modernos (GPT-4o, Claude 4, Gemini) já não se limitam ao texto: podem ler imagens, ouvir áudio, por vezes gerar imagens ou vídeos. A multimodalidade alarga consideravelmente o campo dos usos.

Código-fonte E pesos acessíveis, com licença permissiva de uso e modificação.

Em sentido estrito, um modelo open source publica o seu código, os seus pesos, os seus dados e os seus métodos de treino sob licença livre. Deve distinguir-se de "open weights", mais restritivo. Verdadeiros exemplos: OLMo, Pythia. Muitas vezes é confundido com open weights na imprensa.

Os pesos do modelo podem ser descarregados, mas os dados e o treino permanecem fechados.

Llama, Mistral, Qwen, DeepSeek publicam os seus pesos: qualquer pessoa pode descarregar e executar o modelo. Mas não publicam os seus corpora nem a totalidade dos seus métodos. É a definição mais comum de "abertura" em IA atualmente.

Os números internos do modelo que se ajustam durante o treino.

Um LLM moderno contém de alguns milhares de milhões a vários biliões de parâmetros, cada um um número real ajustado durante o treino. Mais parâmetros = mais capacidade, mas também mais custo de treino e de inferência.

O texto de entrada que se dá a um modelo para obter uma resposta.

Tudo o que um modelo recebe antes de responder: a tua pergunta, o contexto, as instruções de sistema, o histórico. A qualidade do prompt influencia diretamente a qualidade da saída, daí o aparecimento do "prompt engineering" como competência.

A arte de formular prompts eficazes para tirar o máximo partido de um modelo.

Conjunto de técnicas empíricas: decomposição das tarefas, exemplos inseridos (few-shot), cadeias de pensamento, papéis atribuídos. Uma competência por direito próprio, mais próxima do ofício de editor do que do de engenheiro clássico.

Reduzir a precisão numérica dos parâmetros para acelerar a inferência.

Em vez de armazenar cada parâmetro em 32 ou 16 bits, reduzem-se a 8, 4 ou mesmo 2 bits. O modelo perde um pouco de qualidade mas torna-se muito mais rápido e leve, útil para fazer funcionar LLM num portátil ou num telemóvel.

Combinar um LLM com uma pesquisa documental para fundamentar as suas respostas.

Antes de responder, o sistema procura numa base documental as passagens pertinentes e injeta-as no prompt. O modelo apoia-se então em fontes verificáveis: reduz as alucinações, permite consultar documentos internos.

Afinação de um modelo a partir de preferências humanas.

Humanos comparam duas respostas do modelo e indicam qual é melhor. O modelo aprende a produzir respostas julgadas melhores. Técnica padrão desde o ChatGPT para alinhar os LLM com as expectativas humanas.

Capacidade de um modelo para encadear várias etapas lógicas antes de responder.

Uma nova geração de modelos (o1, o3, Claude *thinking*, Gemini 2.5) leva tempo a "refletir" antes de produzir a resposta: decomposição, verificação, recuo. Maior desempenho em matemática, código, planeamento.

Equipa interna cuja missão é atacar o modelo para encontrar as suas falhas.

Prática emprestada da cibersegurança: antes de cada lançamento importante, uma equipa simula usos maliciosos (jailbreaks, vieses exploráveis, fugas de dados) para identificar e corrigir as vulnerabilidades.

Relação empírica entre o tamanho de um modelo, os seus dados, o seu cálculo e o seu desempenho.

Descobertas pela OpenAI e depois pela DeepMind (Chinchilla, 2022): duplicar os parâmetros ou os dados melhora o modelo de forma previsível. Esta regularidade justificou os investimentos massivos dos últimos cinco anos, e o seu eventual estancamento é a questão atual.

A unidade de base que um LLM manipula: uma palavra, um fragmento, um sinal.

Um LLM não vê palavras mas tokens, geralmente fragmentos de 3 a 5 caracteres. "Olá" pode ser 1 token, "anticonstitucionalmente" exige 6 ou 7. É também a unidade de faturação das API.

A arquitetura de rede neuronal que sustenta todos os grandes modelos modernos.

Introduzido em 2017 em *Attention Is All You Need* pela Google, o Transformer substitui as arquiteturas recorrentes pelo mecanismo de atenção. Toda a revolução dos LLM (GPT, BERT, Claude, Gemini) decorre dele.

A fase de aprendizagem do modelo, onde os seus parâmetros se ajustam.

Apresenta-se ao modelo enormes quantidades de dados e ajustam-se progressivamente os seus milhares de milhões de parâmetros para que produza as saídas esperadas. É a etapa mais dispendiosa: de vários milhões a várias centenas de milhões de dólares para os modelos de fronteira.

Distorção sistemática que um modelo herda dos seus dados de treino.

Os modelos reproduzem e por vezes amplificam os vieses presentes nos seus corpora: representações estereotipadas, lacunas culturais, sobrerrepresentação de certas línguas. A medição e a mitigação dos vieses é um trabalho permanente.

Domínio da IA que trata a imagem e o vídeo.

Desde o reconhecimento de objetos até à geração de imagens, passando pela análise de cenas médicas, a visão por computador está hoje integrada nos LLM multimodais mais avançados.

Realizar uma tarefa sem qualquer exemplo prévio, apenas a partir da instrução.

Capacidade emblemática dos LLM: pede-se-lhes diretamente que traduzam, resumam, classifiquem, sem nunca ter visto um exemplo da tarefa no prompt. O reverso do few-shot.