Inteligência artificial 📖 Wikipedia

 Nota: "IA" redireciona para este artigo. Se procura o filme de 2001, veja A.I. - Inteligência Artificial. Se procura outros significados, veja IA (desambiguação).

Este artigo ou parte dele incorpora textos gerados por inteligência artificial.

Inteligência artificial (frequentemente abreviada por IA ou AI, do inglês Artificial Intelligence) é, de forma genérica, a capacidade de máquinas demonstrarem inteligência, raciocínio e aprendizado de forma semelhante ao pensamento humano.^[1][2] O campo busca desenvolver máquinas autónomas ou sistemas especialistas capazes de simular o comportamento humano e realizar tarefas complexas de forma independente.^[3] 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.^[1][4] 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.^[5]

A história da IA remonta à década de 1950, fundamentada em conceitos que remontam ao filósofo grego Aristóteles. Em 1950, o matemático inglês Alan Turing teorizou sobre a possibilidade de uma máquina pensar e imitar o comportamento humano inteligente, esboçando uma proposta de pesquisa pioneira para tornar este objetivo viável,^[6] uma visão partilhada por pesquisadores contemporâneos como Herbert Simon. Fundada oficialmente como disciplina académica em 1956,^[7] a inteligência artificial passou por múltiplos ciclos de otimismo ao longo de sua história,^[8] intercalados por períodos de estagnação e perda de financiamento ("invernos da IA"). O interesse e os recursos aumentaram substancialmente a partir de 2012, quando a aprendizagem profunda superou os modelos tecnológicos anteriores. Este crescimento acelerou após 2017^[9] e, no início da década de 2020, o setor recebeu investimentos de milhares de milhões de dólares, consolidando um rápido progresso conhecido como o boom da IA. Contudo, o surgimento da IA generativa avançada trouxe consigo debates sobre consequências não intencionais no presente e preocupações quanto aos riscos da IA no futuro, impulsionando discussões globais acerca de políticas regulatórias voltadas para a segurança e os benefícios da tecnologia.

As aplicações de IA modernas incluem mecanismos avançados de busca na web (como o Google Search); sistemas de recomendação (utilizados por plataformas como YouTube, Amazon e Netflix); assistentes virtuais (como Google Assistant, Siri e Alexa); veículos autónomos (como os da Waymo); ferramentas generativas e criativas (como ChatGPT, DeepSeek e AI art); além de análises e desempenhos sobre-humanos em jogos de estratégia como xadrez e Go. No entanto, muitas destas tecnologias deixam de ser percebidas como IA à medida que se tornam comuns no quotidiano.^[10][11] Exemplos disto incluem o reconhecimento ótico de caracteres (OCR) para extração de texto em imagens,^[1] a transformação de conteúdos não estruturados em dados legíveis e os sistemas automáticos de tradução de texto e de voz.^[4]

Por ser uma área multidisciplinar, a IA abrange campos como a ciência da computação, estatística, engenharia de hardware e de software, linguística, neurociência e filosofia.^[1] Os seus subcampos focam-se em objetivos e ferramentas específicas. As metas tradicionais da investigação em IA englobam o raciocínio, a representação de conhecimento, o planeamento, a aprendizagem, o processamento de linguagem natural, a perceção e o suporte à robótica. A longo prazo, destaca-se o desenvolvimento da inteligência geral — a capacidade de uma máquina realizar qualquer tarefa humana com um nível de eficiência pelo menos equivalente.^[12] Para alcançar tais propósitos, os investigadores integram técnicas de otimização matemática, lógica formal, redes neurais artificiais e métodos baseados em estatística, pesquisa operacional, economia e psicologia.^[13]

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.^[3] 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.^[14] 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.^[14]

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.^[15] 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.^[16] O matemático também esboçou uma proposta de pesquisa para tornar esse cenário viável.^[16] 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.^[17]

O sucesso inicial prosseguiu em 1957 com o General Problem Solver (GPS, Solucionador de Problemas Gerais), desenvolvido por Herbert Simon e Allen Newell. O programa foi projetado para imitar os protocolos humanos de resolução de problemas.^[18] Dentro da classe limitada de quebra-cabeças com que conseguia lidar, o programa reproduzia a mesma ordem de abordagem que os seres humanos utilizavam.^[18] Desse modo, o GPS tornou-se o primeiro software a incorporar a premissa de “pensar de forma humana”.^[18]

Em 1961, as teses de Turing foram retomadas por Herbert Simon e Allen Newell no artigo "The Simulation of Human Thought", que abordava o teste de uma teoria de resolução de problemas por parte de seres humanos.^[16] Esta teoria procurava explicar os aspectos dos processos mentais responsáveis pela inteligência humana, integrando um projeto de estudos conhecido como Projeto de Simulação Cognitiva.^[16]

Atualmente, a IA abrange uma enorme variedade de subcampos, dentre os quais se destaca o estudo de modelos conexionistas ou redes neurais. Uma rede neural consiste em um modelo matemático simplificado que simula a estrutura e o funcionamento do cérebro humano.^[19]

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.^[20]

Existem duas abordagens principais para a criação de sistemas de inteligência artificial: o simbolismo e o conexionismo.^[21]

O Simbolismo, ou IA Simbólica,^[22] 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.^[22]

O Conexionismo, ou IA Conexionista, baseia-se em um modelo matemático inspirado no funcionamento dos neurônios^[23] e depende do aprendizado de máquina alimentado por grandes massas de dados para calibrar o seu modelo, que inicialmente opera com parâmetros aleatórios.^[24] Essa abordagem, embora proposta nos primórdios da computação, enfrentou limitações históricas pela falta de computadores potentes o suficiente para modelar problemas complexos, restringindo-se inicialmente ao sucesso no reconhecimento de padrões específicos. Esse cenário mudou drasticamente a partir da década de 2010, com resultados extremamente expressivos no final daquele período e no início da década de 2020. O salto tecnológico foi impulsionado por modelos baseados em bilhões de parâmetros, como o GPT-3,^[25] e pela consolidação de conceitos como Redes Neurais Profundas, Transformers^[26] e mecanismos de Atenção.^[27]

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".^[28] Por sua vez, John McCarthy, que cunhou o termo em 1956 durante a Conferência de Dartmouth,^[29] 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.

Nas últimas décadas, o campo expandiu-se para incluir subáreas como o aprendizado de máquina, as redes neurais artificiais, o processamento de linguagem natural e a visão computacional. Atualmente, observa-se uma ênfase crescente em técnicas estatísticas, métodos conexionistas e abordagens híbridas que combinam modelos simbólicos e aprendizagem profunda (*deep learning*).^[30] O ramo também pode ser definido como a vertente da ciência da computação que se ocupa do comportamento inteligente^[31] ou, complementarmente, como o estudo de como fazer os computadores realizarem tarefas que, no momento, os seres humanos fazem melhor.^[32]

Não existe uma teoria ou paradigma unificador que oriente a pesquisa em IA, e os pesquisadores divergem sobre várias questões fundamentais.^[33] Entre as interrogações históricas que permanecem em aberto, destacam-se as seguintes:

• Simulação vs. Engenharia: A inteligência artificial deve simular a inteligência natural com base em estudos da psicologia ou da neurociência? Ou a biologia humana seria tão irrelevante para a IA quanto a biologia das aves é para a engenharia aeronáutica?
• Princípios Simples vs. Complexidade: O comportamento inteligente pode ser descrito por meio de princípios simples e elegantes (como a lógica ou a otimização)? Ou ele exige, necessariamente, a resolução de um vasto conjunto de problemas totalmente independentes entre si?
• Modelos Simbólicos vs. Sub-simbólicos: A inteligência pode ser reproduzida por meio de símbolos de alto nível, semelhantes a palavras e ideias? Ou ela requer um processamento "sub-simbólico" de baixo nível?^[34]

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.^[35]

A inteligência artificial pode ser categorizada tanto pelo seu nível de capacidade e autonomia (tipos) quanto pelas áreas tecnológicas de desenvolvimento (subcampos).

A IA limitada, estreita ou fraca (conhecida em inglês como *Narrow AI*^[36]) refere-se a sistemas projetados para executar tarefas específicas após receberem treinamento humano.^[37] 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.^[36]

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.^[37] 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.^[38]

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,^[38] 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.^[38] 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.^[38]

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.

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).^[37] 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.^[37]

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.^[37] O termo é emprestado da psicologia, área na qual define a habilidade humana de discernir o estado mental de terceiros e prever suas ações.^[37]

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.^[37]

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.^[39][40][41]

• Aprendizado de máquina (Machine Learning): Subcampo focado no desenvolvimento de algoritmos que permitem aos computadores identificar padrões em grandes volumes de dados e aprender a realizar tarefas sem programação explícita.
• Redes neurais artificiais: Estruturas computacionais inspiradas na organização matemática dos neurônios biológicos para simular processos cerebrais. São aplicadas, por exemplo, em mecanismos de busca para mapear sinônimos e contextos conceituais, refinando os resultados exibidos.^[42]
• Processamento de linguagem natural (NLP): Área que viabiliza a comunicação entre computadores e seres humanos por meio de idiomas naturais. Assistentes virtuais como Alexa e Siri utilizam essa tecnologia integrando-a a sistemas de inteligência limitada (ANI) para executar comandos específicos.^[42]
• Visão computacional: Subdomínio voltado à análise, processamento e descrição de imagens e vídeos, permitindo o reconhecimento de objetos, detecção de movimentos e o mapeamento de ambientes físicos.^[37]
• Robótica autônoma: Desenvolvimento de sistemas físicos inteligentes capazes de coletar dados ambientais (como umidade e temperatura), identificar objetos e navegar de forma independente em diferentes espaços. Um exemplo proeminente inclui o desenvolvimento de robôs humanoides bípedes pela empresa Figure AI, projetados para colaborar diretamente com seres humanos em ambientes industriais.^[37]

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.^[43]

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;^[44] 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.^[45][46][47] 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.^[48] (ver: Rebelião das máquinas).

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.^[49] 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.^[50] 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.^[49]

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.^[51][52] Para estes autores, os pressupostos teóricos de que uma máquina pode desenvolver uma consciência análoga à humana são logicamente insustentáveis.^[53]

Searle formulou o contra-argumento do Quarto Chinês, concebido para inverter as conclusões do Teste de Turing.^[54] 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.^[55]

Dreyfus, na sua obra O que os computadores ainda não conseguem fazer: Uma crítica ao raciocínio artificial, argumentou que a consciência não pode emergir de sistemas puramente assentes em regras lógicas, exigindo a inserção num corpo físico que interaja com o mundo. Contudo, o autor admitiu a possibilidade de sistemas robóticos baseados em Redes Neuronais virem a simular a inteligência com maior eficácia,^[52] aproximando-se do conceito de IA fraca. No desenvolvimento histórico da área, Marvin Minsky, figura central do MIT e autor de Sociedade da Mente, defendeu inicialmente uma IA linear imitadora da mente humana, embora o seu feito prático mais notável tenha sido a construção do Snark, o primeiro computador baseado em redes neurais.^[56]

Críticas contemporâneas acrescentam que a tecnologia atual ainda não compreende nem replica a criatividade do cérebro humano, cujo funcionamento biológico permanece largamente desconhecido, tornando o objetivo da IA forte intangível a curto prazo.^[57] Paralelamente ao debate conceptual, o uso prático de sistemas avançados de IA fraca trouxe novos riscos éticos e sociais, tais como o uso de técnicas de deepfake para a realização de burlas, potenciais falhas de segurança com fuga de dados e o risco de acidentes severos no desenvolvimento de veículos autónomos.^[58]

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.^[59][60]

A tecnologia de IA e de aprendizagem automática é utilizada muitas das aplicações utilizadas atualmente, incluindo:

• motores de pesquisa (como a Pesquisa Google);^[65]
• direcionamento de anúncios online;^[66]
• sistemas de recomendação (oferecidos pela Netflix, YouTube^[67] ou Amazon);^[68]
• assistentes virtuais (como a Siri ou a Alexa);^[69]
• veículos autónomos (incluindo drones^[70], ADAS^[71] e carros autónomos^[72]);
• tradução automática de línguas (Microsoft Translator^[73], Google Tradutor^[74]);
• reconhecimento facial (o FaceID da Apple^[75], o DeepFace da Microsoft^[76] ou o FaceNet do Google^[77]);
• Rotulagem de imagens (utilizada pelo Facebook^[78], pelo Fotos da Apple^[79] e pelo TikTok^[80]).

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.^[81]

Foi sugerido que a IA pode ajudar a superar as discrepâncias no financiamento atribuído a diferentes áreas de investigação.^[84] O AlphaFold 2 (2021) demonstrou a capacidade de aproximar, em horas em vez de meses, a estrutura 3D de uma proteína.^[85] 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.^[86] 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.^[87][88]

Programas de desenvolvimento de jogos têm sido utilizados desde a década de 1950 para demonstrar e testar as técnicas mais avançadas de IA.^[89] 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.^[90] 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.^[91] 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.^[92] Outros programas lidam com jogos de informação imperfeita, como o programa de póquer Pluribus.^[93] 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.^[94] 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.^[95] 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.^[96] 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.^[97]

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.^[98] 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.^[99]

Quando se utiliza a linguagem natural para descrever problemas matemáticos, é possível recorrer a conversores para traduzir esses enunciados para linguagens formais — como o assistente de prova Lean —, permitindo assim definir tarefas matemáticas complexas. O modelo experimental Gemini Deep Think aceita instruções diretamente em linguagem natural, tendo alcançado resultados equivalentes a uma medalha de ouro nas Olimpíadas Internacionais de Matemática de 2025.^[100]

Por sua vez, a aprendizagem profunda topológica integra diversas abordagens topológicas ao processamento de dados.^[101]

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».^[102]

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.^[103][104]

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.^[105]

A concentração de capacidades tecnológicas em poucas empresas e países também é alvo de debate, dado o risco de aprofundar desigualdades económicas e sociais.^[106] Estas questões têm impulsionado propostas para políticas de requalificação profissional, regulação de algoritmos e desenvolvimento ético da IA, de modo a equilibrar eficiência tecnológica e justiça social.^[107]

No âmbito da normalização técnica internacional, a Organização Internacional de Normalização publicou em dezembro de 2023 a ISO/IEC 42001, primeira norma para Sistemas de Gestão de Inteligência Artificial (SGAI). Ela estabelece requisitos para que organizações desenvolvam, implantem e operem sistemas de IA de forma responsável e rastreável, sendo adotada no Brasil como ABNT NBR ISO/IEC 42001:2024.^[108]

• Ablação (inteligência artificial)
• Alinhamento da inteligência artificial
• Lista de projetos de inteligência artificial
• Segurança da inteligência artificial
• OpenAI
• OpenAI Codex
• Realidade simulada
• Robocode
• Transferência de energia sem fio

Referências

O Wikiquote tem citações relacionadas a Inteligência artificial.

• «Programa do governo para defender suas questões». (em português) 
• «American Association for Artificial Intelligence» (em inglês) 
• História da IA no YouTube

• Portal das tecnologias de informação
• Portal da tecnologia
• Portal da filosofia
• Portal da sociedade
• Portal da ciência