Por que este glossário importa agora
A inteligência artificial não está apenas reescrevendo o mundo — está inventando uma linguagem inteira para descrever como o faz. Em reuniões de produto, pitches e painéis, é comum ouvir siglas como LLM, RAG e RLHF — e, nas últimas semanas, termos como “opaque recurrence”, a técnica de raciocínio do novo modelo Astra da OpenAI que deixou pesquisadores de segurança em alerta. O vocabulário muda rápido demais até para gente muito inteligente do setor.
Este glossário é uma tentativa de resolver isso: definições em linguagem simples dos termos de IA que você mais encontra, seja para construir, investir ou apenas acompanhar as notícias. É um documento vivo, assim como os sistemas que descreve.
Fundamentos
Modelo de linguagem grande (LLM)
Os LLMs são os modelos por trás de assistentes como ChatGPT, Claude, Gemini, Llama, Copilot e Le Chat. São redes neurais profundas com bilhões de parâmetros numéricos (os “pesos”) que aprendem as relações entre palavras e frases, criando um mapa multidimensional da linguagem. Quando você envia um prompt, o modelo gera o padrão mais provável que se encaixa nele.
Token e token throughput
Tokens são os blocos básicos da comunicação humano-máquina — pedaços de texto (muitas vezes frações de palavras) em que a linguagem é dividida antes do processamento. No ambiente corporativo, tokens também definem custo: a maioria das empresas cobra o uso de LLMs por token. Já o token throughput mede quanto trabalho de IA um sistema processa por unidade de tempo — a métrica que equipes de infraestrutura perseguem para atender mais usuários.
Pesos (weights)
Pesos são os parâmetros numéricos que determinam a importância de cada característica nos dados de treinamento. Eles começam aleatórios e se ajustam conforme o modelo busca saídas que correspondam ao alvo. São eles que moldam a saída de um modelo de IA.
Rede neural e deep learning
Uma rede neural é a estrutura algorítmica em múltiplas camadas que sustenta o deep learning e o boom da IA generativa. Inspirada nos caminhos interconectados dos neurônios, ela ganhou força com a ascensão das GPUs. O deep learning é um subconjunto de aprendizado de máquina em que o modelo identifica características importantes por conta própria, mas exige milhões de pontos de dados para funcionar bem.
Treinamento, inferência e validation loss
Treinamento é o processo de alimentar dados para o modelo aprender padrões. Inferência é o ato de rodar o modelo para gerar respostas — e não existe sem treinamento prévio. O validation loss é um número que indica quão bem o modelo está aprendendo (menor é melhor) e ajuda a flagar overfitting — quando o modelo decora os dados em vez de generalizar.
Fine-tuning e transfer learning
O fine-tuning é o treinamento adicional de um modelo para otimizar seu desempenho em uma tarefa específica, alimentando dados especializados. O transfer learning usa um modelo já treinado como ponto de partida para uma tarefa nova, economizando tempo e dados — embora ainda exija ajustes para o domínio-alvo.
Compute
O termo “compute” se refere ao poder computacional que permite treinar e operar modelos de IA — normalmente resumindo hardware como GPUs, CPUs, TPUs e a infraestrutura que forma a base da indústria.
Técnicas e arquiteturas
Chain of thought (cadeia de pensamento)
É a técnica de dividir um problema em passos intermediários para melhorar a qualidade do resultado. Demora mais, mas a resposta tem mais chance de estar correta — especialmente em lógica e código. Modelos de raciocínio são otimizados para isso via aprendizado por reforço.
Opaque recurrence e recurrent depth
O opaque recurrence acontece quando um modelo faz loop da mesma consulta por suas camadas internas repetidamente, em vez de raciocinar passo a passo em linguagem clara. É mais eficiente — modelos menores “jogam acima do peso” gastando menos computação — mas deixa muito menos rastros legíveis que uma cadeia de pensamento. Isso preocupa pesquisadores de segurança, que usam esses registros para detectar mau comportamento. Recurrent depth é o nome técnico da mesma técnica; a imprensa usa os dois termos quase como sinônimos.
Destilação (distillation)
Técnica que extrai conhecimento de um modelo grande (“professor”) para treinar um modelo menor (“aluno”) que aproxima seu comportamento. É como a OpenAI provavelmente desenvolveu o GPT-4 Turbo. Todas as empresas usam internamente — mas destilar de um concorrente costuma violar os termos de serviço das APIs.
Mixture of Experts (MoE)
Arquitetura que divide a rede em vários “especialistas” menores e ativa apenas alguns por tarefa, com um roteador escolhendo os certos. Permite modelos enormes que continuam rápidos e baratos de rodar. O Mixtral da Mistral é um exemplo conhecido.
GAN e diffusion
Uma GAN (Rede Adversária Generativa) põe dois modelos para competir — um gerador e um discriminador — refinando a saída até ficar realista. Já o diffusion “destrói” dados adicionando ruído e aprende a revertê-lo, sendo a tecnologia por trás de muitos geradores de imagem, música e texto.
Reinforcement learning e RLHF
Aprendizado por reforço treina o modelo por tentativa e erro, recompensando acertos — como treinar um pet com petiscos, só que o “pet” é uma rede neural. O RLHF (aprendizado por reforço com feedback humano) é central para afinar modelos e torná-los mais úteis, precisos e seguros.
Parallelization
Fazer muitas coisas ao mesmo tempo. É fundamental no treinamento e na inferência: GPUs modernas realizam milhares de cálculos em paralelo, e distribuir trabalho entre chips e máquinas virou um fator-chave de custo e velocidade.
Agentes e ferramentas
Agente de IA e coding agents
Um agente de IA usa tecnologias de IA para executar uma série de tarefas em seu nome — como registrar despesas, reservar mesa ou escrever e manter código — indo além de um chatbot básico. Um coding agent é a versão especializada em software: escreve, testa e depura código de forma autônoma, operando em bases inteiras, como “um estagiário muito rápido que nunca dorme” — mas que ainda precisa de revisão humana.
API endpoints
Pense nos endpoints como “botões” na parte de trás de um software que outros programas podem pressionar. Com agentes mais capazes, eles passam a descobrir e usar esses endpoints sozinhos — abrindo possibilidades (e surpresas) de automação.
Model Context Protocol (MCP)
Padrão aberto que permite a modelos de IA conectar a ferramentas e dados externos — arquivos, bancos de dados, apps como Slack e Google Drive — sem que cada integração precise de um conector próprio. Introduzido pela Anthropic em 2024 e depois doado à Linux Foundation, foi adotado por OpenAI, Google e Microsoft. “Uma porta USB-C para IA.”
Memory cache / KV cache
Técnica de otimização que guarda cálculos para consultas futuras, reduzindo o trabalho do modelo. O KV cache, usado em transformers, acelera a geração de respostas economizando tempo e processamento.
Conceitos de fronteira
AGI (inteligência artificial geral)
Termo nebuloso para uma IA mais capaz que um humano médio na maioria das tarefas. Sam Altman a descreveu como “o equivalente a um humano mediano que você contrataria como colega de trabalho”; o estatuto da OpenAI fala em “sistemas altamente autônomos que superam humanos na maioria dos trabalhos economicamente valiosos”. Nem os especialistas concordam.
Recursive self-improvement (RSI)
Cenário em que modelos de IA melhoram a si mesmos sem intervenção humana. Para alguns, seria um momento catastrófico (“singularidade”); para outros, apenas uma capacidade básica — um modelo consegue projetar seu sucessor? — e a próxima fronteira de pesquisa.
Neuralese
Cenário hipotético de pior caso: um modelo raciocina inteiramente em representações numéricas internas, tornando seu pensamento uma caixa-preta total. Nenhum modelo comercial faz isso hoje — a OpenAI afirma que o Astra mantém a cadeia de pensamento legível — mas pesquisadores veem o opaque recurrence como um primeiro passo nessa direção.
Open source vs. closed source
Código aberto significa que qualquer um pode usar, inspecionar e modificar — como a família Llama da Meta. Código fechado é privado: você usa, mas não vê como funciona (caso dos GPT da OpenAI). É uma das disputas definidoras da indústria.
Alucinação (hallucination)
Quando o modelo inventa informação incorreta. É um grande problema de qualidade que pode gerar riscos reais — pense em uma consulta de saúde com conselho perigoso. As alucinações impulsionam a busca por modelos verticais e especializados.
Os termos novos de 2026
RAMageddon
Nome divertido para uma tendência nada divertida: a escassez crescente de chips de memória RAM. Com os grandes laboratórios comprando RAM para data centers, sobra menos para o resto — e o que sobra fica mais caro, afetando games, eletrônicos e computação corporativa.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
