Há três palavras que quase todo mundo usa como se fossem intercambiáveis: inteligência artificial, machine learning e deep learning. São ditas na mesma frase, substituídas uma pela outra sem remorso, e o resultado é uma névoa em que já ninguém sabe do que se está falando. A confusão não é boba: as três descrevem coisas reais e aparentadas. Mas não são a mesma coisa, e a relação entre elas tem uma forma precisa, quase geométrica.
A forma é esta: três círculos, um dentro do outro. O maior é a inteligência artificial. Dentro dele, menor, está o machine learning. E dentro desse, menor ainda, o deep learning. Cada círculo contém por completo o seguinte. Não se sobrepõem pela metade nem competem: se aninham. Entender esse aninhamento é entender do que falamos quando falamos de IA.
01 · o círculo grandeInteligência artificial: a ambição, não o método
A inteligência artificial é o círculo exterior, e é o mais antigo dos três. O termo foi cunhado em 1956, num seminário de verão no Dartmouth College, onde um grupo de pesquisadores propôs estudar como fazer as máquinas "usarem a linguagem, formarem abstrações e resolverem problemas reservados aos humanos" [1]. Repare na ambição do enunciado: ele não diz como. Diz o que se quer alcançar.
Essa é a chave para não se perder. A IA não é uma técnica; é um objetivo. É o nome que damos a qualquer tentativa de fazer uma máquina realizar algo que, quando um humano faz, chamamos de inteligente: jogar xadrez, traduzir um texto, reconhecer um rosto, planejar uma rota. O como pode ser qualquer coisa. Durante décadas, boa parte da IA não aprendia nada: eram regras escritas à mão por especialistas, longas listas de "se acontecer isto, faça aquilo". Um programa que joga damas seguindo regras fixas é inteligência artificial, e não há uma única linha de aprendizado nele.
A inteligência artificial é uma meta, não uma receita. Nomeia o que queremos, não a maneira de consegui-lo.
Quando alguém diz "isto usa IA", a rigor não disse quase nada: nomeou o círculo maior. É como dizer que um prato "usa cozinha". A pergunta interessante é sempre a de dentro: aprende com dados, ou segue regras que alguém escreveu? Aí começa a distinção real.
02 · o círculo médioMachine learning: quando a máquina aprende com exemplos
O segundo círculo, dentro do primeiro, é o machine learning, o aprendizado automático. E aqui ocorre a virada conceitual mais importante da história recente do campo. Em vez de escrever as regras à mão, mostram-se à máquina muitos exemplos e deixa-se que ela encontre as regras por conta própria.
A definição clássica é de Arthur Samuel, que em 1959 descreveu o machine learning como o campo que dá aos computadores "a capacidade de aprender sem serem programados explicitamente" [2]. Você não diz ao programa como distinguir um e-mail lixo de um legítimo. Você lhe dá dez mil e-mails já classificados e ele ajusta seus parâmetros até acertar. O paradigma muda: de programar a solução a programar um sistema que aprende a solução.
O próprio Samuel deu o exemplo canônico: um programa que jogava damas e melhorava jogando contra si mesmo, até vencer o seu criador. Esse programa era, ao mesmo tempo, inteligência artificial (o círculo grande) e machine learning (o médio). Todo machine learning é inteligência artificial. Mas nem toda inteligência artificial é machine learning: as regras escritas à mão da seção anterior vivem no círculo grande e fora do médio.
Dentro do machine learning convivem muitas famílias de métodos: árvores de decisão, regressões, máquinas de vetores de suporte, e também as redes neurais. Quase todas compartilham a mesma anatomia: dados de entrada, um modelo com parâmetros ajustáveis, e um processo que afina esses parâmetros para reduzir o erro. O que muda de uma família para outra é a forma do modelo e como ele é ajustado.
03 · o círculo pequenoDeep learning: redes neurais com muitas camadas
O círculo mais interno é o deep learning, o aprendizado profundo. Não é um rival do machine learning: é uma parte dele. Concretamente, é o machine learning feito com redes neurais de muitas camadas. Esse é todo o mistério da palavra "profundo": refere-se à profundidade da rede, ao número de camadas empilhadas entre a entrada e a saída.
Por que a profundidade muda algo? Porque cada camada aprende a representar o dado num nível de abstração um pouco mais alto que o anterior. Numa rede que reconhece imagens, as primeiras camadas detectam bordas e manchas de cor; as intermediárias, formas como olhos ou rodas; as últimas, objetos completos. Ninguém programa essa hierarquia: ela emerge do treinamento. Como resumiram LeCun, Bengio e Hinton em seu artigo de 2015, o deep learning permite que um modelo com muitas camadas descubra por si mesmo as representações necessárias, sem que um humano projete à mão as características a observar [3].
"Profundo" não é um elogio nem uma metáfora: conta camadas. É machine learning com redes de muitas camadas empilhadas.
A técnica não é nova (as redes neurais existem desde meados do século XX), mas durante décadas foram uma curiosidade marginal. O que mudou foi uma conjunção prática: surgiram enormes quantidades de dados e chegou o hardware para processá-los. O momento simbólico costuma ser datado em 2012, quando uma rede profunda chamada AlexNet venceu por uma margem enorme uma competição de reconhecimento de imagens e deixou claro que, com dados e computação suficientes, a profundidade vencia [4]. Desde então, quase tudo o que associamos à "IA moderna" (os assistentes que falam, os geradores de imagens, os modelos de linguagem) vive neste círculo pequeno.
| Sistema | IA? | Machine learning? | Deep learning? |
|---|---|---|---|
| Regras "se… então" escritas à mão | Sim | Não | Não |
| Árvore de decisão sobre dados de clientes | Sim | Sim | Não |
| Filtro de spam por regressão | Sim | Sim | Não |
| Reconhecedor de imagens (AlexNet) | Sim | Sim | Sim |
| Modelo de linguagem grande (LLM) | Sim | Sim | Sim |
04 · o reflexoComo saber qual é qual na vida real
Com os três círculos na cabeça, na próxima vez que alguém misturar os termos você tem um método rápido para ordená-los. Faça a si mesmo três perguntas, de fora para dentro.
Tenta fazer algo que chamaríamos de inteligente? Se sim, é inteligência artificial. Isso basta para o círculo grande; não distingue quase nada, mas situa o terreno.
Aprende com dados, ou segue regras que alguém escreveu? Se aprende com exemplos e ajusta seus parâmetros sozinho, você entrou no círculo médio: é machine learning. Se, em vez disso, executa regras fixas escritas por uma pessoa, fica no círculo grande e fora do médio.
Esse aprendizado usa redes neurais de muitas camadas? Se sim, você chegou ao círculo pequeno: é deep learning. Se aprende, mas com árvores, regressões ou outros métodos sem camadas profundas, é machine learning que não é deep learning.
Nada disso exige saber matemática nem programar. Exige lembrar a forma: três círculos, um dentro do outro, do mais ambicioso e antigo ao mais específico e recente. A inteligência artificial é a pergunta: pode uma máquina fazer isto? O machine learning é uma resposta: que aprenda com exemplos. E o deep learning é a versão dessa resposta que, por ora, funciona melhor quando há dados e computação de sobra: empilhar camadas e deixar a máquina descobrir sozinha em que reparar.
Fontes
- McCarthy, J., Minsky, M., Rochester, N. & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Reimpresso em AI Magazine 27(4), 2006, pp. 12-14. Ato fundacional do termo "inteligência artificial".
- Samuel, A. L. (1959). Some Studies in Machine Learning Using the Game of Checkers. IBM Journal of Research and Development, 3(3), pp. 210-229. doi:10.1147/rd.33.0210.
- LeCun, Y., Bengio, Y. & Hinton, G. (2015). Deep Learning. Nature, 521, pp. 436-444. doi:10.1038/nature14539.
- Krizhevsky, A., Sutskever, I. & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems (NeurIPS), vol. 25. (Rede conhecida como "AlexNet".)