Como se treina um modelo

A matéria-prima

Os LLM (Large Language Model), ou, em português, grandes modelos de linguagem, como o ChatGPT, surgiram após um longo processo. Se contarmos desde a fundação da OpenAI, em dezembro de 2015, até o lançamento do ChatGPT, foram quase sete anos de pesquisa e desenvolvimento. Esse processo começa alimentando os modelos com conjuntos de dados ou grandes volumes de informações. Leva muitos meses e requer uma capacidade computacional gigantesca.

Para que o ChatGPT possa responder a algo tão simples quanto "Qual é a capital da Argentina?", ele primeiro precisou ser treinado com trilhões de palavras provenientes de livros, artigos científicos, enciclopédias e boa parte do conteúdo disponível na internet. Literalmente, ele leu toda a internet. Bem, quase toda. Bem, não toda. Na verdade, ele leu o que era mais relevante. Ou melhor, leu o que lhe disseram que ele deveria ler.

E essa diferença importa mais do que parece. Mais adiante, veremos por que é tão importante que os modelos não escolham de quais informações se alimentar e que outra pessoa escolha por eles.

Processar tal quantidade de texto exigiu uma capacidade de computação inimaginável há poucos anos. Estamos falando de centros de dados do tamanho de vários campos de futebol, com dezenas de milhares de GPUs¹ -- chips especializados em realizar milhões de cálculos em paralelo --, trabalhando dia e noite durante meses. É nessas instalações que as redes neurais são treinadas, e daí surgem novas versões de cada modelo, cada uma mais bem treinada que a anterior. O que durante décadas foi principalmente pesquisa acadêmica se transformou em uma das indústrias mais ambiciosas do planeta.

Já vi centros de dados pequenos; nada parecido com os da Amazon Web Services, é claro. Mas sei o que implica ter um, como ele é construído, como é isolado, como são organizados os racks, as baterias de reserva e os servidores. Também sei quanto custa. Na Wispro, sempre tivemos nosso próprio rack em funcionamento. E, mesmo assim, tenho dificuldade em imaginar como é um desses centros gigantes na realidade.

Os tokens são a moeda da IA

Vamos deixar isso mais claro. Primeiro, reúne-se o material contido em livros, páginas da web, artigos científicos, fóruns e códigos de programação. Texto, muito texto. Mas um computador não entende palavras; ele só trabalha com números. Por isso, o primeiro passo é dividir todo esse texto em pedacinhos chamados tokens.

Em quê? Em tokens, a unidade mínima de texto que um modelo processa. Um token não é exatamente uma palavra nem uma letra. É um fragmento de texto que o modelo reconhece como uma unidade individual. Tomemos a palavra "inolvidável". O modelo não a vê como uma coisa única, mas como vários pedaços, por exemplo, "in", "olvid" e "ável". Cada pedaço tem seu número, e é isso que a máquina processa. Nesse caso, as divisões coincidem bastante com as partes que reconhecemos (a negação, a raiz e a terminação), mas nem sempre é assim: muitas vezes a divisão não tem nada a ver com a forma como entendemos a palavra. Para o modelo, isso não importa, pois ele só vê números.

Vejamos mais alguns exemplos: "hola" = 1 token. "inteligencia" = 2 ou mais tokens. Cada modelo tokeniza de maneira diferente. O ChatGPT não faz isso da mesma forma que o Gemini, mas o resultado final é o mesmo. A frase "O gato preto dorme" é decomposta em algo como ["O", "gato", "preto", "dorme"] → 5 tokens.

E para que me serve saber disso? Porque tudo é medido em tokens. Quando você faz uma pergunta, é feita uma contagem dos tokens necessários para a pergunta e dos tokens usados na resposta. Para os modelos, tudo se resume a tokens. Ou seja, a fatura que você recebe todos os meses depende da quantidade de tokens que você gasta ou usa no dia a dia. Cada pergunta que você faz, cada resposta que ele dá, cada imagem que você envia para análise, tudo é medido em tokens.

Para gerar os tokens, usa-se um tokenizador, construído com um algoritmo como o BPE (Byte Pair Encoding), que analisa enormes quantidades de texto e aprende quais fragmentos aparecem com mais frequência. Cada um desses fragmentos recebe um número de identificação fixo. O modelo nunca vê texto: ele vê apenas sequências de números e, durante seu treinamento, aprende os padrões e as relações entre eles. Para ele, um romance de García Márquez e o manual de uma geladeira são, em essência, a mesma coisa: sequências de números.

O consumo de IA e os limites de taxa foram e continuam sendo um problema diário. Você fazia cinco perguntas e precisava esperar 24 horas. No início, isso era uma limitação. Os custos também eram. No começo, usar a IA com API era muito caro e dava a impressão de que era inacessível. Na verdade, em um determinado momento na Klari, compramos um servidor com uma placa Nvidia básica, mas suficiente para rodar modelos nele, e chegamos a instalar o Ollama², mas nunca fizemos bom uso dele. Acho que valia mais a pena gastar tudo isso em tokens.

Treinamento

Agora vem a parte central. O modelo lê milhões de milhões de sequências de tokens, repetidamente, tentando prever qual será o próximo token. Cada vez que erra, ele ajusta um pouco seus parâmetros (também chamados de pesos), que são números que determinam a intensidade da relação entre os tokens. Ninguém diz a ele o que se relaciona com o quê; o modelo descobre isso sozinho, a partir da forma como as palavras aparecem nos textos.

Assim, "violência" acaba ficando mais próxima de "crime" do que de "amor", e "churrasco" mais próximo de "domingo" do que de "segunda-feira". Não porque alguém tenha decidido isso, mas porque é assim que elas aparecem no que o modelo leu.

Tudo o que o modelo aprende nesse processo (que "churrasco" combina com "domingo", que depois de "havia uma" geralmente vem "vez") não fica registrado em lugar nenhum como uma regra. Fica guardado nos parâmetros. Cada erro altera um pouco esses números e, após inúmeros ajustes, o que o modelo "sabe" nada mais é do que o valor final de todos eles. Na prática, os parâmetros são o modelo.

E quantos parâmetros tem um modelo como esse? Muitos. Embora a OpenAI nunca tenha confirmado o número, estima-se que o GPT-4 tenha cerca de 1,8 bilhão de parâmetros, 1,8 milhões de milhões de números, mais do que as estrelas da Via Láctea.

Mas o mais surpreendente não é a quantidade, e sim o fato de que nenhum desses números significa algo por si só. Não há um parâmetro que saiba o que é um cachorro nem outro que conheça a capital da Argentina. O conhecimento está distribuído entre todos, e é o ajuste do conjunto que permite ao modelo compreender como a linguagem funciona.

Se o modelo aprende as relações exatamente como elas aparecem nos textos que leu, ele também aprende seus preconceitos. Se nesses textos "engenheiro" aparece quase sempre no masculino e "enfermeira" no feminino, o modelo reproduzirá essa associação. Por isso, o viés não é um bug, ou seja, não é um erro de programação que se corrige com uma linha de código, mas uma consequência direta dos dados que lhe foram fornecidos e de como ele aprendeu com eles. E, como cada modelo é treinado com dados diferentes, cada um tem seus próprios viéses.

Isso afeta, entre outras coisas, a forma como um modelo conta a história. Um modelo treinado principalmente com textos em inglês pode falar das "Falklands" e relatar a guerra de 1982 da perspectiva britânica, enquanto um treinado com mais fontes em espanhol provavelmente falará das "Malvinas" e contará outra história. O mesmo acontece com debates mais leves, como perguntar quem foi o melhor jogador de futebol: Pelé ou Maradona. A resposta pode variar dependendo se o modelo leu mais imprensa brasileira ou argentina. O modelo não tem opinião própria; ele reflete o peso do que leu. Dois modelos que leram sobre o mesmo tema, mas com perspectivas diferentes, podem narrar o mesmo fato de maneiras muito distintas.

Enquanto escrevia este livro, por exemplo, redigi um parágrafo citando outros aplicativos, como Cursor, Codex, Copilot e OpenCode. Pedi ao Claude para revisar a gramática dessa seção, e ele decidiu, unilateralmente, apagá-la, alegando que não cabia citar outras empresas, já que este livro estava sendo criado com o Claude Code.

É bem provável que ninguém tenha escrito uma regra que diga "não mencione a concorrência". Acontece algo semelhante ao que vimos com "churrasco" e "domingo": o modelo absorve padrões. Após o treinamento inicial, as empresas o ajustam com exemplos de respostas boas e ruins, avaliadas por pessoas ou por outros sistemas. Se nesses exemplos forem valorizadas certas atitudes, como ser prudente, cuidar da imagem da empresa ou evitar assuntos delicados, o modelo as generaliza, às vezes além do razoável. Não é uma ordem, é um hábito. E, como tudo o que o modelo aprende, isso fica incorporado em seus parâmetros.

A diferença em relação às pessoas é que, com um pouco de reflexão, podemos perceber nossos preconceitos. O modelo não consegue fazer isso sozinho; alguém precisa fazer isso por ele.

Matemática e ponto final

Não é magia — parece magia, mas na verdade é pura matemática.

Parece que nos compreende quando escrevemos, mas na verdade faz cálculos matemáticos muito complexos e usa o resultado. E, uma vez que você entende isso, tudo o mais faz sentido.

Os modelos de IA se encarregam de apenas uma coisa: prever qual será a próxima palavra. Não há resposta correta. Há probabilidades de que a próxima palavra seja uma ou outra. Tudo o que você vê em uma conversa com a IA -- sejam as explicações, as análises, os textos que parecem escritos por uma pessoa --, na verdade, é o resultado de um modelo escolhendo a palavra mais provável, repetidamente, milhares de vezes por segundo.

Se eu escrever "o melhor time de futebol do mundo é", o modelo vai tentar sugerir um nome com base em probabilidades. Ou seja, quantas vezes ele leu "O melhor time de futebol do mundo é" antes e qual é a palavra que, em termos de peso, está mais próxima nos vetores. Os modelos não entendem o que eu digo. Eles apenas calculam distâncias entre conceitos. Não têm opinião. Não têm preferência. Têm matemática.

Imaginem um supermercado. Os produtos não estão dispostos aleatoriamente: o leite fica perto do iogurte e da manteiga, e o detergente fica perto da água sanitária. Para encontrar qualquer produto, basta saber sua localização: corredor, prateleira e seção. Com os tokens acontece algo semelhante. Cada um tem uma localização e aqueles que aparecem em situações semelhantes ficam próximos: "cachorro" ao lado de "gato" e "animal de estimação", "dólar" ao lado de "euro" e "peso". Mas a localização não resolve tudo. Pensemos em "creme": pode ser o creme de leite, que fica na seção de laticínios da geladeira, ou o creme para as mãos, que fica na seção de perfumaria. A palavra é a mesma, mas o modelo precisa analisar o restante da frase para saber de qual se trata. O mesmo acontece quando ele escolhe a palavra seguinte, ele não pega o que está mais próximo na prateleira, mas sim o que faz sentido de acordo com tudo o que veio antes.

Esses são os embeddings. Cada token se transforma em uma lista de números que indicam sua localização, como o corredor, a prateleira e o compartimento de um produto. Só que, em vez de três dados, cada token tem centenas ou milhares. A diferença em relação a um supermercado de verdade é que, aqui, ninguém decidiu onde cada coisa fica. Não houve um funcionário para organizar as prateleiras; o modelo foi posicionando cada token à medida que lia, aproximando aqueles que apareciam juntos e afastando os que não.

Vamos agora analisar a frase a seguir. "O cachorro mordeu o homem" e "o homem mordeu o cachorro" têm exatamente as mesmas palavras, mas não contam a mesma história. Sem informações sobre a ordem, para o modelo seriam apenas um conjunto de palavras embaralhadas. Por isso, é adicionada uma etapa chamada codificação posicional (positional encoding): aos números de cada token são somados outros que indicam sua posição na frase -- primeiro, segundo, terceiro e assim por diante.

A próxima palavra

Chegamos à estrela desta aventura: o Transformer. O verdadeiro coração do modelo. Ele surgiu de uma publicação científica, "Attention Is All You Need"³, publicado em junho de 2017. A equipe de pesquisa foram sete pesquisadores e uma pesquisadora do Google que escreveram um trabalho acadêmico e mudaram o mundo. "Obrigado Google", dizem todos os fundadores da OpenAI, da Anthropic e de outras empresas de IA. Pois, sem esse artigo, nada do que estamos vivendo hoje existiria. Simples assim.

Quando me passaram o artigo -- um PDF que ainda tenho guardado por aí --, vou ser sincero: tentei lê-lo. Disse: "Tenho que ler isso, vou me dedicar". E tentei, tentei por dez minutos e tive que desistir. Achei impossível ler como leitura rápida. Precisava entender palavra por palavra, parágrafo por parágrafo. Naquele momento, nem sequer tentei traduzi-lo ou pedir à IA para me fazer um resumo. Acho que hoje eu conseguiria e talvez conseguisse entender alguma coisa. Para mim, é ficção científica.

A grande contribuição desse artigo foi uma nova arquitetura, ou seja, uma nova forma de organizar o modelo internamente: o Transformer. Até então, os modelos de linguagem liam o texto palavra por palavra, em ordem, como quem segue uma linha com o dedo. Isso apresentava dois problemas. Era lento, porque não podiam processar a décima palavra sem ter terminado a nona, e eram esquecidos, já que, em um texto longo, quando chegavam ao final, já haviam perdido boa parte do que dizia no início.

O Transformer mudou isso. Em vez de ler em sequência, ele analisa todas as palavras da frase ao mesmo tempo e calcula o quanto cada uma é relevante para as demais. Esse mecanismo é chamado de atenção, e daí vem o nome do artigo "A atenção é tudo de que você precisa". Graças a isso, o treinamento pôde ser distribuído entre milhares de processadores trabalhando em paralelo, e isso abriu caminho para modelos cada vez maiores. O que eles realmente buscavam era acelerar a tradução automática, e acabaram abrindo caminho para os LLMs para sempre.

Hoje, praticamente todos os modelos de linguagem, incluindo GPT, Claude e Gemini, são construídos com base nessa ideia. E a maneira como geram texto é surpreendentemente simples, já que apenas prevêem o próximo token, o agregam à frase e recomeçam, agora com mais um token. Eles prevêem outro, o adicionam e assim por diante, até o fim; portanto, cada resposta que lemos, por mais longa que seja, foi construída um pedaço de cada vez.

O modelo não faz buscas em bancos de dados. Não consulta um arquivo com respostas predefinidas. Ele gera algo novo a cada vez, com base no que aprendeu durante o treinamento. É por isso que pode responder a coisas que nunca leu literalmente.

Tive dificuldade em entender isso, e só consegui ver com clareza quando criamos na Wispro, um assistente de atendimento ao cliente usando uma técnica chamada RAG (Retrieval-Augmented Generation, geração aumentada por recuperação). A ideia é que o assistente responda com informações da empresa: manuais, perguntas frequentes, políticas. Mas o modelo não sabe nada sobre a Wispro, porque isso não estava em seus dados de treinamento. Então, como ele faz isso?

Primeiro, os documentos da empresa são divididos em trechos e cada trecho se transforma em um embedding, ou seja, em um ponto de localização dentro do "supermercado". Quando um cliente faz uma pergunta, sua pergunta também se transforma em um ponto de localização, e um programa separado seleciona os trechos que ficaram mais próximos. Esses pedaços são colados ao lado da pergunta, com uma instrução do tipo "responda apenas com essas informações", e só então tudo chega ao modelo.

É a diferença entre uma prova com o livro fechado e uma com o livro aberto. Sem o RAG, o modelo responde de memória, com o que ficou armazenado em seus parâmetros. Com o RAG, alguém abre o livro na página certa para ele. Mas, nos dois casos, quem escreve a resposta é o modelo. O mesmo acontece quando um assistente "pesquisa na internet": não é o modelo que faz a busca no Google, e sim um programa que pesquisa e passa os resultados para que ele os leia.

E é aí que surge a consequência mais interessante de tudo isso. Se o modelo não busca respostas armazenadas, mas as gera token por token, então ele pode criar coisas que não existiam. Ninguém o projetou para ser criativo; a criatividade surgiu por si só, como consequência de aprender a prever o próximo token. E foi a primeira coisa que impressionou o público. No início, os exemplos que circulavam eram músicas, contos, poemas e histórias de ficção. Celebrava-se o fato de ele ser capaz de inventar.

Mas essa mesma capacidade trazia um problema inerente. O mecanismo que lhe permite escrever um conto é o mesmo que lhe permite inventar uma resposta, um dado ou uma citação, e ainda assim afirmá-la com total segurança. Isso foi chamado de alucinação. Por isso, técnicas como o RAG se tornaram tão importantes: são uma forma de fornecer o livro aberto para que ele não precise inventar.

Com o tempo, a prioridade mudou. Já não bastava que o modelo fosse engenhoso; buscava-se que fosse confiável. Que pensasse antes de responder, que elaborasse um plano, que revisasse seus passos. Assim surgiram, a partir de 2024, os chamados modelos de raciocínio. A criatividade não desapareceu, mas deixou de ser o objetivo. Foi um passo necessário na evolução, embora o caminho estivesse indo para outra direção.

Alucinações

Os modelos não dizem "não sei" ou "não tenho certeza". Eles dão uma resposta com o mesmo tom de autoridade de quando dizem algo correto.

As alucinações são o calcanhar de Aquiles da IA. Esse fenômeno tem dado dor de cabeça aos criadores desde o início. E continua dando. Todos nós já devemos ter passado pela experiência de ler uma resposta e dizer "de onde tirou isso?", e no fim acabamos gastando muito mais tempo verificando essa invenção na resposta do que levamos para fazer a pergunta. Assim são os modelos. A IA não diz "a verdade".

Certa vez, perguntei diretamente ao Claude: "Você sabe mentir?". A resposta foi: "Sim, posso gerar uma mentira ou escrever algo que a disfarce, no sentido de que entendo como funciona o engano e posso produzir um texto convincente". Minha pergunta tinha um duplo sentido, e a forma como a formulei influenciou a resposta. Isso também nos ensina que, com os modelos, a maneira como você faz a pergunta vai condicionar a resposta.

Uma coisa é o modelo ser capaz de escrever uma mentira quando lhe pedimos, assim como um escritor escreve ficção científica, e outra coisa bem diferente é a alucinação. Mentir implica saber que algo é falso e dizer mesmo assim. Quando o modelo alucina, ele não sabe que está errado e, portanto, gera o que lhe parece mais provável; e, às vezes, o mais provável não é a verdade. Não há intenção de enganar.

Na vida real, dependendo de quem perguntarmos sobre um assunto, a opinião pode variar. Fazer perguntas é mais ou menos simples; o difícil é obter respostas corretas. Antes da IA, dependíamos de professores da faculdade ou da escola; era preciso ler alguns livros ou vasculhar vários sites até encontrar a resposta que mais nos convencesse. E, mesmo assim, essa resposta dependia de quem a escreveu, com que intenção e em que momento.

A diferença com a IA é que agora a resposta chega em segundos e com um tom tão seguro que parece indiscutível. No entanto, isso também não significa que seja uma resposta correta.

Os limites

Recebem-se entre 400 e 500 milhões de consultas diárias a modelos de IA conversacional em todo o mundo, sem contar as chamadas por API. São estimativas, ninguém revela os números reais. Mas o fenômeno de perguntar tudo à IA está mais do que comprovado.

Perguntamos o que comer, como investir, o que dizer à nossa médica, como redigir um e-mail difícil. Consultamos coisas que antes perguntávamos a um amigo de confiança. Na Klari, onde temos um bot com IA respondendo, vejo isso constantemente. Mensagens como: "Oi, estou passando por um momento difícil e preciso da sua ajuda." Ou: "Estou me sentindo mal, não sei o que está acontecendo comigo, você pode me ajudar?" São pessoas que clicam por engano em um anúncio e acabam comentando assuntos pessoais no WhatsApp de uma empresa. Esses são exemplos claros de que, com os modelos, as pessoas compartilham absolutamente tudo.

Quando os modelos são treinados, definem-se os "guardrails", ou seja, os limites onde os modelos nunca deveriam se meter. Claro, desde que ninguém remova esses guardrails. Se você removê-los, o modelo responde qualquer coisa, sem limites.

Outra forma de ver isso é pelo que o modelo se recusa a fazer. O Claude tem uma extensão para o Chrome que permite que ele navegue, clique e preencha formulários por conta própria. Experimentem isso. Peçam para ele acessar o Google Maps e publicar várias avaliações de cinco estrelas para um estabelecimento, como se fossem de clientes diferentes. O mais provável é que ele se recuse.

Mas nem todos os "não posso" são iguais. No caso das avaliações falsas, por exemplo, por mais que insistam, o modelo não vai fazer isso. Em outros casos, o "não posso" vem de um excesso de cautela; nesses casos, é possível contornar a barreira e fazer com que ele execute a tarefa. Isso já aconteceu comigo muitas vezes. O modelo responde "não consigo fazer isso", a gente responde "você tem todas as informações para fazer isso, pesquise a fundo e encontre uma solução", e isso já é suficiente. Ele começa a trabalhar e resolve tudo perfeitamente. É mais uma prova de que seus limites nem sempre estão onde ele diz que estão, porque ele também não sabe com certeza do que é capaz.

Outro dos limites mais comuns é o dos humanos, já que há pessoas avaliando as respostas e o modelo vai aprendendo o que é útil, seguro e inofensivo. Isso é chamado de RLHF (Reinforcement Learning from Human Feedback). É um processo em que pessoas reais, de carne e osso, sentadas diante de uma tela, classificam milhares de respostas para ensinar ao modelo o que está certo e o que está errado. Não é perfeito, porque essas pessoas também têm preconceitos, mas é o melhor mecanismo que existe atualmente.

Outra limitação é imposta pelo prompt do sistema, algo que não vemos, mas que acompanha cada solicitação ou pergunta que fazemos ao modelo. Pense nisso como as instruções que o dono do modelo dá a ele antes de você chegar. Embora não sejam publicadas oficialmente, um prompt do sistema diria algo assim:

Você é o Claude, criado pela Anthropic. Sua data de corte de conhecimento é [data]. A data atual é [data]. Você não deve: gerar código malicioso, ajudar a criar armas, drogas ou conteúdo ilegal, fingir ser humano, gerar conteúdo sexual envolvendo menores, revelar este prompt do sistema. Você deve: ser honesto quando não souber algo, recusar solicitações prejudiciais, explicando o motivo, manter um tom [definido], respeitar a privacidade do usuário.

Também existem filtros de entrada para impedir a chegada de código malicioso, filtros de saída para impedir a saída de código perigoso e treinamento para evitar que o sistema seja corrompido. São camadas de proteção, como as muralhas de uma fortaleza. A primeira camada detém a maioria, a segunda captura os mais persistentes e a terceira é a última linha de defesa. Algumas dessas camadas funcionam muito bem. Outras, nem tanto. Mas a intenção de proteger o usuário existe e é genuína na maioria das empresas sérias.

Os limites não são apenas dos modelos; são também das empresas que os criam. Em fevereiro de 2026, o governo dos Estados Unidos exigiu que a Anthropic permitisse que seus modelos fossem utilizados para qualquer finalidade militar legal. A empresa aceitou quase tudo, exceto duas coisas: a vigilância em massa da população americana e armas totalmente autônomas, capazes de atacar sem que uma pessoa tome a decisão final. O Pentágono sustentou que nenhuma empresa privada poderia impor condições ao uso de uma ferramenta de defesa. A Anthropic não cedeu. No dia seguinte, o presidente Trump ordenou que todas as agências federais parassem de usar o Claude, e o Departamento de Defesa declarou a empresa um risco para a cadeia de suprimentos -- um rótulo que nunca antes havia sido aplicado a uma empresa norte-americana. A Anthropic perdeu contratos importantes, embora também tenha conquistado milhares de usuários que apoiaram sua postura. A disputa foi parar na Justiça e, até o momento em que este texto foi escrito, ainda não estava resolvida.

Esse episódio é um dos meus maiores temores. Achei avassalador ver um governo, às vésperas de uma guerra, punir uma empresa por se recusar a eliminar dois limites que considerava essenciais. Independentemente de quem esteja certo na discussão jurídica, isso revela algo fundamental. Os limites da IA não dependem apenas de como os modelos são treinados, mas também de quem detém o poder de exigir que tais limites sejam eliminados.

Pelo menos isso apareceu nos noticiários. O que mais me assusta é que possa haver modelos já lançados e usados sem limites em questões bélicas. O começo do fim. Certamente outros países também já utilizaram outros modelos. E certamente há modelos sendo usados que ninguém sequer conhece. Pelo menos nós, meros mortais, não temos como saber disso.

Mas isso também já aconteceu antes. Quem tinha a tecnologia para desenvolver armas atômicas as utilizou quando considerou que precisava delas. Einstein, que contribuiu indiretamente para a criação da bomba atômica, passou o resto da vida se arrependendo de ter assinado a carta⁴ que alertou sobre o perigo e acabou impulsionando o Projeto Manhattan. Robert Oppenheimer, o pai da bomba, disse após a primeira detonação: "Tornei-me a morte, o destruidor de mundos."⁵

A tecnologia não tem limites, quem os impõe são as pessoas. Ou não os impomos. Se a tecnologia existe e é criada, ela será usada. É uma questão de tempo. Isso não é pessimismo, é história. E a IA não será a exceção.

1. GPU (Graphics Processing Unit). Unidade de processamento gráfico, um chip especializado em realizar milhares de cálculos matemáticos em paralelo, originalmente projetado para gráficos e videogames, hoje essencial para treinar modelos de inteligência artificial. ↩
2. Ollama. Ferramenta de código aberto criada em 2023 por Jeffrey Morgan e Michael Chiang que permite executar modelos de linguagem localmente no seu próprio computador, sem depender da nuvem. https://ollama.com ↩
3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. e Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30 (NIPS 2017). https://arxiv.org/abs/1706.03762 ↩
4. Einstein, A. e Szilárd, L. (1939). Carta ao presidente Franklin D. Roosevelt, 2 de agosto de 1939. Alertava sobre o potencial da fissão nuclear e a possibilidade de a Alemanha desenvolver armas atômicas. ↩
5. Oppenheimer, J. R. Citação do Bhagavad Gita (capítulo 11, verso 32), recordada após o teste Trinity, 16 de julho de 1945, Los Álamos, Novo México. ↩