Rede Neural
Uma rede neural é um modelo computacional composto por camadas interconectadas de unidades numéricas (neurônios) que aprendem a mapear entradas para saídas ajustando os pesos das conexões através da exposição aos dados de treinamento.
Uma rede neural é um aproximador de funções construído a partir de sucessivas camadas de unidades de processamento simples chamadas neurônios. Cada neurônio calcula uma soma ponderada de suas entradas e passa o resultado através de uma função de ativação não-linear como ReLU ou sigmoid. Os dados fluem para frente através das camadas — de uma camada de entrada, passando por uma ou mais camadas ocultas, até uma camada de saída — produzindo uma previsão ou representação aprendida no final.
O treinamento ajusta os pesos através de retropropagação combinada com descida do gradiente: um erro (loss) é calculado comparando a saída da rede com o alvo correto, e esse sinal de erro é propagado para trás através das camadas para atualizar incrementalmente cada peso. Frameworks modernos como PyTorch e TensorFlow automatizam completamente este processo, habilitando redes variando de alguns milhares a centenas de bilhões de parâmetros.
As redes neurais sustentam virtualmente todas as principais capacidades de IA da última década: reconhecimento de imagens (ResNet, EfficientNet), síntese de fala (WaveNet), previsão de estrutura de proteínas (AlphaFold2) e geração de linguagem natural (família GPT). Sua vantagem central é a capacidade de aprender representações de características úteis diretamente de dados brutos — pixels, amostras de áudio ou tokens de texto — eliminando a engenharia de características manual exigida pelas abordagens anteriores de aprendizado de máquina.
A partir de 2026, as redes neurais abrangem um enorme espectro de escala, desde modelos minúsculos em microcontroladores em dispositivos IoT até sistemas multimodais distribuídos em milhares de aceleradores de IA especializados. As prioridades de pesquisa incluem melhorar a eficiência energética, a interpretabilidade das representações aprendidas e a robustez às entradas fora da distribuição de treinamento.