Rede neural artificial

Contexto histórico

Frank Rosenblatt apresentou o perceptron em 1958, uma máquina que classificava imagens simples ao reforçar conexões. O entusiasmo esfriou quando se mostrou que uma camada só não resolvia problemas linearmente inseparáveis. O inverno da pesquisa durou anos. Em 1986, David Rumelhart, Geoffrey Hinton e Ronald Williams popularizaram a retropropagação em redes profundas o bastante para furar esse teto.

O hardware da época era fraco; os conjuntos de dados, pequenos. A ideia, porém, ficou: em vez de programar critérios, expor a rede a exemplos e deixar os pesos migrarem. Décadas depois, com placas gráficas e arquivos enormes, o mesmo princípio reorganizou tradução, visão e assistentes.

Como funciona

Cada unidade soma entradas ponderadas e aplica uma função não linear. Empilhar camadas permite fronteiras de decisão complicadas. No treino, o erro na saída é propagado para trás e os pesos se ajustam um pouco a cada exemplo. Taxa de aprendizado e tamanho do lote decidem se o treino converge ou oscila. A rede armazena uma estatística comprimida do que viu, não uma foto.

Impacto na sociedade

Reconhecimento de fala, filtros de recado indesejado, tradução automática e diagnóstico por imagem herdaram essa família de modelos. A produtividade de alguns ofícios — legendagem, triagem, rascunho — mudou de patamar.

Os limites são conhecidos: viés dos dados, opacidade, custo energético. Mesmo assim, a rede neural é a primeira invenção desta lista cujo produto típico não é um objeto, e sim um comportamento aprendido. Fecha o ranking porque aponta o presente: software que se calibra.

Curiosidade

O perceptron de Rosenblatt, no Mark I, tinha pesos ajustados por motores e potenciômetros — uma rede eletromecânica. Hinton chegou a deixar a pesquisa por falta de fomento e voltou quando as máquinas cresceram.