Rede neural artificial: o que é

De onde vem o termo rede neural artificial?

🌱 Em uma frase: o nome vem da inspiração no sistema nervoso. Os primeiros pesquisadores quiseram criar um modelo matemático simples de um neurônio biológico.

O ponto de partida costuma ser um trabalho de Warren McCulloch e Walter Pitts, de 1943. Eles propuseram um modelo de neurônio artificial que fica "ligado" ou "desligado", conforme o estímulo dos neurônios vizinhos. Russell e Norvig, autores de um livro de referência, descrevem esse trabalho como o primeiro hoje reconhecido como IA (tese USP, Smaili).

Outros marcos citados na mesma fonte:

• 1951: Marvin Minsky e Dean Edmonds criaram a SNARC, uma rede neural que simulava o percurso de um rato em um labirinto.
• Mesmo período: os perceptrons de Frank Rosenblatt, máquinas que aprenderam a identificar letras.
• Meados da década de 1980: a obra Parallel Distributed Processing, de David Rumelhart, James McClelland e colegas, trouxe de volta o interesse.
• Depois de 2010: a área ganhou nova força com o aprendizado profundo (deep learning, treinamento de redes com muitas camadas).

Essa linha de pesquisa é chamada de conexionista, porque se baseia em muitas unidades simples ligadas entre si. A norma ABNT NBR ISO/IEC 22898:2023 define rede neural artificial como uma rede de uma ou mais camadas de neurônios, conectadas por ligações com pesos ajustáveis, que recebe dados de entrada e produz uma saída (tese USP, Discriminação Algorítmica).

Como funciona uma rede neural artificial, com neurônios, pesos e camadas?

🌱 Sou novo nisso. Pense em uma sequência de filtros. A rede recebe números, transforma esses números em etapas e entrega um resultado.

1. Camada de entrada: recebe números que representam algo, como os pixels de uma imagem. 2. Camadas ocultas: transformam esses números aos poucos. 3. Camada de saída: gera uma previsão ou uma classificação.

Uma rede multicamada tem uma camada de entrada, pelo menos uma camada oculta e uma camada de saída (Harvard CS50, 2026).

🔎 Já uso. Cada neurônio artificial segue os mesmos passos. Ele recebe valores, multiplica cada um por um peso, soma tudo e acrescenta um viés (em inglês, bias: um valor extra do neurônio). Depois aplica uma função de ativação e passa o resultado adiante. A documentação da AMD descreve esse fluxo no tutorial Vitis AI Engine, versão 2026.1 (AMD). Segundo a AMD, a ativação introduz não linearidade. Por isso a rede consegue aproximar funções complexas, e não só fazer uma conta linear simples.

Os pesos controlam quanto cada entrada influencia o neurônio. Durante o treinamento, dados de exemplo são usados para determinar os pesos. Uma fonte de 2026 descreve pesos e vieses como parâmetros livres que a rede ajusta (Springer, 2026). A mesma fonte dá um exemplo: uma imagem de 30 × 20 pixels vira 600 neurônios de entrada. Com 50 neurônios ocultos, são 30.000 pesos entre essas duas camadas.

🚀 Já sou mais avançado. Nem toda camada liga todos os neurônios a todos os da camada seguinte. Um preprint de 2026 no arXiv estudou três camadas esparsas com 99% de esparsidade, cada uma com 1.000 neurônios, seguidas de uma camada densa, com entrada de 784 pixels (arXiv, preprint). Um artigo publicado em 5 de novembro de 2026 descreve a Autoplastic Neural Network. Ela ajusta os pesos e também parte da própria estrutura: quais camadas entram, como os neurônios se conectam e quais componentes são reforçados ou podados (Nature, 2026).

Quais são as confusões mais comuns sobre rede neural?

• "É um cérebro artificial." Não é. Uma rede neural artificial é um modelo matemático inspirado em redes neurais biológicas (Harvard CS50, 2026). O neurônio artificial não entende a entrada como uma pessoa: ele calcula sobre números.
• "Cada peso guarda uma palavra ou uma regra." Em geral, não. Em redes grandes, o resultado costuma depender de padrões espalhados por muitos pesos e camadas, e não de um peso isolado.
• "Bilhões de parâmetros são bilhões de neurônios." Parâmetro é o nome geral para pesos e vieses. Um modelo com bilhões de parâmetros não tem necessariamente bilhões de neurônios nem bilhões de camadas.
• "Mais camadas sempre dão um modelo melhor." Mais camadas ou mais parâmetros não garantem, sozinhos, um desempenho melhor. O tamanho também depende da largura das camadas e do padrão de conexões.
• "Rede neural, modelo e treinamento são a mesma coisa." O modelo é a estrutura da rede mais os parâmetros já ajustados. O treinamento é o processo que ajusta esses parâmetros com dados. A inferência é o uso do modelo pronto para gerar uma resposta.