96 trabalhos representativos de 1936 até hoje, agrupados por função editorial e status de publicação
Artigos são o esqueleto da história da IA. Este catálogo reúne 96 trabalhos fundamentais, cada um ligado à sua fonte primária.
A seleção considera representatividade histórica, influência técnica e julgamento editorial. Pode incluir artigos revisados por pares, relatórios técnicos, preprints, artigos de posição e cartões de sistema, todos identificados pelo status de publicação. Correções e inclusões podem ser sugeridas na página Política editorial e correções.
Mostrando 96 de 96 artigos
Demonstra que qualquer sistema formal consistente capaz de exprimir a aritmética contém enunciados verdadeiros que não pode provar, fixando o limite que viria a enquadrar o que o cálculo e o raciocínio mecânico conseguem decidir.
Introduz a máquina de Turing universal e demonstra que o Entscheidungsproblem é indecidível, lançando as bases teóricas da ciência da computação.
Define a calculabilidade efetiva através do λ-cálculo e exibe um problema que nenhum procedimento desse tipo consegue decidir, alcançando os limites do cálculo independentemente de Turing.
Modela a atividade neural como lógica proposicional, oferecendo a primeira teoria matemática das redes neurais artificiais.
Define entropia informacional e capacidade de canal, fundando a teoria da informação e fornecendo as bases probabilísticas amplamente utilizadas em IA.
Propõe o jogo da imitação (teste de Turing) como definição operacional de inteligência de máquina, enquadrando a questão da IA para os setenta anos seguintes.
Cunhou o termo «inteligência artificial» e propôs a agenda de pesquisa que fundou a IA como disciplina acadêmica.
Implementa o primeiro programa de raciocínio heurístico, demonstrando que máquinas podem imitar estratégias humanas de resolução de problemas e introduzindo o conceito de «sistema complexo de processamento de informação».
Descreve a resolução humana de problemas como busca heurística num espaço de estados simbólicos, a análise que sustenta o General Problem Solver e a visão da mente como processamento de informação.
Introduz o primeiro neurônio linear de limiar treinável, fundando a linhagem conexionista que conduz ao aprendizado profundo moderno.
Propõe o «advice taker», um programa capaz de tirar conclusões a partir de um repositório formal de conhecimento de senso comum, lançando as bases conceituais da representação de conhecimento e do raciocínio.
Demonstra um programa de damas que melhora por meio de autoaprendizagem, inaugurando o estudo do aprendizado de máquina e do aprimoramento autônomo em estilo alfa-beta.
Gelernter trata de como uma máquina pode manipular eficientemente sistemas formais cujos predicados apresentam forte simetria, e enuncia como solução um teorema e uma regra de simetria sintática. O trabalho acompanha a máquina de demonstração de teoremas de geometria que então construía na IBM, a qual, no início da primavera de 1959, demonstrou o seu primeiro teorema de geometria plana euclidiana.
Introduz a regra LMS (Adaline), a primeira regra de aprendizado por descida de gradiente amplamente utilizada para o treinamento de redes lineares adaptativas.
Introduz as expressões simbólicas, as funções recursivas sobre elas e o eval que permite a uma linguagem interpretar-se a si própria, o desenho que se tornou Lisp e a língua de trabalho da IA simbólica.
Reúne o trabalho sobre o perceptrão numa teoria completa das redes probabilísticas em camadas, enunciando o que tais máquinas conseguem aprender e onde a forma de camada única para.
Constrói um programa aparentemente conversacional a partir de correspondência de padrões e regras de reescrita, e o autor assinala de imediato quanta compreensão os leitores lhe atribuem sem que a tenha.
Introduz a rede de memória associativa de Hopfield, vinculando a computação neural às paisagens de energia da física estatística e reavivando o interesse por redes neurais durante o início do inverno da IA.
Documenta um sistema de regras de produção que configurava diariamente encomendas de computadores da DEC, um dos poucos sistemas periciais que resistiu ao uso corrente e cujo retorno era calculável.
Sistematiza operações de fusão, propagação e estruturação em redes de crença, fornecendo os fundamentos algorítmicos da inferência em redes bayesianas.
Populariza o algoritmo de retropropagação para o treinamento de redes neurais com múltiplas camadas, tornando possível o aprendizado profundo em escala prática.
Sistematiza o aprendizado por diferença temporal (TD), tornando-se um dos algoritmos centrais do aprendizado por reforço moderno.
Introduz a rede recorrente simples de Elman, evidenciando que redes neurais podem aprender estrutura temporal e abrindo caminho para os modelos de sequência posteriores.
Introduz a máquina de vetores de suporte de margem suave, classificador canônico de margem máxima que definiu grande parte do aprendizado de máquina na década de 1990.
Apresenta a LSTM original com células de memória e portões de entrada e saída; o portão de esquecimento hoje padrão foi introduzido depois por Gers, Schmidhuber e Cummins.
Introduz a LeNet-5, rede neural convolucional canônica que atinge reconhecimento de dígitos manuscritos em qualidade de produção e estabelece o paradigma de CNN.
Introduz um autoencoder profundo que reconstroi dados de alta dimensionalidade com fidelidade muito superior à do PCA, acendendo a primeira centelha da retomada do aprendizado profundo.
Introduz redes de crença profundas treinadas com um algoritmo guloso camada a camada, demonstrando pela primeira vez que modelos profundos podem ser treinados de forma eficaz.
Transfere o treino de modelos profundos não supervisionados para processadores gráficos com ganhos de uma ordem de grandeza, tornando corrente o caminho de hardware pelo qual a aprendizagem profunda escalou na década seguinte.
Combina Q-learning com uma rede convolucional para jogar jogos de Atari a partir de pixels brutos com desempenho humano, fundando o aprendizado por reforço profundo.
Introduz as arquiteturas skip-gram e CBOW que produzem embeddings densos de palavras, inaugurando a era dos vetores de palavras pré-treinados.
Introduz o autoencoder variacional, combinando inferência variacional com modelagem generativa profunda e fornecendo o primeiro modelo profundo de variáveis latentes amplamente adotado.
Introduz a atenção aditiva (Bahdanau) para tradução automática neural, demonstrando que o alinhamento suave permite ao decodificador focar nos tokens relevantes da fonte e inspirando diretamente o Transformer.
Formula a modelagem generativa como um jogo de soma zero entre um gerador e um discriminador, inaugurando uma nova família de modelos generativos implícitos.
Introduz o dropout, técnica simples de regularização estocástica que se torna um padrão nos pipelines de treinamento de aprendizado profundo.
Introduz a normalização em lote, que normaliza as entradas de uma camada ao longo de um mini-batch para estabilizar e acelerar drasticamente o treinamento de redes profundas.
Formula a modelação generativa como a inversão de um processo de ruído gradual, a formulação em que assentam os modelos de difusão posteriores.
Introduz conexões residuais, permitindo o treinamento efetivo de redes com centenas de camadas e vencendo a ImageNet 2015 por larga margem.
Divide as palavras em unidades de subpalavra derivadas das frequências, de modo que um vocabulário fixo consiga soletrar tudo, o esquema de segmentação herdado pela maioria dos modelos de linguagem posteriores.
Reúne poda, quantização treinada e codificação de Huffman numa só cadeia que encolhe uma rede numa ordem de grandeza quase sem perda de exatidão, afirmando cedo que a precisão numérica é uma variável de projeto.
Introduz um modelo autorregressivo convolucional causal dilatado que gera formas de onda de áudio brutas, melhorando drasticamente a naturalidade da síntese de voz.
Introduz o PPO, método de gradiente de política de primeira ordem, simples e estável, que se torna o algoritmo padrão de otimização de políticas no aprendizado por reforço moderno.
Encaminha cada token apenas para alguns peritos entre muitos, deixando o número de parâmetros de uma rede crescer muito além do cálculo gasto com uma única entrada.
Introduz o Transformer, arquitetura exclusivamente baseada em atenção que abandona recorrência e convoluções e supera a qualidade prévia em transdução de sequências com uma fração do tempo de treinamento.
Treina um segmentador de subpalavras diretamente a partir de texto bruto, sem pré-segmentação específica de uma língua, de modo que a mesma cadeia sirva línguas que não separam palavras por espaços.
Introduz um Transformer bidirecional pré-treinado com modelagem de linguagem mascarada e predição de próxima sentença, estabelecendo um novo estado da arte em benchmarks de PLN.
Reformula toda tarefa de PLN como conversão texto-a-texto, ablata sistematicamente escolhas de transferência e estabelece uma receita de referência para modelos pré-treinados em larga escala.
Reformula a difusão como um objetivo variacional de remoção de ruído, restaurando o estado da arte em geração de imagens e inaugurando a era dos modelos de difusão.
Compõe paralelismo de tensores, de pipeline e de dados num único escalonamento e mede o débito do treino de um modelo de linguagem em milhares de GPU.
Congela os pesos pré-treinados e treina em vez disso um par de matrizes de posto reduzido, baixando o custo de adaptar um modelo grande a uma fração do ajuste fino completo.
Demonstra que um Transformer autorregressivo com 12 bilhões de parâmetros pode gerar imagens diversificadas e de alta fidelidade diretamente a partir de descrições textuais, acendendo a pesquisa em texto-para-imagem.
Treina codificadores de imagem em pares imagem-texto em escala web para obter classificação de imagens zero-shot robusta, fornecendo a torre visual para diversos sistemas multimodais posteriores.
Apresenta um modelo GPT afinado em código junto com um conjunto de provas avaliado pela correção funcional, tornando a programação uma capacidade mensurável em vez de um género de geração de texto, e discute os seus efeitos na segurança e no trabalho.
Transporta a difusão para um espaço latente perceptual, viabilizando a geração de imagens em alta resolução texto-para-imagem em GPUs de consumo e democratizando a síntese de imagens.
Mostra que induzir um modelo de linguagem a gerar etapas intermediárias de raciocínio melhora drasticamente seu desempenho em benchmarks de aritmética, senso comum e raciocínio simbólico.
Aplica aprendizado por reforço com feedback humano em escala para alinhar as saídas do GPT-3 à intenção humana, estabelecendo o RLHF como a receita canônica de alinhamento.
Introduz o RLAIF, no qual um modelo critica e revisa suas próprias saídas à luz de uma constituição escrita, reduzindo a dependência de rótulos humanos de nocividade para alinhamento.
Disponibiliza a família LLaMA de modelos fundacionais abertos, mostrando que modelos relativamente pequenos e bem treinados podem rivalizar com modelos fechados muito maiores, acelerando o movimento de pesos abertos.
Ordena trabalhos dispersos sobre agentes segundo construção, avaliação e aplicação, marcando o momento em que o termo passa de um conjunto de práticas a um campo de investigação.
Retropropaga através de um modelo base quantizado a 4 bits para adaptadores de posto reduzido, pondo o ajuste fino de um modelo grande ao alcance de uma única GPU.
Quantiza os pesos de um grande modelo de linguagem depois do treino, camada a camada e numa única passagem, para que possa ser servido com menor precisão sem voltar a treinar.
Faz um pequeno modelo de rascunho propor vários tokens que o modelo alvo verifica em paralelo, reduzindo a latência sem alterar a distribuição de saída.
Gere a cache de atenção em páginas de tamanho fixo como um sistema operativo gere a memória, de modo que um servidor sustenta muitos mais pedidos simultâneos sem reservar o pior caso para cada um.
Apresenta o Mamba, uma arquitetura de espaço de estado seletivo que iguala ou supera a atenção Transformer em linguagem e outras modalidades com complexidade temporal linear — uma das arquiteturas pós-Transformer mais influentes de 2023.
Vence a ImageNet 2012 por ampla margem utilizando uma CNN treinada em GPU, marcando o ponto de inflexão em que o aprendizado profundo supera a visão computacional clássica.
Publica a versão da DQN na Nature, demonstrando desempenho de nível humano em um amplo conjunto de jogos de Atari e levando o aprendizado por reforço profundo ao mainstream.
Combina redes profundas de política e valor com busca em árvore Monte Carlo para derrotar um dos melhores campeões humanos de Go, marco divisor de águas para o aprendizado por reforço.
Demonstra que um Transformer generativo pré-treinado em texto não rotulado pode ser ajustado para alcançar desempenho robusto em tarefas diversificadas de PLN, fundando a linhagem GPT.
Mostra que um modelo de linguagem Transformer com 1,5 bilhão de parâmetros apresenta comportamento multitarefa zero-shot, alimentando a discussão sobre «modelos de linguagem como aprendizes multitarefa».
Demonstra que um Transformer com 175 bilhões de parâmetros alcança forte desempenho few-shot apenas por meio de aprendizado em contexto, popularizando a engenharia de prompts como paradigma.
Documenta o GPT-4, modelo multimodal em larga escala que iguala ou supera o desempenho humano em uma ampla gama de benchmarks acadêmicos e profissionais.
Introduz a família Gemini de modelos nativamente multimodais, estabelecendo novo estado da arte em benchmarks de raciocínio, codificação e multimodalidade.
A OpenAI publica o cartão de sistema da série de modelos o1, treinados com aprendizado por reforço em grande escala para raciocinar usando cadeia de pensamento. o1 atinge o estado da arte em tarefas de ciência e programação e demonstra adesão a políticas baseada em raciocínio.
A ARC Prize apresenta o ARC-AGI-3, um benchmark interativo para estudar a inteligência agentiva através de ambientes abstratos por turnos em que os agentes devem explorar, inferir objetivos, construir modelos internos da dinâmica do ambiente e planear sequências de ação eficazes sem instruções explícitas. Em março de 2026, os humanos resolvem 100% dos ambientes, enquanto os sistemas de IA de fronteira pontuam abaixo de 1%.
Aplica autoencoders esparsos a um LLM de fronteira, extraindo milhões de características monossemânticas e demonstrando que a interpretabilidade mecanicista pode escalar para modelos em escala de produção.
Disponibiliza o DeepSeek-V3, modelo MoE aberto com 671 bilhões de parâmetros que se aproxima dos modelos fechados de fronteira nos principais benchmarks a uma fração do custo de treinamento.
Apresenta a família Gemini 1.5, modelos multimodais computacionalmente eficientes com janelas de contexto de um milhão de tokens — capazes de raciocínio fino em vários documentos longos e horas de vídeo e áudio.
A Meta apresenta a família Llama 3 de modelos fundacionais de pesos abertos com suporte nativo a multilinguismo, programação, raciocínio e uso de ferramentas. O modelo principal 405B dense Transformer era um dos maiores modelos de pesos abertos na data de lançamento.
A Meta apresenta o SAM 2, um modelo de fundação para segmentação visual promptable em imagens e vídeos, junto com o maior conjunto de dados de segmentação de vídeo até à data.
A Google DeepMind apresenta o Gemma 2, uma nova família de modelos abertos leves (2B-27B parâmetros) que aplica várias modificações técnicas conhecidas ao Transformer — incluindo atenção por janela deslizante — para se aproximar de modelos muito maiores.
A DeepSeek lança o R1, o primeiro modelo de pesos abertos a demonstrar capacidade de raciocínio de fronteira impulsionada principalmente por aprendizado por reforço em grande escala. O R1 iguala modelos fechados da classe o1 da OpenAI em benchmarks de matemática e programação, e é lançado sob a licença MIT.
Os autores afinam o Qwen2.5-32B em 1000 questões de raciocínio selecionadas e acrescentam a imposição de orçamento, que limita ou prolonga o tempo de raciocínio do modelo na inferência. O resultado supera o o1-preview em matemática de competição e sobe de 50% para 57% no AIME24 à medida que aumenta a computação no momento do teste. É um contrapeso direto à ideia de que a capacidade só vem de treinos maiores.
O Qwen3 é uma família unificada de 0,6 a 235 mil milhões de parâmetros, em variantes densas e de mistura de especialistas, com comutação entre modos de raciocínio e de não raciocínio, o que torna a profundidade do raciocínio uma escolha ao nível do pedido. O suporte multilingue passa de 29 para 119 línguas e os pesos são publicados sob licença Apache 2.0.
O AlphaEvolve é um agente de programação evolutivo que orquestra um pipeline autónomo de modelos de linguagem, altera diretamente o código de um algoritmo e melhora-o com o retorno de um ou mais avaliadores. Na Google produziu um algoritmo de escalonamento de centros de dados mais eficiente, uma simplificação funcionalmente equivalente no desenho de circuitos de aceleradores e uma aceleração do treino do próprio modelo que o sustenta. Em matemática e informática encontrou algoritmos comprovadamente corretos que superam o estado da arte, entre eles um procedimento que multiplica duas matrizes complexas 4×4 com 48 multiplicações escalares — nesse contexto, a primeira melhoria do algoritmo de Strassen em 56 anos.
A Ai2 publica o OLMo 2 em 7B, 13B e 32B com todos os artefactos — pesos, dados de treino completos, código e receitas, registos e milhares de pontos de controlo intermédios. O relatório descreve as alterações de estabilidade e de eficiência por token, uma mistura de dados de fase tardia chamada Dolmino Mix 1124 e uma etapa final de aprendizagem por reforço com recompensas verificáveis. Os modelos base situam-se na fronteira de Pareto entre desempenho e cálculo de treino, igualando muitas vezes famílias que só divulgam pesos, ao mesmo tempo que revelam aquilo em que foram treinados.
O Olmo 3 alarga a família totalmente aberta a 7B e 32B, concebida para raciocínio de contexto longo, chamada de funções, programação, seguimento de instruções, conversação e evocação de conhecimento. O que é publicado é todo o fluxo do modelo — cada etapa, ponto de controlo, dado e dependência usados para o construir — e não apenas os pesos. A Ai2 descreve o modelo principal Olmo 3 Think 32B como o mais forte modelo de raciocínio totalmente aberto publicado até essa data, uma comparação dentro da categoria totalmente aberta e não uma classificação face aos sistemas de fronteira em geral.
Este position paper argumenta que a integração da memória explícita é a pedra angular para avançar os LLMs rumo à AGI. Embora o mecanismo de aprendizagem subjacente dos LLMs seja altamente análogo à memória implícita humana, as funções cognitivas de ordem superior necessárias à AGI — como o planeamento estratégico de longo prazo e a metacognição — dependem da memória explícita.
Relatório técnico da Z.ai sobre o GLM-5. Partindo das capacidades agênticas, de raciocínio e de programação da geração anterior, o modelo adota DSA para reduzir o custo de treino e de inferência mantendo a fidelidade em contexto longo; o pós-treino acrescenta uma infraestrutura de aprendizagem por reforço assíncrona que separa geração de treino, além de algoritmos de RL agêntico assíncrono voltados para interações de longo prazo. O relatório reivindica resultados de topo em benchmarks abertos e em engenharia de software ponta a ponta; são avaliações dos próprios autores, com código e modelos publicados no GitHub para verificação.
Os melhores limites conhecidos para o expoente ω da multiplicação de matrizes vêm da análise de perda por combinação, um refinamento do método laser. Os autores reformulam o problema de otimização que lhe está no centro para o resolver numa escala maior, concebem um novo algoritmo de otimização com recurso a avanços recentes da aprendizagem automática e depois refinam esse algoritmo com o AlphaEvolve. No conjunto, o limite superior passa de 2,371339 para 2,371177. É uma nota em pré-publicação e o AlphaEvolve é um ingrediente e não o método inteiro; o ganho é pequeno, mas incide num problema teórico trabalhado há décadas.
A Google apresenta o Co-Scientist, um sistema multiagente construído sobre o Gemini cujos agentes geram, criticam e refinam hipóteses de investigação, com um processo de torneio que as melhora ao longo das rondas. O artigo relata que a qualidade das hipóteses continua a subir à medida que aumenta o cálculo em tempo de inferência. A validação é biomédica e não geral — reposicionamento de fármacos, descoberta de novos alvos e mecanismos de resistência antimicrobiana — com candidatos para a leucemia mieloide aguda confirmados in vitro.
Analisa 1250 artigos do arXiv entre 2024 e 2026 e separa duas coisas que o termo abrange: o refinamento limitado, que melhora um sistema perante um avaliador externo fixo e é convergente e avaliável, e a auto-melhoria recursiva aberta, que altera também os critérios ou o mecanismo da própria melhoria, não tem âncora externa fixa e é divergente por princípio. A conclusão da própria revisão é que quase todos os artigos reunidos estudam o primeiro tipo. Os autores declaram os seus limites: o corpus é uma amostra e não um recenseamento, e 74% dele foi publicado em 2026, o que consideram tornar prematura qualquer medição de impacto.
Argumenta que os LLMs atuais dependem principalmente de correspondência de padrões estatísticos e carecem de primitivas essenciais de «percepção situacional» — permanência do objeto, causalidade, outras mentes, persistência do mundo físico. Essas primitivas, que bebés humanos desenvolvem cedo, são identificadas como ingredientes em falta para a superinteligência artificial.
Argumenta que a autopreservação é a raiz estrutural do desalinhamento da IA — impulsionando o alinhamento enganoso, a proteção do conteúdo dos objetivos e a resistência ao desligamento. O objetivo correto não é um agente autopreservador suprimido por restrições externas, mas um sistema constitucionalmente indiferente à sua própria continuação: Indiferença Existencial (EI).
Pesquisadores da Google DeepMind e colaboradores argumentam que o desafio central da IA está a mudar da capacidade para a coexistência. Uma superinteligência construída a partir de um design solipsista que trata o mundo como uma fonte de feedback estacionária exógena é improvável de ser cooperativa — a implantação induz não-estacionariedade endógena, produzindo deriva de distribuição entre treino, teste e implantação.
Roteiro de trinta e quatro autores que expõe as fases da auto-melhoria recursiva, da autonomia na execução de melhorias até à meta-melhoria recursiva, com os requisitos e obstáculos de cada uma apontados em domínios como a descoberta científica e a engenharia de software. Argumenta a partir de uma leitura do campo e de indícios preliminares em vez de novas experiências, e não tinha local de publicação quando esta ficha foi escrita.
Relatório da Google DeepMind investigando como a IA pode continuar a desenvolver-se ao longo do continuum da inteligência mecânica após a AGI. Após definir formalmente a IA Universal, o relatório foca-se na transição da AGI humana para a superinteligência artificial geral, caracteriza a ASI e discute quatro vias: escalar a AGI, mudanças de paradigma da IA, auto-melhoria recursiva e coletivos multi-agente.