🧠 Inteligência Artificial — Índice da Seção

inteligência artificial
IA
LLM
RLHF
Transformer
RNN
NLP
deep learning
sumário
programação
ética
atenção
aplicações
GPT
Claude
Gemini
LLaMA
Mistral
BERT
LSTM
GRU
Página inicial da seção de IA do Blog do Marcellini: linha do tempo da IA, overview da série sobre LLMs e próximos conteúdos.
Autor

Blog do Marcellini

Data de Publicação

6 de outubro de 2025

· ← Seção de Programação

🧭 Linha do tempo da IA

import matplotlib.pyplot as plt

# ---------- Dados ----------
marcos = [
    (1956, "Dartmouth Workshop\n(nascimento da IA)"),
    (1986, "Backpropagation\n(popularização)"),
    (1997, "Deep Blue\n(derrota Kasparov)"),
    (2012, "AlexNet\n(revolução em visão)"),
    (2017, "Attention is All You Need\n(Transformer)"),
    (2018, "BERT\n(encoder bidirecional)"),
    (2020, "GPT-3\n(175B parâmetros)"),
    (2022, "ChatGPT\n(popularização dos LLMs)"),
    (2023, "GPT-4\n(multimodal inicial)"),
    (2023, "LLaMA 1 (Meta)\n(open-source)"),
    (2023, "Gemini 1 (Google DeepMind)\n(multimodal)"),
    (2023, "Mistral 7B\n(eficiência)"),
    (2024, "Claude 3\n(alinhamento e contexto)"),
    (2024, "LLaMA 3 (Meta)\n(ecossistema aberto)"),
    (2024, "Mixtral 8x7B (Mistral)\n(Mixture of Experts)"),
    (2024, "Gemini 1.5\n(janelas longas)"),
    (2025, "GPT-5\n(modelo multimodal avançado)"),  # 👈 novo marco
]

# ---------- Amplia o espaçamento entre eventos ----------
# cria um eixo Y "esticado" multiplicando a posição de cada evento
gap = 3.2  # controle de espaçamento (↑ aumenta a distância entre rótulos)
anos = [i * gap for i in range(len(marcos))]
labels = [f"{ano} — {texto}" for ano, texto in marcos]

# ---------- Figura ----------
fig, ax = plt.subplots(figsize=(6.4, 11), dpi=150)

# linha do tempo central
ax.vlines(1, min(anos) - gap, max(anos) + gap, linewidth=2)
ax.plot([1]*len(anos), anos, 'o', markersize=7, color="black")

# ---------- Anotações ----------
for i, (y, text) in enumerate(zip(anos, labels)):
    is_left = (i % 2 == 0)
    x_text = 0.84 if is_left else 1.16
    ha = 'right' if is_left else 'left'
    ax.annotate(
        text,
        xy=(1, y),
        xytext=(x_text, y),
        textcoords='data',
        va='center',
        ha=ha,
        fontsize=9,
        arrowprops=dict(arrowstyle='-', lw=0.7, alpha=0.8),
        bbox=dict(boxstyle="round,pad=0.25", alpha=0.85)
    )

# ---------- Estilo geral ----------
ax.set_xlim(0.7, 1.3)
ax.set_xticks([])
ax.set_yticks([])
ax.set_title("Linha do Tempo — Evolução da Inteligência Artificial (até GPT-5)", fontsize=11.5, weight="bold", pad=12)
ax.set_ylabel("")

plt.tight_layout()
plt.savefig("images/ia-timeline-vertical.png", bbox_inches="tight")
plt.close()
Nota🤖 Inteligência Artificial — Série de LLMs

Tutoriais, exemplos práticos e aplicações de IA e LLMs modernos, como GPT (OpenAI), Claude (Anthropic), Gemini (Google DeepMind), LLaMA (Meta) e Mistral (França) — integrados ao ecossistema Quarto.

Explore como esses modelos funcionam, suas bases em redes neurais,
Transformers, NLP, RNNs, BERT, LSTM, GRU e a ascensão da IA generativa.

🚀 Série Especial: Large Language Models (LLMs)

Uma jornada para entender como funcionam os modelos que estão transformando o mundo digital.

✨ Overview

Os Modelos de Linguagem de Grande Porte (LLMs) são o coração da IA generativa moderna.
Eles conseguem entender e gerar texto, escrever código, resumir documentos, criar roteiros, responder perguntas e muito mais.

Nesta série você vai aprender:

  • 🔹 O que são os LLMs e como nasceram.
  • 🔹 A evolução das redes neurais: de RNNs a Transformers.
  • 🔹 Como funciona o mecanismo de atenção.
  • 🔹 O processo de treinamento: pré-treinamento, fine-tuning e RLHF.
  • 🔹 Quais os desafios, limitações e riscos éticos.
  • 🔹 Aplicações práticas em educação, saúde, programação, negócios e arte.
  • 🔹 O futuro da IA: multimodalidade, democratização e especialização.

📚 Série Completa: Large Language Models (LLMs)

✍️ Sugestões são bem-vindas!
Se quiser ver algum tema específico por aqui, abra um issue no repositório ou mande sua ideia 😉