O Cânone da IA
Existe uma diferença fundamental entre quem usa IA e quem entende IA. A Biblioteca do PrezencIA é a curadoria do conhecimento que constrói entendimento real — papers fundadores, livros que resistiram ao tempo e documentações que revelam o que está por trás das interfaces.
Por Que Ler os Papers Originais Importa
A maioria dos praticantes de IA aprende via tutoriais, threads no Twitter e vídeos no YouTube. Isso é suficiente para usar ferramentas existentes — não é suficiente para entender por que elas funcionam ou para construir algo novo. A diferença entre um utilizador avançado e um engenheiro de IA genuíno é a capacidade de ler e compreender os papers originais.
O corpus fundamental da IA moderna cabe em menos de 50 papers. "Attention is All You Need" (2017), "Language Models are Few-Shot Learners" (GPT-3, 2020), "Training language models to follow instructions" (InstructGPT, 2022), "Constitutional AI" (2022), "Llama 2" (2023) — quem leu esses papers com atenção entende 80% do que está acontecendo no campo hoje. O restante é variação.
O paradoxo do ecossistema de aprendizado de IA: nunca houve tanto material disponível e nunca foi tão fácil aprender superficialmente. O filtro que separa conhecimento genuíno de familiaridade superficial é exatamente a disposição de sentar com um paper denso, entender cada equação e reconstruir a intuição que o gerou. A Biblioteca cuida de apontar o que vale esse investimento.
15 Termos que Definem Biblioteca
Terminologia bibliográfica e acadêmica para o Pointy Biblioteca. Usada para contextualizar recursos dentro da trajetória intelectual do campo.
| Termo | Definição Editorial | Nível |
|---|---|---|
| Preprint | Paper submetido ao arXiv antes de revisão por pares — norma na área de ML/IA; velocidade > formalidade | Ouro |
| Peer Review | Revisão por pares — NeurIPS, ICML, ICLR são as principais conferências; processo leva 3-6 meses | Ouro |
| arXiv | Repositório de preprints — cs.AI, cs.LG, cs.CL como seções relevantes; gratuito e aberto | Diamante |
| Citation Count | Métrica de impacto acadêmico — papers com >1.000 citações têm influência comprovada | Prata |
| Ablation Study | Experimento que remove componentes para medir contribuição individual — padrão de rigor em papers de IA | Diamante |
| Reproducibility | Capacidade de replicar resultados de um paper — crise de reproducibility afeta 40-60% dos papers de ML | Diamante |
| Hugging Face Papers | Agregador de papers com demos interativas e código — democratiza acesso a pesquisa frontier | Ouro |
| Connected Papers | Ferramenta de visualização de rede de citações — navega literatura por similaridade | Prata |
| Papers With Code | Repositório de papers com código associado — melhores implementações e benchmarks | Ouro |
| Semantic Scholar | Motor de busca acadêmico com AI — resumos automáticos e recomendações | Prata |
| Google Scholar | Indexador acadêmico — rastreia citações e versões de papers | Prata |
| Survey Paper | Paper de revisão sistemática da literatura — ponto de entrada eficiente para uma área nova | Ouro |
| Technical Report | Documento técnico publicado diretamente por empresa — OpenAI, Anthropic, Google; sem revisão formal | Prata |
| Benchmark Paper | Paper que propõe novo conjunto de avaliação — MMLU, HumanEval, GPQA como exemplos influentes | Ouro |
| Scaling Law Paper | Papers que quantificam relação parâmetros/dados/compute — Kaplan (2020), Chinchilla (2022) como marcos | Diamante |
15 Leituras Obrigatórias para Arquitetos de Soluções de IA
Uma lista de leitura de IA pode ter 1.000 itens — ou 15. Esta é a versão de 15: os textos que, se lidos com atenção e compreensão real, constroem uma base intelectual sólida para navegar qualquer desenvolvimento futuro do campo. A curadoria prioriza textos que envelhecem bem e explicam mecanismos fundamentais em vez de técnicas que serão obsoletas em 18 meses.
Os Fundamentos Matemáticos
1. "Attention is All You Need" — Vaswani et al. (2017). O paper que criou o transformer. Ler a seção 3 com cuidado — o mecanismo de multi-head attention explicado do zero. 2. "An Introduction to Neural Networks" — Nielsen (2015, online gratuito). O melhor ponto de entrada para quem quer entender backpropagation de verdade. 3. "The Annotated Transformer" — Harvard NLP (haveibeenpwned.com). Implementação line-by-line com comentários — o paper de Vaswani traduzido em código Python legível.
A Revolução dos LLMs
4. "Language Models are Few-Shot Learners" — Brown et al. / OpenAI (2020). O paper do GPT-3 — a prova de que escala produz comportamentos emergentes. 5. "Training language models to follow instructions" — Ouyang et al. / OpenAI (2022). InstructGPT — como o RLHF transformou modelos capazes em modelos úteis. 6. "Constitutional AI" — Bai et al. / Anthropic (2022). Alternativa ao RLHF — alinhamento via princípios explícitos.
Escala, Eficiência e Open Source
7. "Scaling Laws for Neural Language Models" — Kaplan et al. / OpenAI (2020). As leis que governam a relação entre tamanho, dados e performance. 8. "Training Compute-Optimal LLMs" (Chinchilla) — Hoffmann et al. / DeepMind (2022). Redefiniu as proporções ideais de parâmetros × tokens. 9. "Llama 2" — Touvron et al. / Meta (2023). O paper que democratizou modelos frontier — e o documento técnico mais bem escrito da geração atual.
O Que Está Por Vir
10. "ReAct: Synergizing Reasoning and Acting" — Yao et al. (2022). A fundação técnica de agentes que raciocinam e agem. 11. "Toolformer" — Schick et al. / Meta (2023). Como modelos aprendem a usar ferramentas externas. 12. "Chain-of-Thought Prompting" — Wei et al. / Google (2022). Simples e poderoso: mostre o raciocínio, o modelo aprende a raciocinar. 13. "Sparks of AGI" — Bubeck et al. / Microsoft (2023). Controverso, mas analisa o GPT-4 com rigor raro para um paper corporativo. 14. "Risks from Learned Optimization" — Hubinger et al. (2019). O paper de referência sobre mesa alignment. 15. "Deep Learning" — Goodfellow, Bengio & Courville (2016). O livro-texto padrão — gratuito online em deeplearningbook.org.
