Aprendizado profundo, ou deep learning, é a técnica de machine learning que está por trás de praticamente toda IA moderna que você usa: ChatGPT, Midjourney, reconhecimento facial do iPhone, tradução do Google.
O nome "profundo" vem do fato de que essas redes neurais têm muitas camadas empilhadas (de dezenas a centenas), cada uma aprendendo um nível de abstração mais alto. Imagine uma rede que reconhece gatos: a primeira camada detecta bordas e cores, a segunda detecta texturas, a terceira identifica olhos e orelhas, e a última junta tudo e diz "isso é um gato".
A diferença entre ML clássico e deep learning é dramática:
- ML clássico precisa que um humano "engenheirie" as features (decidir o que olhar nos dados). Ex: para prever preço de imóvel você diz ao modelo: olhe metragem, bairro, número de quartos.
- Deep learning aprende as features sozinho a partir de dados brutos. Você dá pixels e ele aprende a ver; dá texto e ele aprende a entender; dá áudio e ele aprende a transcrever.
A revolução começou em 2012 com a AlexNet (visão computacional), explodiu em 2017 com a arquitetura Transformer (que deu origem ao GPT), e em 2026 já é a base de modelos como GPT-5, Claude Sonnet 4 e Gemini 2.
Por que demorou tanto? Três coisas precisaram coincidir: dados em escala (internet), poder computacional (GPUs) e algoritmos novos (backpropagation refinada, attention).
Para o profissional brasileiro, deep learning não é algo que você programa do zero — é o motor que faz suas ferramentas favoritas funcionarem. Mas entender que existe ajuda você a explicar para o seu time por que a IA "alucinou" (limitação intrínseca de modelos estatísticos) e por que o custo de inferência ainda é alto (essas redes têm bilhões de parâmetros).