De que se alimentam os grandes modelos de IA?

 

#inteligenciaartificial

Estima-se que um quarto das fontes de IA são livros

 

Livros, web, redes sociais e artigos científicos na corrida para treinar LLMs (Modelos de Linguagem de Grande Escala)

 

Uma análise do cientista de dados Olivier Khatib, CEO da T1U.ai, estima a distribuição das principais fontes de dados usadas para treinar cinco dos modelos de linguagem mais importantes – ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Llama (Meta) e Grok (xAI) – com base na documentação pública das empresas, dos seus relatórios técnicos e outras evidências disponíveis.

O estudo mostra que, embora todos esses modelos se baseem numa combinação de fontes semelhantes, cada um apresenta uma estratégia distinta de recolha e ponderação de dados que reflete tanto os seus objetivos técnicos como as forças das organizações que os desenvolvem.

Um dos resultados mais marcantes é que o Llama, o modelo da Meta, teria obtido cerca de um quarto de seus dados de treino a partir de livros, uma proporção maior do que a estimada para qualquer um dos outros modelos analisados. Isso é particularmente relevante porque o uso de livros protegidos por direitos autorais é atualmente um dos principais focos de litígio entre empresas de IA e detentores de direitos. Enquanto autores, editoras e organizações culturais entraram com inúmeros processos por uso não autorizado de suas obras, a investigação judicial também revelou o armazenamento de milhões de livros digitalizados para o treino de alguns modelos, intensificando o debate sobre os limites legais da aprendizagem de máquina e o uso legítimo de conteúdo protegido.

O estudo também mostra diferenças significativas entre os diferentes sistemas. O Claude destaca-se por incorporar uma proporção relativamente alta de artigos científicos e publicações académicas, consistente com a orientação que a Anthropic deu ao seu modelo para tarefas analíticas, pesquisa e raciocínio complexo. Por sua vez, o Gemini depende mais fortemente de dados provenientes do rastreamento web, aproveitando o enorme ecossistema de informações indexado pela Google para construir um modelo com ampla cobertura temática e linguística. No caso do Grok, desenvolvido pela xAI, o peso dos dados das redes sociais destaca-se, especialmente devido à integração com o ecossistema X (anteriormente Twitter), que oferece ao modelo acesso privilegiado a conversas e eventos recentes. O ChatGPT apresenta uma mistura mais equilibrada de fontes, distribuindo seu treino entre conteúdo web, livros, código, documentos e outras recolhas de dados.


Fonte predominante por modelo

ChatGPT (OpenAI) - Mistura equilibrada de páginas web, livros, código e documentos públicos.
Claude (Anthropic) - Maior presença de artigos científicos e literatura académica.
Gemini (Google) - Predominância do rastreamento da web.
Llama (Meta) - Alta proporção de livros (cerca de um quarto do conjunto de treino).
Grok (xAI) - Uso significativo das redes sociais, especialmente conteúdo do X (Twitter).

Além das diferenças quantitativas, o relatório ilustra a crescente importância da diversidade das fontes de treino como fator estratégico no desenvolvimento de modelos fundamentais. Os livros fornecem profundidade concetual e riqueza linguística; os artigos científicos fornecem conhecimento especializado e rigor técnico; o conteúdo do site oferece uma amplitude temática; as redes sociais incorporam atualidades e linguagem coloquial; enquanto outras fontes, como repositórios de código ou documentos públicos, enriquecem capacidades de programação e resolução de problemas. Essa combinação explica em grande parte as diferentes forças e limitações observadas entre os modelos atuais.

Por fim, o artigo coloca esses dados no contexto da crescente controvérsia legal sobre o treino de inteligência artificial. Processos por violação de direitos autorais continuam a multiplicar-se, especialmente contra empresas como a Meta e a Anthropic, à medida que os tribunais começam a restringir as práticas legais de recolha e armazenamento de dados e a clarificar as que infringem a propriedade intelectual. Como resultado, a composição dos conjuntos de treino já não é apenas uma questão técnica, tornando-se na questão central para o futuro da regulação, transparência e sustentabilidade do desenvolvimento da IA generativa.

Buchholz, Katharina. Estima-se que um quarto das fontes de IA de lhamas vieram de livros. Statista, 27 de julho de 2026. Disponível em: Statista

360º Património Cultural

 

 

 #PatrimónioCultural

 

Já são 67 visitas virtuais a 90 espaços patrimoniais, em 45 concelhos, que tornam a nossa História, Cultura e identidade acessíveis a partir de qualquer lugar. GRATUITAMENTE!

Através de diversas formas de navegação — por tema, localização, período histórico ou pesquisa direta — pretende-se aproximar o público do património cultural, facilitando a descoberta, a exploração e a valorização da herança cultural portuguesa. 

Visite o Portal.

Antero de Quental em 2026

 

 #AnterodeQuental #aLerMaiseMelhor

 

Imaginámos o poeta e pensador português a descobrir um Portugal mais rápido, tecnológico e moderno. Mas a sua pergunta continua atual: estamos mais acordados?

 
Antero não deixou apenas poesia. Deixou inquietação, pensamento e perguntas.
E algumas perguntas também são legado. 

 

Camões 500 anos

 

 #500anosCamões  #VouTeCantar  #aLerMaiseMelhor

 

 

"Poucos escritores marcaram tanto a língua portuguesa como Luís de Camões.

 
Soldado, viajante e poeta, perdeu um olho em combate e viveu uma vida cheia de dificuldades. Segundo a tradição, durante um naufrágio salvou o manuscrito de Os Lusíadas, segurando-o acima da água enquanto lutava pela própria sobrevivência.

 
Mais do que contar as aventuras dos navegadores portugueses, Camões ajudou a construir uma identidade para um povo e deu à língua portuguesa uma das suas maiores obras.

 
Mais de quatro séculos depois, os seus versos continuam vivos."

 

👉Este vídeo faz parte da série “Vou te Cantar”, em que grandes personagens da história de Portugal e do Brasil são transformadas em música.

 

 

Carta de amor ao cinema (e aos rituais de família)

 

 

A televisão não matou a rádio, o streaming não matou os livros, os videojogos não mataram o teatro, o digital não matou o analógico, mas.

As novas tecnologias raramente eliminam totalmente as anteriores, mas uma coisa é certa: retiram-lhes centralidade e vitalidade.

Ora bem, há duas semanas fui ao cinema ver o mais recente filme de Spielberg. Estávamos sete pessoas na sala, quatro eram da minha família: eu, o meu pai e o meu filho, três gerações. Fiquei a pensar nisto. Nasci em 1983 e por isso consigo montar uma cronologia de vida praticamente paralela aos filmes de Steven Spielberg.

Ou seja, lembro-me de poucos eventos concretos na infância, mas consigo identificar a altura em que tive medo de tubarões que não existiam, de ter acreditado em bicicletas a voar no céu, de ter desejado conhecer aventureiros em busca de tesouros e de ter pesadelos com a ideia de regresso dos dinossauros. Aliás, lembro-me bem do meu irmão em pânico, a esconder-se debaixo da cadeira, no dia em que vimos Jurassic Park no cinema. Eu tinha 10 anos, ele tinha 7. Pormenor sem grande importância nos anos 90: o filme era para maiores de 12.

Isto para dizer que cresci numa altura em que IR AO CINEMA era uma festa, um dia diferente na dinâmica familiar, um evento coletivo, um RITUAL.

Estamos em 2026, mais concretamente numa sala de cinema da periferia do Porto, e o meu pai, meio sem jeito, pede-me ajuda para subir os degraus da sala. Comovo-me só de pensar que foi no colo dele que vi os primeiros filmes e lembro-me de repente do primeiro filme que ele viu, o clássico King Kong. Devia ser 1952 ou 1953, no Cinema Batalha, no Porto. Ele tinha seis anos, estava sentado nas primeiras filas com os pais. A certa altura ficou tão assustado com o gorila que se levantou e fugiu a correr da sala.

O mais engraçado é que, décadas depois, o meu pai ainda conta este episódio com o mesmo entusiasmo de quem está a fugir do gorila. “Imagina, o raio do macaco vinha mesmo na minha direção e eu desato a correr, aos berros”. Enfim, é uma das minhas histórias preferidas.

Mas, como nos melhores filmes, o tempo passou depressa e hoje sou eu que levo o meu filho ao cinema. Agora mesmo, enquanto escrevo, há qualquer coisa que me torna ainda mais sentimental nesta matéria. Não é o filme no ecrã, é o ritual que atravessa gerações.

E talvez seja precisamente isso que Spielberg tenha compreendido melhor do que qualquer outro realizador da sua geração. Nenhum dos seus filmes foi pensado para um ecrã pequeno, mas sim para provocar espanto coletivo em multidões.

Spielberg foi um dos criadores do blockbuster moderno. Quando um filme dele estreava nos anos 80 ou 90, era um acontecimento nacional. Hoje pode estrear um Spielberg e quem é que quer saber? Ver o último filme dele perante sete espectadores é esquisito.

Os extraterrestres, arqueólogos e dinossauros de Spielberg são a camada mais fina do cinema. O que ele filmou foi uma ideia de comunidade. A ideia de que as histórias ganham uma dimensão diferente quando são partilhadas.

É por isso que o cinema é uma tecnologia social antes de ser uma tecnologia audiovisual.

O século XX criou rituais sincronizados, o XXI mudou o cinema de lugar. Quanto tempo vão resistir as salas só com 7, 10 pessoas? Será que as pessoas nascidas no século XXI vão valorizar esse lugar de partilha que é a sala de cinema, a hora marcada, a escolha de um programador? Um espaço onde, durante duas ou três horas, estamos todos a ver exatamente a mesma coisa?

Uma ida ao cinema em família sai cara. Uma subscrição mensal de streaming oferece centenas de conteúdos, liberdade de escolha e o conforto do sofá.

Mas quais são os rituais equivalentes ao cinema? Quem assiste à mesma série no mesmo momento que nós? Quem ri na mesma cena? Quem prende a respiração no mesmo instante? Quem nos obriga a descobrir aquilo que nunca procuraríamos sozinhos?

Os algoritmos das plataformas online conhecem-nos demasiado bem para nos levarem verdadeiramente para longe.

Joana Beleza. Conversas ao ouvido, Newsletter - Expresso, 16 de julho de 2026

Camilo em 2026

 

 #camilocastelobranco 

 

 Imaginámos o escritor a descobrir que Amor de Perdição continua vivo, que a sua casa se tornou memória e que Portugal ainda lê as palavras nascidas da dor, do amor e do escândalo.

A dor acabou nele.

Mas as palavras continuaram.

Prémio Camões 2026

 

 

A escritora Lídia Jorge é a vencedora do Prémio Camões 2026, a mais importante distinção da literatura em língua portuguesa.

O júri deliberou, unanimemente, atribuir a Lídia Jorge o Prémio Camões 2026, salientando "o diversificado conjunto da sua obra e o grande contributo para o enriquecimento do património literário e cívico-cultural da língua portuguesa", valorizando uma escrita "marcada por uma prosa poética densa, que aborda o passado ditatorial e a transição democrática de Portugal, a condição feminina, o impacto das transformações históricas na vida quotidiana, o significado das revoluções, a emigração, as tensões entre a sociedade moderna e pós-moderna, os conflitos entre gerações, as ruturas familiares", que nunca abandona o seu "estilo literário de forte carga lírica e o foco na memória coletiva".