Moprius

Quando se fala em algoritmos, muitos pensam logo em uma linguagem específica: C, Python, Java, JavaScript. Mas, antes de escolher qualquer linguagem, existe uma camada mais básica, que é como a ideia do algoritmo. Ou seja, como escrever o passo a passo de forma clara, organizada e independente de qualquer tecnologia específica.

É disso que trata essa parte: montar uma maneira padrão de apresentar algoritmos, usando um tipo de pseudocódigo. A ideia é ter uma “linguagem de meio de campo”: não é código de verdade que se joga num compilador, mas também não é português solto. É um misto dos dois, pensado para que qualquer pessoa com noção básica de programação consiga entender a lógica sem ficar presa à sintaxe de uma linguagem concreta.

A Nvidia não ficou gigante só porque fez uma GPU rápida e mandou uma nota fiscal junto. Ela ficou gigante porque transformou um detalhe técnico em hábito cultural: a ideia de que “fazer IA de verdade” é, por definição, fazer IA em CUDA.

Isso é mais poderoso do que um chip. Um chip você troca quando aparece outro melhor. Um hábito você troca quando a dor de mudar fica menor do que a dor de continuar do mesmo jeito.

Durante anos, o mercado contou uma história confortável para explicar o domínio da Nvidia: “as GPUs são as mais avançadas”. Essa frase tem um pedaço de verdade, só que ela serve melhor como marketing do que como explicação. Se desempenho bruto fosse o único juiz, a coroa teria mudado de cabeça várias vezes. Houve gerações em que concorrentes ficaram perto, houve soluções mais baratas, houve momentos em que o custo por desempenho parecia tentador. Mesmo assim, quase ninguém fez a troca em massa.

Porque o trono da Nvidia não fica só no silício. O trono fica na camada onde as equipes gastam anos da vida: ferramentas, bibliotecas, kernels, rotinas de treino distribuído, perfiladores, receitas de otimização, tutoriais, exemplos, bugs conhecidos, jeitos de debugar, jeitos de contratar. Um ecossistema que vira padrão não precisa obrigar ninguém. Ele só precisa fazer o resto parecer trabalhoso.

Um jeito para começar é admitir o óbvio que esquecemos: a economia global é, em grande parte, um gigantesco sistema de informação disfarçado de “mercado”. Dinheiro é informação. Preço é informação. Juros são informação. Estoque parado em um galpão é informação atrasada, quase sempre cara. Quando você olha por esse ângulo, tecnologia deixa de ser “um setor” e vira um tipo de infraestrutura cognitiva que permite que bilhões de decisões descentralizadas aconteçam com menos atrito.

E é aqui que a conversa fica interessante: o que chamamos de “desenvolvimento tecnológico” não é só a invenção de novas possibilidades, é a criação de meios para reduzir incerteza, coordenar ações e automatizar confiança. Parece abstrato? Vamos entender melhor isso.

Pensa num produtor de café no interior de Minas Gerais no Brasil, negociando com uma torrefadora na Europa. Décadas atrás, esse contrato dependia de telefonemas, intermediários, papelada, bancos correspondentes, prazos longos, taxas gordas e uma boa dose de fé. Hoje, ele pode acompanhar preço em tempo real, travar parte do risco com instrumentos financeiros acessíveis, emitir nota, rastrear logística e receber em prazos menores. A colheita é a mesma, o que mudou foi o “sistema nervoso” que conecta oferta e demanda.

Software virou infraestrutura social. Ele está no banco, no hospital, no transporte, no comércio, na escola, no governo, no entretenimento, na logística, na indústria, no celular que acorda você e no sistema que decide se uma transação deve ser bloqueada. Essa presença ubíqua cria uma exigência dupla: de um lado, velocidade de entrega e adaptação a mudanças; de outro, confiabilidade, segurança e previsibilidade. O ponto central da engenharia de software, como disciplina, é lidar com essa tensão sem cair em dois extremos igualmente perigosos: improviso permanente (que reduz custo hoje e multiplica custo amanhã) e burocracia rígida (que dá sensação de controle, mas entrega pouco valor real).

Um modo de organizar o tema é pensar que engenharia de software não é “programar melhor”, e sim projetar, construir, verificar, medir, operar e evoluir sistemas com métodos que reduzam risco. Programação é parte do processo, mas o problema real é sistêmico: requisitos mudam, ambientes variam, integrações falham, pessoas interpretam de formas diferentes, a complexidade cresce, o produto envelhece por mudança e pressão de prazo produz atalhos. A disciplina existe para transformar esse cenário em um trabalho mais controlável, repetível e auditável.

Na definição mais simples, um chatbot é um programa de computador que simula uma conversa com um usuário final. Ele responde a perguntas, orienta passos, tira dúvidas, tudo em um formato que lembra um bate-papo.

Nem todo chatbot usa inteligência artificial. Os mais antigos e simples funcionam como FAQs interativas: seguem árvores de decisão, menus e regras pré-definidas. Já os chatbots modernos vêm cada vez mais apoiados em técnicas de IA conversacional, como processamento de linguagem natural (NLP), para entender perguntas livres e gerar respostas de forma mais flexível.

A nova onda são os chatbots movidos por IA generativa, baseados em grandes modelos de linguagem (LLMs). Eles não apenas escolhem uma resposta pré-pronta, como eram os FAQ bots, mas geram conteúdo novo: texto, resumo, até descrições de imagens ou saídas de áudio, dependendo do sistema.

Essa diferença muda bastante o jogo. Em vez de programar um banco de respostas fixas para um conjunto fechado de perguntas, empresas podem conectar o chatbot diretamente à sua base de conhecimento (documentos, help center, políticas internas) e deixar a IA gerar respostas sob medida para uma variedade muito maior de questões.

Quando se diz que “a máquina aprendeu sozinha”, isso parece quase uma frase de ficção científica. Só que, na prática, é exatamente isso que está acontecendo em coisas bem concretas: o filtro de spam do e-mail, o sistema que sugere filmes, o carro que freia sozinho, o chatbot que conversa com você. Tudo isso tem um mesmo coração tecnológico: machine learning, ou aprendizado de máquina.

Mas o que exatamente significa uma máquina “aprender”? E como isso se diferencia de simplesmente programar um monte de regras “se acontecer X, faça Y”?

Se você já montou ou pelo menos configurou um PC na vida, provavelmente tem essa imagem na cabeça:

CPU: aquela parte pequena e quadrada, onde se encaixa direto na placa-mãe, no soquete, coloca pasta térmica e prende o cooler em cima.

GPU: uma placa de vídeo, cheia de componentes, que vai enfiada de lado no slot PCI Express (PCIe) da placa-mãe.

À primeira vista, parece que CPU e GPU são coisas totalmente diferentes em termos de instalação, uma é “chip no soquete”, a outra é “placa separada”. Mas, por baixo das camadas, elas são bem mais parecidas do que parece.

Neste texto, a ideia é justamente desmistificar essa diferença e mostrar como CPU e GPU se parecem no nível de chip, por que no PC doméstico a GPU costuma vir em forma de “placa de vídeo”, o que são essas GPUs em formato SXM que aparecem em servidores e se faz sentido imaginar “GPU top de linha soldada na placa-mãe” para usuários comuns.

Quando se fala em tecnologia, muitos pensam primeiro em telas brilhando, aplicativo novo, celular que acabou de ser lançado. Só que por trás de tudo isso tem uma ideia bem mais profunda e, de certa forma, desconfortável: toda tecnologia é uma extensão para o ser humano. Não é só um acessório bonitinho, é um pedaço do nosso jeito de pensar que foi colocado para fora do corpo, transformado em ferramenta. A partir do momento em que isso acontece, o próprio cérebro começa a mudar, começa a se reorganizar em torno dessas extensões. Pensar deixa de ser uma coisa puramente biológica e passa a ser também uma atividade tecnológica.

Dá para enxergar isso começando pela escrita. Antes de existir letra em pedra, papiro, papel ou tela, tudo o que uma pessoa sabia precisava caber dentro da própria cabeça, ou circular em histórias contadas em voz alta. Se alguém esquecia um detalhe importante, aquela parte da memória simplesmente se perdia. A escrita mudou o jogo porque pegou uma função fundamental da mente, lembrar, e empurrou para fora, para o mundo físico. Um caderno, um diário, um bloco de notas no celular são exemplos muito simples disso. Quando você anota um número de telefone ou uma ideia solta, não está só registrando, está tirando um peso da memória. A mente deixa de gastar energia lembrando detalhes e passa a usar essa energia para outras coisas, como criar, planejar, conectar pontos. A escrita virou uma espécie de HD externo da consciência.

Você criou sua primeira função em Python. Ela roda, não dá erro, devolve o resultado certo… missão cumprida.

Duas semanas depois, você abre o arquivo de novo e pensa:

“Quem foi que escreveu isso? O que essa função faz mesmo?”

Esse é um problema muito comum, tanto para quem está começando quanto para profissionais experientes.

Escrever funções legíveis não tem nada a ver com ser “gênio” ou “programador avançado”. Tem a ver com outra coisa bem mais simples: comunicar bem. Ou seja:

deixar claro o que a função faz; deixar claro o que ela espera receber; deixar claro o que ela devolve; facilitar a vida da próxima pessoa que vai ler o código (que muitas vezes é você mesmo no mês seguinte). A ideia deste texto é justamente essa: mostrar como escrever funções que parecem um bom texto de jornal, e não um enigma que ninguém consegue decifrar.

Plataforma de software criada para empresas acaba ajudando a descobrir genes, prever o clima e treinar inteligências artificiais A infraestrutura em um laboratório de pesquisas se torna muito importante para novas descobertas. Nunca sabemos quais software, hardware, infraestrutura por trás de uma pesquisa. Os milhares de terabytes de dados processados constantemente, rodando em continuamente o tempo todo e ajudando a calcular e visualizar experimentos para uma nova pesquisa. E isso economizando tempo para o pesquisador

Aqui vamos falar um pouco de como o OpenShift da Red Hat consegue dar soluções para a ciência moderna, facilitando muito pesquisas atuais.

Na maioria das fotos de grandes laboratórios, raramente aparece, mas sempre está lá. Vemos telescópios apontados para o céu, braços robóticos milimétricos, cientistas em volta de gráficos coloridos. Mas, se a câmera desse um zoom nas telas desses computadores, em muitos casos o que surgiria seria algo bem familiar para quem gosta de tecnologia: um terminal preto, algumas janelas simples… e, nos bastidores, o Linux.

Ele é o “sistema operacional invisível” da ciência moderna.

O pinguim no topo do mundo Quase todos os supercomputadores que aparecem em rankings internacionais rodam alguma variante de Linux. Faz sentido, pesquisadores precisam de algo que seja estável, flexível e barato de escalar para milhares de máquinas. Licenciar sistema para cada nó de um cluster gigantesco seria impraticável, controlar o comportamento de cada detalhe do kernel, ou núcleo do sistema operacional, dos drivers e da rede é essencial, e o Linux entrega isso.

Imagine um laboratório que simula o clima da Terra nas próximas décadas. Cada “rodada” de simulação envolve trilhões de operações matemáticas acontecendo em paralelo. O que coordena essa dança entre milhares de processadores é um sistema operacional capaz de ser ajustado como uma peça

Durante o dia, notícias sobre golpes digitais, vazamento de dados e contas bancárias invadidas dominam as manchetes. Em paralelo, num laboratório na Alemanha, um grupo de físicos está literalmente teleportando estados quânticos de luz entre fontes diferentes. Aparentemente são dois mundos distantes, mas na prática estão conectados pela mesma pergunta: como proteger informação em um ambiente online cada vez mais vulnerável?

A vida conectada continua exposta. Golpistas conseguem se passar por alguém da família, clonar perfis, acessar contas financeiras com truques cada vez mais sofisticados. Ferramentas de inteligência artificial ajudam criminosos a criar mensagens convincentes, imitar vozes, gerar documentos falsos e planejar ataques bem direcionados. Tudo isso torna a proteção dos dados uma corrida constante de defesa e contra-ataque.

É nesse cenário que entra a tal “criptografia quântica”, um termo que pode soar meio futurista, mas que se apoia em princípios sólidos da física. A ideia central é simples, embora sofisticada na prática: usar propriedades quânticas da luz para codificar informações de forma que qualquer tentativa de espionagem deixe marcas visíveis no sinal. Em vez de confiar apenas em cálculos difíceis de quebrar, a segurança se apoia nas próprias regras da natureza.

Só que transformar essa ideia em infraestrutura real não é trivial. Um “internet quântica” funcional precisa de uma série de componentes que ainda estão em desenvolvimento. Entre eles, um é considerado crucial: o repetidor quântico, o equivalente, no mundo quântico, dos amplificadores que já existem nas fibras ópticas comuns. E foi justamente nessa peça do quebra-cabeça que um grupo de pesquisadores da Universidade de Stuttgart deu um passo importante.

Imagina uma cena simples, que poderia estar em qualquer interior do Brasil. À beira de um rio, um pequeno equipamento preso a uma estaca fica ali em silêncio, dia e noite, sob sol forte e chuva pesada. Ele não tem tela colorida, não faz barulho, ninguém tira selfie com ele. Mesmo assim, esse caixotinho discreto mede a qualidade da água, registra a temperatura, percebe mudanças na correnteza e manda esses dados para pesquisadores a centenas de quilômetros dali. Dentro dele, quem está trabalhando sem aparecer na foto é uma combinação curiosa, a internet das coisas com um sistema Linux enxuto, montado sob medida para viver longe de qualquer laboratório tradicional.

A expressão internet das coisas pode soar abstrata em um primeiro momento, mas o conceito é menos complicado do que parece. Em vez de computadores e celulares, quem entra na rede são objetos do dia a dia, sensores, válvulas, lâmpadas, semáforos, colares de gado, câmeras de baixo custo, medidores de energia, estações meteorológicas. Cada um desses aparelhos ganha memória, capacidade de processar informação e conexão, geralmente via rede de celular, satélite ou Wi-Fi. Quando esse pacote chega até o campo da ciência, nasce uma pequena revolução na maneira de enxergar o mundo em tempo real.

Do outro lado dessa história está o Linux, um sistema operacional que começou como projeto de comunidade e hoje roda em supercomputadores, servidores de grandes empresas, celulares e, de forma quase invisível, em milhões de aparelhos espalhados pelo planeta. No universo dos sensores científicos, ele aparece em versões mais enxutas, chamadas de Linux embarcado, pensadas para funcionar em placas pequenas, com pouca memória, muitas vezes instaladas em locais sem energia estável, nem ar condicionado, nem técnico por perto. É esse casamento entre pequenos sensores, conectividade e Linux que está criando uma nova infraestrutura para a ciência moderna.

Durante muito tempo, falar de placa de vídeo era falar só de jogo. Era discutir qual GPU rodava melhor o novo título AAA, qual dava mais FPS, qual segurava ray tracing sem transformar tudo em um show de slides. Nos bastidores, o mundo dos servidores e dos data centers seguia dominado por CPUs, escalando em núcleos, cache e frequência, enquanto as GPUs ficavam “presas” na imagem do videogame turbinado. De uns anos para cá, essa divisão deixou de fazer sentido. Hoje, quando se fala em inteligência artificial, simulação científica pesada, treinamento de grandes modelos de linguagem, recomendação personalizada em tempo real ou até criação de conteúdo digital, a pergunta que surgiu deixou de ser “qual CPU o data center usa” e passou a ser “quantas GPUs existem nesse rack e de que tipo são”.

Quando se olha para pesquisas recentes em computação de alto desempenho e aprendizado de máquina, isso aparece de forma repetida e consistente. Trabalhos em deep learning, por exemplo, são quase sempre escritos assumindo que o treinamento rodará em GPU, e não em CPU, porque a arquitetura paralela das GPUs combina muito melhor com o tipo de cálculo envolvido em redes neurais profundas, cheio de multiplicações de matrizes gigantescas e operações em lotes enormes de dados. Em vez de processar uma coisa por vez, como as CPUs tradicionalmente fazem de maneira muito organizada, as GPUs “disparam” milhares de operações em paralelo, como se mobilizassem um exército gigantesco de pequenos trabalhadores matemáticos, todos atuando ao mesmo tempo sobre partes diferentes de um mesmo problema. Isso tem um impacto direto no tempo necessário para treinar modelos: algo que levaria semanas em CPU pode cair para dias ou horas quando se distribui o mesmo trabalho sobre múltiplas GPUs.

Os grandes provedores de nuvem passaram a oferecer instâncias com várias GPUs interligadas, com links de alta velocidade entre elas, projetados justamente para manter o fluxo de dados alimentando esses processadores sem gargalo. Aparecem nomes que começam a se tornar comuns em reportagens, como clusters de GPUs conectados por NVLink ou InfiniBand, pensados para que o modelo não fique “esperando” pelos dados que precisa para continuar aprendendo. O resultado é uma espécie de “fábrica de cálculo paralelo”, em que o data center vira menos um prédio cheio de máquinas genéricas e mais uma infraestrutura especializada em matemática pesada, otimizando consumo de energia, refrigeração, conectividade e software para tirar proveito dessa realidade.

Há quem imagine que programar exige um talento inato, uma espécie de vocação misteriosa, como de matemática e reservada a poucas pessoas. Esse mito persiste na maioria, embora a realidade seja mais generosa, programar é uma habilidade ensinável, incremental, e profundamente útil para a vida prática. Entre as linguagens disponíveis, Python se destaca pela clareza, pela comunidade vibrante e pela vasta coleção de bibliotecas que resolvem problemas reais. Este texto propõe um passeio reflexivo e didático sobre o que é Python, por que ele é considerado simples, e como se pode aplicá-lo em tarefas do dia a dia.

Python foi desenhado com uma preocupação central, legibilidade. O código se parece com uma sequência de instruções em língua natural, com vírgulas, nomes descritivos e blocos bem demarcados por indentação. Isso convida o iniciante em programação a entender o que está acontecendo, sem ruídos visuais. Outra vantagem está na filosofia da linguagem, há um modo óbvio de fazer as coisas, o que reduz o dilema de escolhas entre dezenas de sintaxes diferentes. Sendo uma vantagem grande é a linguagem ser interpretada, o que permite experimentar ideias em pequenos passos, corrigir erros com rapidez e aprender por tentativa, erro e observação, um ciclo muito natural para quem está começando.

Aprender é mais confortável quando se encontra acolhimento, Python oferece isso de várias formas. Existem ambientes como o Jupyter Notebook, um programa de computador que sever como um caderno de notas, muito poderoso, permitindo escrever trechos de código, executar, ver o resultado, e registrar comentários. Existem muitas comunidades em português, guias introdutórios, fóruns e cursos gratuitos. A instalação é simples, basta baixar um pacote oficial e, quando surgir a curiosidade por bibliotecas adicionais, um gerenciador de pacotes, chamado PIP, resolve a maior parte das necessidades com um único comando. Essa combinação de ferramentas e pessoas forma um ecossistema onde dúvidas encontram respostas, e onde exemplos prontos aceleram a prática.

Uma das coisas mais interessante que programar em Python faz, é educar no pensamento computacional, que nada mais é que aprender a decompor problemas em etapas claras, identificar padrões, criar regras e testar hipóteses. Esse tipo de pensamento serve para além do computador, auxilia na organização de tarefas, na tomada de decisões e na análise de dados pessoais. Ao encarar uma lista de contas, um conjunto de mensagens ou um histórico de gastos, a pessoa passa a perguntar, como posso estruturar essa informação, que padrões existem aqui, que perguntas posso responder. Python vira um caderno de laboratório, onde experiências são registradas e reproduzidas.

Tem um ponto que costumamos ignorar quando se fala de produção de alimentos, o chão. Não o chão que a gente varre em casa, mas o solo vivo, aquele que sustenta planta, raiz, água, ar e nutrientes. Quando esse solo perde a capacidade de resistir ao aperto, de se adaptar a mudanças e de se recuperar depois de um estresse, a comida que chega ao prato fica em risco. Dá para resumir assim, se o solo aguenta o tranco, a lavoura aguenta junto. Se o solo quebrar, todo o resto balança.

Nos últimos anos, muitos têm chamado atenção para um problema que tem crescido silenciosamente, a maneira como estamos explorando a terra diminui a tal resiliência do solo. Resiliência aqui é aquela habilidade de resistir ao impacto, se ajustar e voltar a funcionar bem depois de uma secura do solo, de uma enchente repentina, de um manejo pesado. Na prática, o solo não se entrega na primeira dificuldade. O que vem sendo observado é o seguinte, práticas intensivas que aumentam a colheita num primeiro momento, como arar muito, aplicar adubo químico sem equilíbrio e usar água demais para irrigar, costumam deixar cicatriz. No começo, a produção sobe, parece o caminho certo, só que com o tempo a qualidade do solo cai, a estrutura se desfaz, a matéria orgânica some, os organismos que mantêm o solo vivo diminuem. O resultado chega silencioso, o terreno fica menos capaz de segurar a onda quando aparece um estresse, seja uma seca, seja uma chuva forte, seja um problema político que interrompe o insumo, seja uma praga que encontra terreno fácil.