Autoencoders e GANs para quem começa

Dois programas diferentes, uma confusão só. O autoencoder aperta um dado num vetor pequeno e tenta devolvê-lo. A GAN inventa um dado novo que um segundo programa tenta distinguir do real. Um reconstrói. O outro disputa. Gerar não é lembrar. Comprimir não é entender.

O volume 7 da AI One separa os dois ofícios. Este texto é a porta, para quem chega do sete e da folha e ainda trata “modelo generativo” como sinônimo de mágica.

Autoencoder: o funil e o espelho

A entrada passa por um gargalo. O gargalo é o código. O decoder tenta o original. A perda mede a diferença. Se o gargalo for largo demais, a rede copia. Se for estreito demais, a reconstrução vira média borrosa. O ofício é escolher o apertar que ainda serve.

Para que serve. Reduzir dimensão. Tirar ruído. Às vezes achar anomalia: o que não reconstruí bem talvez não fosse do treino. Não serve, sozinho, para “criar clientes novos”. A amostra reconstruída é um eco. Eco não é população.

flowchart LR
  x["Dado real"] --> e["Encoder"]
  e --> z["Código z"]
  z --> d["Decoder"]
  d --> xr["Reconstrução"]
  x --> p["Perda"]
  xr --> p
  classDef ouro fill:#FBF5E4,stroke:#C9A227,color:#0B1F18,stroke-width:1.4px
  classDef verde fill:#F3FAF7,stroke:#1E7A57,color:#0B1F18,stroke-width:1.4px
  classDef fim fill:#0F3328,stroke:#0F3328,color:#FBFAF6,stroke-width:1.4px
  class x,xr ouro
  class e,z,d verde
  class p fim

GAN: duas redes, um jogo

O gerador parte de ruído e fabrica um candidato. O discriminador vê reais e fabricados e tenta acertar a origem. O gerador tenta enganar. O treino é esse cabo de guerra. Quando equilibra, as amostras parecem o conjunto. Quando não equilibra, um dos dois ganha cedo demais e o outro para de aprender — o colapso que os papers chamam de mode collapse e que, na prática, é o gerador repetindo o mesmo nariz.

O perigo de produto é tratar a amostra como fato. Uma face gerada não é uma pessoa. Um extrato gerado não é um cliente. A GAN imita a distribuição que viu. Viés do treino sai no gerador com maquiagem nova.

Como não misturar os dois

Se a pergunta é “consigo compactar e reconstruir?”, autoencoder. Se a pergunta é “consigo sortear um exemplo que passe por real?”, GAN — ou, em 2026, outra família generativa, difusão incluída. O volume 7 ensina os dois para você reconhecer o objetivo da perda. Sem o objetivo, o nome do modelo é decoração.

Quem for para LLM depois encontra a mesma disciplina: o transformer gera a próxima palavra, não a verdade. Generativo, em todos esses casos, quer dizer amostrar. Amostrar exige recusa: o que esta amostra não autoriza.

A matemática continua a do gradiente. Os dados continuam a do recorte honesto. Muda o alvo da perda. Essa é a única novidade que o volume pede que você saiba dizer em voz alta.

A AI One volume 7 ainda está em lista de espera; o mapa já serve para estudar. Quando o livro sair, o projeto carrega essa distinção até o código. Enquanto isso, recuse a frase “a IA criou”. Diga o que a perda pedia: reconstruir, ou enganar um discriminador.

Leia também: Sequências e memória · O que um transformer faz.