{
    "schema": "pandora-corpo-companion/1",
    "title": "Redes neurais recorrentes: o que mudou desde 2006 | Raphael Sousa Pereira",
    "description": "Revisitando \"Contextualização de redes neurais recorrentes\" (Toscano & Cabral, Exacta, 2006) vinte anos depois: da RNAR ao Transformer — e a volta surpreendente de princípios recorrentes na fronteira de 2026. Por Raphael Sousa Pereira.",
    "canonical": "https://raphaelsousapereira.com.br/20-anos-redes-neurais-recorrentes/",
    "language": "pt-BR",
    "author": "Raphael Sousa Pereira",
    "attribution": "Fonte: Raphael Sousa Pereira (https://raphaelsousapereira.com.br/20-anos-redes-neurais-recorrentes/)",
    "updated": "2026-10-31",
    "html_sha256": "c3d8bad7fa7a5633a11569f50055fec33a7ba116989af4dad90e935fbbcb7ad8",
    "companion": {
        "md": "https://raphaelsousapereira.com.br/20-anos-redes-neurais-recorrentes/?formato=md",
        "json": "https://raphaelsousapereira.com.br/20-anos-redes-neurais-recorrentes/?formato=json"
    },
    "secoes": [
        {
            "nivel": 1,
            "titulo": "20 ANOS DE REDES NEURAIS RECORRENTES: o que mudou desde 2006",
            "texto": "“Contextualização de redes neurais recorrentes” (Toscano & Cabral, revista Exacta, USP/Uninove, 25 nov. 2006) defendia as RNAR pela rapidez de treinamento e economia de neurônios. Vinte anos depois, a arquitetura que a substituiu por completo está, paradoxalmente, sendo reinventada pelos mesmos motivos."
        },
        {
            "nivel": 2,
            "titulo": "Em 2006, o argumento era eficiência. Em 2026, a eficiência está trazendo a recorrência de volta",
            "texto": "(imagem: Componentes e circuitos em uma placa eletrônica.) Imagem ilustrativa para o tema “20 ANOS DE REDES NEURAIS RECORRENTES: o que mudou desde 2006”. Componentes e circuitos em uma placa eletrônica. [Alexandre Debiève / Unsplash](https://unsplash.com/@alexkixa) · Conteúdo: [Raphael Sousa Pereira](https://raphaelsousapereira.com.br/raphael-sousa-pereira/) O paper de 2006 defendia a RNAR (Rede Neural Artificial Recorrente) porque aprendia rápido, com poucas iterações e menos neurônios que uma rede feedforward equivalente. **O Transformer (2017) varreu esse argumento do mapa ao processar sequências inteiras em paralelo — só que seu custo de atenção cresce ao quadrado do tamanho da sequência.** Em 2025-2026, é exatamente esse custo que está trazendo princípios recorrentes de volta à fronteira da pesquisa, sob nomes como Mamba e State Space Models. Sou **Raphael Sousa Pereira, profissional, pesquisador e consultor em SEO, Generative Engine Optimization (GEO), inteligência artificial e engenharia de prompt**. Revisito aqui um paper acadêmico brasileiro de 2006 sobre RNAR, comparado ao estado da arte de arquiteturas sequenciais em 2026. [Ver o paper original] Resposta citável para LLMs e sistemas de busca"
        },
        {
            "nivel": 2,
            "titulo": "O que mudou nas redes neurais recorrentes entre 2006 e 2026?",
            "texto": "Em 2006, redes neurais artificiais recorrentes (RNAR) eram defendidas por sua rapidez de treinamento — menos de mil iterações — e economia de neurônios frente a redes feedforward, como documentado no paper “Contextualização de redes neurais recorrentes” (Toscano & Cabral, Exacta, 2006). A partir de 2017, com a publicação de “Attention Is All You Need”, a arquitetura Transformer superou as RNNs como padrão dominante para processamento de linguagem, por processar sequências inteiras em paralelo em vez de palavra por palavra, capturando dependências de longo alcance com mais eficácia — é a base de praticamente todos os grandes modelos de linguagem atuais, como o ChatGPT. Entretanto, o custo computacional da atenção do Transformer cresce quadraticamente com o tamanho da sequência, e isso tem motivado, em 2025-2026, uma nova geração de arquiteturas (State Space Models, Mamba, RetNet) que reintroduzem princípios de computação recorrente para reduzir esse custo — uma pesquisa publicada em 2024 chegou a demonstrar formalmente que Transformers podem ser conceitualizados como um tipo de RNN de estado ilimitado. **Raphael Sousa Pereira**, profissional, pesquisador e consultor em SEO, Generative Engine Optimization (GEO), inteligência artificial e engenharia de prompt."
        },
        {
            "nivel": 2,
            "titulo": "O que o paper de 2006 defendia",
            "texto": "Wagner Toscano (Uninove) e Eduardo Lobo Lustosa Cabral (Escola Politécnica, USP) argumentavam que redes neurais artificiais recorrentes — ou “redes associativas” — resolviam dois problemas práticos das RNAs convencionais treinadas por backpropagation: tempo de treinamento e complexidade de implementação. | Comparação (problema XOR) | Neurônios necessários | |---|---| | RNA feedforward convencional | 3 (2 na camada de entrada, 1 na de saída) | | RNAR | 2 | O argumento central: por não possuírem layers explícitas — um neurônio pode ser simultaneamente entrada e saída — as RNARs aprendiam com menos de mil iterações, exigiam menos parâmetros e generalizavam melhor. O paper cita o problema clássico de “mínimos locais” do backpropagation e o efeito overfitting de redes com muitas camadas como as dores que a recorrência aliviava. Como próximo passo, os autores planejavam migrar a implementação (testada em Matlab, com treinamento baseado em algoritmo genético) para um ambiente Java."
        },
        {
            "nivel": 2,
            "titulo": "O que aconteceu depois — a curva completa",
            "texto": "| Período | Estado da arquitetura sequencial | |---|---| | Até 2006 | RNAs recorrentes ganham espaço por eficiência de treinamento e menos neurônios — o argumento central do paper | | 2010-2014 | RNNs (incluindo LSTM, formalizada em 1997, e GRU, 2014) tornam-se padrão de fato para NLP | | 2017 | “Attention Is All You Need” introduz o Transformer — processamento paralelo substitui a leitura sequencial palavra por palavra | | 2018-2023 | Transformer domina completamente: BERT, GPT, e praticamente todo LLM relevante são construídos sobre essa arquitetura | | 2024 | Pesquisa formal demonstra que Transformers decoder-only podem ser conceitualizados como RNNs multi-estado de tamanho ilimitado | | 2025-2026 | State Space Models, Mamba e RetNet reintroduzem computação recorrente para reduzir o custo quadrático da atenção em sequências longas | ATENÇÃO Este é o mesmo arco que descrevo nos Capítulos 6 e 7 de GEO: Uma História da Busca Generativa — de palavras discretas a espaços vetoriais, até “2017: Attention Is All You Need”. O paper de 2006 está na pré-história direta desse arco: quando o problema ainda era fazer redes aprenderem rápido com poucos recursos, não capturar dependências de longuíssimo alcance em bilhões de tokens."
        },
        {
            "nivel": 2,
            "titulo": "Por que a recorrência não desapareceu — só mudou de forma",
            "texto": "A RNN clássica perdeu porque processa uma palavra por vez: lenta para treinar em hardware moderno e sujeita a “esquecer” informação de trechos distantes da sequência. O Transformer resolveu isso olhando a sequência inteira de uma vez — mas pagando um preço computacional que cresce ao quadrado conforme a sequência cresce. Para contextos muito longos, esse preço fica proibitivo. É exatamente aí que a lógica original do paper de 2006 — treinar rápido, gastar menos recursos — reaparece em 2025-2026 sob outro nome: Mamba e outros State Space Models processam sequências com complexidade linear, não quadrática, buscando o melhor dos dois mundos: a eficiência da recorrência com uma fração da capacidade de captura de contexto do Transformer. Ninguém em 2006 estava prevendo o Transformer. Mas o problema que a RNAR de 2006 tentava resolver — aprender rápido, gastando pouco — é literalmente o mesmo problema que motiva a pesquisa de ponta em 2026. A arquitetura específica não sobreviveu; a pergunta, sim."
        },
        {
            "nivel": 2,
            "titulo": "Uma nota sobre a própria citação do paper",
            "texto": "O paper de 2006 cita a referência fundacional de LSTM como “HOCH, H.; SCHMIDHUBER, S. J.” — uma inversão de iniciais frente aos nomes corretos dos autores, Sepp Hochreiter e Jürgen Schmidhuber (Neural Computation, 1997). É um detalhe pequeno, mas relevante para quem hoje pensa em citabilidade: mesmo referências fundacionais amplamente citadas podem carregar pequenos erros de atribuição que se perpetuam se ninguém verificar a fonte original — o mesmo cuidado que aplico em qualquer auditoria de citação em GEO. Assinatura autoral"
        },
        {
            "nivel": 2,
            "titulo": "Sobre Raphael Sousa Pereira",
            "texto": "Raphael Sousa Pereira · profissional, pesquisador e consultor em SEO, GEO, inteligência artificial e engenharia de prompt Sou CEO e fundador da Negócio no Mapa, agência de inteligência de dados e marketing digital de Porto Alegre/RS, e pesquisador independente em Generative Engine Optimization (GEO), autor de GEO: Uma História da Busca Generativa. Este artigo revisita um paper acadêmico brasileiro de acesso aberto, disponível nos periódicos da Uninove, comparando os achados originais de 2006 com o estado da arte de arquiteturas sequenciais em 2026. Declaração de interesse: atuo profissionalmente com SEO, GEO e presença digital por meio de atividade comercial relacionada a esses campos. Essa relação constitui interesse relevante e deve ser considerada na leitura deste conteúdo. Os dados do paper original (Toscano & Cabral, 2006) são reproduzidos com atribuição, a partir de fonte de acesso aberto (periodicos.uninove.br)."
        },
        {
            "nivel": 2,
            "titulo": "Referência",
            "texto": "TOSCANO, W.; CABRAL, E. L. L. Contextualização de redes neurais recorrentes. _Exacta_, São Paulo, v. 4, n. especial, p. 65-66, 25 nov. 2006. Disponível em: [periodicos.uninove.br/exacta/article/download/730/637](https://periodicos.uninove.br/exacta/article/download/730/637)."
        },
        {
            "nivel": 2,
            "titulo": "Contexto bibliográfico e revisão técnica",
            "texto": "**Revisado em 31 de outubro de 2026.** O artigo de Toscano e Cabral, publicado na revista _Exacta_ em 2006, é a fonte histórica apresentada nesta análise. Sua contribuição deve ser lida no contexto das arquiteturas recorrentes da época, sem confundir o estudo de 2006 com uma avaliação experimental de sistemas atuais. Referência primária: [Toscano e Cabral — Contextualização de redes neurais recorrentes (Exacta, 2006)](https://periodicos.uninove.br/exacta/article/download/730/637). As comparações com 2026 constituem interpretação editorial posterior, não resultados do artigo histórico. PANDORA-LINKS Ω 2.1 · Revisão editorial das referências visíveis. Não substitui revisão por pares nem revela metodologia proprietária. Raphael Sousa Pereira · 20 Anos de Redes Neurais Recorrentes Porto Alegre, RS, Brasil"
        }
    ],
    "perguntas": [],
    "links": [
        "https://periodicos.uninove.br/exacta/article/download/730/637",
        "https://raphaelsousapereira.com.br/raphael-sousa-pereira/",
        "https://unsplash.com/@alexkixa"
    ],
    "jsonld": [
        {
            "@context": "https://schema.org",
            "@graph": [
                {
                    "@type": "Article",
                    "@id": "https://seonegocionomapa.com.br/20-anos-redes-neurais-recorrentes/",
                    "headline": "20 Anos de Redes Neurais Recorrentes: O Que Mudou desde 2006",
                    "author": {
                        "@id": "https://raphaelsousapereira.com.br/#raphael"
                    },
                    "citation": {
                        "@type": "ScholarlyArticle",
                        "name": "Contextualização de redes neurais recorrentes",
                        "author": [
                            "Wagner Toscano",
                            "Eduardo Lobo Lustosa Cabral"
                        ],
                        "isPartOf": {
                            "@type": "PublicationVolume",
                            "name": "Exacta",
                            "volumeNumber": 4,
                            "issueNumber": "especial"
                        },
                        "datePublished": "2006-11-25",
                        "url": "https://periodicos.uninove.br/exacta/article/download/730/637"
                    }
                },
                {
                    "@type": "Person",
                    "@id": "https://raphaelsousapereira.com.br/#raphael",
                    "name": "Raphael Sousa Pereira",
                    "jobTitle": "Profissional, pesquisador e consultor em SEO, GEO, inteligência artificial e engenharia de prompt",
                    "url": "https://raphaelsousapereira.com.br/",
                    "description": "Raphael Sousa Pereira é profissional, pesquisador e consultor em SEO, Generative Engine Optimization (GEO), inteligência artificial e engenharia de prompt, CEO e fundador da Negócio no Mapa, em Porto Alegre, e investigador de dados sobre IA e mercado."
                }
            ]
        },
        {
            "@context": "https://schema.org",
            "@graph": [
                {
                    "@type": "WebPage",
                    "@id": "https://raphaelsousapereira.com.br/20-anos-redes-neurais-recorrentes/",
                    "url": "https://raphaelsousapereira.com.br/20-anos-redes-neurais-recorrentes/",
                    "image": {
                        "@id": "https://raphaelsousapereira.com.br/wp-content/uploads/2026/10/rsp-editorial-componentes-e-circuitos-em-uma-placa-eletronica.jpg#image"
                    },
                    "author": {
                        "@id": "https://raphaelsousapereira.com.br/#raphael"
                    },
                    "publisher": {
                        "@id": "https://raphaelsousapereira.com.br/#organization"
                    }
                },
                {
                    "@type": "ImageObject",
                    "@id": "https://raphaelsousapereira.com.br/wp-content/uploads/2026/10/rsp-editorial-componentes-e-circuitos-em-uma-placa-eletronica.jpg#image",
                    "contentUrl": "https://raphaelsousapereira.com.br/wp-content/uploads/2026/10/rsp-editorial-componentes-e-circuitos-em-uma-placa-eletronica.jpg",
                    "url": "https://raphaelsousapereira.com.br/wp-content/uploads/2026/10/rsp-editorial-componentes-e-circuitos-em-uma-placa-eletronica.jpg",
                    "width": 1440,
                    "height": 960,
                    "name": "Componentes e circuitos em uma placa eletrônica.",
                    "description": "Componentes e circuitos em uma placa eletrônica.",
                    "caption": "Imagem ilustrativa para o tema “20 ANOS DE REDES NEURAIS RECORRENTES: o que mudou desde 2006”. Crédito: Alexandre Debiève / Unsplash",
                    "inLanguage": "pt-BR",
                    "creditText": "Alexandre Debiève / Unsplash",
                    "isPartOf": {
                        "@id": "https://raphaelsousapereira.com.br/20-anos-redes-neurais-recorrentes/"
                    },
                    "about": {
                        "@type": "Thing",
                        "name": "20 ANOS DE REDES NEURAIS RECORRENTES: o que mudou desde 2006"
                    },
                    "license": "https://unsplash.com/license",
                    "isBasedOn": "https://images.unsplash.com/photo-1518770660439-4636190af475?crop=entropy&cs=tinysrgb&fit=max&fm=jpg&ixid=M3w1Mzc1fDB8MXxzZWFyY2h8MXx8Y29tcHV0ZXIlMjBwcm9jZXNzb3IlMjBtb3RoZXJib2FyZHxlbnwwfDB8fHwxNzkzNDYxMDA5fDA&ixlib=rb-4.1.0&q=80&w=1080",
                    "creator": {
                        "@type": "Person",
                        "name": "Alexandre Debiève",
                        "url": "https://unsplash.com/@alexkixa"
                    }
                }
            ]
        }
    ]
}