AI Tech Tree & Knowledge: uma árvore interativa da evolução da IA, para professores e estudantes

Um projeto aberto, com licença MIT. Apresento a ferramenta, mostro como usá-la em sala de aula e explica como ajudar a melhorá-la.

• Versão no ar (sem instalar nada): https://mrjc01.github.io/ai-tree/
• Código e issues: https://github.com/MrJc01/ai-tree

Melhorias são bem-vindas. A árvore é uma seleção editorial, e certamente tem lacunas e erros. Se você encontrar algo errado, souber de uma fonte melhor ou quiser sugerir uma mudança, envie uma correção pelo GitHub do projeto. A seção Como contribuir explica como.

O que é

A inteligência artificial evoluiu em muitas etapas, e é fácil se perder entre elas: o perceptron, a LSTM, o transformer, os modelos de linguagem, os agentes, o RLHF. O AI Tech Tree organiza essas etapas numa árvore interativa, em que cada habilidade aparece ligada às que a tornaram possível e às que ela abriu caminho.

No total são 51 habilidades, cada uma com explicação, histórico, atores, fontes, fluxograma e benchmarks. A ferramenta roda no navegador, no computador ou no celular.

Para quem é

• Professores que ensinam história da computação, inteligência artificial, tecnologia ou ciência de dados, do ensino médio à graduação. Também serve para apresentações de divulgação.
• Estudantes que querem entender a sequência de ideias da IA e ver o que depende de quê, em vez de decorar nomes soltos.

Como ler a árvore

As áreas (colunas) agrupam as habilidades por tema: arquiteturas e redes, computação e hardware, raciocínio e modelos de linguagem, robótica e alinhamento com valores humanos.

Os patamares (linhas) mostram o nível de evolução, de T1 a T5:

• T1, machine learning clássico: os métodos estatísticos e algoritmos que sustentam tudo o resto, como o gradiente descendente e o neurônio artificial.
• T2, IA estreita e deep learning: redes neurais treinadas para uma tarefa específica, como reconhecer imagens ou traduzir frases.
• T3, IA avançada e agentes autônomos: modelos de linguagem grandes e sistemas que usam ferramentas e planejam em vários passos.
• T4, proto-AGI: sistemas que se aproximam da inteligência geral. Não há consenso de que a AGI já tenha sido alcançada.
• T5, superinteligência teórica (ASI): um cenário que não existe hoje. Serve para pensar riscos e governança, e as habilidades desse patamar são hipóteses de trabalho, não produtos.

As trilhas são as linhas que ligam um hexágono ao que ele precisou e ao que ele tornou possível. Clicando em um hexágono, a gaveta mostra essas ligações pelo nome.

Os elementos de cada hexágono:

• Ponto colorido: a cor de identidade da habilidade. A mesma cor aparece nas réplicas.
• Selo na base: a maturidade, explicada abaixo.
• Contorno tracejado: a habilidade aparece em outra área, como réplica. A versão completa fica na original.
• Borda azul: a habilidade que está aberta ou em foco na apresentação.
• Névoa: a habilidade surgiu depois do ano escolhido no controle do tempo.
• Órbitas: modelos ligados àquela habilidade, quando a camada de modelos está ligada.

As maturidades (selo na base do hexágono):

• Teórico: uma proposta ou um cenário, sem implementação consolidada.
• Experimental: pesquisa ativa, com artigos e protótipos, mas ainda não adotada amplamente em produtos.
• Produção: em uso real, em produtos e serviços que as pessoas usam hoje.
• Comoditizado: técnica padrão, disponível em qualquer biblioteca e ensinada como o básico.

Como usar em sala de aula

Uma sugestão de roteiro de uma aula de cerca de 50 minutos:

1. Abertura (5 min): projete a visão geral e mostre as áreas e os patamares.
2. Apresentação guiada (15 min): rode o roteiro Apresentação, com 17 passos. Ele explica a ferramenta sozinho, passo a passo.
3. Linha do tempo (10 min): rode o roteiro História, com 19 passos, de 1950 até hoje. Ele mostra a ordem em que as ideias apareceram.
4. Atividade em duplas (15 min): cada dupla escolhe uma habilidade, lê a aba Como usar e apresenta a cadeia de pré-requisitos e de desbloqueios para a turma.
5. Fechamento (5 min): discuta as perguntas abaixo.

Perguntas para discutir:

• Por que o perceptron fica em T1 e o transformer em T3? O que o transformer precisou das etapas anteriores?
• Quais habilidades da área de alinhamento dependem de raciocínio e de modelos de linguagem? Por quê?
• Por que o mesmo benchmark pode ter placares diferentes em dois sites? O que muda entre as configurações?
• Qual é a diferença entre "experimental" e "produção"? Dê um exemplo de cada um.

Glossário rápido

• Benchmark: teste padronizado para comparar sistemas de IA.
• LLM (modelo de linguagem grande): um transformer treinado com grandes volumes de texto.
• AGI: inteligência artificial geral, capaz de aprender e agir em uma ampla gama de tarefas, no nível humano ou acima.
• ASI: superinteligência, muito além do humano em praticamente tudo. No projeto, é teórica.
• Réplica: outra aparição de uma habilidade, em outra área, com a mesma cor e os mesmos dados.
• Fonte: um artigo científico, um repositório com código e pesos abertos, ou um texto de divulgação ou enciclopédia.

Recursos da ferramenta

A gaveta e a aba Como usar. Ao abrir uma habilidade, a gaveta tem as abas Visão Geral, História, Atores & Labs, Fluxograma, Grafo, Fontes & Benchmarks e Como usar. Esta última explica o hexágono aberto: o que cada elemento significa para aquela habilidade e como usá-la.

Benchmarks com fonte e data. O Vault mostra, para cada teste, o valor publicado no artigo original e o placar atual, com a data da leitura, a fonte e o link do placar oficial. Números de configurações diferentes não se comparam, por isso cada placar informa em que condições foi medido. Por exemplo, o SWE-bench aparece com 76,8% no placar oficial, com um agente que usa só bash. Números de 96% que circulam em outros sites usam outra configuração.

Organização, FAQ e tema. O botão Auto-organizar reorganiza os hexágonos de quatro jeitos: menos cruzamentos de trilhas, ordem cronológica, por maturidade ou alfabética. O FAQ tem 26 perguntas com pesquisa, incluindo os patamares e as maturidades. Há tema claro e tema escuro.

Celular e tablet. Em telas menores, os botões do cabeçalho viram um menu, a gaveta sobe por baixo ocupando 60% da tela, e o painel da apresentação ocupa 40%.

Gaveta	Menu

Exportar para slides. O botão Exportar salva o canvas como PNG ou SVG, da vista atual ou da árvore inteira. A imagem abaixo é a árvore inteira em PNG, sem a legenda e os controles.

Sobre os dados e as fontes

• Cada habilidade cita as fontes que usa, como artigos com arXiv ou DOI. Os links abrem a fonte original.
• Os placares de benchmark foram lidos nas páginas oficiais em 12/10/2026, e cada um traz a data e a configuração.
• Os modelos de IA entram com o link da página oficial do fabricante.
• Os atores de cada habilidade foram conferidos com os artigos originais, e 13 correções foram feitas nessa revisão. Ela ainda não terminou para todas as entradas, e ajuda nisso é muito bem-vinda.
• A árvore não é um catálogo completo de IA. É uma seleção editorial, feita para explicar a evolução do campo.

Como contribuir

Melhorias são bem-vindas, e o projeto aceita contribuições pelo GitHub, sem custo:

1. Corrigir um dado ou uma fonte (a contribuição mais útil). Abra uma issue em https://github.com/MrJc01/ai-tree/issues com o link da habilidade (por exemplo, #habilidade=llm), o que está errado e o link da fonte que comprova. Para placares, informe também a data e a configuração.
2. Sugerir uma melhoria de texto, de funcionalidade, de visual ou de idioma. Uma issue descrevendo a ideia e o motivo já ajuda.
3. Enviar uma alteração no código. Faça um fork do repositório, crie uma branch, rode npm test, npm run lint e npm run typecheck, e abra um pull request.
4. Compartilhar como você usou em aula. Atividades, perguntas e roteiros de professores e estudantes podem virar parte da documentação.

Algumas regras simples: não invente fontes, cite a origem de cada informação e indique a data quando falar de números que mudam, como placares e lançamentos.

Como citar

MrJc01 (2026). AI Tech Tree & Knowledge [software]. GitHub. https://github.com/MrJc01/ai-tree (acessado em 12/10/2026).

Como o projeto foi feito

• Tecnologias: Vite, React, TypeScript, Tailwind CSS, React Flow (o canvas), Zustand (o estado), Framer Motion (as animações) e Mermaid (os fluxogramas).
• Testes: 177 testes de unidade e de interface, 11 de ponta a ponta no navegador (desktop e celular), além de lint, checagem de tipos e build. O GitHub roda essas verificações a cada envio.
• Ferramenta de IA usada na construção: Claude Haiku 5.5, o único modelo usado no projeto, no ambiente ultracode.
• Consumo: cerca de 3% do limite semanal do plano Pro do Claude.

Limitações

• Modelos de outras empresas e de código aberto, mais recentes, ainda não entraram na árvore. O Gemini 4 Argon aparece como anunciado, porque ainda não foi lançado de forma ampla.
• Para dois artigos (Mamba e DDPM), a afiliação dos autores veio de fonte secundária, e não da primeira página.
• Os placares mudam com o tempo. Por isso cada um traz a data da leitura.
• A exportação grava o que está na tela, ou a árvore inteira como imagem. Não é um diagrama editável.

Como rodar no seu computador

git clone https://github.com/MrJc01/ai-tree.git
cd ai-tree
npm install
npm run dev

Depois, abra http://localhost:5173.

Licença

O projeto é distribuído sob a licença MIT. Você pode usar, copiar e adaptar a ferramenta, inclusive em aula, desde que mantenha o aviso de licença.