O Perceptron, formalizado por Frank Rosenblatt, é um algoritmo de classificação binária que constitui a unidade fundamental de processamento em muitas arquiteturas neurais. Sua operação consiste em calcular a soma ponderada das entradas, aplicando-a a uma função de ativação para gerar um resultado. Embora a sua concepção original se aplique a cenários linearmente separáveis, os seus princípios foram estendidos. A evolução para Redes Neurais Multicamadas (MLPs), que empilham esses neurônios, permitiu a modelagem de relações não-lineares. Atualmente, arquiteturas avançadas, como as Redes Neurais Convolucionais (CNNs) e os Transformers, embora muito mais complexas, herdam e recontextualizam a ideia central de processar dados por meio de camadas de unidades computacionais que ajustam seus parâmetros.Fonte: GOODFELLOW, I.; BENGIO, Y.; COURVILlE, A. Deep Learning. MIT Press, 2016.Considerando o texto base e o funcionamento do Perceptron no contexto da Inteligência Artificial moderna, analise as afirmativas a seguir:I. O algoritmo de aprendizado do Perceptron é o mecanismo de otimização predominante em redes neurais profundas, como as utilizadas em modelos de linguagem avançados, por sua eficiência computacional em dados não-lineares. II. A transição do Perceptron para as Redes Neurais Multicamadas (MLPs) superou a limitação da separabilidade linear ao permitir a criação de fronteiras de decisão complexas, um princípio explorado por ferramentas modernas de IA para tarefas como segmentação de imagens. III. A relevância do Perceptron para novas ferramentas de IA, como os sistemas de visão computacional baseados em CNNs, decorre da aplicação direta de sua arquitetura original para a extração de características em matrizes de pixels. IV. O paradigma fundamental do Perceptron, que envolve a ponderação de entradas e sua transformação por uma função de ativação, permanece como um conceito estruturante nas unidades computacionais de arquiteturas de IA contemporâneas, mesmo que estas empreguem algoritmos de otimização e funções