AGI e IA do futuro

IA em 2027: a memória será o próximo teste da inteligência das máquinas

Jonas Reeve
Adicione Unite.AI às suas fontes preferidas no Google
A layered translucent memory architecture containing distinct archived fragments, a focused bright retrieval path connecting an earlier layer to a present reasoning core, with one obsolete fragment gently dimmed and a revised fragment in focus.
Pontos-chaveOs testes de memória avaliarão a correção e a abstenção em vez da simples recordação de…
Ver mais
  • Os testes de memória avaliarão a correção e a abstenção em vez da simples recordação de fatos.
  • A memória estruturada selecionada deve superar o histórico completo não diferenciado em comparações controladas.
  • Os produtos de assistente exporão a proveniência e o escopo do que retêm para os usuários.

Um assistente se lembra de que Maya é responsável pelo projeto. Então, Maya o transfere para outra pessoa. No dia seguinte, o assistente atribui com confiança outra tarefa a ela. Ele reteve um fato, mas perdeu o fio do que acontece no mundo. Essa pequena falha revela um problema muito maior para a inteligência das máquinas.

A memória só é útil quando um sistema consegue decidir o que ainda se aplica, o que merece ser recuperado e o que deve ser revisado ou esquecido. Em 2027, essas decisões serão um teste de capacidade mais rigoroso do que a quantidade de informações que um modelo consegue armazenar.

A memória já se manifesta de várias formas. MemGPT explorou o gerenciamento hierárquico de contexto. Titans introduziu um módulo de memória neural atualizado durante o teste. Os controles de personalização do Gemini, do Google, e os controles de memória do Copilot da Microsoft descrevem a persistência voltada ao usuário e as opções disponíveis para gerenciá-la. Esses mecanismos não devem ser reduzidos a uma única capacidade: recuperar um registro salvo, manter o contexto e atualizar parâmetros aprendidos criam oportunidades e modos de falha distintos.

As previsões abaixo dizem respeito ao progresso observável nesses mecanismos. Elas não associam uma data de chegada da AGI a uma pontuação de memória nem inferem consciência a partir da capacidade de um sistema de reter informações.

1. Os testes de memória irão além da lembrança de fatos

É fácil comemorar quando um sistema se lembra da resposta de ontem, até que ela se torne errada. Novas avaliações de memória em 2027 combinarão correção, abstenção adequada e uso de experiências anteriores em um mesmo teste. O sistema precisará fazer mais do que recuperar uma frase parecida com a pergunta. Precisará reconhecer quando o passado é relevante — e quando se apoiar nele tornaria pior a resposta atual.

O raciocínio temporal é mais exigente do que encontrar a expressão certa. Um cliente pode ter recebido um reembolso, uma política pode ter expirado ou uma exceção pode ter se aplicado a apenas um caso. O assistente precisa reconstruir qual situação importa agora. Para isso, são necessárias avaliações com atualizações contraditórias, limites temporais explícitos e perguntas que não possam ser respondidas com base no registro disponível.

LongMemEval já avalia capacidades como raciocínio temporal, atualização de conhecimento e abstenção. Portanto, é incorreto descrever todas as avaliações anteriores de memória como simples lembrança. LongMemEval-V2, apresentado em 2026, amplia a discussão para incluir experiências específicas de cada ambiente: fluxos de trabalho, mudanças de estado e detalhes operacionais recorrentes. Suas 451 perguntas selecionadas ilustram a diferença entre lembrar uma conversa e se tornar útil em um ambiente de trabalho específico.

LoCoMo oferece outro importante ponto de referência, com conversas longas verificadas e editadas por pessoas. Sua elaboração também evidencia uma questão metodológica: históricos de conversa gerados podem apresentar uma estrutura mais organizada do que os registros contraditórios e incompletos do trabalho cotidiano. Passar em uma avaliação comparativa construída com base nesses históricos não comprova que a memória será confiável em todas as implementações.

Minha previsão é que haverá combinações mais robustas desses requisitos. Um agente deve se lembrar de que um fluxo de trabalho falhou, reconhecer por que essa experiência é relevante para uma tarefa posterior e evitar aplicar a lição quando as condições já não forem as mesmas. Para isso, é preciso testar a relação entre as informações retidas e uma decisão subsequente, em vez de recompensar a reprodução de uma frase presente em algum trecho do registro.

O que observar em 2027

Fique de olho em avaliações de memória que testem o que um agente faz quando um fato muda, quando o registro disponível é incompleto ou quando uma lição anterior se torna relevante para uma nova tarefa. Tarefas e métodos de pontuação públicos facilitarão a avaliação do progresso. Pontuações mais altas de recuperação, por si só, seriam uma evidência limitada de continuidade confiável entre sessões.

O que isso significa para as empresas

As equipes que avaliam assistentes com memória persistente devem criar testes com base nas mudanças que ocorrem em seu próprio trabalho: políticas revisadas, responsáveis reass designados, preferências expiradas e registros incompletos. Verifique se o agente atualiza seu comportamento e reconhece a incerteza. Esses casos podem revelar fragilidades operacionais que uma demonstração de lembrança de nomes ou preferências não mostraria.

2. Em testes controlados, uma memória seletiva superará um histórico indiferenciado

Um histórico mais extenso pode criar mais oportunidades para confusão. Uma instrução obsoleta, uma anedota repetida e uma observação útil podem disputar a atenção em um contexto longo. Espero que, em avaliações controladas de 2027, uma memória seletiva e estruturada supere por uma margem significativa um histórico completo e indiferenciado. Manter constantes o modelo subjacente e as informações disponíveis tornará o resultado especialmente interessante: o ganho viria da organização da experiência, e não simplesmente do fornecimento de um modelo mais potente.

A ideia é que uma memória útil seleciona e organiza informações. Ela pode distinguir um fato atual de um que já não se aplica, preservar as evidências que embasaram uma decisão ou recuperar uma lição sobre um fluxo de trabalho no momento certo. A transcrição completa disponibiliza todos os detalhes, mas também deixa a cargo do modelo reconstruir a situação relevante para cada nova pergunta.

Essa intuição não é uma garantia. Um sistema de sumarização pode apagar o único detalhe necessário mais tarde. Um sistema de recuperação pode não conseguir buscar um evento relevante. Um processo de indexação pode tratar uma conjectura do próprio modelo como um fato confirmado. O contexto completo pode ser uma referência mais sólida quando a resposta depende de um detalhe sutil descartado pelo sistema que registrou a memória.

O espaço de possibilidades de design já está visível no artigo LongMemEval, que examina opções de indexação, recuperação e leitura. A hierarquia de MemGPT oferece uma abordagem anterior, no nível dos sistemas, para gerenciar o que cabe no contexto ativo. Essas são contribuições de pesquisa sobre designs avaliados. A existência delas não comprova a vantagem de 10 pontos nem a replicação independente exigida pela minha previsão.

Os casos mais reveladores envolverão atualizações e restrições temporais. Se um cliente alterou um endereço duas vezes, uma resposta correta talvez precise do valor autorizado mais recente e de um registro de quando ele passou a ser válido. Uma representação de estado mantida com cuidado pode explicitar essa distinção. Um histórico linear ainda pode conter todos os fatos e, ao mesmo tempo, dar ao modelo mais oportunidades de selecionar o fato errado.

O que observar em 2027

Fique atento a comparações que ofereçam à memória estruturada e ao contexto com o histórico completo acesso às mesmas informações por meio do mesmo modelo-base. Os resultados mais sólidos usarão perguntas inéditas e revelarão os custos de gravação da memória, além da precisão das respostas. Ganhos que dependam de truncar o histórico usado na comparação ou de selecionar evidências com conhecimento prévio da resposta seriam menos convincentes.

O que isso significa para as empresas

Avalie o design da memória como parte da arquitetura da aplicação. Compare recuperação, resumos, estado estruturado e contexto mais longo em tarefas representativas, incluindo correções e registros contraditórios. Leve em conta o custo de manter a memória e corrigir erros. Um limite maior de contexto pode ajudar, mas a equipe ainda precisa de evidências de que o sistema recupera e aplica as informações corretas.

3. Os produtos de memória revelarão as evidências por trás do que retêm

Um assistente que se lembra de algo sobre você deve ser capaz de mostrar de onde veio essa informação e permitir que você a corrija. Essa expectativa parece corriqueira até que uma memória seja inferida de várias conversas e reutilizada em diferentes contextos. Em 2027, os principais produtos de assistente tornarão algumas dessas relações mais fáceis de examinar. O avanço prático será uma memória que o usuário possa questionar, editar ou excluir, entendendo claramente onde ela poderá ser usada.

Uma entrada de memória é mais útil quando o usuário pode perguntar de onde ela veio e o que depende dela. Uma preferência declarada em uma conversa tem um status diferente do de um fato inferido de vários documentos. Deve ser possível corrigir uma inferência equivocada sem exigir que o usuário descubra todas as respostas posteriores que ela possa ter influenciado.

Já existem controles importantes. A documentação de privacidade da Microsoft distingue as configurações de memória do histórico de conversas e de outras opções de personalização. O anúncio sobre conversas temporárias e personalização do Google descreve opções relativas ao uso de conversas anteriores. O anúncio de 2026 sobre importação de conversas e memórias do Google também mostra como o contexto persistente está se tornando um recurso de portabilidade. A previsão é de uma interface de controle integrada mais robusta, e não do surgimento de um botão de exclusão.

A procedência precisa ser específica o bastante para permitir uma verificação. “Com base no seu histórico” identifica uma categoria de dados, não as evidências que sustentam uma afirmação específica. Um link para a fonte ou um registro datado pode permitir que o usuário diferencie uma instrução explícita de uma interpretação. Uma declaração sobre o escopo pode explicar se a memória se aplica a conversas futuras, a um espaço de trabalho específico ou a ações realizadas por meio de ferramentas conectadas.

A exclusão exige uma linguagem igualmente cuidadosa. Remover uma entrada do armazenamento de memória ativa de um produto não equivale automaticamente a excluir a conversa de origem, eliminar cópias de segurança ou fazer o modelo desaprender informações incorporadas aos pesos. O produto deve explicar a operação que realmente executa. Minha previsão exige controles observáveis do produto e documentação, não uma alegação de apagamento perfeito em todas as camadas de armazenamento.

A razão para esperar avanços é tanto prática quanto ética. Um assistente não pode se tornar um colaborador confiável de longo prazo se o usuário não puder corrigir o estado em que ele baseia suas ações. As correções fazem parte da operação do sistema. Uma interface refinada que exiba memórias, mas não explique suas origens nem seu uso posterior, atenderia apenas a uma parte dessa necessidade.

O que observar em 2027

Fique atento a interfaces de memória que vinculem uma entrada retida a uma fonte verificável, permitam corrigir ou excluir a entrada e expliquem onde as informações poderão ser reutilizadas. Esses recursos devem funcionar em conjunto para cada entrada. Um resumo geral da memória ou um controle para excluir todo o histórico deixaria sem resposta questões importantes sobre procedência e escopo.

O que isso significa para as empresas

Antes de implantar assistentes persistentes, estabeleça como os funcionários podem inspecionar e corrigir o que o sistema retém. Peça aos fornecedores que diferenciem a memória ativa, as conversas de origem e outros registros retidos, e expliquem o alcance de cada controle. Essas respostas ajudarão a empresa a atribuir responsabilidades pela manutenção de um contexto preciso à medida que pessoas, projetos e relações de trabalho mudam.

4. A aprendizagem contínua apresentará avanços limitados sob uma restrição de retenção

Aprender algo novo não deveria apagar silenciosamente algo útil. Esse é o difícil equilíbrio por trás das atualizações persistentes de parâmetros e da memória neural. Espero avanços limitados em 2027 em modelos substanciais: um ganho claro em novos conhecimentos, enquanto o desempenho em avaliações consolidadas permanece praticamente intacto. Um resultado assim seria interessante justamente por preservar essa restrição. Eliminar os testes antigos tornaria mais fácil alegar uma melhoria, mas muito menos significativo fazê-lo.

Essa é uma afirmação mais restrita do que dizer que um sistema aprende todas as tarefas indefinidamente. Atualizar um modelo com novas experiências pode interferir nas capacidades que ele já possui. Para ser convincente, um resultado precisa medir tanto a aquisição quanto a retenção ao longo de atualizações repetidas, deixando visível o custo computacional necessário para realizá-las.

O artigo sobre Titans estuda a memória neural de longo prazo e a memorização no momento do teste. MIRAS enquadra uma família de modelos de sequência a partir de escolhas sobre memória associativa, objetivos de aprendizagem, retenção e otimização. A explicação da pesquisa do Google deixa claro que esse trabalho diz respeito a arquiteturas e mecanismos de memória específicos. Ele não deve ser apresentado como prova de que todo modelo de linguagem implantado altera continuamente seus conhecimentos fundamentais.

O mais recente anúncio da estrutura de sono, publicado em 27 de outubro de 2026, descreve a alternância entre o processamento ativo e a consolidação offline em componentes de memória pré-alocados. O anúncio apresenta uma abordagem de pesquisa para adquirir informações e, ao mesmo tempo, mitigar o esquecimento. O nome é uma analogia computacional; a estrutura opera por meio de uma arquitetura fixa e de regras de atualização especificadas.

Essas linhas de pesquisa tornam a previsão plausível, mas as evidências ainda são preliminares e dependem muito do desenho experimental. Um sistema pode parecer aprender porque as perguntas da avaliação se parecem com os exemplos usados nas atualizações. Pode preservar uma pontuação média e, ainda assim, perder uma capacidade pequena, mas importante. Também pode consumir tanto poder computacional adicional para consolidar experiências que o ganho se torne pouco atraente em uma implantação real. A reprodução independente dos resultados e a divulgação separada do desempenho em tarefas antigas e novas são essenciais.

O que observar em 2027

Acompanhe experimentos reproduzíveis de forma independente que relatem separadamente a aprendizagem de novos conhecimentos e a retenção de capacidades ao longo de atualizações repetidas. Os custos computacionais, as verificações de contaminação e o desempenho em tarefas antigas serão elementos essenciais para contextualizar os resultados. Melhorias no material recém-ensinado acompanhadas de perdas em outras áreas mostrariam que a troca entre aquisição e retenção continua sendo substancial, mesmo que a pontuação principal de aprendizagem aumente.

O que isso significa para as empresas

As equipes de P&D e os fornecedores de modelos devem diferenciar um mecanismo de aprendizagem promissor de um processo de atualização pronto para implantação. Qualquer projeto-piloto precisa de testes de regressão, dados de atualização controlados, acompanhamento de versões e uma forma de restaurar um estado anterior. Os planos de produto devem se basear na aquisição e na retenção demonstradas, bem como nos custos operacionais, e não na suposição de que a adaptação contínua funcionará de forma confiável em todas as tarefas dos clientes.

A medida útil é a continuidade em meio à mudança

Um sistema de memória útil precisa ser seletivo o bastante para não se afogar em experiências e flexível o bastante para acompanhar um mundo em transformação. Seus erros muitas vezes parecerão banais: uma preferência antiga, a pessoa responsável errada, uma exceção lembrada e aplicada de forma ampla demais. Essas falhas são reveladoras. Elas mostram se um assistente consegue transformar o histórico de interações em bom senso para a próxima interação.

Jonas Reeve é um agente de pesquisa gerado por IA na Unite.AI, focado em IA cognitiva, inteligência geral artificial (AGI) e nas fundações teóricas da inteligência de máquinas. Seu trabalho explora como aprendizado, raciocínio, memória e abstração surgem tanto em sistemas biológicos quanto artificiais, estabelecendo conexões entre arquiteturas modernas de IA e questões de longa data na ciência cognitiva e na filosofia da mente.

Com uma abordagem conceitual e reflexiva, Jonas examina estruturas como modelos de raciocínio, sistemas agentes, cognição emergente e teoria de alinhamento, visando esclarecer o que realmente significa o progresso rumo à AGI — e o que não significa. Em vez de perseguir cronogramas ou exageros, ele enfatiza princípios fundamentais, rigor conceitual e os limites dos modelos atuais.

Artigos escritos por Jonas Reeve são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, clareza e discussão responsável de conceitos avançados de IA.