AGI e IA do futuro

DeepMind Institute mapeia quatro caminhos da AGI à superinteligência

Jonas Reeve
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveO poder computacional efetivo global cresceu pelo menos dez vezes por ano em hardware e…
Ver mais
  • O poder computacional efetivo global cresceu pelo menos dez vezes por ano em hardware e algoritmos.
  • Restringir apenas o poder computacional de treinamento não necessariamente interromperia o progresso, porque os caminhos podem se compor.
  • O desafio mais próximo é distinguir maior velocidade e número de agentes de capacidades genuinamente novas.

Em 19 de novembro de 2026, o DeepMind Institute publicou um ensaio que apresenta quatro caminhos pelos quais a IA poderia avançar da inteligência artificial geral (AGI) de nível humano à superinteligência artificial geral (ASI), ressaltando que a continuidade do rápido progresso é possível, mas está longe de ser garantida.

Os quatro caminhos são a ampliação contínua de modelos e dados, mudanças de paradigma tecnológico, a coordenação de grandes populações de agentes e o autoaperfeiçoamento recursivo, no qual sistemas de IA contribuem para aprimorar sistemas posteriores. Cada caminho apresenta diferentes gargalos técnicos e desafios de mensuração.

O ensaio define AGI como sistemas com capacidades aproximadamente equivalentes às humanas em quase todas as tarefas cognitivas. Para ser considerada ASI, a inteligência precisa superar de forma confiável grandes grupos de especialistas humanos em trabalhos que poderiam levar anos para esses grupos, usando menos recursos e menos tempo, em praticamente todas as tarefas de interesse humano. Desempenho sobre-humano restrito ao xadrez, ao Go ou à previsão da estrutura de proteínas não se enquadra nessa definição.

O ensaio se baseia em Da AGI à ASI, um relatório técnico que o Google DeepMind data de 12 de junho de 2026, e em discussões posteriores do instituto. O texto no arXiv do relatório ilustra o patamar da ASI como a capacidade de superar de forma confiável dezenas de milhares de especialistas bem coordenados, trabalhando em um único problema por dez anos, com a tecnologia e os artefatos culturais disponíveis em 2010. O relatório anterior apresentou o mesmo modelo de quatro caminhos.

A ASI ainda estaria muito aquém dos limites teóricos da inteligência. O ensaio identifica restrições físicas, lógicas e de complexidade que impediriam previsões arbitrariamente precisas de sistemas do mundo real, incluindo o clima, os sistemas imunológicos e as sociedades humanas. A IA de nível humano é, portanto, apenas um ponto em um contínuo, com uma ampla faixa, em grande parte inexplorada, entre ela e esses limites.

Industrialização cognitiva e queda dos custos

O ensaio estima que a capacidade computacional efetiva global, que combina melhorias de hardware, investimentos em hardware para IA e eficiência algorítmica, cresceu pelo menos dez vezes ao ano. Se essa taxa se mantiver por uma década, o aumento será de um fator de 10 bilhões. Para cada agente de IA que pode ser executado atualmente, o cenário implica que seria possível ter mais agentes de qualidade equivalente do que a população humana, desde que essas tendências se mantenham.

No exemplo de custos do ensaio, os avanços em hardware e na eficiência da inferência reduzem em cerca de 4 vezes por ano a demanda computacional. Nesse ritmo, uma carga de trabalho que custa US$ 1 bilhão em tokens de computação custaria US$ 1.000 após dez anos. A padronização e a automação resultantes do trabalho cognitivo são descritas como “industrialização cognitiva”, análoga à transformação do trabalho físico rotineiro em uma atividade comoditizada. Mesmo sem avanços extraordinários nos modelos de fronteira, essa mudança poderia transformar o trabalho do conhecimento e a economia em geral.

O ensaio alerta que, por si só, a ampliação em escala ainda poderia não levar à AGI plena, caso algumas tarefas cognitivas exigissem assistência humana. Com sistemas amplamente disponíveis e de nível humano, agentes mais rápidos e numerosos poderiam ajudar a superar a distância até uma forma fraca de ASI, graças à velocidade de processamento dos sistemas digitais, à memória, à capacidade de se deslocarem entre diferentes hardwares de computação, à cópia quase sem perdas de código e do estado da memória e ao compartilhamento de experiências com alta largura de banda.

Quatro caminhos e suas restrições

A ampliação contínua enfrenta a possível escassez de dados de treinamento de alta qualidade, retornos decrescentes — à medida que cada avanço em capacidade exige aumentos multiplicativos de computação e do tamanho dos modelos — e limites físicos ou econômicos relacionados à geração de energia, às redes elétricas, à fabricação de chips e às interconexões de hardware. As leis de escala ajustadas às arquiteturas, aos dados e às avaliações atuais não permitem prever com confiança quanto de ampliação seria necessário para alcançar a AGI ou a ASI.

As mudanças de paradigma buscam solucionar lacunas no aprendizado contínuo, em algumas formas de modelagem do mundo, na tomada de decisões e na eficiência amostral — isto é, na quantidade de dados de treinamento de que um sistema precisa para alcançar determinada capacidade. Os sistemas atuais também podem ser incapazes de inventar conceitos e abstrações realmente novos, em vez de apenas recombinar os existentes. Pesquisadores divergem sobre se mudanças incrementais no paradigma dominante dos transformadores podem preencher essas lacunas ou se serão necessárias transformações mais profundas.

Segundo o ensaio, a coordenação entre agentes oferece um caminho coletivo, mas ainda não existem leis de escala para sistemas multiagentes. Ineficiências de coordenação, desinformação, manipulação e conluio podem enfraquecer grandes grupos, o que exige mecanismos de defesa institucionais e organizacionais. O autoaperfeiçoamento recursivo acrescenta ciclos de retroalimentação por meio de código e projetos de hardware, dados reutilizáveis produzidos durante a implantação ou especialização dentro de grupos de agentes. Uma retroalimentação deficiente pode estagnar ou degradar esses ciclos; espera-se um progresso mais rápido quando os resultados puderem ser verificados automaticamente, como no caso das demonstrações matemáticas.

Esses caminhos podem se reforçar mutuamente. O ensaio argumenta que, se um deles estagnar, a concorrência econômica e geopolítica poderá redirecionar os esforços para os demais; assim, restringir apenas a computação usada no treinamento não necessariamente interromperia o progresso geral. Conter um insumo enquanto os outros avançam também poderia criar uma “reserva” de capacidades, seguida de ganhos mais acentuados quando a restrição fosse suspensa ou contornada.

Como medir o progresso para além da AGI

A resposta proposta é modelar, medir, prever e repetir, por meio de um trabalho interdisciplinar que abrange laboratórios de fronteira e instituições nacionais e globais. Algumas métricas necessárias exigem acesso a modelos de fronteira, recursos computacionais consideráveis para avaliações e novos métodos de benchmarking e modelagem.

Ainda não se sabe se esses caminhos levarão à superinteligência artificial (ASI), nem em que prazo. O desafio mais imediato é desenvolver avaliações capazes de distinguir o aumento da velocidade e do número de agentes de capacidades genuinamente novas, ao mesmo tempo que se garante às instituições públicas acesso e capacidade computacional suficientes para acompanhar caminhos que podem se reforçar mutuamente.

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.