A “Exolução” de IA que está por Vir

Hoje, estando à beira de uma falha tecnológica, observamos a jornada das LLMs para agentes e, eventualmente, para IA agente e AGI, e não se trata apenas de modelos maiores ou respostas mais rápidas. Trata-se também de máquinas que passam de assistentes passivos para colaboradores ativos e, talvez, um dia, pensadores independentes.

Vamos traçar esse caminho e explorar o que isso significa para o trabalho, a expertise e o papel dos humanos em moldar a inteligência do amanhã.

A diferença entre LLMs, sistemas baseados em agentes e IA agente

Para entender melhor a diferença, aqui está um exemplo. Se eu perguntar a uma LLM algo como: “Quero viajar de Chicago para Austin, dirigir no máximo quatro horas por dia e parar em lugares cênicos”, uma LLM regular retornará uma resposta estática em formato de texto com base na geração de linguagem. Ela provavelmente apenas responderá ao pedido sem realizar uma análise aprofundada.

Um agente classificaria primeiro o pedido como relacionado a viagens. Em seguida, determinaria quais dados são necessários: rotas usando serviços de mapeamento, informações meteorológicas, custos de combustível, hotéis, restaurantes, etc. Depois disso, o agente dividiria o pedido em subtarefas e as encaminharia para módulos ou LLMs especializados treinados em fontes relevantes. Isso é orquestração e coordenação de vários modelos e ferramentas sob uma lógica unificada.

Hoje, a maioria dos principais sistemas, como ChatGPT ou Claude da Anthropic, são basicamente agentes. Embora possa parecer ao usuário que estão interagindo com um único modelo, por trás das cenas há uma arquitetura complexa que envolve muitos modelos e sistemas. Eles já podem lidar com consultas complexas, mas suas capacidades são principalmente limitadas a fornecer informações; eles ainda não tomam ações.

Um agente autônomo é um sistema que coleta informações e pode, por exemplo, reservar um hotel, comprar um bilhete ou iniciar um pagamento, desde que tenha acesso às APIs ou dados do usuário relevantes. Tais agentes estão atualmente em estágios iniciais de desenvolvimento. Nesse ponto, eles são mais como semi-agentes, capazes de processar informações, mas não realizam ações autônomas.

Uma área interessante de discussão na comunidade de pesquisa é a IA agente. Ao contrário de um agente regular, cujo comportamento é definido por desenvolvedores, a IA agente é um sistema que decide independentemente quais tarefas realizar, quais dados são necessários e até como continuar seu próprio treinamento. Isso vai além da execução de instruções; envolve tomar decisões autônomas. No entanto, a IA agente ainda é teórica nessa etapa; não existem sistemas práticos como esse ainda.

AGI – o novo horizonte. Mas é alcançável?

A Meta investiu na Scale AI há três meses. O objetivo era unir forças no caminho para construir AGI, Inteligência Artificial Geral, capaz de realizar qualquer tarefa em um nível humano ou até mesmo superá-lo. Se a IA de hoje é uma revolução tecnológica, a AGI será uma verdadeira mega revolução; às vezes, eu a chamo de “exolução”, significando a “saída” da IA das sombras. Quem alcançar isso primeiro ganhará uma vantagem estratégica global.

Quanto à proximidade com a AGI real, isso depende muito de como a definimos. Concordo com a visão de Ilya Sutskever: AGI é um sistema capaz de realizar qualquer tarefa intelectual que um humano possa. Não apenas responder perguntas, mas raciocinar, tomar decisões, generalizar e interpretar em várias áreas. A verdadeira AGI é universal e não está confinada a limites de tarefas estreitas.

Nenhum dos modelos atuais alcançou esse nível. Estamos nos movendo nessa direção, mas a verdadeira AGI, no sentido teórico, ainda não existe. E talvez isso seja para o melhor. Ainda estamos em uma fase de aproximação, e é provável que permaneçamos assim por um bom tempo.

A base da AGI provavelmente será um sistema baseado em agentes. Não dependerá necessariamente de um único LLM, porque assim como nenhum ser humano, por mais brilhante que seja, pode dominar todos os domínios do conhecimento e habilidades, nenhum LLM pode lidar com o espectro completo de tarefas da AGI sozinho. O que precisaremos é de uma espécie de “inteligência coletiva”: uma arquitetura capaz de coordenar vários modelos e componentes.

A AGI provavelmente surgirá não apenas como um agente projetado por humanos, mas como um meta-agente. Será um sistema que é parcialmente desenvolvido e evolui com a ajuda da própria IA. Isso é importante porque sistemas projetados inteiramente por humanos podem carregar limitações inerentes. Envolver a IA no processo de design pode ajudar a superar essas limitações e tornar o sistema mais adaptável.

A AGI provavelmente não virá de alguma descoberta específica. Não de modelos LLM maiores, agentes mais inteligentes ou arquiteturas completamente novas, mas sim de uma síntese de todos os três. Provavelmente algo fundamentalmente novo que transcende as categorias que usamos atualmente.

“O Último Exame da Humanidade” e outros benchmarks da AGI

“O Último Exame da Humanidade” (HLE) é um dos benchmarks mais ambiciosos atualmente discutidos no contexto de LLMs, agentes e AGI. Basicamente, é um teste composto por cerca de 2.500 perguntas que abrangem uma ampla gama de disciplinas acadêmicas – matemática, física, biologia, química, engenharia, ciência da computação e até xadrez. A ideia é avaliar se um sistema de IA pode resolver problemas em um nível que reflete uma compreensão humana genuína.

Os modelos de linguagem atuais performam muito mal no HLE, geralmente marcando menos de 5% de precisão. Isso está em contraste com outros benchmarks como MMLU ou GPQA, onde os modelos alcançam pontuações significativamente mais altas. A dificuldade que os modelos têm com o HLE destaca apenas o quão longe eles ainda estão de uma inteligência geral verdadeira.

É importante notar que um desempenho alto em benchmarks com conjuntos de dados conhecidos ou estreitos não indica necessariamente a presença de inteligência geral real. Um modelo pode ser ajustado ou “treinado para o teste”, o que pode inflar suas habilidades aparentes. Então, mesmo uma pontuação perfeita no HLE não significaria que alcançamos a AGI; significaria apenas que passamos em um teste específico.

O que move a AGI

Concordo plenamente que os pilares principais da AGI são dados, computação e talento. A situação com a computação é clara. Principais jogadores como a Meta tentaram produzir seus próprios chips, investindo bilhões no processo de desenvolvimento de chips. Mas as empresas ainda dependem fortemente de outros chips e da capacidade de computação de outros jogadores, como a Nvidia, que não apenas fornecem o hardware necessário, mas também entendem a importância de aumentar a produção.

Mais questões são sobre dados e talentos. A internet esgotou — não há pedaço de texto criado pelo homem de fontes abertas que não tenha sido usado para treinamento no momento. O volume total de informações que a humanidade produziu até agora se revela surpreendentemente pequeno. É por isso que as empresas estão começando a ativamente parceriar com aqueles que podem gerar dados humanos de alta qualidade.

Automação total ou humano no loop?

Outro ponto – a diminuição da demanda por anotação de dados manual. Há alguns anos, a indústria estava escalando a todo vapor. Milhares de anotadores foram incorporados para alimentar a fome das pipelines de IA. Hoje, grande parte desse momentum mudou para a automação. Os modelos amadureceram, e também a ferramenta ao redor deles.

Considere o reconhecimento facial. Costumava ser um dos principais impulsionadores do volume de anotação de imagens. Mas a categoria está basicamente resolvida agora. Modelos como YOLO, SAM e Samurai estão rapidamente absorvendo o trabalho de rotina. Esses sistemas comprimem semanas de esforço manual em minutos, muitas vezes com precisão surpreendente. Também implementamos muitas ferramentas assistidas por ML em nossa plataforma proprietária Keylabs. Isso realmente ajuda a reduzir o fluxo de trabalho de rotina.

Mas todos esses modelos são limitados por sua generalização e são adequados para automatizar operações padrão e uniformes. Casos complexos ou únicos ainda exigem atenção humana.

Estamos nos afastando do antigo paradigma em que um anotador era simplesmente uma pessoa detalhista que podia reconhecer um objeto ou emoção. Na nova realidade, profissionais são necessários: médicos para anotar imagens médicas, programadores para codificar, arquitetos para criar plantas, marketers para insights de clientes e especialistas militares para cenários de defesa.

Já estamos vendo casos reais, como pilotos de caça anotando dados para IA e ganhando $1.000 por hora por sua expertise. Porque tais especialistas são raros, e seu conhecimento é crítico para treinar IA de alto desempenho.

O mundo está mudando: mais e mais pessoas estão se tornando operadoras e “treinadoras” de inteligência artificial. Há apenas alguns dias, recebi uma mensagem no LinkedIn pedindo para verificar um conjunto de dados para um aplicativo de IA projetado para CEOs. No futuro, qualquer um de nós pode receber uma oferta para trabalhar como anotador, não apenas alguém que clica em botões, mas um especialista cujo conhecimento molda a inteligência do amanhã.

Já vivemos nessa nova realidade, um mundo de marcação de dados e treinamento de IA. Aqueles que reconhecem isso e se adaptam ganharão uma vantagem significativa.