Da AGI à ASI: porque a inteligência artificial geral pode ser apenas o início
Da AGI à ASI: porque a inteligência artificial geral pode ser apenas o início
A discussão sobre inteligência artificial tem passado demasiado tempo presa numa pergunta simples: quando chega a AGI? O novo relatório da Google DeepMind, intitulado From AGI to ASI, muda o foco para uma questão mais desconfortável: o que acontece se a inteligência artificial geral não for a meta, mas apenas o ponto de partida?
No relatório, a AGI é tratada como um sistema com desempenho aproximadamente ao nível humano mediano na maioria das tarefas cognitivas. Já a ASI, ou superinteligência artificial geral, é descrita como algo bastante mais exigente: um sistema, ou conjunto de sistemas, com capacidades superiores às humanas em praticamente todos os domínios relevantes, incluindo quando comparado com grandes organizações humanas compostas por especialistas.
Esta distinção é importante porque já existem sistemas sobre-humanos em tarefas estreitas. AlphaGo superou campeões de Go e AlphaFold transformou a previsão de estruturas proteicas, mas esses exemplos não são ASI no sentido usado pela DeepMind. São sistemas extraordinários em domínios específicos, não inteligências gerais capazes de ultrapassar humanos em quase tudo.
O ponto central do relatório é que não há uma razão técnica evidente para o progresso parar exactamente no nível humano. A ideia de que a inteligência artificial subiria até à inteligência humana e ficaria ali estacionada é mais uma intuição confortável do que uma conclusão científica. A DeepMind escreve com cautela, mas a mensagem é clara: a passagem de AGI para ASI nas próximas uma ou duas décadas não pode ser descartada. Já eu já sou mais radical e digo que estamos entre 2 a 3 anos de distância (e mais para os 2 do que para os 3)
Uma das razões é a vantagem estrutural da inteligência digital. Sistemas artificiais podem ser copiados, acelerados, distribuídos por centros de dados, executados em paralelo e transferidos entre diferentes infra-estruturas. Um cérebro biológico não pode simplesmente duplicar-se sem perdas, aumentar a memória de trabalho com mais servidores ou correr milhares de versões de si próprio para resolver problemas diferentes.
Isto não significa que uma ASI fosse omnisciente ou omnipotente. O relatório sublinha limites físicos e matemáticos reais: velocidade da luz, custos energéticos, complexidade computacional, incerteza epistemológica, problemas intratáveis e limites formais como o problema da paragem. A superinteligência não elimina a física nem transforma todos os problemas difíceis em problemas fáceis.
A DeepMind identifica quatro caminhos possíveis da AGI para a ASI. O primeiro é a continuação da escala: mais computação, mais dados, modelos maiores e infra-estrutura mais eficiente. O segundo é a mudança de paradigma algorítmico, como aconteceu quando a arquitectura Transformer abriu caminho à actual geração de modelos de linguagem (note-se que já temos avanços na tecnologia subquadratica que evidencia este caminho.. com melhorias de até 1000x em custos energéticos e computacionais na inferência).
O terceiro caminho é a melhoria recursiva: sistemas de IA a ajudar a desenhar, treinar, avaliar e optimizar sistemas de IA melhores. O quarto é a formação de grandes colectivos multiagente, em que a superinteligência não surge de uma única entidade monolítica, mas da coordenação de muitos agentes especializados, capazes de trabalhar em conjunto de formas que ainda compreendemos mal.
O relatório também lista travões possíveis. A falta de dados de qualidade pode tornar-se um obstáculo, embora dados sintéticos, auto-jogo e aprendizagem por reforço possam aliviar parte desse limite. A escassez de chips, energia, capital e centros de dados também pode atrasar o avanço. A própria arquitectura dominante pode revelar-se insuficiente, obrigando a novas descobertas.
Outro ponto relevante é a criatividade. O exemplo clássico continua a ser a jogada 37 de AlphaGo contra Lee Sedol, em 2016: uma jogada improvável, inicialmente estranha para observadores humanos, mas decisiva. Isso mostra criatividade exploratória dentro de um espaço conceptual existente. A questão em aberto é mais difícil: saber se uma IA pode criar espaços conceptuais inteiramente novos, como aconteceu com revoluções científicas humanas.
É importante corrigir o enquadramento económico. A referência a investimento massivo em centros de dados é consistente com estimativas recentes, incluindo projecções da McKinsey citadas internacionalmente sobre uma corrida de vários biliões de dólares até 2030. Ainda assim, esses números são projecções de investimento em infra-estrutura, não garantias de que a ASI surgirá por simples acumulação de hardware.
A conclusão prudente é esta: a AGI, se for alcançada (e vai), não deve ser tratada como linha de chegada. Deve ser tratada como uma transição para uma fase mais instável, em que previsão, avaliação, segurança, governação e coordenação internacional passam a ser tão importantes como capacidade técnica. O relatório da Google DeepMind não é uma profecia apocalíptica nem uma celebração acrítica do progresso. É um aviso sério: se a inteligência se tornar uma infra-estrutura escalável, a sociedade não pode esperar pelo impacto para começar a pensar nele...
