Da AGI à ASI: a timeline condicional revelada pela Google DeepMind

Um novo relatório da Google DeepMind altera o centro da discussão sobre inteligência artificial geral. Em vez de tratar a AGI como o ponto final da evolução das máquinas, o documento analisa o que poderá acontecer depois de surgir um sistema com capacidades cognitivas comparáveis às de um ser humano mediano. A pergunta deixa de ser apenas quando chega a AGI e passa a ser quanto tempo poderá demorar a transição para uma inteligência artificial superinteligente.

Publicidade Desde €7,10

O primeiro ponto a esclarecer é o que o relatório não diz. A Google DeepMind não anuncia um ano concreto para a AGI ou para a ASI, nem afirma que a superinteligência surgirá até 2030. A formulação é mais cuidadosa: durante a última década, a construção de uma AGI deixou de ser uma especulação distante e passou a ser um objetivo plausível para a próxima década de várias organizações de inteligência artificial. Eu por outro lado.. digo que será bem mais em breve...

Neste enquadramento, AGI significa um sistema com desempenho aproximadamente equivalente ao de um ser humano mediano numa ampla variedade de tarefas cognitivas. ASI é um patamar muito superior: uma inteligência capaz de ultrapassar, de forma geral, o trabalho de grandes grupos de especialistas humanos coordenados. A distinção é essencial. Ser melhor do que os humanos num jogo ou numa área científica específica não é ASI; é apenas superioridade especializada.

O relatório descreve quatro possíveis caminhos entre AGI e ASI. O primeiro é a continuação da escala: mais capacidade computacional, mais modelos, mais dados, melhor hardware e maior eficiência algorítmica.

O segundo é a mudança de paradigma, através de novas arquitecturas, objectivos de treino, mecanismos de memória ou formas de aprendizagem que não dependam apenas da extrapolação dos sistemas actuais.

O terceiro caminho é a melhoria recursiva. Sistemas suficientemente capazes poderão ajudar a escrever código de treino, desenhar experiências, analisar falhas, criar dados sintéticos, descobrir algoritmos e melhorar a próxima geração de modelos. Isto não significa que uma explosão instantânea de inteligência esteja garantida. Significa que a investigação em IA poderá começar a ser parcialmente acelerada pelos próprios sistemas que essa investigação pretende melhorar.

O quarto caminho é a inteligência colectiva de múltiplos agentes. A ASI não precisa necessariamente de ser uma única mente gigantesca. Pode emergir de redes de agentes especializados, coordenados para programar, investigar, simular, verificar resultados e gerir recursos. A analogia mais próxima é uma organização humana, mas com comunicação mais rápida, cópias digitais, memória partilhada e capacidade de operar em paralelo.

É neste ponto que a natureza digital da inteligência ganha importância. Um sistema de software pode, pelo menos em princípio, ser copiado, transferido para hardware diferente, executado a várias velocidades e distribuído por múltiplas máquinas. As experiências, memórias e resultados podem ser armazenados e reutilizados. Um investigador humano não pode ser replicado um milhão de vezes nem acelerado simplesmente através da instalação de mais processadores.

O relatório usa um cenário ilustrativo para mostrar o efeito da escala. Se uma AGI começasse por ser cara e limitada a cerca de mil instâncias, um crescimento de dez vezes por ano na capacidade computacional efectiva permitiria chegar a dez mil instâncias após um ano e a cem milhões após cinco anos. Isto não é uma previsão nem uma garantia de disponibilidade de hardware. É uma demonstração de como uma população muito grande de sistemas com nível humano poderia produzir capacidades colectivas superiores às de qualquer indivíduo.

Publicidade Desde €4,50

A expressão “computação efectiva” também exige cuidado. Não significa apenas o número de chips existentes. Combina avanços de hardware, investimento em infra-estrutura, eficiência dos algoritmos e formas mais económicas de treinar ou executar modelos. O relatório discute uma ordem de grandeza anual como extrapolação histórica, mas salienta que essa tendência é incerta e pode ser interrompida por limitações industriais, económicas ou políticas.

Existem pelo menos seis bloqueios relevantes. O primeiro é a disponibilidade de dados de elevada qualidade, embora dados sintéticos, simulações e interacções com ambientes possam reduzir essa dependência. O segundo é o acesso a energia, chips, centros de dados, capital, terrenos e cadeias de fornecimento. O terceiro é a possibilidade de o paradigma actual atingir rendimentos decrescentes antes de alcançar uma inteligência geral robusta.

O quarto bloqueio é o aumento da dificuldade da investigação. As descobertas mais fáceis tendem a ser feitas primeiro, obrigando cada avanço seguinte a exigir mais trabalho. O quinto é a reacção social e política: acidentes, abusos, riscos militares, desemprego ou instabilidade podem levar governos e empresas a abrandar deliberadamente o desenvolvimento. O sexto é a chamada barreira da abstracção, a hipótese de que sistemas treinados sobretudo em conhecimento humano possam ter dificuldade em criar conceitos realmente novos fora das estruturas intelectuais que herdaram.

Estas limitações não funcionam necessariamente de forma isolada. A automação da investigação pode compensar parte da dificuldade crescente; novos métodos podem reduzir a dependência de dados; e colectivos de agentes podem ultrapassar limites que seriam decisivos para uma única instância. Pelo contrário, falhas simultâneas em hardware, energia, regulação e algoritmos poderiam tornar a transição muito mais lenta.

Por isso, a timeline apresentada pela Google DeepMind é condicional e não calendárica. Se a escala continuar, se surgirem melhorias algorítmicas e se os sistemas começarem a acelerar seriamente a investigação em IA, a passagem de AGI para uma forma fraca de ASI poderá ser relativamente rápida. Se os bloqueios forem fortes, a AGI poderá surgir sem produzir uma aceleração imediata.

O relatório também rejeita a ideia de que exista necessariamente um único momento de ruptura. A transição poderá parecer uma sequência de mudanças: mais trabalho científico automatizado, mais agentes especializados, ciclos de investigação mais curtos e organizações parcialmente operadas por software. A sociedade poderá reconhecer a superinteligência apenas depois de várias transformações acumuladas.

A conclusão mais rigorosa é, portanto, menos espectacular e mais importante: a Google DeepMind está a tratar a AGI como uma possibilidade suficientemente próxima para justificar planeamento, mas não está a anunciar uma data para a ASI. O valor do relatório está em identificar os mecanismos que podem acelerar ou travar essa passagem. O futuro da inteligência artificial dependerá menos de um número mágico no calendário e mais da interacção entre computação, investigação, coordenação, recursos físicos e decisões humanas.

Se quiser obter mais dados sobre este tema:

• Google DeepMind, “From AGI to ASI”, publicação oficial em https://deepmind.google/research/publications/239142; versão técnica em https://arxiv.org/html/2606.12683v1; enquadramento independente em https://www.i-scoop.eu/from-agi-to-asi-inside-google-deepminds-roadmap-to-superintelligence.