A Inteligência Artificial é cada vez mais potente.

E se há cinco anos apenas contávamos com sistemas capazes de ler ou gaguejar textos, hoje contamos com sistemas capazes de resolver problemas de Olimpíadas Matemáticas, de posicionar-se nos rankings mundiais de competições de programação ou de criar instantaneamente conteúdos audiovisuais (isto é, para a televisão, cinema, internet e outros meios de comunicação) indistinguíveis da realidade.

Estamos todos a sentir isto, não é verdade?

A Vertigem da Mudança Tecnológica

Essa vertigem, esse sentimento de que a única coisa que podemos ter clara sobre o futuro é que vai ser muito diferente do presente que estamos a viver agora.

Que as previsões de que a IA vai mudar tudo estão a tornar-se realidade.

Sentir a AGI, Inteligência Artificial Geral, um sistema informático que pode fazer qualquer trabalho ou qualquer tarefa que um humano faz, só que melhor.

Há uma probabilidade de que a AGI vai acontecer bastante cedo.

Há também uma probabilidade de que vai levar muito mais tempo.

Mas a minha posição é que a probabilidade de que a AGI aconteça cedo é alta o suficiente para que nós devamos levar isso a sério.

Já adianto que em 2025, muito do debate da IA irá centrar-se justamente neste conceito de Inteligência Artificial Geral, AGI.

Mas Exatamente o Que É? E Como Se Define? E Quão Perto Estamos de Consegui-la?

Hoje analisamos o conceito de AGI.

História e Evolução da AGI

O ser humano tem tendência a ver-se como o centro do universo.

E quando falamos de inteligência, não ia ser menos.

Se viajamos a 1956, na histórica conferência de Dartmouth, onde se criou o conceito de Inteligência Artificial, a proposta inicial já indicava que seria uma tentativa de averiguar como conseguir que as máquinas utilizassem o idioma, formassem abstrações e conceitos e resolvessem tipos de problemas que atualmente estavam reservados para os humanos.

Uma proposta muito ambiciosa, pois para alcançar isto, colocaram um prazo de dois meses.

Este texto que deu origem ao campo da inteligência artificial foi muito prenunciador, estabelecendo um objetivo claro, que é máquinas capazes de ser tão inteligentes como nós.

Mas claro, isto não é um objetivo ambíguo. Afinal, uma calculadora é uma máquina que pode fazer cálculos matemáticos a um nível similar ou até superior que nós, com mais velocidade e precisão.

Isso significa que uma calculadora é uma AGI?

Não.

E aqui a chave está no G de AGI, que nos fala da inteligência geral.

Medindo o Progresso em Direção à AGI

É certo que nós humanos não nos vamos destacar tanto como uma máquina em tarefas concretas, mas somos muito bons numa ampla gama de tarefas, muito variadas, sendo até capazes de aprender novas capacidades para nos adaptarmos.

E é nesta generalidade, na capacidade de aprender e executar uma grande diversidade de tarefas, o que se persegue quando falamos de inteligência artificial geral.

As Inteligências Artificiais que sejam tão capazes num leque de tarefas tão amplo como nós.

Por isso, para começar a organizar um pouco as coisas, podemos dizer que uma inteligência artificial será mais geral que outra se é mais capaz na hora de resolver uma tarefa e além disso se essa tarefa cobre um maior leque de capacidades.

Nestas duas dimensões, podemos dizer que o GPT-4 é mais geral que o GPT-2, pela sua melhor capacidade de criar texto e porque ao fazer isto cobre uma maior gama de capacidades, traduzir, criar códigos de programação, escrever poemas, tudo isso.

E claro, visto assim, nós somos um tipo de inteligência mais geral que o GPT-4.

Tendo este esquema como Guia, podemos ver que o dia em que a inteligência artificial chegue mais ou menos a este ponto, isto é, mesmo desempenho nas suas capacidades, num leque tão amplo como tudo o que nós podemos fazer, então estaremos a falar de uma AGI.

E Quão Perto Está a IA de Alcançar Este Desempenho?

Pois vejamos, uma das dimensões é o seu desempenho. E a nível de capacidades, desde o boom do Deep Learning e das redes neuronais em 2012, já sabemos que a inteligência artificial não parou de melhorar.

Há menos de 10 anos, avaliávamos a IA pela sua capacidade de ler, de reconhecer imagens ou de resolver problemas simples de matemática, ou seja, tarefas para as quais, pouco a pouco, a IA alcançou o nosso nível.

Então colocámos tarefas mais difíceis como provas de conhecimento geral, leitura em múltiplos idiomas, competições de matemática.

E de novo, a um ritmo mais rápido que antes, a IA voltou a alcançar as nossas capacidades.

De facto, hoje em dia, modelos como o GPT-4o, Claude ou Gemini avaliam-se não para tarefas para IAs, mas para tarefas académicas e profissionais para humanos, e conseguiram novamente um maior desempenho.

Isto é, em questão de 15 anos, a IA passou de aprender a falar e a escrever a tirar múltiplas licenciaturas universitárias ao mesmo tempo.

Assim que em capacidades, cada vez nos movemos mais rápido nesta direção.

E Em Generalidade?

Bem, aqui é onde eu acho que está o mais interessante, porque de novo, há pouco tempo, os modelos de IA eram sistemas de redes neuronais que se treinavam para fazer muito bem uma única tarefa.

E a verdade é que a faziam muito bem, mas era só isso, uma única tarefa.

Por exemplo, uma IA treinada para fazer resumos de texto não era capaz de escrever bem um poema, mas depois chegou essa ideia dos modelos fundamentais ou modelos de base, como os GPTs, onde agora um mesmo modelo pode fazer um resumo, traduzir, responder perguntas, criar código, ou seja, um único modelo é capaz de resolver múltiplas tarefas, Inteligências Artificiais Mais Gerais.

E depois a tudo isso, adicionámos também a multimodalidade, a capacidade da IA poder processar fontes de informação de diferente natureza, como texto, imagens, áudio, ações de robôs, o que fez, portanto, os modelos mais versáteis e capazes de resolver tarefas em múltiplos domínios, Modelos de IA Mais Gerais.

E a última tendência que temos de adicionar é o atual paradigma do Test Time Compute, onde os modelos podem dedicar tempo de computação a pensar mais na solução de um problema, eles colocam opções e estratégias alternativas e, durante a dedução, desenham soluções criativas a problemas novos, o que demonstra uma criatividade nunca antes vista e que nos permite utilizar estes modelos já treinados para resolver problemas que antes a IA não podia resolver.

Em questão de uma década, modelos mais capazes e mais gerais.

E quase pareceria que poucos mais avanços se tinham de dar para poder chegar a esse objetivo da AGI.

Marketing vs Realidade no Desenvolvimento da AGI

Alias, o Sam Altman, CEO da OpenAI, disse, numa das suas últimas declarações, que estão confiantes em que sabem como construir a AGI.

E, claro, ao estar tudo isto resolvido, pois poder-se-ia pensar que o mais difícil já ficou para trás, mas realmente o mais difícil vem agora e é saber diferenciar o que há de real e o que há de marketing, porque os incentivos para empresas privadas dizerem que sabem como construir uma AGI são elevados, de existir uma tecnologia de tal calibre, pois seria de um altíssimo valor económico para a empresa que a possui.

E sendo assim, quem não investiria numa empresa que diz saber como implementá-la?

Aliás, existem casos mais curiosos nesta batalha comercial pela AGI, no acordo entre OpenAI e Microsoft, onde já sabes que um oferece acesso a grandes quantidades de recursos computacionais, enquanto o outro dá acesso às suas investigações e tecnologias mais avançadas, mas, cuidado, porque nem todas as tecnologias desenvolvidas pela OpenAI vão ser dadas à Microsoft e é que no acordo o especificam muito bem.

O acordo ficará sem efeito se essa tecnologia for uma AGI.

E, claro, sendo isto assim, há muitos incentivos por parte de muitas empresas por declararem-se conquistadoras da AGI, o que nos obriga a defini-la com um pouco mais de exatidão.

Os Níveis de IA por Desempenho e Generalidade

E aqui aparece uma das empresas que foi pioneira na hora de pôr-se como objetivo construir uma AGI, em tempos em que dizer isto em alto era motivo de troça, falamos, por certo, do laboratório DeepMind, que num dos seus papers do ano passado, de 2024, definia com a seguinte tabela os diferentes níveis de sistema inteligentes com os quais classificar uma AGI.

Para isso, baseavam-se nas duas dimensões que supra referi.

A capacidade da IA no momento para resolver uma tarefa, medida neste caso pela posição relativa que ocuparia essa IA em comparação com o resto da humanidade e depois pelo seu grau de generalidade, aqui classificado entre inteligências artificiais específicas e inteligências artificiais gerais.

Onde Estamos Hoje na Escala para a AGI?

Visto assim, por exemplo, no nível 1, nós encontramos aquelas IAs que têm capacidades iguais ou um pouco melhores que as de um humano não especializado, ou seja, aquelas inteligências artificiais cujo nível de desempenho fosse o teu ou o meu para aquelas tarefas das quais nós não somos especialistas.

E o interessante é que no nível 1 é onde apareciam sistemas como ChatGPT ou Gemini, qualificadas como IAs Gerais Emergentes, ou seja, podem fazer uma ampla gama de tarefas igual a um humano não especializado.

Mas depois isto continua com mais níveis.

O nível 2 é Competente (>50% Humanos), se supera a metade da população adulta. O nível 3 é Experto, se supera 90% (>90% Humanos). O nível 4 é Virtuoso, se supera 99% (>99% Humanos). E se supera 100% (>100% Humanos) é o nível super-humano.

E para cada um destes níveis, temos exemplos de IAs Específicas cujo desempenho foca-se só em tarefas concretas, onde sabemos que, hoje em dia, contamos com sistemas que jogam xadrez melhor que humanos ou capazes de prever a forma da proteína.

Contudo, o interessante é o que encontramos na outra coluna, na da IA Geral, que diz que não se conseguiu.

Avanços Recentes em Desempenho e Generalidade

Claro, isto é de há um ano, mas e se tivéssemos que atualizá-la ao dia de hoje.

Podemos perguntar, modelos de IA como o ChatGPT são capazes de fazer agora tarefas que logravam há um ano, mas a um nível superior que o de metade da população ou melhor que 90% da população, a nível experto?

De facto, temos visto que modelos como o o3, em competições de programação como o Codeforces, consegue alcançar uma pontuação de 2130.

E em muitas outras tarefas sabemos que também o seu desempenho é espetacular.

Um único modelo, um único sistema.

E, claro, sob os padrões da DeepMind, em que nível de AGI poderíamos qualificar esta IA?

Definições Alternativas de AGI

Poderíamos perguntar à DeepMind, poderíamos perguntar à OpenAI, que nisto tem uma abordagem muito mais simples, já que eles definem a AGI como um sistema altamente autónomo que superará os humanos na maioria de trabalhos economicamente valiosos.

Quão perto estamos disto?

No final, vimos que os avanços em Deep Learning aumentaram notavelmente nos últimos anos.

Mas sejamos realistas, ainda hoje um chat de texto não vai arranjar-te um emprego ou cuidar do teu jardim ou fazer a tua declaração de rendimentos.

Do Potencial à Realidade

E aqui entra em jogo uma diferença chave quando falamos de AGI e é se uma inteligência artificial é potencialmente capaz de fazer todas essas tarefas frente a uma IA que realmente pode fazê-las.

Não é o mesmo, porque um taxista, por exemplo, potencialmente sabe como conduzir e sabe desempenhar um trabalho economicamente viável, mas se não lhe damos um carro para conduzir, não poderá fazer esta tarefa, pois com a IA acontece o mesmo.

E nesta linha de trabalho, de dar infraestrutura e capacidade aos modelos para poder extrair todo esse potencial e executar tarefas economicamente viáveis, sabemos que em 2025 há 2 linhas de trabalho muito importantes, (1) os Agentes Autónomos (ou Agentes de IA) e (2) a Robótica.

E é que já no início de 2025, começamos a ver os grandes laboratórios a apresentarem agentes autónomos como Operator ou Deep Research, que já não se limitam apenas a atuar dentro de um chat quando nós lhes fazemos um pedido, mas que começam a interagir com o mundo digital, quer seja para resolver tarefas relativamente simples ao utilizarem as interfaces que nós utilizamos (rato, teclado e ecrã), ou navegar pela internet por um tempo para procurar aquelas fontes de informação necessárias para escrever um relatório de qualidade profissional.

Aos modelos de linguagem já podemos propor-lhes tarefas, deixar que interajam independentemente durante um tempo e que no final essa tarefa esteja feita. Mais capacidade e Mais generalidade.

AGI no Mundo Digital vs AGI no Mundo Físico Real

E o equivalente aos agentes de IA no mundo físico real passa pela robótica.

Um problema mais complexo que depende de melhorias em hardware, baterias e em algoritmos de aprendizagem automático para que o robô possa aprender a mover-se, adaptar-se e a executar com independência aquelas tarefas que lhe pedimos.

E de novo um campo onde cada vez mais rápido se estão a conseguir resultados que até há pouco tempo se viam muito distantes e onde cada vez vemos mais exemplos que parecem tirados de filmes de ficção científica.

Assim sendo, com os agentes autónomos, o que procuramos é dar-lhes as ferramentas necessárias, a infraestrutura, para que possam desdobrar a sua capacidade de fazer, de executar tarefas no mundo digital.

E da mesma forma, procuramos o mesmo com a robótica, mas aplicado ao mundo físico real.

E isto faz-me pensar, do meu ponto de vista, que a chegada da AGI pode ocorrer em dois momentos, um primeiro, e acho que está muito perto, é a chegada da AGI no mundo digital, com os agentes autónomos, que se encarregarão de realizar através da internet a maioria dos trabalhos digitais economicamente valiosos, algo que acho que vai ocorrer a curto ou médio prazo e cuja progressão vai ser muito rápida.

E depois, a médio e longo prazo, a chegada da AGI no mundo físico real vai acontecer mais lentamente, de forma mais paulatina, dado os limites que impõe o mundo físico real.

Quando Chegará a AGI?

E, portanto, a grande incógnita aqui é quando vai acontecer tudo isto?

E tentar dar uma resposta correta aqui é muito difícil, muito complicado, porque há muita incerteza em jogo, mas muitos especialistas coincidem, sem dar uma data concreta, que isto é algo que, com segurança, vamos experimentar nesta próxima década.

E é que fazer estimativas com este tipo de tecnologias exponenciais é algo que nós não conseguimos muito bem.

E há uma frase de Ernest Hemingway que se repete muito nos mundos da IA e que captura exatamente esta ideia. “Gradually … and then suddenly“. Primeiro gradualmente e depois de repente.

Um padrão que no mundo da IA vemos ocorrer todo o tempo.

E detrás dessa frase que captura algo que primeiro cresce lento e depois dispara-se, o que se esconde são os efeitos de uma curva exponencial.

E como temos visto, a história da inteligência artificial está repleta destas curvas, onde primeiro, nada acontece, e de repente, quando damos conta, tudo mudou.

E no debate da AGI, estas curvas exponenciais entram em jogo quando debatemos quanto vamos demorar a chegar a esse futuro, onde vemos contraporem-se posturas que falam de um arranque lento, onde esta chegada à AGI se vê mais paulatina e pausada, frente à aposta mais radical e divertida, que fala de um arranque rápido, onde a chegada à AGI se vê como um futuro que está aí, ao qual nos movemos de forma gradual e depois, de repente.

E esta curva exponencial de progresso que descreveria o arranque rápido, poder-se-ia explicar por um processo de auto-melhoria, onde a mesma tecnologia que estamos a desenvolver acaba a criar efeitos que nos permitem chegar mais rápido a uma seguinte versão mais potente desta tecnologia e que de novo podemos aproveitar para continuar a melhorar.

E são estes efeitos de auto-melhoria com retroalimentação positiva que poderiam explicar este arranque rápido.

E a minha sensação é que o ponto em que nos encontramos agora nestes últimos meses com todas as mudanças que estamos a viver é justamente este ponto onde o avião começa a levantar voo.

IAs que Desenvolvem IAs

Desde 2023, com os LLMs, o uso da IA em programação aumentou já que estas ferramentas o que estão a oferecer é a redução do custo de produzir software multiplicando a produtividade de todos os programadores do planeta, mês após mês, algo que tem um efeito direto na nossa economia, mas é que, além disso, agora entra este conceito de auto-melhoria e é que delegar cada vez mais a programação à IA, vai permitir-nos poder desenvolver de forma mais ágil e mais rápida, melhor IA.

Ter 24/7 um sistema capaz de propor ideias inovadoras, implementá-las, otimizá-las, iterar sobre elas, é óbvio, que o próximo passo das IAs de programação será automatizar todos estes processos, o que ocorrerá em breve quando os agentes autónomos adquirirem mais e mais capacidades, automatizaremos as fases do processo de desenho e experimentação da IA.

Sobre isso, Mark Zuckerberg e Sam Altman já declararam a sua intenção de desenhar AI Engineers, Engenheiros de IA e já contamos atualmente com benchmarks como MLE-Bench que procura medir exatamente isto, oode uma IA fazer as tarefas de um engenheiro de IA?

Melhorias Exponenciais

E ter IA que torne mais barato o desenvolvimento da IA vai permitir que possamos desenvolver mais e melhores modelos para setores específicos, setores que talvez, hoje em dia, ainda por falta de talento, não sejam rentáveis, mas que se tiveres uma IA que possa trabalhar em dar solução a esse problema, então serão rentáveis.

E assim podemos focalizar a IA e todos os nossos recursos computacionais a que a IA se dedique, de corpo e alma, à procura de novos materiais, à formulação e demonstração de teoremas matemáticos ou ao desenho de novos semicondutores e o resultado disto poderiam ser chips mais rápidos e eficientes ou otimizações matemáticas que acelerem ainda mais o desenvolvimento da IA, novos materiais que poderíamos aplicar para melhorar todo o nosso tech stack, por exemplo, com baterias que impulsionem a transição energética que já estamos a viver e como resultado, energia em abundância que poderíamos trocar por mais computação de forma sustentável.

Ou seja, melhorias que nos aproximam de outras melhorias, que nos aproximam de outras melhorias, num ciclo que se repete cada vez mais rápido.

Este caminho que acabo de desenhar é um dos muitos caminhos que estão a começar a reproduzir-se agora mesmo, onde os efeitos compostos de toda a melhoria que desenvolvemos na IA nos últimos anos começam a fazer sentido.

O Desafio de Fazer Bem

Acredito que nunca tínhamos tido antes no horizonte o potencial de desbloquear tantos ramos da árvore tecnológica como temos agora neste momento.

E mesmo que na natureza não existam realmente curvas exponenciais que cresçam até ao infinito, mas curvas sigmoides que acabam por saturar quando nos deparamos com recursos limitados, aqui temos o desafio de fazê-lo bem e de não esgotar os nossos recursos pelo caminho.

E aqui entram tanto os recursos naturais, que sabemos que este tipo de tecnologias consome em abundância, como recursos mais intangíveis, como a estabilidade de uma sociedade que vai ter de enfrentar nos próximos anos transformações muito radicais.

A Importância da Formação Contínua

E agora que estamos a falar de mudanças radicais e da necessidade de nos adaptarmos, eu acho que é importante que falemos do papel da formação, do ensino, da aprendizagem, num futuro onde a IA cada vez mais vai servir para amplificar as nossas capacidades.

Hoje em dia, a IA é um potenciador das nossas capacidades, portanto, estar atualizado é uma necessidade e continuar a estudar e a aprender ao longo da vida é muito importante e se, além disso, podes integrá-lo no teu dia a dia, sem comprometer a tua carreira profissional, então ainda melhor.

E para tal recomendo-te ficar atento à IA&A, que promete compartilhar contigo as notícias mais recentes e os recursos mais personalizados.

Além da AGI: A Superinteligência Artificial (ASI)

Para terminar, é evidente que estamos a mover-nos cada vez mais rápido para um futuro onde a Inteligência Artificial Geral será uma realidade e igual que Copérnico demonstrou que nós não éramos o centro do universo, acho que é importante realçar o facto do arbitrário que é colocar num gráfico o “nós“.

Em suma, falamos da AGI como uma espécie de reflexo das nossas capacidades e esquecemos em muitos casos que essas duas dimensões podem continuar a crescer muito mais e ir mais longe de onde nos encontramos e este seria o território da Superinteligência Artificial, a ASI.

Um território destinado àqueles sistemas de IA que podem resolver um leque de tarefas maiores do que nós podemos resolver e com um nível de desempenho superior ao de 100% dos humanos, isto é, Inteligências Artificiais Super-Humanas.

Em síntese, a ASI representa o próximo nível além da AGI. Enquanto a AGI equivale às capacidades humanas em generalidade e desempenho, a ASI ultrapassa fundamentalmente os limites da inteligência humana. Não se trata apenas de uma IA que faz o mesmo que nós, mas mais rápido ou melhor, é uma inteligência que opera em dimensões cognitivas potencialmente inacessíveis à mente humana, capaz de resolver problemas que nem sequer conseguimos conceptualizar.

Espero que tenhas gostado da AGI e brevemente voltamos com mais Inteligência Artificial aqui na IA&A.