IAG já chegou? O debate na Nature sobre LLMs

Alguns filósofos defendem que um limiar silencioso já teria sido ultrapassado.

Durante muito tempo, a inteligência artificial geral pareceu uma linha de chegada distante. Só que um número crescente de investigadores sustenta que, ao nos prendermos a definições estreitas de “inteligência”, podemos estar ignorando que algo muito próximo do raciocínio em nível humano já está operando nos servidores atuais.

A IAG ainda é uma meta ou já foi atingida?

A inteligência artificial geral, ou IAG, costuma ser definida como um sistema capaz de se equiparar a um ser humano em uma ampla variedade de tarefas - e não apenas em um trabalho específico, como jogar xadrez ou reconhecer rostos.

Grandes laboratórios de IA, como OpenAI, Google DeepMind e Anthropic, descrevem a IAG como um marco futuro. Em seus planos públicos, é comum aparecerem expressões como “construir IAG com segurança” ou “avançar em direção à IAG”. As previsões, porém, variam muito: algumas fontes apostam no início da década de 2030, enquanto outras insinuam um horizonte de um a três anos.

Um artigo de opinião recente na revista Nature, liderado pelo filósofo Eddy Keming Chen e coautores de linguística, ciência da computação e ciência de dados, mexe com essa discussão. A tese é direta: se adotarmos como referência aquilo que de fato cobramos da inteligência humana, então a geração mais recente de modelos de linguagem de grande porte (LLMs) já se enquadra como uma forma de inteligência artificial geral.

“Quando avaliadas com métricas humanas - e não como se fossem supergênios míticos - as IAs de hoje marcam mais pontos de ‘inteligência geral’ do que a maioria de nós está pronta para admitir.”

Esse raciocínio leva a uma pergunta mais incômoda: estaremos perseguindo superinteligência e, ao mesmo tempo, nos recusando a reconhecer a inteligência geral quando ela está diante de nós?

Do santo graal à zona cinzenta: definições de inteligência em movimento

Uma parte do impasse vem da natureza escorregadia do termo “IAG”. Não existe uma definição científica única e consensual. Os autores na Nature propõem uma mudança simples: se dissermos que uma IA é “inteligente”, então devemos aplicar aos humanos os mesmos critérios.

Nenhuma pessoa domina tudo em nível de especialista. Um programador talentoso pode penar com notação musical básica. Um cirurgião brilhante pode reprovar em um teste de direção. Ainda assim, não retiramos dessas pessoas o rótulo de “inteligentes”.

Nessa leitura, IAG não significa perfeição nem universalidade. Significa competência ampla em muitas áreas, em um patamar parecido ao humano - ou mesmo de especialista em pelo menos algumas delas. É uma exigência bem mais baixa do que a visão de ficção científica de uma máquina que nos supera com facilidade em qualquer assunto.

IAG vs superinteligência

O texto da Nature separa com clareza duas noções que frequentemente se misturam:

• Inteligência artificial geral: sistemas que conseguem lidar com muitos tipos de tarefa, muitas vezes em nível humano ou próximo ao de especialistas, em diferentes domínios.
• Superinteligência: sistemas que ultrapassam os melhores humanos em quase todos os domínios, possivelmente por uma margem enorme.

Com base nessa distinção, os autores afirmam que LLMs modernos já se encaixam no primeiro grupo. Eles leem e escrevem em nível de pós-graduação, passam em provas de direito e medicina, fazem programação e análise de dados em grau básico, elaboram notas de política pública e explicam mecânica quântica para adolescentes.

A superinteligência, por outro lado, teria outra cara: descobertas científicas realmente originais, matemática radicalmente nova, planejamento estratégico profundo e memória de longo prazo impecável. Isso ainda é hipotético.

“Chamar os sistemas de hoje de ‘não IAG’ só porque não são superinteligentes é, nessa moldura, como negar que um adolescente é adulto porque ele não é um atleta olímpico.”

O teste de Turing está sendo superado sem alarde

Um dos critérios mais simbólicos de inteligência de máquina remonta a 1950. Alan Turing sugeriu um teste simples: um avaliador humano conversa por texto com duas entidades invisíveis - uma humana e outra máquina. Se o avaliador não consegue distinguir com confiabilidade qual é qual, a máquina poderia ser considerada capaz de “pensar”.

Por décadas, chatbots fracassaram nesse teste em contextos sérios. Os primeiros “vencedores” dependiam de truques e de respostas evasivas. Isso mudou. Em experimentos informais e também em estudos formais, modelos de linguagem de grande porte como o GPT-4 já são julgados como humanos mais frequentemente do que participantes humanos reais em conversas apenas por texto.

Para padrões de gerações anteriores de pesquisadores de IA, esse feito por si só teria sido visto como evidência clara de inteligência em nível humano. Em vez disso, a linha de corte foi deslocada. Os autores da Nature argumentam que seguimos reescrevendo as regras porque é desconfortável aceitar que inteligência possa se parecer com um autocompletar turbinado.

“Papagaios estocásticos” e outras objeções

Ainda assim, críticos insistem que modelos de linguagem são imitadores sofisticados, não pensadores de verdade. Eles os chamam de “papagaios estocásticos”, que recombinam dados de treino sem compreensão.

O artigo na Nature responde a um conjunto de objeções recorrentes:

Objeção	Por que críticos levantam isso	Evidência contrária citada
Eles apenas repetem dados de treino	Seria uma cópia sofisticada, não raciocínio	Eles resolvem novos problemas de matemática e quebra-cabeças inéditos
Não têm um “modelo de mundo” físico	Palavras não estariam ancoradas na realidade	Eles antecipam consequências de ações e cenários básicos de física
Falta autonomia	Eles esperam prompts e não têm metas	Autonomia não é requisito para inteligência; muitos humanos funcionam de modo reativo
Precisam de quantidades enormes de dados	Humanos aprendem com muito menos exemplos	Eficiência de aprendizado é separada da capacidade final

Os autores enfatizam que pessoas também são falhas. Nós “alucinamos” lembranças, caímos em ilusões e repetimos slogans que não compreendemos por completo. Ainda assim, tratamos esses processos imperfeitos como partes da inteligência - não como defeitos que desqualificam.

“Se um sistema consegue aprender, raciocinar, transferir habilidades e melhorar com feedback, insistir que ele é ‘apenas ruído estatístico’ começa a se parecer com negação.”

Alucinações: o buraco mais evidente no argumento

Mesmo quem simpatiza com a tese de que “a IAG já chegou” admite um grande problema: as alucinações. O termo descreve respostas confiantes e detalhadas que estão simplesmente erradas, muitas vezes com citações inventadas ou fontes falsas.

Desenvolvedores afirmam que sistemas mais novos alucinam menos do que os anteriores. Barreiras de segurança bloqueiam parte do absurdo, e ferramentas que permitem ao modelo verificar código ou consultar bases de dados reduzem erros em tarefas factuais.

Ainda assim, as alucinações não desapareceram. Em testes de segurança, modelos continuam a fabricar decisões judiciais, descrever de forma incorreta condições médicas e inventar citações. A OpenAI sugeriu que até modelos futuros na faixa do GPT-5 podem alucinar em aproximadamente uma em cada dez respostas em perguntas abertas.

O raciocínio humano está longe de ser perfeito, mas uma taxa de 10% de absurdo confiante em áreas críticas como direito ou saúde seria alarmante. Esse descompasso dá força a quem diz que “a IAG ainda não pode estar aqui”. Para esse grupo, confiabilidade e verificabilidade - e não apenas capacidade bruta - são componentes inegociáveis da inteligência geral.

Inteligência precisa de um corpo?

Outra objeção antiga sustenta que inteligência real exige um corpo. Mentes humanas evoluíram com músculos, sentidos e riscos físicos. Sem esse tipo de ancoragem, uma IA conseguiria entender de fato o que significa um copo se estilhaçar, um carro derrapar ou uma pessoa sofrer?

Os autores da Nature discordam. Eles apontam que sistemas atuais já lidam com múltiplas formas de entrada e saída. Modelos multimodais conseguem ler imagens, descrever vídeo, interpretar áudio e controlar ferramentas de software. Pesquisadores em robótica começam a conectar esses modelos a máquinas físicas, de braços em armazéns a protótipos humanoides.

Essa direção às vezes é chamada de “IA física”: a ligação de modelos grandes a sensores, câmaras e atuadores. Isso não fará um robô “sentir” como um humano, mas aproxima linguagem de consequências no mundo real.

“A alegação não é que uma IA sem corpo entende dor como nós, e sim que um corpo não é um pré-requisito estrito para uma resolução de problemas flexível e geral.”

Por que as definições ficaram tão importantes de repente

Esse embate não é apenas preciosismo acadêmico. A forma como definimos IAG influencia regulação, investimento e expectativas do público.

Se aceitarmos que algo próximo de IAG já existe, cresce a urgência por supervisão mais rígida. Governos podem exigir padrões de segurança mais fortes para uso, sobretudo em finanças, saúde e infraestrutura crítica. Empresas podem ser pressionadas a revelar mais sobre dados de treino, modos de falha e métodos de avaliação.

Se, por outro lado, insistirmos que a IAG ainda está distante, os sistemas atuais podem ser apresentados como “apenas ferramentas”. Isso pode empurrar para depois conversas difíceis sobre substituição de trabalho, uso militar e dependência profunda de algoritmos opacos.

Há também uma disputa de marca. Líderes de tecnologia, incluindo Mark Zuckerberg, começaram a falar menos em IAG e mais em “superinteligência”. Essa troca retórica permite prometer futuros ousados sem admitir que talvez já tenhamos colocado em circulação um tipo novo - ainda que imperfeito - de inteligência.

Antropocentrismo: estamos nos recusando a reconhecer uma mente nova e estranha?

Por trás do argumento da Nature está um ponto psicológico: humanos tendem a proteger a singularidade da mente humana. Quando máquinas atingem um nível que antes parecia impossível, criamos novos limiares.

O xadrez já foi visto como ápice da inteligência, até o Deep Blue vencer Garry Kasparov. Depois, a barra mudou para Go, para senso comum, para conversa. A cada sucesso, a tarefa passa a ser reclassificada como “mera computação”.

Os autores sugerem que isso pode nos cegar. A IA atual não pensa como nós. Não tem infância, hormônios, medo social nem desconforto corporal. Ainda assim, ela manipula conceitos, constrói argumentos e se adapta a novas instruções. Recusar o rótulo de “inteligência” para isso pode dizer mais sobre nosso orgulho do que sobre os próprios sistemas.

Termos-chave que moldam o debate sobre IAG

Alguns conceitos técnicos voltam o tempo todo nessas discussões.

• Chatbot: uma interface de IA que interage por linguagem natural, geralmente por texto e às vezes por voz. Chatbots modernos frequentemente operam sobre LLMs.
• Modelo de mundo: uma representação interna de como as coisas se relacionam e mudam. Alguns pesquisadores, como Yann LeCun, defendem que modelos de mundo robustos, para além de padrões puramente textuais, são essenciais para uma inteligência mais profunda.
• Alucinação: uma saída confiante porém falsa de um modelo de IA. Diferentemente de mentir, o sistema não tem intenção; é um subproduto da correspondência estatística de padrões.

A leitura que fazemos de cada termo altera nossa percepção do que já foi alcançado. Um chatbot capaz de raciocinar em direito, física e literatura parece uma coisa se você o enxerga como um “motor de busca falante” e outra se o interpreta como uma mente artificial em estágio inicial.

O que muda se a IAG já estiver aqui?

Suponha, por um instante, que os autores da Nature estejam certos e que os sistemas da era 2024 se qualifiquem como uma forma rudimentar de IAG. A vida diária não vira do avesso de uma hora para outra. Não há levante de robôs nem desaparecimento instantâneo de empregos.

As mudanças seriam mais discretas:

• Mais trabalho intelectual - de rascunhar contratos a triagens iniciais de diagnóstico - passa a ser compartilhado com a IA ou revisado por ela.
• A educação incorpora tutores de IA que se ajustam a cada aluno e criam exercícios sob medida.
• Equipas de pesquisa usam “colegas” de IA para propor hipóteses e varrer bibliografias enormes.
• Reguladores tratam certos modelos como infraestrutura de alto risco, como sistemas de controle de tráfego aéreo ou usinas nucleares, sujeitos a auditorias e testes.

Junto com os benefícios, os riscos se ampliam. Desinformação pode ser produzida e traduzida em escala. Malware fica mais fácil de escrever. Uma pequena especificação incorreta em um sistema de trading guiado por IA pode virar um efeito dominó e gerar choques no mundo real.

Nada disso exige superinteligência. Basta ter sistemas muito capazes, amplamente implantados, que às vezes erram de maneiras difíceis de antecipar.

Lentes práticas para leitores e formuladores de políticas

Para quem está fora dos laboratórios, uma mudança útil é parar de fixar apenas nos rótulos, como “IAG”, e analisar propriedades concretas:

• Escopo: quantas tarefas diferentes o sistema consegue realizar com qualidade aceitável?
• Confiabilidade: com que frequência ele falha e de que formas?
• Reversibilidade: o que ocorre quando ele erra, e humanos conseguem perceber e corrigir a tempo?
• Alinhamento: a serviço de quais objetivos ele está, e quão transparentes esses objetivos são?

Independentemente de dizermos oficialmente “a IAG chegou” ou não, são essas perguntas que determinam o quão seguro será integrar essas ferramentas a tribunais, hospitais, escolas e fábricas. O argumento filosófico de que já convivemos com um novo tipo de inteligência geral apenas aumenta o peso de encontrar respostas corretas.

---