Artificial General Intelligence (AGI)

A inteligência artificial geral (AGI) é uma forma hipotética de inteligência artificial (AI) que iguala ou supera a capacidade humana em praticamente todas as tarefas cognitivas e aprende novas tarefas sem precisar de ser criada ou treinada novamente para cada uma. Segundo a maioria das definições, todos os sistemas de IA atualmente em uso são inteligência artificial estreita (ANI), competentes apenas no âmbito para o qual foram treinados, embora os grandes modelos de linguagem (LLMs), capazes de escrever, programar e raciocinar em muitos domínios, tenham tornado essa fronteira alvo de debate ativo. Na utilização moderna, IA forte é sinónimo de AGI. Mark Gubrud utilizou o termo em 1997, e os investigadores Shane Legg e Ben Goertzel popularizaram-no por volta de 2002.

Definir AGI#

Não existe uma definição única e consensual de AGI, e as principais propostas medem aspetos diferentes:

• Produção económica: A Carta da OpenAI define AGI como «sistemas altamente autónomos que superam os seres humanos na maioria das atividades com valor económico».
• Desempenho e generalidade: Uma equipa da Google DeepMind propôs os Níveis de AGI, que avaliam um sistema em dois eixos: o seu desempenho em comparação com adultos competentes, desde Emergente (igual ou um pouco melhor do que uma pessoa sem competências) até Sobre-humano (melhor do que todas as pessoas), e se alcança esse desempenho numa única tarefa ou numa vasta gama de tarefas não físicas, incluindo a aprendizagem de novas competências.
• Eficiência de aprendizagem: Em "Sobre a medida da inteligência" (2019), François Chollet define inteligência como a eficiência na aquisição de competências: a rapidez com que um sistema domina tarefas nunca antes vistas, com dados e conhecimentos prévios limitados, em vez da quantidade de competências que já acumulou.
• Mente e compreensão: A questão filosófica é se uma máquina realmente compreenderia e teria uma mente, o sentido original de IA forte no argumento do Quarto Chinês de John Searle, de 1980.

A estrutura Levels of AGI classifica um sistema com até três perguntas, começando pela generalidade:

Os autores classificaram chatbots de 2023, como ChatGPT, Bard e Llama 2, como AGI Emergente e listaram todos os níveis gerais superiores como ainda não alcançados, enquanto sistemas especializados já abrangem a escala até Super-humano, categoria em que colocaram AlphaFold, AlphaZero e Stockfish.

AGI vs. IA especializada e superinteligência#

• ANI: Destaca-se em um escopo definido e precisa de novos dados e retreinamento para fazer qualquer coisa fora dele. Um detector Ultralytics YOLO26 treinado no COCO pertence à categoria especializada da estrutura Levels: ele encontra e classifica 80 classes de objetos em milissegundos por imagem e não consegue aprender uma nova classe, responder a uma pergunta ou planejar uma ação sem retreinamento ou outros sistemas ao seu redor.
• AGI: Igualaria pessoas qualificadas na maioria das tarefas cognitivas e aplicaria o que aprende a domínios para os quais nunca foi treinada, capacidade que o aprendizado por transferência oferece hoje apenas entre tarefas estreitamente relacionadas.
• Superinteligência artificial (ASI): Supera os melhores seres humanos em praticamente todos os domínios. Um sistema que aprimora a própria inteligência mais rápido do que as pessoas conseguem acompanhar é o cenário por trás da singularidade tecnológica.
• IA forte: Sinônimo de AGI no uso moderno. No sentido original de Searle, é uma máquina que literalmente tem uma mente, uma afirmação sobre compreensão que os testes de capacidade não abordam.

Os LLMs de fronteira põem essas categorias à prova. Um modelo pode redigir contratos, resolver problemas de matemática de competições e descrever imagens, mas suas capacidades são irregulares, um padrão chamado inteligência irregular, e seus pesos deixam de aprender quando o treinamento termina.

Problemas em aberto#

• Aprendizado contínuo: Os modelos implantados se adaptam apenas dentro da janela de contexto, e treiná-los ainda mais com novos dados traz o risco de esquecimento catastrófico de habilidades anteriores.
• Confiabilidade: Mesmo modelos que passam em exames especializados ainda produzem erros com confiança, como alucinações, e falham de forma imprevisível em variações simples de tarefas que conseguem resolver.
• O mundo físico: Os sistemas de IA incorporada precisam perceber, planejar e agir em ambientes reais, e os modelos de mundo que preveem como as cenas mudam são uma das abordagens propostas para alcançar o bom senso necessário.
• Alinhamento e controle: A pesquisa em segurança de IA, incluindo o superalinhamento, investiga como manter um sistema que talvez supere seus supervisores focado nos objetivos pretendidos pelas pessoas.

Medir o progresso rumo à AGI#

Como as definições diferem, os testes também diferem. Os benchmarks ARC-AGI seguem a definição de Chollet com novos quebra-cabeças que as pessoas resolvem facilmente, pontuados em conjuntos de teste ocultos para impedir que as respostas sejam memorizadas. O ARC-AGI-3, lançado em março de 2026, substituiu quebra-cabeças estáticos de grades por centenas de ambientes de jogos interativos sem instruções nem objetivos declarados, de modo que um agente precisa explorar, inferir as regras e planejar; no lançamento, os testadores humanos obtiveram 100% e os sistemas de IA de fronteira, 0,51%. Em setembro de 2026, a ARC Prize Foundation informou que o GPT-6 Astra da OpenAI alcançou 62,7% com seu ambiente de teste padrão e 99,9% com um ambiente que mantém o estado de raciocínio do modelo entre as jogadas, e afirmou que saturar o benchmark não provaria a existência de AGI. Testes com grande ênfase em conhecimento, como o Humanity's Last Exam, medem também a resposta a perguntas em nível especializado.

As previsões sobre quando a AGI poderá surgir variam bastante. Em uma pesquisa com 2.778 pesquisadores que publicaram em importantes conferências de IA, publicada em 2024, a previsão agregada apontou uma probabilidade de 50% de que máquinas sem auxílio superem seres humanos em todas as tarefas possíveis até 2047, 13 anos antes do que indicava a pesquisa da mesma equipe no ano anterior.