A inteligência artificial geral é uma IA capaz de lidar com praticamente qualquer tarefa intelectual que uma pessoa possa realizar, incluindo aquelas para as quais nunca foi treinada. Ela é importante porque quem a dominar de forma confiável poderá reescrever as regras sobre empregos, salários e segurança. E a resposta honesta para a pergunta “quão perto estamos?” depende inteiramente de qual linha de chegada você está observando.
Principais conclusões
- A inteligência artificial geral não possui uma definição única e consensual, portanto, cada data de lançamento pressupõe implicitamente um teste específico.
- Os modelos de linguagem parecem amplos devido ao treinamento massivo, mas seus pesos geralmente permanecem inalterados após o término desse treinamento.
- No teste ARC-AGI-3, com raciocínio máximo, o GPT-6.2 Astra obteve uma pontuação de 70,3% no teste padrão e 99,8% no estado de raciocínio persistente.
- Pesquisadores de IA consultados preveem que as máquinas superarão os humanos em tarefas décadas antes de conseguirem automatizar todas as profissões.
- A estrutura que adiciona memória aos modelos preenche lacunas reais, tornando tênue a linha divisória entre um modelo e um sistema.
O que é Inteligência Artificial Geral e quão perto estamos de alcançá-la?
A inteligência artificial geral, ou AGI, é a IA há muito prometida que não precisa de uma nova equipe de produto para cada nova tarefa. Os chatbots de hoje escrevem código, redigem contratos e explicam leis tributárias, o que já parece bastante genérico.
Não é bem assim.
Eis a distinção que a maioria das reportagens ignora: saber muito não é o mesmo que aprender alguma coisa. Um modelo treinado com a maior parte da internet pública chega com um conhecimento amplo, da mesma forma que uma enciclopédia. Inteligência geral é a capacidade de se deparar com algo que nenhum dado de treinamento cobriu, resolvê-lo e reter o que foi resolvido.
A abrangência é o que um modelo traz para a conversa. A generalidade é o que ele leva consigo.
Então, quão perto estamos? Mais perto do que os céticos de 2023 previam, mais longe do que as apresentações de lançamento sugerem, e a lacuna mais evidente reside em um lugar surpreendentemente pouco glamoroso: a memória. Toda manchete sobre Inteligência Artificial Geral (IAG) é, na verdade, uma afirmação sobre um teste específico, e saber qual teste é esse permite decidir se devemos ignorá-lo ou prestar atenção.
Por que a IA atual parece genérica quando, na verdade, não é?
A resposta está em como os grandes modelos de linguagem são construídos. Eles são treinados uma única vez em uma enorme quantidade de texto e, em seguida, seus pesos (os bilhões de números internos que armazenam o que o modelo aprendeu) são congelados. Qualquer aprendizado posterior ocorre dentro da conversa e se perde ao final da sessão, a menos que um sistema externo o salve.
É por isso que o ChatGPT mudou a percepção pública de uma forma que a IA anterior nunca conseguiu. O Deep Blue jogava xadrez e o AlphaGo jogava Go, mas o ChatGPT falava sobre qualquer coisa e, de fora, essa amplitude parecia exatamente generalidade.
Olhe para dentro e o perfil fica irregular. Quando Uma definição de IAG (Inteligência Artificial Geral)., Um modelo desenvolvido por um grupo liderado por Dan Hendrycks, com a colaboração de Yoshua Bengio e Gary Marcus, avaliou os modelos nas baterias de testes cognitivos que os psicólogos usam em pessoas. O GPT-4 atingiu 27% e o GPT-5, 57%. Os autores descreveram o perfil como “irregular”, com forte conhecimento e déficits críticos no armazenamento da memória de longo prazo.
Imagine um consultor brilhante com amnésia: deslumbrante na reunião, um completo estranho na manhã seguinte. Extremamente útil, mas ainda não generalizado. Para você, isso significa que o conhecimento do chatbot é impressionante, enquanto o que ele se lembra sobre trabalhar com você depende do produto que o acompanha.
Se você quiser entender o funcionamento interno de um modelo que transforma sua pergunta em uma resposta, nossa explicação sobre Como a IA toma decisões atravessa-o.
As três linhas de chegada da Inteligência Artificial Geral
Ninguém concorda com uma data, em parte porque as pessoas estão correndo em direções diferentes. Nós dividimos as definições importantes em três, e as chamamos de as Três Linhas de Chegada: Conhecer, Aprender e Trabalhar.
A linha "Saber" questiona se a IA se equipara a um adulto bem-educado em dez domínios cognitivos, que é o padrão Hendrycks. A linha "Aprender" questiona se ela consegue adquirir qualquer nova habilidade com a mesma eficiência que uma pessoa, que é exatamente como... O Prêmio ARC define AGI (Inteligência Artificial Geral).. A linha de trabalho é a comercial, escrita no Carta da OpenAI como “sistemas altamente autônomos que superam os humanos na maioria dos trabalhos economicamente valiosos”.”
| linha de chegada | Quem desenha isso? | O que testa | O panorama da IA em novembro de 2026 |
|---|---|---|---|
| Saber | Hendrycks e coautores | Abrangência em dez domínios cognitivos | Forte em conhecimento, ponto fraco em memória de longo prazo. |
| Aprender | Prêmio ARC | Adquirir novas habilidades com a mesma eficiência que os humanos. | ARC-AGI-3 liberado somente com ferramentas de memória do provedor |
| Trabalhar | Carta da OpenAI | Superar os humanos no trabalho economicamente mais valioso. | Especialistas preveem a automação completa do trabalho décadas após a paridade de tarefas. |
As linhas não são hierarquizadas, e cruzar uma não arrasta as outras junto. Pesquisadores do Google DeepMind, incluindo o cofundador Shane Legg, levaram esse mesmo instinto adiante, propondo níveis de Inteligência Artificial Geral (IAG) em vez de um único momento de sim ou não.
Da próxima vez que um CEO disser que a IAG (Inteligência Artificial Geral) estará disponível em dois anos, pergunte qual linha do espectro. A resposta geralmente revela mais sobre o modelo de negócios do que sobre a tecnologia em si.
Quão perto a IA está da Inteligência Artificial Geral neste momento?
A linha de aprendizado costumava ser a acadêmica, o teste que você podia ignorar enquanto os chatbots se tornavam melhores em provas. Isso mudou quando os agentes de IA começaram a realizar tarefas complexas por conta própria, porque um agente que não consegue aprender na prática precisa de acompanhamento constante em cada nova situação.
ARC-AGI-3, Lançado em março de 2026, coloca agentes de IA em pequenos mundos de jogos sem instruções, regras ou objetivo declarado, e os humanos conseguem resolver todos eles. Em 17 de novembro, Resultados verificados do GPT-6.2 Astra O modelo da OpenAI, em seu nível máximo de raciocínio, obteve uma pontuação de 70,3% no ambiente padrão do ARC (o software que conecta o modelo ao teste), onde o modelo decide quais notas devem ser levadas adiante, e de 99,8% no ambiente do Adaptador de Provedor, que preserva seu estado de raciocínio oculto entre as etapas.
Mesmo modelo, mesmos jogos, mesmo cenário de raciocínio. A diferença entre 70% e quase 100% foi a memória.
Quando o GPT-6 Astra, versão anterior do sistema, obteve pontuações quase perfeitas em setembro, o ARC Prize declarou abertamente que “não estava afirmando ser uma Inteligência Artificial Geral” e ressaltou que seus jogos possuem regras fechadas e determinísticas, ao contrário do mundo real, que é complexo e imprevisível. Acreditamos que essa seja a avaliação correta e o relatório de progresso mais honesto na área: a IA agora consegue aprender um novo mundo em uma única sessão, e a questão em aberto é a aprendizagem contínua (habilidades que persistem e se consolidam após o término da sessão).
Para você, isso se torna um teste concreto. Observe se suas ferramentas de IA melhoram no seu trabalho específico quanto mais tempo o executam, sem que ninguém as retreine.
Por que os especialistas não conseguem chegar a um consenso sobre a data da Renda Bruta Ajustada (RBA)?
Pergunte quando a Inteligência Artificial Geral (IAG) chegará e a resposta dependerá de qual linha o analista está observando, razão pela qual os cronogramas sérios variam de alguns anos até o próximo século.
A prova mais clara vem de um único estudo. No Pesquisa sobre os impactos da IA De 2.778 pesquisadores de IA com publicações, os entrevistados deram probabilidades iguais de que as máquinas superem os humanos em todas as tarefas possíveis até 2047, mas probabilidades iguais de que todas as ocupações humanas se tornem totalmente automatizáveis somente até 2116.
Os mesmos especialistas, a mesma pesquisa, uma diferença de 69 anos entre realizar tarefas e exercer funções.
As definições de negócios são ainda mais imprecisas. Em outubro de 2025, a OpenAI e a Microsoft concordaram que um painel independente de especialistas verificaria qualquer declaração de AGI e até abril de 2026 Anúncio da Microsoft Em um acordo revisado, constatou-se que os pagamentos de participação nos lucros continuarão até 2030, “independentemente do progresso tecnológico da OpenAI ”. Em outras palavras, uma data AGI é uma definição disfarçada de calendário.
O hábito útil é traduzir cada previsão em seu resultado final antes de decidir o quão preocupado ou entusiasmado ficar.
Importa se a IA realmente aprende se ela realiza o trabalho?
A objeção mais contundente a tudo o que foi dito acima é direta: se um sistema escreve o código, fecha os chamados e envia o relatório, quem se importa se ele “realmente” aprende? Essa é essencialmente a linha de raciocínio do Work, e é um questionamento válido.
Vamos admitir onde for válido. Para um freelancer que automatiza faturas ou uma empresa que utiliza agentes de codificação, um scaffold que adiciona memória a um modelo é tão bom quanto a memória dentro do próprio modelo, e os resultados do ARC mostram que os scaffolds preenchem lacunas reais.
O problema surge na parte não planejada do trabalho, que, aliás, representa a maior parte dele. O cliente que muda de ideia, o processo que mudou na última terça-feira, a regra não escrita que todos conhecem: um sistema que não consegue incorporar esses aprendizados resulta em um funcionário temporário de curta duração, em vez de um colega de trabalho.
O mundo físico é um teste adicional que nenhuma das três linhas abrange completamente. empresas de robôs humanoides Agora, colocar máquinas no chão de fábrica permite uma verificação realista e útil das afirmações sobre a Renda Bruta Ajustada (AGI, na sigla em inglês) feitas dentro de uma janela de bate-papo.
Tradutor de jargão
Pesos: Os bilhões de números dentro de um modelo armazenam tudo o que ele aprendeu durante o treinamento. Na maioria dos produtos atuais, esses dados são congelados após o lançamento, e é por isso que os chatbots não se tornam mais inteligentes ao interagir com você.
Aproveitar: O software que conecta um modelo a uma tarefa, decidindo o que ele vê, quais ferramentas utiliza e o que pode memorizar. Mesmo modelo, estrutura diferente, resultados muito diferentes.
Inteligência aguçada: Um perfil de competências com picos altíssimos e quedas repentinas, como tirar nota máxima em uma prova de direito e, ao mesmo tempo, esquecer a conversa de ontem. É por isso que pontuações de benchmarks isolados são tão enganosas.
Aprendizagem contínua: A capacidade de continuar adquirindo habilidades após o término do treinamento, com lições que persistem e se complementam. É o elemento que a maioria dos pesquisadores aponta como ausente nos sistemas atuais.
Perguntas frequentes sobre Inteligência Artificial Geral
Estamos genuinamente entusiasmados com a rapidez com que as linhas de conhecimento e aprendizado estão diminuindo. Ainda assim, daríamos mais crédito a uma dica do que a qualquer discurso de abertura: a Inteligência Artificial Geral (IAG) chegará quando uma IA se tornar melhor no seu trabalho ao praticá-lo e se lembrar do porquê. Até lá, estamos trabalhando com o colega mais brilhante e esquecido já criado, e isso já é muito.

Leave A Comment