Pesquisadores dizem: a AGI já existe - só não reconhecemos em sistemas como ChatGPT

Pesquisadores de ponta sustentam: a mítica “IA de propósito geral” já existe - só não percebemos porque estamos medindo com a régua errada.

Enquanto grandes empresas de tecnologia ainda fazem alarde prometendo o salto para uma superinteligência artificial, filósofos e cientistas da computação colocam a discussão em outro patamar. Para eles, sistemas atuais como o ChatGPT já atingiram aquilo que, por décadas, foi apresentado como objetivo: uma inteligência artificial geral em nível humano. A pergunta deixa de ser apenas “quando ela chega?” e passa a ser: mesmo que ela já esteja aqui, nós seríamos capazes de reconhecê-la?

O que os pesquisadores querem dizer com “inteligência artificial geral”

No debate público, dois conceitos costumam se misturar: a IA que usamos no cotidiano e a chamada Artificial General Intelligence (AGI) - isto é, uma IA capaz de atuar em muitos domínios diferentes com desempenho comparável ao de pessoas. Por anos, essa AGI foi tratada como uma meta distante, quase de ficção científica.

Um grupo de pesquisadores de filosofia, linguística, ciência da computação e ciência de dados contesta essa leitura de forma direta. O argumento central é que estamos estreitando demais a ideia de inteligência e, sobretudo, olhando tudo por um filtro humano. Com isso, deixamos de notar que modelos contemporâneos já realizam uma série de tarefas que, por muito tempo, foram exigidas como “prova” de inteligência de verdade.

Os autores argumentam: se aceitamos humanos como seres inteligentes apesar de sermos limitados, falhos e especializados, então precisamos aplicar a mesma régua quando avaliamos máquinas.

Em vez de procurar um cérebro perfeito, onisciente e sem falhas, eles propõem uma noção mais pé no chão: há inteligência artificial geral quando um sistema demonstra, em uma faixa ampla de tarefas, capacidades na faixa de especialistas humanos - nem mais, nem menos.

AGI não é superinteligência

Um ponto-chave da discussão é separar dois níveis que muita gente trata como se fossem a mesma coisa:

• Inteligência artificial geral (AGI): sistemas que conseguem trabalhar, em muitos campos, em nível de especialista, de modo comparável a profissionais qualificados.
• Superinteligência: sistemas que superam seres humanos de forma clara em praticamente todas as áreas cognitivas.

Na visão dos pesquisadores, os grandes modelos de linguagem (Large Language Models, LLMs) já oferecem inúmeros exemplos de desempenho em nível de especialista - de programação a direito, passando por dúvidas técnicas em medicina. Para eles, é justamente isso que caracteriza AGI. Já a superinteligência “espetacular”, acima do humano, seria um degrau diferente, possivelmente ainda adiante.

O teste de Turing: já foi superado?

Um critério histórico para “IA de verdade” é o teste de Turing. Alan Turing o formulou em 1950: se, em um diálogo escrito, uma pessoa não consegue dizer com segurança se está conversando com um humano ou com uma máquina, então a máquina deve ser considerada inteligente.

Em vários cenários, chatbots atuais passam por esse tipo de prova. Em testes cegos, usuários frequentemente classificam o ChatGPT e sistemas semelhantes como mais “humanos” do que participantes humanos reais incluídos no experimento. Alguns anos atrás, um resultado desses teria sido tomado como evidência clara de uma IA forte.

Pelo padrão clássico do teste de Turing, sistemas atuais já seriam reconhecidos como interlocutores plenamente inteligentes - mas a barra é elevada depois do fato.

É exatamente aí que entra a crítica do grupo: sempre que a IA atinge um critério antigo, o público muda o alvo. Assim, a inteligência vira uma promessa em constante fuga.

Objeções comuns contra AGI - e por que elas ficam menos firmes

Na análise, os cientistas revisam diversas críticas recorrentes dirigidas aos modelos atuais. Muitas já são familiares para quem acompanha a discussão.

“Isso não passa de papagaios estocásticos”

Uma acusação frequente diz que modelos de linguagem apenas repetem padrões dos dados de treino, sem qualquer compreensão real. A resposta dos pesquisadores é que esses sistemas vêm resolvendo, cada vez mais, problemas que não apareciam no treinamento - por exemplo, questões matemáticas inéditas ou desafios lógicos particularmente difíceis.

Eles também apontam evidências de transferência: conhecimento de um domínio passa a ajudar na solução de tarefas em outro. Essa capacidade de conectar conteúdos de forma flexível é, há muito tempo, tratada como um componente central da inteligência.

“Sem corpo, não existe inteligência de verdade”

Outro argumento sustenta que humanos têm corpo, percebem o mundo pelos sentidos e agem nele; portanto, um software “puro” jamais entenderia de fato o significado das palavras.

Os autores discordam. Eles citam avanços em modelos multimodais, que processam não apenas texto, mas também imagens, áudio e vídeo. Com isso, tais sistemas conseguem estimar consequências físicas, planejar sequências de movimento ou tirar conclusões lógicas a partir de cenas visuais.

Em paralelo, cresce o número de robôs conectados diretamente a modelos de IA - a pesquisa chama essa linha de “Physical AI”. A cada etapa, a ligação entre inteligência digital e mundo físico se fortalece.

“Sem autonomia e biografia, não há inteligência geral”

Também é comum ouvir que um sistema precisaria de objetivos duradouros, identidade estável e uma espécie de história de vida para merecer o rótulo de realmente inteligente. Os pesquisadores adotam uma posição mais permissiva: para eles, inteligência aparece principalmente no comportamento e na capacidade de resolver problemas - não no fato de a máquina se lembrar do próprio “ontem”.

Quem só reconhece inteligência quando ela vem acompanhada de consciência humana, emoções e uma história de vida cria uma definição que exclui máquinas por construção.

Com isso, a questão da consciência permanece em aberto - mas, para classificar algo como AGI, os autores não a consideram obrigatória.

E as famosas “alucinações” da IA?

Um dos argumentos mais fortes contra a ideia de AGI continua sendo o problema das alucinações: modelos de IA inventam fatos, citam fontes inexistentes ou “embelezam” detalhes críticos. Isso ainda acontece com frequência.

Os pesquisadores reconhecem o problema, mas fazem um enquadramento diferente. Eles lembram que humanos também cometem erros de raciocínio, têm memórias distorcidas e mentem com naturalidade. Na leitura deles, uma taxa alta de falhas não prova ausência de inteligência - indica, isso sim, uma inteligência limitada e pouco confiável.

Estudos recentes, porém, sugerem que as alucinações podem até aumentar em certos cenários. Mesmo modelos futuros, como um possível GPT‑5, ainda deveriam trazer erros graves em cerca de uma a cada dez respostas, segundo declarações atribuídas à OpenAI. Em usos críticos - medicina, direito ou infraestrutura - isso segue sendo um risco importante.

Aspecto	Humano	IA atual
Amplitude de conhecimento	Muito limitada, especializada	Extremamente ampla, mas com profundidade irregular
Fontes de erro	Viés, esquecimento, emoção	Dados de treino, limites do modelo, alucinações
Velocidade de aprendizagem	Lenta, requer poucos dados	Rápida, exige volume enorme de dados
Explicação das próprias decisões	Razões subjetivas, frequentemente incompletas	Estatística difícil de interpretar

Por que a definição de inteligência pode ser o verdadeiro impasse

A tese mais provocativa do grupo talvez seja esta: não é a IA que está “atrasada”; é o nosso conceito de inteligência que não acompanha o que está acontecendo. Ao amarrar inteligência demais à experiência humana, qualquer forma não humana acaba começando em desvantagem.

Consideramos pessoas inteligentes mesmo sendo esquecidas, errando o tempo todo e não tendo expertise em inúmeros assuntos. Já de sistemas de IA exigimos desempenho quase impecável; se falham, negamos a eles até mesmo inteligência básica.

Por trás disso há um antropocentrismo claro: tratamos a nós mesmos como padrão e ignoramos que inteligência pode ter formatos diferentes. Um filtro de spam não “sente” nada, mas identifica padrões com grande confiabilidade. Um programa de xadrez não compreende emoções humanas, mas derrota qualquer grande mestre. E grandes modelos de linguagem não conseguem aproveitar um fim de semana de verdade - ainda assim, escrevem com fluidez, programam software e resolvem tarefas especializadas.

Por que líderes de tecnologia preferem falar em superinteligência

Também chama atenção como empresas grandes enquadram o tema. Figuras como Mark Zuckerberg vêm mencionando cada vez mais a palavra “superinteligência” em vez de inteligência artificial geral. Isso desloca automaticamente o foco para um horizonte distante - longe da pergunta incômoda sobre se sistemas atuais já configuram uma nova forma de inteligência.

Essa escolha de linguagem tem efeitos práticos: se superinteligência vira o novo objetivo máximo, os modelos de hoje parecem apenas uma etapa “inofensiva”. Isso, por um lado, reduz a sensação de urgência em torno de riscos; por outro, alimenta o hype sobre o que supostamente está prestes a chegar.

O que isso muda no dia a dia

Concordando ou não com os pesquisadores, a discussão impacta diretamente política pública, regulação e mercado de trabalho. Se passarmos a tratar sistemas de IA como agentes de inteligência geral, as regras necessárias não são as mesmas que usamos para ferramentas simples.

• Responsabilidade: quem responde quando uma máquina “inteligente” age de modo amplamente autônomo?
• Transparência: quanta visibilidade sobre dados de treino e arquitetura do modelo é necessária para que decisões sejam auditáveis?
• Deslocamento de competência: quais profissões mudam quando parte do conhecimento especializado é transferida para máquinas?
• Educação: estudantes precisam aprender a trabalhar com um tipo de “co-pensador digital”, em vez de apenas memorizar fatos?

Na prática, quem usa IA hoje já opera em uma zona híbrida. Em algumas atividades, a máquina faz quase tudo; em outras, só funciona bem sob supervisão humana estreita. O desafio é avaliar com realismo do que esses sistemas são capazes - e onde estão seus pontos cegos.

Termos e exemplos que tornam a discussão mais concreta

Vários rótulos parecem abstratos, mas ficam claros quando olhamos para aplicações típicas:

• Grandes modelos de linguagem (LLM): treinados com bilhões de fragmentos de texto para aprender o funcionamento estatístico da linguagem. Daí surgem chatbots, assistentes de código e ferramentas de resumo.
• IA multimodal: combina texto, imagem, áudio e/ou vídeo. Um modelo pode analisar uma foto e, ao mesmo tempo, produzir uma descrição ou responder perguntas sobre ela.
• Physical AI: braços robóticos, robôs domésticos ou veículos autônomos usam IA para interpretar o ambiente e agir.

Exemplo prático: um sistema moderno poderia ler o texto de um manual de montagem, reconhecer a ferramenta correta em uma foto, mostrar em vídeo como segurá-la e ainda explicar regras de segurança ao mesmo tempo. Para o usuário, isso se parece com uma mistura de especialista, professor e assistente - sem haver um humano “por trás”.

É justamente esse tipo de cenário que alimenta a tese de que já estamos lidando com uma forma de inteligência artificial geral - apenas diferente da imagem que a ficção científica popularizou. Chamar isso de “AGI” ou não, para os autores, não muda o fato de que a ideia de inteligência está se expandindo rapidamente - e de que teremos de aprender a conviver com esse novo tipo de participante na sociedade.