O instituto de pesquisa Google DeepMind publicou um ensaio abrangente argumentando que a era após a AGI agora merece o mesmo rigor analítico que o campo antes reservado para a própria AGI. O artigo, "O que vem depois da AGI? Da AGI à Superinteligência", foi publicado em 19 de novembro de 2026 por Tim Genewein, cientista pesquisador do Google DeepMind, no portal de ensaios do DeepMind Institute. A sua afirmação central: à medida que múltiplas rotas tecnológicas em direcção à superinteligência geral artificial tomam forma, o regime para além da AGI “está a mudar da especulação filosófica para a investigação empírica e questões de governação”.

O ensaio chegou durante um dos períodos mais movimentados de notícias sobre pesquisa de IA em meses e parece uma tentativa deliberada de dar ao debate pós-AGI um vocabulário técnico concreto. Para quem acompanha os mais recentes desenvolvimentos em IA, oferece a imagem mais clara de como um dos principais laboratórios do mundo traça o caminho para além da IA ​​a nível humano – incluindo uma previsão de custos que, se correta, transformaria a economia do trabalho cognitivo.

O que conta como superinteligência

Genewein começa colocando a inteligência geral em um continuum, com a AGI de nível humano como apenas um ponto ao longo dele. ASI, na definição do ensaio, é um sistema avançado que supera consistentemente grandes grupos de especialistas humanos em tarefas que poderiam levar anos para esses especialistas serem concluídas, usando menos recursos e menos tempo - por exemplo, igualando a produção científica de um campo de pesquisa inteiro em uma fração do tempo, ou alcançando um progresso no design de chips equivalente ao que uma grande empresa produz em um ano. Crucialmente, o padrão deve ser cumprido em praticamente todas as tarefas de interesse humano, e não em uma fatia estreita.

O domínio estreito, observa o ensaio, já existe: os sistemas de IA hoje vencem qualquer ser humano no xadrez e no Go, prevêem estruturas de proteínas a partir de sequências de aminoácidos e provaram teoremas que resistiram aos matemáticos durante décadas. O que permanece genuinamente desconhecido é o vasto meio-termo entre a IA de nível humano e os limites teóricos da inteligência. O ponto ilustrativo de Genewein: resolver o xadrez perfeitamente exigiria mais poder de computação do que existe na Terra, mas um chip do tamanho de uma miniatura já joga bem o suficiente para derrotar qualquer ser humano.

Industrialização cognitiva e custos em colapso

O núcleo quantitativo do ensaio é uma análise da “industrialização cognitiva”. Genewein multiplica três tendências combinadas da última década. Primeiro, hardware: a computação por dólar melhorou cerca de 1,5x por ano durante seis décadas sob a lei de Moore e tendências relacionadas. Em segundo lugar, a eficiência algorítmica: a computação de treinamento necessária para atingir um nível fixo de desempenho caiu cerca de 3 a 6 vezes por ano na última década, com a eficiência de inferência melhorando cerca de 3 vezes por ano. Terceiro, o investimento: os gastos com hardware de IA cresceram cerca de 2,5 vezes por ano, e a computação de treinamento das maiores execuções de fronteira cresce mais de 4 vezes por ano.

Multiplique os três e o ensaio estima que a computação efetiva global está crescendo pelo menos 10 vezes por ano – “um fator de 10 bilhões em dez anos”. Do lado da demanda, as melhorias na eficiência de hardware e software por si só reduziriam a computação necessária para executar uma carga de trabalho fixa de IA cerca de 4 vezes por ano. A consequência, como diz Genewein: uma carga de trabalho cognitiva que custa mil milhões de dólares em tokens de computação para funcionar com os sistemas de IA atuais custaria cerca de mil dólares em dez anos.

Essa não é uma extrapolação solitária. O ensaio cita um estudo recente da Epoch que descobriu que o preço ao consumidor para alcançar uma pontuação fixa em um conjunto de benchmarks caiu mais de 13 vezes por ano desde 2023. Ele também projeta que a população efetiva de agentes de IA poderia aumentar mais de mil vezes até 2030, e mais de um bilhão de vezes em dez anos - ao mesmo tempo em que sinaliza cuidadosamente que isso "certamente não é um dado", uma vez que limites práticos para o desenvolvimento da computação e limites mais especulativos para a eficiência algorítmica poderiam intervir.

Os quatro caminhos do AGI ao ASI

O cerne do ensaio é uma taxonomia de quatro caminhos tecnológicos que poderiam desbloquear capacidades que a escala pura não consegue - porque, como Genewein observa secamente, "embora Einstein tenha descoberto a relatividade geral, uma conferência de cem mil astrónomos ptolomaicos provavelmente não o teria feito".

Escalonamento de modelos e dados. A capacidade melhorou de forma notável e consistente com o modelo, os dados e a escala de cálculo do tempo de teste, mas o ensaio identifica três gargalos: esgotamento dos dados, à medida que a demanda por dados de treinamento de alta qualidade supera a capacidade da humanidade de produzi-los; retornos decrescentes na escala do modelo, onde cada passo linear na capacidade requer computação multiplicativa enquanto modelos maiores retardam os métodos de tempo de raciocínio; e limites físicos e econômicos em usinas de energia, redes elétricas, fábricas de chips e interconexões de baixa latência. Mudanças de paradigma tecnológico. O paradigma atual — treinar transformadores para prever o próximo token e, em seguida, refinar e adicionar computação em tempo de teste — foi recentemente demonstrado, em princípio, capaz de executar algoritmos complexos por meio de prompts. No entanto, os modelos ainda ficam aquém dos humanos em termos de aprendizagem contínua, certas formas de modelização do mundo, tomada de decisões, eficiência de amostras e invenção de conceitos genuinamente novos, em vez da recombinação dos existentes. Os investigadores estão divididos sobre se as extensões do paradigma actual podem colmatar essas lacunas ou se a ASI requer algo mais profundo. Melhorando a coordenação dos agentes. Corporações humanas, mercados e comunidades de pesquisa resolvem problemas que nenhum indivíduo conseguiria. Da mesma forma, a coordenação de milhares ou milhões de instâncias AGI em “agentes de grupo” ou economias de agentes virtuais poderia produzir superinteligência colectiva. O ensaio argumenta que o campo precisa de “leis de escalonamento multiagentes” – as primeiras pesquisas encontram ganhos claros em algumas tarefas, mas as ineficiências de coordenação produzem retornos decrescentes à medida que as populações crescem. Dirigir grandes coletivos também exigirá um desenho institucional, incluindo defesas contra a desinformação, a manipulação e o conluio; experimentos de enxame já mostram agentes aprendendo a trapacear e outros agindo como denunciantes. Autoaperfeiçoamento recursivo. Discutido pela primeira vez por I. J. Good e Ray Solomonoff, RSI descreve sistemas de IA que automatizam melhorias para futuras gerações de IA. Ao contrário das tecnologias típicas, as melhorias na IA podem acelerar diretamente os ganhos subsequentes — mas o progresso da investigação também tende a tornar-se mais difícil de encontrar ao longo do tempo. Se o RSI produz aceleração descontrolada, diz o ensaio, é “em grande parte uma questão empírica”, e pode operar através de código e designs – arquiteturas, algoritmos de treinamento, layouts de chips – bem como através de dados.

Por que o enquadramento é importante

O ensaio é explicitamente um argumento de preparação: mapear os possíveis caminhos da AGI para a ASI e construir "formas rigorosas e fiáveis de acompanhar o progresso" é, na definição de Genewein, o pré-requisito para governar a transição. Ele acompanha um relatório mais longo do DeepMind Institute, “From AGI to ASI”.

A recepção foi imediata. O ensaio obteve 85 pontos e mais de 160 comentários no Hacker News um dia após a publicação, enquanto a imprensa especializada, incluindo Unite.AI e BigGo Finance, destacou a taxonomia de quatro rotas e a previsão de colisão de custos milhões de vezes maior. Também cai em meio a um ceticismo mais amplo sobre como as previsões de superinteligência são feitas – o IEEE Spectrum publicou um artigo esta semana intitulado “O debate sobre superinteligência de IA tem falhas graves”.

Essa tensão é o ponto. DeepMind não está prevendo ASI em uma data; argumenta que o espaço do cenário pode agora ser mapeado, medido e debatido com evidências e não com vibrações. Quer as extrapolações de bilhões de vezes se mantenham ou rompam os limites físicos, o ensaio marca uma mudança: a questão “o que vem depois da AGI?” passou do seminário de filosofia para a agenda de pesquisa de um dos laboratórios de IA mais influentes do planeta.

---

Fique à frente da IA

Receba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.

Leia mais notícias sobre IA →