A Caminho da IAG

O cocriador do AlphaZero David Silver lançou a londrina Ineffable Intelligence e levantou 1,1 mil milhões de dólares a uma avaliação de 5,1 mil milhões para construir o que chama um «superaprendiz»: um sistema de IA que adquire capacidades através de aprendizagem por reforço em vez de dados de treino gerados por humanos. A aposta arquitetónica é um afastamento deliberado do paradigma dos LLM pré-treinados em texto da internet, prolongando a própria tese de investigação de Silver na DeepMind (do AlphaZero ao MuZero) segundo a qual o jogo próprio e a aprendizagem por recompensa podem atingir desempenho sobre-humano sem imitar exemplos humanos. Se a abordagem escalar para além de domínios restritos, irá repensar um pressuposto central do caminho para a IAG: o de que a capacidade está limitada pela amplitude e qualidade dos dados humanos disponíveis. A ronda, liderada pela Sequoia e Lightspeed com a participação da Google, Nvidia e do fundo Sovereign AI do Reino Unido, faz da Ineffable uma das maiores apostas individuais alguma vez feitas num caminho para a inteligência geral que não passe pelos LLM.TechCrunch ↗

A DeepSeek publicou o V4-Flash e o V4-Pro em pré-visualização a 24 de abril de 2026, o seu primeiro grande lançamento desde o R1. O V4-Flash é um modelo de mistura de peritos com 284 mil milhões de parâmetros, 13 mil milhões ativos, uma janela de contexto de um milhão de tokens e pesos abertos no Hugging Face. Atinge 88,4% no MMLU e 91,6% no LiveCodeBench — a menos de dois pontos do V4-Pro, de maior dimensão — enquanto a API cobra 0,14 dólares por milhão de tokens de entrada e 0,28 dólares por milhão de saída, mais barato do que o GPT-5.4 Nano. O lançamento mantém o padrão da DeepSeek: capacidade próxima da fronteira a um preço muito inferior ao dos concorrentes fechados dos Estados Unidos.Simon Willison review ↗

Num ensaio para The Ideas Letter, Bright Simons defende que a inteligência dos grandes modelos de linguagem não é uma propriedade apenas da arquitetura ou do poder de cálculo, mas um reflexo comprimido da complexidade social da civilização que produziu os seus dados de treino. A título de ilustração, contrasta um modelo hipotético treinado no Egito de 3000 a.C. — que careceria de raciocínio silogístico — com outro treinado na Atenas de 300 a.C., que ganharia inferência lógica, e assim sucessivamente ao longo da história. Liga esta tese a trabalhos recentes sobre escrita assistida por IA que mostram que os indivíduos produzem resultados mais criativos enquanto as populações convergem para resultados semelhantes, ao artigo de Shumailov et al. publicado na Nature em 2024 sobre o colapso dos modelos a partir de dados gerados recursivamente e à investigação de Andrew Peterson sobre o colapso do conhecimento. A implicação para o caminho até à IAG é estrutural: à medida que empresas como a IBM, Klarna, Duolingo, Atlassian ou Block substituem pessoas por IA para reduzir efetivos, esvaziam o próprio raciocínio social de que dependerão os futuros corpus de treino. Simons prevê que as organizações mais bem-sucedidas da próxima década usarão, contraintuitivamente, a IA para gerar mais — e não menos — interação humana; nota que a IBM já começou a inverter a sua anterior posição de despedimentos.The Ideas Letter ↗

A OpenAI lançou o GPT-5.4 com uma janela de contexto de 1 milhão de tokens, unificando capacidades de raciocínio, programação e gerais anteriormente separadas num único modelo. O sistema demonstrou 33% menos erros factuais e maior capacidade de conclusão de fluxos de trabalho agentivos.

A METR, o grupo de investigação que mede quanto tempo uma IA consegue manter-se produtiva numa tarefa sem supervisão, acrescentou o Claude Opus 4.6 ao seu benchmark de horizontes temporais com uma estimativa a 50% de fiabilidade de cerca de 14,5 horas (IC 95%: 6h–98h). A série desde 2022 lê-se: GPT-3.5 ~30 segundos, GPT-4 ~4 minutos (2023), o1 ~40 minutos (2024), GPT-5.2 ~6 horas (2025), Opus 4.6 ~14,5 horas (fevereiro de 2026). A analista da METR Ajeya Cotra afirmou não ser descabido esperar ~100 horas até ao final de 2026, embora a METR avise que medições acima das ~16h são pouco fiáveis com o seu conjunto de tarefas atualmente saturado. O indicador importa porque a delegação exige uma unidade de trabalho independente equivalente à sessão de um investigador humano. Quando uma IA consegue sustentar uma tarefa de mais de 12 horas sem reancoragem, o padrão dominante deixa de ser a assistência para passar a ser a autonomia — diretamente relevante para o argumento de Jack Clark de que a parte de engenharia da I&D em IA é hoje, em grande medida, delegável.METR ↗

A Anthropic lançou o Claude Opus 4 e o Sonnet 4, modelos capazes de trabalho agentivo sustentado de várias horas — programação, investigação e análise em tarefas complexas de múltiplos passos.

O laboratório chinês DeepSeek lançou o R1, um modelo de raciocínio de código aberto que igualou os modelos proprietários de fronteira a uma fração do custo de treino. O modelo demonstrou um forte raciocínio em cadeia de pensamento e foi lançado com pesos completos.

A Anthropic lançou o Claude 3.5 Sonnet com a capacidade de ver, compreender e controlar um ecrã de computador. Pela primeira vez, uma IA conseguia navegar autonomamente em software, preencher formulários, escrever documentos e executar fluxos de trabalho de múltiplos passos em diferentes aplicações.

A OpenAI lançou o o1, um modelo que passa mais tempo a "pensar" antes de responder. Usando aprendizagem por reforço para desenvolver cadeias de raciocínio internas, o o1 alcançou resultados de ponta nos benchmarks de matemática, programação e raciocínio científico.

A Índia ultrapassou os EUA e a China no número de engenheiros de IA e aprendizagem automática, com o seu sistema de IIT e o ecossistema tecnológico a produzir mais profissionais de IA do que qualquer outro país.

A OpenAI lançou o GPT-4, um modelo multimodal que conseguia processar texto e imagens. Passou o exame da ordem dos advogados no percentil 90, obteve resultados nos percentis mais altos nos exames AP e demonstrou capacidades de raciocínio que levaram alguns investigadores a publicar artigos sobre "centelhas de IAG".

Três ex-investigadores da Google DeepMind e da Meta fundaram a Mistral AI em Paris. Em poucos meses, lançaram o Mixtral 8x7B, um modelo de mistura de especialistas de código aberto que rivalizava com o GPT-3.5.

A OpenAI lançou o ChatGPT, uma interface conversacional para o GPT-3.5. Atingiu 1 milhão de utilizadores em 5 dias e 100 milhões em 2 meses — a aplicação de crescimento mais rápido da história.

Os investigadores da DeepMind publicaram descobertas mostrando que a maioria dos grandes modelos de linguagem estavam significativamente subtreinados. O seu modelo "Chinchilla", com 70 mil milhões de parâmetros treinados em 1,4 biliões de tokens, superou o Gopher de 280 mil milhões de parâmetros.

A AI21 Labs lançou o Jurassic-1, um modelo de 178 mil milhões de parâmetros que rivaliza com o GPT-3, desenvolvido em Telavive. Israel — com mais startups de IA per capita do que qualquer outra nação — demonstrou um impacto desproporcionado no desenvolvimento da IA.

O AlphaFold 2 da DeepMind resolveu o problema da dobragem de proteínas que persistia há 50 anos, prevendo as estruturas 3D das proteínas com precisão próxima da experimental. Mais tarde, previu a estrutura de quase todas as proteínas conhecidas — mais de 200 milhões de estruturas.

A OpenAI lançou o GPT-3, um modelo de 175 mil milhões de parâmetros que conseguia executar tarefas para as quais nunca foi explicitamente treinado — tradução, geração de código, aritmética — apenas a partir de alguns exemplos no seu prompt.

Os Emirados Árabes Unidos estabeleceram o Instituto de Inovação Tecnológica (TII) e começaram a construir o que viria a ser a série de grandes modelos de linguagem Falcon.

A OpenAI treinou o GPT-2, um modelo de linguagem de 1,5 mil milhões de parâmetros que gerava texto notavelmente coerente. Inicialmente retiveram o modelo completo, citando preocupações sobre o uso indevido — o primeiro grande debate público sobre se as capacidades de IA devem ser partilhadas livremente.

Em 2018, a Google lançou o BERT (pré-treino bidirecional) e a OpenAI lançou o GPT-1 (pré-treino autorregressivo), duas abordagens concorrentes para fazer os modelos de linguagem compreenderem o contexto.

Oito investigadores da Google publicaram a arquitetura transformer, substituindo completamente a recorrência por mecanismos de atenção própria. O título deceptivamente simples do artigo ocultava o seu impacto revolucionário.

O Conselho de Estado da China publicou uma estratégia nacional com o objetivo de tornar a China líder mundial em IA até 2030, com uma indústria de IA nacional no valor de 150 mil milhões de dólares. O plano comprometeu financiamento governamental massivo e integrou a IA na educação a todos os níveis.

O AlphaZero da DeepMind dominou o xadrez, o Go e o shogi (xadrez japonês) em horas, começando apenas com as regras — sem partidas humanas, sem conhecimento humano, sem livros de aberturas.

O AlphaGo da DeepMind derrotou o campeão mundial de Go Lee Sedol por 4-1 em Seul. O Go tem mais posições possíveis do que átomos no universo, tornando a pesquisa por força bruta impossível. O AlphaGo combinou redes neurais profundas com pesquisa em árvore de Monte Carlo para desenvolver um jogo intuitivo e semelhante ao humano.

A Google adquiriu a DeepMind Technologies de Londres por aproximadamente 500 milhões de dólares. Fundada por Demis Hassabis, Shane Legg e Mustafa Suleiman, a missão explícita da DeepMind era "resolver a inteligência".

Ian Goodfellow na Universidade de Montreal inventou as GANs — um quadro onde duas redes neurais competem, uma a gerar dados e outra a avaliá-los. A ideia terá surgido durante uma conversa num bar.

Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton na Universidade de Toronto treinaram a AlexNet, uma rede neural convolucional profunda, em GPUs. Venceu a competição ImageNet com uma taxa de erro top-5 de 15,3% — esmagando o segundo classificado com 26,2%.

Jeff Dean e Andrew Ng lançaram o Google Brain, um projeto de investigação em aprendizagem profunda dentro da Google. Usando 16.000 núcleos de CPU em 1.000 máquinas, a equipa treinou uma rede neural que aprendeu a detetar gatos em vídeos do YouTube sem lhe dizerem o que era um gato.

A professora de Stanford Fei-Fei Li e a sua equipa publicaram o ImageNet, um conjunto de dados de 14 milhões de imagens anotadas manualmente em mais de 20.000 categorias. A competição anual associada (ILSVRC) tornou-se o benchmark que impulsionou a visão computacional.

Geoffrey Hinton na Universidade de Toronto publicou um método inovador para treinar redes neurais profundas usando pré-treino não supervisionado camada por camada seguido de ajuste fino. Pela primeira vez, redes com muitas camadas podiam ser treinadas eficazmente.

O Instituto Canadiano para a Investigação Avançada (CIFAR) lançou o programa de Computação Neural e Perceção Adaptativa, fornecendo financiamento sustentado a Geoffrey Hinton, Yoshua Bengio e Yann LeCun quando a investigação em redes neurais estava profundamente fora de moda.

O Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov num encontro de seis partidas. O sistema usava pesquisa por força bruta a avaliar 200 milhões de posições por segundo, combinada com funções de avaliação ajustadas manualmente e um livro de aberturas elaborado por grandes mestres.

Sepp Hochreiter e Jürgen Schmidhuber publicaram a Memória de Longo e Curto Prazo (LSTM), uma arquitetura de rede neural recorrente com células de memória controladas que conseguia aprender a armazenar, recuperar e esquecer informação em sequências longas.

A tese de licenciatura de Sepp Hochreiter identificou formalmente o problema do gradiente que desaparece — a razão matemática pela qual as redes neurais profundas falhavam na aprendizagem. Os gradientes encolhiam exponencialmente através das camadas, tornando impraticável o treino para além de poucas camadas.

Yann LeCun nos Laboratórios Bell demonstrou que as redes neurais convolucionais (CNNs) treinadas com retropropagação conseguiam reconhecer dígitos manuscritos com elevada precisão. O sistema foi implementado comercialmente para ler códigos postais no correio dos EUA.

O roboticista Hans Moravec da Carnegie Mellon articulou o que ficou conhecido como o Paradoxo de Moravec: o raciocínio de alto nível (xadrez, lógica) é computacionalmente barato para as máquinas, mas as competências sensoriomotoras de baixo nível (caminhar, apanhar uma bola) são extraordinariamente difíceis.

David Rumelhart, Geoffrey Hinton e Ronald Williams publicaram um método claro e prático para treinar redes neurais de múltiplas camadas usando a retropropagação de erros. Embora o algoritmo tivesse sido descoberto anteriormente, este artigo demonstrou que conseguia aprender representações internas úteis.

O Ministério do Comércio Internacional e da Indústria (MITI) do Japão lançou o projeto de Sistemas Informáticos de Quinta Geração, uma iniciativa nacional de 400 milhões de dólares para construir computadores inteligentes usando programação lógica e processamento paralelo. O objetivo era alcançar IA conversacional e raciocínio especializado numa década.

O filósofo John Searle na UC Berkeley propôs o experimento mental da Sala Chinesa, argumentando que um computador que manipula símbolos segundo regras não "compreende" realmente nada. O argumento questionava se a IA de processamento de símbolos poderia alguma vez alcançar inteligência genuína.

O matemático britânico James Lighthill publicou um devastador relatório encomendado pelo governo, concluindo que a IA não tinha cumprido as suas promessas. O governo britânico cortou quase todo o financiamento à IA, e o relatório influenciou financiadores em todo o mundo.

Marvin Minsky e Seymour Papert publicaram "Perceptrons", uma análise matemática que provava que os perceptrões de camada única não conseguiam aprender certas funções (como o XOR). O livro foi amplamente interpretado como um golpe mortal para a investigação em redes neurais.

Joseph Weizenbaum no MIT criou a ELIZA, um simples programa de correspondência de padrões que simulava um psicoterapeuta. Apesar de não usar compreensão real, muitos utilizadores tornaram-se emocionalmente ligados a ela, revelando a propensão da humanidade para atribuir inteligência às máquinas.

John McCarthy no MIT criou o LISP (List Processing), uma linguagem de programação construída sobre o cálculo lambda com funcionalidades como recursividade, tipagem dinâmica e recolha de lixo automática. Tornou-se a linguagem padrão para a investigação em IA nas três décadas seguintes.

Na Universidade de Cornell, Frank Rosenblatt construiu o Mark I Perceptrão, a primeira máquina que conseguia aprender a partir de exemplos. Financiado pela Marinha dos EUA, era uma rede neural em hardware que aprendeu a classificar padrões visuais simples usando pesos adaptativos.

John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon organizaram o Projeto de Investigação de Verão de Dartmouth sobre Inteligência Artificial. O workshop cunhou o termo "inteligência artificial" e estabeleceu a IA como uma disciplina académica distinta. McCarthy fundou mais tarde o Laboratório de IA de Stanford.

Turing publicou "Computing Machinery and Intelligence", colocando a questão "Podem as máquinas pensar?" e propondo um teste prático (hoje chamado Teste de Turing) para avaliar a inteligência das máquinas. Previu que até ao ano 2000 as máquinas enganariam os juízes humanos 30% das vezes.

O matemático britânico Alan Turing publicou "On Computable Numbers", introduzindo o conceito de uma máquina universal que conseguia simular qualquer computação. Este quadro teórico lançou a base matemática para cada computador e cada sistema de IA que se seguiram.

Apesar do progresso extraordinário, os investigadores continuam a debater o que ainda é necessário para a IAG. Os desafios em aberto incluem: raciocínio causal genuíno (não apenas correspondência de padrões), memória persistente e aprendizagem a partir da experiência, inteligência incorporada e compreensão do mundo físico, bom senso robusto, definição de objetivos e motivação autónoma.