AGI: um marco que perde o sentido ao ser atingido
Esse assunto de AGI é um tópico que eu não gosto muito de falar a respeito. Eu concordo até mesmo com o Sam Altman, que diz que é um termo de marketing, e ao mesmo tempo é um conceito difícil de você definir. E, a partir do momento que a gente atinge algum mecanismo computacional que tenha uma capacidade de o que o intelecto humano também poderia ter, a própria importância do conceito se perde.
Eu gosto de fazer uma analogia com o teste de Turing. Nos últimos dez anos, esse assunto, se a inteligência artificial passou ou não passou no teste de Turing, se perdeu de alguma forma, foi ficando uma nuvem no assunto, e as pessoas já não debatem mais se passou ou se não passou, quando vai passar, quando é que passou, qual foi o milestone específico que concluiu esse passo na tecnologia. Ele acaba deixando de ser importante no momento em que ele é atingido. A discussão perde o valor, pelo menos essa é a forma que eu vejo.
Então, esse tópico dessa semana, do time da OpenAI ter resolvido um dos Millennium Problems da matemática (o problema de Navier-Stokes), um dos sete problemas, poderia ser um marcador de AGI. Mas eu também ouço pessoas falando que o que aconteceu mesmo foi em dezembro de 2025, quando os agentes de código acabaram demonstrando uma capacidade bastante impressionante de escrever software, especialmente aqueles que não precisam de muita genialidade, mas que haveria necessidade de muito trabalho. Inclusive, nessa visita ao Vale do Silício, alguém da DeepMind citou especificamente essa data e também colocou essa questão de o que é AGI, será que isso importa. Tem gente que diz que no futuro a gente vai olhar para trás e enxergar uma data específica, um período específico.
Mas eu acho complicado. É o mesmo de dizer que o smartphone nasceu na data que o Steve Jobs criou o iPhone? Será que foi antes ou foi depois? Ou que o computador pessoal invadiu o mercado em que data? Foi quando a IBM popularizou? Ou quando alguém inventou o Apple II? E quando a internet passou a ser ubíqua também? Quando que ocorre a globalização, por exemplo? É difícil de dizer, até porque são graus. Não tem um threshold que diz sim ou não, por mais que haja milhares de benchmarks. Todo mundo adora inventar seu próprio benchmark para os modelos de LLM.
Mas de qualquer maneira, eu fico com a impressão de que a gente atingiu um patamar que é suficiente para executar tarefas complicadas. Eu digo até especificamente quando você tem o Computer Use, esses mecanismos em que o Claude ou o Codex pegam o seu mouse fantasma e saem clicando em abas, em telas e aplicações, preenchendo formulários e realmente trabalhando no computador para atingir algum objetivo. Isso gera milhares de reflexões.
Inclusive, também tem um outro post da OpenAI dessa semana onde o Chief Scientist (Jakub Pachocki) coloca sobre o problema do alinhamento e as questões de segurança entre os labs, de que precisamos ficar atentos a goals e sub-goals, onde uma LLM, um modelo não muito bem alinhado, pode acabar insistindo em realizar uma subtarefa que não é interessante para o dono da tarefa grande, para a humanidade.